CN111931824A - 一种基于钻孔返渣图像的煤岩识别方法 - Google Patents
一种基于钻孔返渣图像的煤岩识别方法 Download PDFInfo
- Publication number
- CN111931824A CN111931824A CN202010689210.1A CN202010689210A CN111931824A CN 111931824 A CN111931824 A CN 111931824A CN 202010689210 A CN202010689210 A CN 202010689210A CN 111931824 A CN111931824 A CN 111931824A
- Authority
- CN
- China
- Prior art keywords
- image
- coal
- rock
- proportion
- method based
- 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.)
- Granted
Links
- 239000003245 coal Substances 0.000 title claims abstract description 84
- 239000011435 rock Substances 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 34
- 239000002893 slag Substances 0.000 title claims abstract description 26
- 238000005553 drilling Methods 0.000 title claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 6
- 238000005070 sampling Methods 0.000 claims description 13
- 239000004575 stone Substances 0.000 claims description 9
- 230000011218 segmentation Effects 0.000 claims description 6
- 241000023320 Luma <angiosperm> Species 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims description 4
- OSWPMRLSEDHDFF-UHFFFAOYSA-N methyl salicylate Chemical compound COC(=O)C1=CC=CC=C1O OSWPMRLSEDHDFF-UHFFFAOYSA-N 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 230000008569 process Effects 0.000 abstract description 5
- 238000005065 mining Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 238000003709 image segmentation Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/90—Determination of colour characteristics
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
- Geophysics And Detection Of Objects (AREA)
Abstract
本发明涉及一种基于钻孔返渣图像的煤岩识别方法,属于煤矿钻探领域,包括以下步骤:S1:收集钻孔返渣,获取返渣图像;S2:对图像进行预处理;S3:根据煤层和岩层的灰度特征将图像分割为若干像素群;S4:计算煤岩像素点占像素总数的比例,识别煤岩地层类型。与现有技术相比,本发明在使用过程中降低了对人工经验的依赖,统一了判断标准,提高了识别精度。
Description
技术领域
本发明属于煤矿钻探领域,涉及一种基于钻孔返渣图像的煤岩识别方法。
背景技术
钻孔施工是煤矿井下进行瓦斯、防治水、防灭火等灾害治理的最根本技术措施。现有钻孔施工的岩性识别,主要是钻机操作人员根据钻孔返渣进行人工识别,识别方法粗泛,识别精度低。
煤矿井下现有的煤岩识别方法主要是基于采煤机的触觉、煤岩的图像特征、雷达波等参量进行判定。目前,该技术主要应用于无人化工作面的采煤机上,在钻孔过程中尚无应用。
发明内容
有鉴于此,本发明的目的在于提供一种基于钻孔返渣图像的煤岩识别方法,在钻进过程中使钻孔机器人能自主识别钻遇地层,进而调整施工参数,优化钻进参数,提高效率。
为达到上述目的,本发明提供如下技术方案:
一种基于钻孔返渣图像的煤岩识别方法,包括以下步骤:
S1:收集钻孔返渣,获取返渣图像;
S2:对图像进行预处理;
S3:根据煤层和岩层的灰度特征将图像分割为若干像素群;
S4:计算煤岩像素点占像素总数的比例,识别煤岩地层类型。
进一步,所述获取的返渣图像包括煤层样本图像集和岩层样本图像集。
进一步,所述预处理包括提取明度分量、图像去噪和图像增强。
进一步,所述提取明度分量包括:
提取HSV中的明度通道V分量图像,RGB到HSV色彩空间的转换公式如下:
其中,r、g、b分别为像素坐标系红绿蓝三通道分量值,max、min分别为r、g、b最大值和最小值。
