CN111815581A - 一种电力隔离开关及其部件自动识别方法和装置 - Google Patents
一种电力隔离开关及其部件自动识别方法和装置 Download PDFInfo
- Publication number
- CN111815581A CN111815581A CN202010593508.2A CN202010593508A CN111815581A CN 111815581 A CN111815581 A CN 111815581A CN 202010593508 A CN202010593508 A CN 202010593508A CN 111815581 A CN111815581 A CN 111815581A
- Authority
- CN
- China
- Prior art keywords
- image
- switch
- isolating switch
- power
- labeling
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20084—Artificial neural networks [ANN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种电力隔离开关及其部件自动识别方法,包括获得隔离开关图像集;对图像进行预处理;将隔离开关图像分为训练集和测试集;将训练集中的隔离开关图像以及该图像的标签输入到隔离开关标注模型中进行训练;将隔离开关标注模型与实际标签信息间的差值进行自动更新;使用测试集测试隔离开关标注模型的标注精度;使用训练好的隔离开关标注模型对电力隔离开关进行自动识别。本发明还设有一种使用上述自动识别方法的自动识别装置,包括图像传感器、存储器、CPU和电源,图像传感器、存储器和电源分别与CPU相连。与现有技术相比,本发明具有识别精度高、速度快等优点。
Description
技术领域
本发明涉及电力隔离开关自动识别领域,尤其是涉及一种电力隔离开关及其部件自动识别方法和装置。
背景技术
随着人工智能、深度学习技术的发展,更多图像智能识别、判断的技术应用到电力领域,部分技术能够提高设备检测、监测频次,细化分析颗粒度,达到加强检测效果的目的,最终能够有效提升设备缺陷发现能力及设备运维能力。
目前,深度学习技术已经成功应用到了电力设备运维领域,例如中国专利CN109446925A中公开了一种基于卷积神经网络的电力设备检测算法,该算法可以有效减少错框漏框的现象,提高准确率。
但是目前在隔离开关设备的图像识别领域还未有一种能够对隔离开关组件进行标注识别的方法,为满足电力运维需要,需要一种能够对隔离开关设备的组件进行标注识别的方法以及装置。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种识别精度高、速度快的电力隔离开关及其部件自动识别方法和装置。
本发明的目的可以通过以下技术方案来实现:
一种电力隔离开关及其部件自动识别方法,包括:
步骤1:获得经过组件级标注以及设备级标注的隔离开关图像集;
步骤2:对图像进行预处理,获得隔离开关扩展图像集;
步骤3:将隔离开关图像分为训练集和测试集;
步骤4:将训练集中的隔离开关图像以及该图像的标签输入到隔离开关标注模型中进行训练,获得训练图像中的隔离开关预测框、预测设备类型和预测设备组件类型;
步骤5:将隔离开关标注模型与实际标签信息间的差值进行自动更新;
步骤6:使用测试集测试隔离开关标注模型的标注精度,判断标注精度是否达到预设阈值,若是,则执行步骤7,否则,返回步骤继续对标注模型进行训练;
步骤7:使用训练好的隔离开关标注模型对电力隔离开关进行自动识别。
优选地,所述的步骤具体为:
采用LabelImg工具对隔离开关图像进行设备级标注,获得图像中隔离开关的标签,该标签包括隔离开关标注框左上角位置坐标、右下角位置坐标和隔离开关类型,然后对每个识别出的隔离开关的组件进行组件级标注。
更加优选地,所述的组件把包括搭接板、引线、抱箍、螺栓和桩头。
优选地,所述的步骤具体为:
首先将图像的尺寸进行归一化处理,将图像归一化为300×300像素,然后保存将原始图像旋转90°、180°和270°后的图像,形成隔离开关扩展图像集。
优选地,所述的步骤具体为:
使用Bootstrap技术将隔离开关图像集分为训练集和测试集,训练集用于训练隔离开关标注模型,测试集用于测试隔离开关标注模型的精度。
优选地,所述的隔离开关标注模型为基于融合FPN的Faster RCNN的图像标注模型。