进一步,所述图像去噪包括:
采用空间域去噪方法,空间域滤波使用滤波器对图像进行逐像素点操作;滤波器形状为M×N大小的矩阵区域,对于图像中的每个点f(x,y),滤波后的值为:
其中,ω(i,j)为滤波器,i,j为滤波参数。
进一步,所述图像增强包括:
采拉普拉斯变换对图像进行增强处理,将拉普拉斯变换方程表示为离散形式:
其中,x,y为变换参数。
进一步,所述根据煤层和岩层的灰度特征将图像分割为若干像素群,具体包括:
采用固定单阈值分割方案,设定某一阈值T将图像分成两部分:大于T的像素群和小于T的像素群
确定固定阈值T,参考最大类间方差法,根据图像的灰度特性,将图像分为前景和背景两部分,记T为前景与背景的分割阈值,前景点数占图像比例为ω0,评价灰度为υ0;背景点数占图像比例为ω1,平均灰度为υ1,图像的总平均灰度为υ,前景和背景图像的方差,则有:
u=w0×u0+w1×u1
g=wO×(u0-u)2+w1×(u1-u)2
联立以上两式得:
当方差g最大时,认为此时前景和背景差异最大,此时的灰度T是最佳阈值。
进一步,步骤S4中所述识别煤岩地层类型,具体包括:
图像分割后,获取到二值图像,以岩为前景图像每个像素点灰度值均为1,对其求和得到岩所占的像素总数,通过以下公式得到煤、岩各自所占比例:
R_stone=sum(F)/A
R_coal=1-R_stone
其中A表示整个煤岩图像像素点总数,sum(F)表示煤岩图像中岩所占的像素总数,R_stone表示岩所占比例,R_coal表示煤所占比例;
连续多次采样,结合多次采样结果分析得出最终结论,判定的依据为:
若M次采样,N次结果煤所占比例大于设定阈值,则判定为煤;若M次采样,煤所占比例呈递增趋势,则判定为煤;若M次采样,煤所占比例呈递减趋势,则判定为岩。
本发明的有益效果在于:与现有技术相比,本发明在使用过程中降低了对人工经验的依赖,统一了判断标准,提高了识别精度。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或者可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书来实现和获得。
附图说明
为了使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明作优选的详细描述,其中:
图1为基于钻孔返渣图像的煤岩识别方法流程示意图。
具体实施方式
以下通过特定的具体实例说明本发明的实施方式,本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用,本说明书中的各项细节也可以基于不同观点与应用,在没有背离本发明的精神下进行各种修饰或改变。需要说明的是,以下实施例中所提供的图示仅以示意方式说明本发明的基本构想,在不冲突的情况下,以下实施例及实施例中的特征可以相互组合。
其中,附图仅用于示例性说明,表示的仅是示意图,而非实物图,不能理解为对本发明的限制;为了更好地说明本发明的实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。
本发明实施例的附图中相同或相似的标号对应相同或相似的部件;在本发明的描述中,需要理解的是,若有术语“上”、“下”、“左”、“右”、“前”、“后”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此附图中描述位置关系的用语仅用于示例性说明,不能理解为对本发明的限制,对于本领域的普通技术人员而言,可以根据具体情况理解上述术语的具体含义。
如图1所示,本发明提供一种基于钻孔返渣图像的煤岩识别方法:
样本学习阶段:从矿区收集钻孔返渣,在相同光照条件下,获取一组煤层样本图像集和岩层样本图像集。经过提取明度分量、图像去噪和图像增强等预处理,排除光照条件对图像灰度特征所造成的影响,根据不同矿区的实际情况对软件中的变量参数进行修正,使之符合该地区实际情况。
煤岩分类识别阶段:将待识别图像经预处理后,根据灰度样本特征库将图像分割成若干像素群,通过计算煤岩像素点占像素总数的比例,根据预先设置的比例阈值及比例变化趋势,判断钻遇地层岩性。
提取明度分量:HSV中的明度通道V具备与光强度之间没有直接联系的特性,针对煤岩图像辨识任务,由于矿井环境复杂性,光照条件受粉尘、光源稳定性等因素影响造成采集的煤岩图像光强度不稳定,通过提取V分量图像可以最大程度上减小环境光对图像处理过程影响。RGB到HSV色彩空间的转换公式如下:
其中,r、g、b分别为像素坐标系红绿蓝三通道分量值,max、min分别为r、g、b最大值和最小值。
去噪操作:煤矿井内,图像数据在采集、传输过程又面临电子设备工频干扰,因此获取的原始图像本身噪声较大,因此在提取到V通道图像后需进行图像滤波去噪操作,减少噪声对识别造成的影响。采用空间域去噪方法,空间域滤波使用滤波器对图像进行逐像素点操作。滤波器形状通常为M×N大小的矩阵区域,对于图像中的每个点f(x,y),滤波后的值为:
其中,ω(i,j)为滤波器,i,j为滤波参数。
图像增强:为了改善图像质量,在特征提取前,采用拉布拉斯变换对图像进行增强处理。为了更适合数字图像处理,将拉普拉斯变换方程表示为离散形式:
其中,x,y为变换参数。
图像分割:本发明图像分割法采用固定单阈值分割方案。一幅图像包括目标、背景和噪声,设定某一阈值T将图像分成两部分:大于T的像素群和小于T的像素群。
确定固定阈值T,参考最大类间方差法,根据图像的灰度特性,将图像分为前景和背景两部分,记T为前景与背景的分割阈值,前景点数占图像比例为ω0,评价灰度为υ0;背景点数占图像比例为ω1,平均灰度为υ1,图像的总平均灰度为υ,前景和背景图像的方差,则有:
u=w0×u0+w1×u1
g=wO×(u0-u)2+w1×(u1-u)2
联立以上两式可得:
当方差g最大时,可以认为此时前景和背景差异最大,此时的灰度T是最佳阈值。
图像识别:图像分割后,获取到二值图像,以岩为前景图像每个像素点灰度值均为1,对其求和即可得到岩所占的像素总数,通过以下公式得到煤、岩各自所占比例。
R_stone=sum(F)/A
R_coal=1-R_stone
其中A表示整个煤岩图像像素点总数,sum(F)表示煤岩图像中岩所占的像素总数,R_stone表示岩所占比例,R_coal表示煤所占比例。
由于图像识别只针对煤岩图像表面特征进行分析,单帧煤岩图像辨识结果难以保证结果稳定性,需连续多次采样,结合多次采样结果分析得出最终结论。
判定依据:①假定M次采样,N次结果煤所占比例大于设定阈值,则判定为煤;②假定M次采用,煤所占比例呈递增趋势,则判定为煤;③假定M次采用,煤所占比例呈递减趋势,则判定为岩。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (8)
1.一种基于钻孔返渣图像的煤岩识别方法,其特征在于:包括以下步骤:
S1:收集钻孔返渣,获取返渣图像;
S2:对图像进行预处理;
S3:根据煤层和岩层的灰度特征将图像分割为若干像素群;
S4:计算煤岩像素点占像素总数的比例,识别煤岩地层类型。
2.根据权利要求1所述的基于钻孔返渣图像的煤岩识别方法,其特征在于:所述获取的返渣图像包括煤层样本图像集和岩层样本图像集。
3.根据权利要求1所述的基于钻孔返渣图像的煤岩识别方法,其特征在于:所述预处理包括提取明度分量、图像去噪和图像增强。
7.根据权利要求1所述的基于钻孔返渣图像的煤岩识别方法,其特征在于:所述根据煤层和岩层的灰度特征将图像分割为若干像素群,具体包括:
采用固定单阈值分割方案,设定某一阈值T将图像分成两部分:大于T的像素群和小于T的像素群
确定固定阈值T,参考最大类间方差法,根据图像的灰度特性,将图像分为前景和背景两部分,记T为前景与背景的分割阈值,前景点数占图像比例为ω0,评价灰度为v0;背景点数占图像比例为ω1,平均灰度为v1,图像的总平均灰度为v,前景和背景图像的方差,则有:
u=w0×u0+w1×u1
g=w0×(u0-u)2+w1×(u1-u)2
联立以上两式得:
当方差g最大时,认为此时前景和背景差异最大,此时的灰度T是最佳阈值。
8.根据权利要求3所述的基于钻孔返渣图像的煤岩识别方法,其特征在于:步骤S4中所述识别煤岩地层类型,具体包括:
图像分割后,获取到二值图像,以岩为前景图像每个像素点灰度值均为1,对其求和得到岩所占的像素总数,通过以下公式得到煤、岩各自所占比例:
R_stone=sum(F)/A
R-cosl=1-R_stone
其中A表示整个煤岩图像像素点总数,sum(F)表示煤岩图像中岩所占的像素总数,R_stone表示岩所占比例,R_coal表示煤所占比例;
连续多次采样,结合多次采样结果分析得出最终结论,判定的依据为:
若M次采样,N次结果煤所占比例大于设定阈值,则判定为煤;若M次采样,煤所占比例呈递增趋势,则判定为煤;若M次采样,煤所占比例呈递减趋势,则判定为岩。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010689210.1A CN111931824B (zh) | 2020-07-15 | 2020-07-15 | 一种基于钻孔返渣图像的煤岩识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010689210.1A CN111931824B (zh) | 2020-07-15 | 2020-07-15 | 一种基于钻孔返渣图像的煤岩识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111931824A true CN111931824A (zh) | 2020-11-13 |
CN111931824B CN111931824B (zh) | 2024-05-28 |
Family
ID=73313175
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010689210.1A Active CN111931824B (zh) | 2020-07-15 | 2020-07-15 | 一种基于钻孔返渣图像的煤岩识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111931824B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117853933A (zh) * | 2024-03-07 | 2024-04-09 | 山东矿通智能装备有限公司 | 一种用于露天煤矿开采的煤层识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102496004A (zh) * | 2011-11-24 | 2012-06-13 | 中国矿业大学(北京) | 一种基于图像的煤岩界面识别方法与系统 |
CN102509087A (zh) * | 2011-11-24 | 2012-06-20 | 中国矿业大学(北京) | 一种基于图像灰度共生矩阵的煤岩识别方法 |
CN104318254A (zh) * | 2014-11-13 | 2015-01-28 | 中国矿业大学(北京) | 一种基于dct低频分量特征的快速煤岩识别方法 |
CN110175517A (zh) * | 2019-04-19 | 2019-08-27 | 中国煤炭科工集团太原研究院有限公司 | 一种基于变换域数字特征的煤岩识别方法 |
WO2020062470A1 (zh) * | 2018-09-28 | 2020-04-02 | 中国矿业大学 | 基于固态激光雷达成像对煤岩界面进行识别的装置及方法 |
-
2020
- 2020-07-15 CN CN202010689210.1A patent/CN111931824B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102496004A (zh) * | 2011-11-24 | 2012-06-13 | 中国矿业大学(北京) | 一种基于图像的煤岩界面识别方法与系统 |
CN102509087A (zh) * | 2011-11-24 | 2012-06-20 | 中国矿业大学(北京) | 一种基于图像灰度共生矩阵的煤岩识别方法 |
CN104318254A (zh) * | 2014-11-13 | 2015-01-28 | 中国矿业大学(北京) | 一种基于dct低频分量特征的快速煤岩识别方法 |
WO2020062470A1 (zh) * | 2018-09-28 | 2020-04-02 | 中国矿业大学 | 基于固态激光雷达成像对煤岩界面进行识别的装置及方法 |
CN110175517A (zh) * | 2019-04-19 | 2019-08-27 | 中国煤炭科工集团太原研究院有限公司 | 一种基于变换域数字特征的煤岩识别方法 |
Non-Patent Citations (1)
Title |
---|
黄韶杰;刘建功;: "基于高斯混合聚类的煤岩识别技术研究", 煤炭学报, no. 2, 15 November 2015 (2015-11-15) * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117853933A (zh) * | 2024-03-07 | 2024-04-09 | 山东矿通智能装备有限公司 | 一种用于露天煤矿开采的煤层识别方法 |
CN117853933B (zh) * | 2024-03-07 | 2024-05-17 | 山东矿通智能装备有限公司 | 一种用于露天煤矿开采的煤层识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN111931824B (zh) | 2024-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Ore image segmentation method using U-Net and Res_Unet convolutional networks | |
CN107862667B (zh) | 一种基于高分辨率遥感影像的城市阴影检测与去除方法 | |
CN106651872B (zh) | 基于Prewitt算子的路面裂缝识别方法及系统 | |
CN111260616A (zh) | 一种基于Canny算子二维阈值分割优化的绝缘子裂纹检测方法 | |
CN113781402A (zh) | 芯片表面划痕缺陷的检测方法、装置和计算机设备 | |
CN106682665B (zh) | 一种基于计算机视觉的七段式数显仪表数字识别方法 | |
CN101710425B (zh) | 基于图像灰度梯度和灰度统计直方图的自适应预分割方法 | |
CN111415363A (zh) | 一种图像边缘识别方法 | |
CN108389216B (zh) | 面向在线铁谱图像磨粒识别的局部自适应阈值分割方法 | |
CN116597392B (zh) | 基于机器视觉的液压油杂质识别方法 | |
CN109472788B (zh) | 一种飞机铆钉表面的伤痕检测方法 | |
CN110047063B (zh) | 一种物料掉落的检测方法、装置、设备及存储介质 | |
CN109949198B (zh) | 一种麦田边界检测装置和检测方法 | |
CN109781737B (zh) | 一种软管表面缺陷的检测方法及其检测系统 | |
CN113111878B (zh) | 一种复杂背景下的红外弱小目标检测方法 | |
KR20090109012A (ko) | 영상 처리 방법 | |
CN110930321A (zh) | 一种能够自动选取目标区域的蓝/绿幕数字图像抠取方法 | |
CN110728286B (zh) | 一种基于火花图像的砂带磨削材料去除率识别方法 | |
CN107038690B (zh) | 一种基于多特征融合的运动阴影去除方法 | |
CN111931824A (zh) | 一种基于钻孔返渣图像的煤岩识别方法 | |
CN103971367A (zh) | 水文资料图像分割方法 | |
CN110443166A (zh) | 一种雾霾天气的车牌识别方法 | |
CN109117757B (zh) | 一种提取航拍图像中拉索的方法 | |
CN115994921A (zh) | 一种融合HSV模型和改进Otsu算法的成熟樱桃果实图像分割方法 | |
Wang et al. | Shadow detection and compensation in high resolution satellite image based on retinex |
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 | ||
GR01 | Patent grant |