优选地,所述的步骤具体为:
使用梯度下降算法为基于随机梯度下降的误差反向传播算法对隔离开关标注模型与实际标签信息间的差值进行自动更新。
一种使用上述自动识别方法的隔离开关自动识别装置,包括:
图像传感器,用于采集隔离开关设备的图像;
存储器,用于存储隔离开关原始图像、隔离开关训练集图像集标签信息、隔离开关测试集图像及标签信息,隔离开关标注图像集标签信息和隔离设备标准组件库;
CPU,内嵌隔离开关自动识别方法,用于对隔离开关图像进行处理,获得隔离开关标注图像;
电源,用于为图像传感器、CPU供电;
所述的图像传感器、存储器和电源分别与CPU相连。
优选地,所述的自动识别装置设有用于加速图像处理速度的GPU;所述的GPU与CPU相连。
优选地,所述的存储器内存储有隔离开关设备的组件关系图谱。
与现有技术相比,本发明具有以下优点:
一、识别精度高:本发明中的自动识别方法使用组件级标注图像对隔离开关标注模型进行训练,隔离开关标注模型在对隔离开关进行组件级标注时会与隔离开关组件关系图谱进行比对,大大提高识别的准确率。
二、识别速度快:本发明中的自动识别装置设有GPU,用于加快图像处理速度,可以大大提高隔离开关识别方法的识别速度。
附图说明
图1为本发明中自动识别方法的流程示意图;
图2为本发明中自动识别装置的结构示意图。
图中标号所示:
1、图像传感器,2、存储器,3、CPU,4、电源,5、GPU。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
一种隔离开关自动识别装置,其结构如图2所示,包括:
图像传感器1,用于采集隔离开关的图像,本实施例中的图像传感器1为可见光摄像头、红外摄像头、紫外摄像头或遥感卫星;
存储器2,用于存储隔离开关原始图像、隔离开关训练集图像及标签信息、隔离开关测试集图像及标签信息、隔离开关标注图像集标签信息和隔离开关标准组件库;
CPU3,内嵌隔离开关自动标注方法,用于对隔离开关图形进行处理,获得隔离开关标注图像;
电源4,用于为图像传感器1、存储器2和CPU3供电;
GPU5,用于加速图像处理速度,提高标注装置的标注效率。
图像传感器1、存储器2、电源4和GPU5分别与CPU3相连。
本实施例中的图像传感器1为可见光摄像头、红外摄像头、紫外摄像头或遥感卫星。
本实施例中存储器2中还存储有隔离开关组件的关系图谱,即隔离开关组件的拓扑结构,用于提高设备识别的成功率。
本实施例还涉及一种电力隔离开关及其部件自动识别方法,该方法内嵌在CPU3上,其流程示意图如图1所示,包括:
步骤1:获得经过组件级标注以及设备级标注的隔离开关图像集;
具体为:采用LabelImg工具对隔离开关图像进行设备级标注,获得图像中隔离开关的标签,该标签包括隔离开关标注框左上角位置坐标、右下角位置坐标和隔离开关类型,然后对每个识别出的隔离开关的组件进行组件级标注;
本实施例中所述的的隔离开关组件指的是隔离开关的核心组件,包括搭接板、引线、抱箍、螺栓和桩头;
步骤2:对图像进行预处理,获得隔离开关扩展图像集;
具体为:首先将图像的尺寸进行归一化处理,将图像归一化为300×300像素,然后保存将原始图像旋转90°、180°和270°后的图像,形成隔离开关扩展图像集;
步骤3:将隔离开关图像分为训练集和测试集;
具体为:使用Bootstrap技术将隔离开关图像集分为训练集和测试集,训练集用于训练隔离开关标注模型,测试集用于测试隔离开关标注模型的精度;
步骤4:将训练集中的隔离开关图像以及该图像的标签输入到隔离开关标注模型中进行训练,获得训练图像中的隔离开关预测框、预测设备类型和预测设备组件类型;
步骤5:使用梯度下降算法为基于随机梯度下降的误差反向传播算法对隔离开关标注模型与实际标签信息间的差值进行自动更新。
步骤6:使用测试集测试隔离开关标注模型的标注精度,判断标注精度是否达到预设阈值,若是,则执行步骤7,否则,返回步骤5继续对标注模型进行训练;
步骤7:使用训练好的隔离开关标注模型对电力隔离开关进行自动识别。
本实施例中选用的隔离开关标注模型为基于融合FPN的Faster RCNN的图像标注模型。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (10)
1.一种电力隔离开关及其部件自动识别方法,其特征在于,包括:
步骤1:获得经过组件级标注以及设备级标注的隔离开关图像集;
步骤2:对图像进行预处理,获得隔离开关扩展图像集;
步骤3:将隔离开关图像分为训练集和测试集;
步骤4:将训练集中的隔离开关图像以及该图像的标签输入到隔离开关标注模型中进行训练,获得训练图像中的隔离开关预测框、预测设备类型和预测设备组件类型;
步骤5:将隔离开关标注模型与实际标签信息间的差值进行自动更新;
步骤6:使用测试集测试隔离开关标注模型的标注精度,判断标注精度是否达到预设阈值,若是,则执行步骤7,否则,返回步骤5继续对标注模型进行训练;
步骤7:使用训练好的隔离开关标注模型对电力隔离开关进行自动识别。
2.根据权利要求1所述的一种电力隔离开关及其部件自动识别方法,其特征在于,所述的步骤1具体为:
采用LabelImg工具对隔离开关图像进行设备级标注,获得图像中隔离开关的标签,该标签包括隔离开关标注框左上角位置坐标、右下角位置坐标和隔离开关类型,然后对每个识别出的隔离开关的组件进行组件级标注。
3.根据权利要求2所述的一种电力隔离开关及其部件自动识别方法,其特征在于,所述的组件把包括搭接板、引线、抱箍、螺栓和桩头。
4.根据权利要求1所述的一种电力隔离开关及其部件自动识别方法,其特征在于,所述的步骤2具体为:
首先将图像的尺寸进行归一化处理,将图像归一化为300×300像素,然后保存将原始图像旋转90°、180°和270°后的图像,形成隔离开关扩展图像集。
5.根据权利要求1所述的一种电力隔离开关及其部件自动识别方法,其特征在于,所述的步骤3具体为:
使用Bootstrap技术将隔离开关图像集分为训练集和测试集,训练集用于训练隔离开关标注模型,测试集用于测试隔离开关标注模型的精度。
6.根据权利要求1所述的一种电力隔离开关及其部件自动识别方法,其特征在于,所述的隔离开关标注模型为基于融合FPN的Faster RCNN的图像标注模型。
7.根据权利要求1所述的一种电力隔离开关及其部件自动识别方法,其特征在于,所述的步骤5具体为:
使用梯度下降算法为基于随机梯度下降的误差反向传播算法对隔离开关标注模型与实际标签信息间的差值进行自动更新。
8.一种使用如权利要求1所述自动识别方法的隔离开关自动识别装置,其特征在于,包括:
图像传感器(1),用于采集隔离开关设备的图像;
存储器(2),用于存储隔离开关原始图像、隔离开关训练集图像集标签信息、隔离开关测试集图像及标签信息,隔离开关标注图像集标签信息和隔离设备标准组件库;
CPU(3),内嵌隔离开关自动识别方法,用于对隔离开关图像进行处理,获得隔离开关标注图像;
电源(4),用于为图像传感器(1)、CPU(3)供电;
所述的图像传感器(1)、存储器(2)和电源(4)分别与CPU(3)相连。
9.根据权利要求8所述的一种电力隔离开关及其部件自动识别装置,其特征在于,所述的自动识别装置设有用于加速图像处理速度的GPU(5);所述的GPU(5)与CPU(3)相连。
10.根据权利要求8所述的一种电力隔离开关及其部件自动识别装置,其特征在于,所述的存储器(2)内存储有隔离开关设备的组件关系图谱。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010593508.2A CN111815581A (zh) | 2020-06-27 | 2020-06-27 | 一种电力隔离开关及其部件自动识别方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010593508.2A CN111815581A (zh) | 2020-06-27 | 2020-06-27 | 一种电力隔离开关及其部件自动识别方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111815581A true CN111815581A (zh) | 2020-10-23 |
Family
ID=72855087
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010593508.2A Pending CN111815581A (zh) | 2020-06-27 | 2020-06-27 | 一种电力隔离开关及其部件自动识别方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111815581A (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014132358A1 (ja) * | 2013-02-27 | 2014-09-04 | 富士機械製造株式会社 | 不良部材判定装置及びその方法 |
CN107742093A (zh) * | 2017-09-01 | 2018-02-27 | 国网山东省电力公司电力科学研究院 | 一种红外图像电力设备部件实时检测方法、服务器及系统 |
CN108009591A (zh) * | 2017-12-14 | 2018-05-08 | 西南交通大学 | 一种基于深度学习的接触网关键部件识别方法 |
CN108230313A (zh) * | 2018-01-03 | 2018-06-29 | 武汉大学 | 基于部件自适应选择与判别模型的sar图像目标检测方法 |
CN108761237A (zh) * | 2018-05-29 | 2018-11-06 | 福州大学 | 无人机电力巡检图像关键电力部件自动诊断与标注系统 |
CN109359697A (zh) * | 2018-10-30 | 2019-02-19 | 国网四川省电力公司广元供电公司 | 一种电力设备巡检中使用的图形图像识别方法及巡查系统 |
US20190073560A1 (en) * | 2017-09-01 | 2019-03-07 | Sri International | Machine learning system for generating classification data and part localization data for objects depicted in images |
CN109446925A (zh) * | 2018-10-08 | 2019-03-08 | 中山大学 | 一种基于卷积神经网络的电力设备检测算法 |
CN109712118A (zh) * | 2018-12-11 | 2019-05-03 | 武汉三江中电科技有限责任公司 | 一种基于Mask RCNN的变电站隔离开关检测识别方法 |
CN110059076A (zh) * | 2019-04-19 | 2019-07-26 | 国网山西省电力公司电力科学研究院 | 一种输变电线路设备的故障数据库半自动化建立方法 |
CN110490135A (zh) * | 2019-08-20 | 2019-11-22 | 上海眼控科技股份有限公司 | 车辆年检方法、装置、计算机设备和存储介质 |
CN110569841A (zh) * | 2019-09-02 | 2019-12-13 | 中南大学 | 基于卷积神经网络的接触网关键部件目标检测方法 |
CN110674874A (zh) * | 2019-09-24 | 2020-01-10 | 武汉理工大学 | 基于目标精细组件检测的细粒度图像识别方法 |
CN111179249A (zh) * | 2019-12-30 | 2020-05-19 | 南京南瑞信息通信科技有限公司 | 一种基于深度卷积神经网络的电力设备检测方法和装置 |
-
2020
- 2020-06-27 CN CN202010593508.2A patent/CN111815581A/zh active Pending
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2014132358A1 (ja) * | 2013-02-27 | 2014-09-04 | 富士機械製造株式会社 | 不良部材判定装置及びその方法 |
US20190073560A1 (en) * | 2017-09-01 | 2019-03-07 | Sri International | Machine learning system for generating classification data and part localization data for objects depicted in images |
CN107742093A (zh) * | 2017-09-01 | 2018-02-27 | 国网山东省电力公司电力科学研究院 | 一种红外图像电力设备部件实时检测方法、服务器及系统 |
CN108009591A (zh) * | 2017-12-14 | 2018-05-08 | 西南交通大学 | 一种基于深度学习的接触网关键部件识别方法 |
CN108230313A (zh) * | 2018-01-03 | 2018-06-29 | 武汉大学 | 基于部件自适应选择与判别模型的sar图像目标检测方法 |
CN108761237A (zh) * | 2018-05-29 | 2018-11-06 | 福州大学 | 无人机电力巡检图像关键电力部件自动诊断与标注系统 |
CN109446925A (zh) * | 2018-10-08 | 2019-03-08 | 中山大学 | 一种基于卷积神经网络的电力设备检测算法 |
CN109359697A (zh) * | 2018-10-30 | 2019-02-19 | 国网四川省电力公司广元供电公司 | 一种电力设备巡检中使用的图形图像识别方法及巡查系统 |
CN109712118A (zh) * | 2018-12-11 | 2019-05-03 | 武汉三江中电科技有限责任公司 | 一种基于Mask RCNN的变电站隔离开关检测识别方法 |
CN110059076A (zh) * | 2019-04-19 | 2019-07-26 | 国网山西省电力公司电力科学研究院 | 一种输变电线路设备的故障数据库半自动化建立方法 |
CN110490135A (zh) * | 2019-08-20 | 2019-11-22 | 上海眼控科技股份有限公司 | 车辆年检方法、装置、计算机设备和存储介质 |
CN110569841A (zh) * | 2019-09-02 | 2019-12-13 | 中南大学 | 基于卷积神经网络的接触网关键部件目标检测方法 |
CN110674874A (zh) * | 2019-09-24 | 2020-01-10 | 武汉理工大学 | 基于目标精细组件检测的细粒度图像识别方法 |
CN111179249A (zh) * | 2019-12-30 | 2020-05-19 | 南京南瑞信息通信科技有限公司 | 一种基于深度卷积神经网络的电力设备检测方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112131936B (zh) | 一种巡检机器人图像识别方法及巡检机器人 | |
CN111784673B (zh) | 缺陷检测模型训练和缺陷检测方法、设备及存储介质 | |
CN109801284A (zh) | 一种基于深度学习的高铁接触网绝缘子故障检测方法 | |
CN106127746A (zh) | 电路板元件漏件检测方法和系统 | |
CN104655641A (zh) | 一种高精密全自动fpc缺陷检测装置及检测工艺 | |
CN112967248B (zh) | 生成缺陷图像样本的方法、装置、介质及程序产品 | |
CN107247952B (zh) | 基于深层监督的循环卷积神经网络的视觉显著性检测方法 | |
CN111639579B (zh) | 一种基于红外图像的电力变压器套管智能油位识别方法 | |
CN110674876A (zh) | 一种字符检测方法、装置、电子设备及计算机可读介质 | |
CN114399484A (zh) | 一种光伏组件缺陷检测方法、装置、设备及介质 | |
CN109038826A (zh) | 基于物联网和ar技术的变电站设备巡视系统及巡视方法 | |
CN112270659A (zh) | 一种动力电池极片表面缺陷快速检测方法和系统 | |
WO2023241102A1 (zh) | 一种标签识别方法、装置、电子设备及存储介质 | |
CN111368824B (zh) | 一种仪表识别方法、移动设备及存储介质 | |
CN112614130A (zh) | 基于5G传输和YOLOv3的无人机输电线路绝缘子故障检测方法 | |
CN112184679A (zh) | 一种基于YOLOv3的酒瓶瑕疵自动检测方法 | |
CN117114420B (zh) | 一种基于图像识别的工贸安全事故风险管控系统和方法 | |
CN110674900A (zh) | 基于rfid的无人机巡检杆塔缺陷的方法及装置 | |
CN111815581A (zh) | 一种电力隔离开关及其部件自动识别方法和装置 | |
CN117036798A (zh) | 一种基于深度学习的输配电线路图像识别方法及系统 | |
CN111539390A (zh) | 一种基于Yolov3的小目标图像识别方法、设备和系统 | |
CN110956174A (zh) | 一种器件编号的识别方法 | |
CN115690505A (zh) | 光伏组件故障检测方法、装置、计算机设备及存储介质 | |
CN115482502A (zh) | 基于特征物体与人体关键点的异常行为识别方法、系统及介质 | |
CN111815567A (zh) | 一种高识别率电力设备自动标注方法和装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |