CN112037010A - 基于SSR-Net的多场景风险评级模型在个人贷款上的应用方法、装置及存储介质 - Google Patents

基于SSR-Net的多场景风险评级模型在个人贷款上的应用方法、装置及存储介质 Download PDF

Info

Publication number
CN112037010A
CN112037010A CN202010805386.9A CN202010805386A CN112037010A CN 112037010 A CN112037010 A CN 112037010A CN 202010805386 A CN202010805386 A CN 202010805386A CN 112037010 A CN112037010 A CN 112037010A
Authority
CN
China
Prior art keywords
image
user
self
face
ssr
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
Application number
CN202010805386.9A
Other languages
English (en)
Inventor
杨赛
顾全林
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Wuxi Xishang Bank Co ltd
Original Assignee
Wuxi Xishang Bank Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Wuxi Xishang Bank Co ltd filed Critical Wuxi Xishang Bank Co ltd
Priority to CN202010805386.9A priority Critical patent/CN112037010A/zh
Publication of CN112037010A publication Critical patent/CN112037010A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q40/00—Finance; Insurance; Tax strategies; Processing of corporate or income taxes
    • G06Q40/03—Credit; Loans; Processing thereof
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/161—Detection; Localisation; Normalisation

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Multimedia (AREA)
  • Human Computer Interaction (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Technology Law (AREA)
  • Strategic Management (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供一种基于SSR‑Net的多场景风险评级模型在个人贷款上的应用方法，包括以下步骤：获取用户的自拍照图像；对于用户的自拍照图像进行识别处理，得到用户的面部图像、衣着图像和自拍照背景图像，并进行标准化处理；分别对用户的面部图像、衣着图像和自拍照背景图像进行人工风险分值的标定；将标准化处理后的用户的面部图像、衣着图像和自拍照背景图像作为输入，训练基于SSR‑Net的多场景风险评级模型；基于SSR‑Net的多场景风险评级模型训练完成后，对于获取的用户自拍照图像，输入该模型得到用户的风险分值。本发明能够为大数据风控提供一个新的数据维度来源。

Description

基于SSR-Net的多场景风险评级模型在个人贷款上的应用方 法、装置及存储介质
技术领域
本发明涉及一种个人贷款风险评分的预测方法，尤其是一种基于SSR-Net 的多场景风险评级模型在个人贷款上的应用方法。
背景技术
线上贷款往往通过大数据的方式，在线获取贷款申请人的多维度信息对客 户违约风险进行预测和判断，而此类信息多来自于如客人个人征信、多头借贷、 电商及互联网行为数据、黑灰名单等。而传统线下通过有经验的审批人员进行 面审来对客户风险进行识别的维度在大数据风控中往往是缺失的。
发明内容
为了解决面对小微企业主和低收入人群的贷款申请人收入信息难采集，难认定，缺少合格的抵质押品，信用记录缺失或不足等情况，本发明提出一种基于SSR-Net的多场景风险评级模型在个人贷款上的应用方法和装置，可以通过用户的自拍照来预测用户的贷款风险。
本发明的第一方面，提供一种基于SSR-Net的多场景风险评级模型在个人贷款上的应用方法，包括以下步骤：
步骤S10，获取用户的自拍照图像；
步骤S20，对于用户的自拍照图像进行识别处理，得到用户的面部图像、衣着图像和自拍照背景图像，并进行标准化处理；
步骤S30，分别对用户的面部图像、衣着图像和自拍照背景图像进行人工风险分值的标定；
步骤S40，将标准化处理后的用户的面部图像、衣着图像和自拍照背景图像作为输入，训练基于SSR-Net的多场景风险评级模型；
步骤S50，基于SSR-Net的多场景风险评级模型训练完成后，对于获取的用户自拍照图像，输入该模型得到用户的风险分值。
进一步地，步骤S20具体包括：
通过人脸检测算法获取用户自拍照的最大人脸框bbox(xmin，ymin，xmax， ymax)和人脸关键点坐标；
裁剪最大人脸框区域的人脸，得到用户面部图像；
以Trianglebackground＝[(0,0),(0,ymax),(xmin,ymax),(xmin,ymin),(xmax,ymin),(xmax,ymax),(W′,ymax),(W′,0)]为坐标点进行前景的多边形黑色填充，得到自拍照背景图像；
以Trianglefront＝[(0,ymax),(xmin,ymax),(xmin,ymin),(xmax,ymin),(xmax,ymax),(W′,ymax),(W′,H′),(0,H′)]为坐标点进行背景的多边形黑色填充，并跟据人脸关键点坐标的最大外接矩形做人脸关键点区域的黑色遮挡，得到用户的衣着图像；
W′和H′为自拍照图像的宽度和高度；
分别将用户的面部图像、衣着图像和自拍照背景图像统一为相同的尺寸。
更进一步地，所述裁剪最大人脸框区域的人脸，得到用户面部图像，还包括：
依据最大人脸框的长宽在最大人脸框的短边两侧区域填充黑色，得到正方形的用户面部图像。
进一步地，步骤S40包括：按照由粗到细策略，将风险得分Y＝[0,100]划分S 个互相不重叠的分段；
每个分段的宽度为
Figure BDA0002628938340000021
其中k为各分段中第k个索引；则第i个分段执行部分风险分类得分为
Figure BDA0002628938340000022
i为分段索引；
给定输入图像Xn，输出分量
Figure BDA0002628938340000023
来表示输入图像X属于每个分段的可能性，则在经过第K个由粗到细的调优阶段融合的风险得分的期望值为：
Figure BDA0002628938340000024
n表示用户的面部图像、衣着图像和自拍照背景图像的索引，wn为对应用户的面部图像、衣着图像和自拍照背景图像信息的权重分量。
更进一步地，步骤S40中，每个分段能够根据输入图像进行移位和缩放；其中引入SSR-Net网络的回归输出Δk来调整Wk，调整后的分段宽度为：
Figure BDA0002628938340000025
为了实现偏移，对每个分段添加偏移量
Figure BDA0002628938340000026
则调整后的分段索引为：
Figure BDA0002628938340000027
本发明的第二方面，提供一种基于SSR-Net的多场景风险评级模型在个人贷款上的应用装置，包括：
存储器，存储有计算机程序；
处理器，用于运行所述计算机程序，所述计算机程序运行时执行如前文所述的方法的步骤。
本发明的第三方面，提供一种存储介质，所述存储介质中存储有计算机程序，所述计算机程序被配置为运行时执行如前文所述的方法的步骤。
相较于现有技术，本发明中提出的方法，通过对申请人在贷款申请时提交的自拍照进行分析显示，自拍照中申请人的面部整洁度、穿着和拍照背景对贷款的风险评估具有正相关作用；因而，可以利用自拍照的信息对贷款申请人的风险等级进行初步的评定，作为大数据风控一个新的数据维度来源；该方法无需人工干预，可对收入信息难采集，难认定，缺少合格的抵质押品，信用记录缺失或不足的小微企业主和低收入人群做初步贷款风险等级的参考。
附图说明
图1为本发明实施例中对自拍照的图像处理效果示意图。
图2为本发明实施例的方法流程图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。
本发明实施例提出一种基于SSR-Net的多场景风险评级模型在个人贷款上的应用方法，配置于一种基于SSR-Net的多场景风险评级模型在个人贷款上的应用装置(以下简称应用装置)上，SSR-Net是Soft Stagewise Regression Network的简称；包括以下步骤：
步骤S10，获取用户的自拍照图像；
用户可以通过智能终端拍摄自己的自拍照，然后上传至应用装置；
步骤S20，对于用户的自拍照图像进行识别处理，得到用户的面部图像、衣着图像和自拍照背景图像；
在一些实施例中；
通过CenterFace人脸检测算法获取用户自拍照的最大人脸框bbox(xmin， ymin，xmax，ymax)和人脸关键点坐标(即landmark坐标)，本实施例中人脸关键点是眼、鼻、口关键点；
裁剪最大人脸框区域的人脸，依据最大人脸框的长宽在最大人脸框的短边两侧区域填充黑色，得到正方形的用户面部图像，如图1中第三行最左边的那幅图像所示；得到正方形图像是为了后续方便进行图像标准化处理；
以Trianglebackground＝[(0,0),(0,ymax),(xmin,ymax),(xmin,ymin),(xmax,ymin),(xmax,ymax),(W′,ymax),(W′,0)]为坐标点进行前景的多边形黑色填充，得到自拍照背景图像；如图1中第三行最右边的那幅图像所示；
以Trianglefront＝[(0,ymax),(xmin,ymax),(xmin,ymin),(xmax,ymin),(xmax,ymax),(W′,ymax),(W′,H′),(0,H′)]为坐标点进行背景的多边形黑色填充，并跟据人脸关键点坐标的最大外接矩形做人脸关键点区域的黑色遮挡，得到用户的衣着图像；如图1中第三行中间的那幅图像所示；
W′和H′为自拍照图像的宽度和高度；
需要说明的是，本实施例中进行图像处理时，横坐标是自原点向右，纵坐标是自原点向下；
分别将用户的面部图像、衣着图像和自拍照背景图像统一为相同的尺寸，例如112×112的标准尺寸；
步骤S30，分别对用户的面部图像、衣着图像和自拍照背景图像进行人工风险分值的标定；
例如，人工对用户的面部图像、衣着图像和自拍照背景图像的风险分值Yface、Ybackground、Ydress进行标定；
步骤S40，将标准化处理后的用户的面部图像、衣着图像和自拍照背景图像信息作为输入，训练基于SSR-Net的多场景风险评级模型；
在此步骤中，可以将风险分值预测回归问题变为多分类问题，按照由粗到细策略，将风险得分Y＝[0,100]划分S个互相不重叠的分段；
每个分段的宽度为
Figure BDA0002628938340000041
其中k为各分段中第k个索引，例如第一个分段中的第15个；则第i个分段执行部分风险分类得分为
Figure BDA0002628938340000042
i为分段索引；
给定输入图像Xn，输出分量
Figure BDA0002628938340000043
来表示输入图像X属于每个分段的可能性，则在经过第K个由粗到细的调优阶段融合的风险得分的期望值为：
Figure BDA0002628938340000044
n表示用户的面部图像、衣着图像和自拍照背景图像的索引，wn为对应用户的面部图像、衣着图像和自拍照背景图像信息的权重分量；
引入动态范围来解决将风险分值区间统一划分为非重叠区间时，在处理各分值分段不平衡和连续性方面不灵活、粗粒度严重的问题；且平移和缩放参数采用与输入相关的自适应值，能通过网络进行学习；
本实施例中，允许每个分段可以根据输入图像进行移位(调整分段的索引i) 和缩放(调整分段的宽度Wk)；其中引入SSR-Net网络的回归输出Δk来调整Wk，调整后的分段宽度为：
Figure BDA0002628938340000045
为了实现偏移，对每个分段添加偏移量
Figure BDA0002628938340000046
则调整后的分段索引为：
Figure BDA0002628938340000047
步骤S50，基于SSR-Net的多场景风险评级模型训练完成后，对于获取的用户自拍照图像，输入该模型得到用户的风险分值。
本发明实施例还提出一种基于SSR-Net的多场景风险评级模型在个人贷款上的应用装置，包括：
存储器，存储有计算机程序；
处理器，用于运行所述计算机程序，所述计算机程序运行时执行如前文所述的方法的步骤。
本发明实施例还提出一种存储介质，所述存储介质中存储有计算机程序，所述计算机程序被配置为运行时执行如前文所述的方法的步骤。
最后所应说明的是，以上具体实施方式仅用以说明本发明的技术方案而非限制，尽管参照实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，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (7)

1.一种基于SSR-Net的多场景风险评级模型在个人贷款上的应用方法，其特征在于，包括以下步骤：
步骤S10，获取用户的自拍照图像；
步骤S20，对于用户的自拍照图像进行识别处理，得到用户的面部图像、衣着图像和自拍照背景图像，并进行标准化处理；
步骤S30，分别对用户的面部图像、衣着图像和自拍照背景图像进行人工风险分值的标定；
步骤S40，将标准化处理后的用户的面部图像、衣着图像和自拍照背景图像作为输入，训练基于SSR-Net的多场景风险评级模型；
步骤S50，基于SSR-Net的多场景风险评级模型训练完成后，对于获取的用户自拍照图像，输入该模型得到用户的风险分值。
2.如权利要求1所述的基于SSR-Net的多场景风险评级模型在个人贷款上的应用方法，其特征在于，
步骤S20具体包括：
通过人脸检测算法获取用户自拍照的最大人脸框bbox(xmin，ymin，xmax，ymax)和人脸关键点坐标；
裁剪最大人脸框区域的人脸，得到用户面部图像；
以Trianglebackground＝[(0,0),(0,ymax),(xmin,ymax),(xmin,ymin),(xmax,ymin),(xmax,ymax),(W′,ymax),(W′,0)]为坐标点进行前景的多边形黑色填充，得到自拍照背景图像；
以Trianglefront＝[(0,ymax),(xmin,ymax),(xmin,ymin),(xmax,ymin),(xmax,ymax),(W′,ymax),(W′,H′),(0,H′)]为坐标点进行背景的多边形黑色填充，并跟据人脸关键点坐标的最大外接矩形做人脸关键点区域的黑色遮挡，得到用户的衣着图像；
W′和H′为自拍照图像的宽度和高度；
分别将用户的面部图像、衣着图像和自拍照背景图像统一为相同的尺寸。
3.如权利要求2所述的基于SSR-Net的多场景风险评级模型在个人贷款上的应用方法，其特征在于，
所述裁剪最大人脸框区域的人脸，得到用户面部图像，还包括：
依据最大人脸框的长宽在最大人脸框的短边两侧区域填充黑色，得到正方形的用户面部图像。
4.如权利要求1、2或3所述的基于SSR-Net的多场景风险评级模型在个人贷款上的应用方法，其特征在于，
步骤S40包括：按照由粗到细策略，将风险得分Y＝[0,100]划分S个互相不重叠的分段；
每个分段的宽度为
Figure FDA0002628938330000011
其中k为各分段中第k个索引；则第i个分段执行部分风险分类得分为
Figure FDA0002628938330000021
i为分段索引；
给定输入图像Xn，输出分量
Figure FDA0002628938330000022
来表示输入图像X属于每个分段的可能性，则在经过第K个由粗到细的调优阶段融合的风险得分的期望值为：
Figure FDA0002628938330000023
n表示用户的面部图像、衣着图像和自拍照背景图像的索引，wn为对应用户的面部图像、衣着图像和自拍照背景图像信息的权重分量。
5.如权利要求4所述的基于SSR-Net的多场景风险评级模型在个人贷款上的应用方法，其特征在于，
步骤S40中，每个分段能够根据输入图像进行移位和缩放；其中引入SSR-Net网络的回归输出Δk来调整Wk，调整后的分段宽度为：
Figure FDA0002628938330000024
为了实现偏移，对每个分段添加偏移量
Figure FDA0002628938330000025
则调整后的分段索引为：
Figure FDA0002628938330000026
6.一种基于SSR-Net的多场景风险评级模型在个人贷款上的应用装置，其特征在于，包括：
存储器，存储有计算机程序；
处理器，用于运行所述计算机程序，所述计算机程序运行时执行如权利要求1～5中任一项所述的方法的步骤。
7.一种存储介质，其特征在于，
所述存储介质中存储有计算机程序，所述计算机程序被配置为运行时执行如权利要求1～5中任一项所述的方法的步骤。
CN202010805386.9A 2020-08-12 2020-08-12 基于SSR-Net的多场景风险评级模型在个人贷款上的应用方法、装置及存储介质 Pending CN112037010A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010805386.9A CN112037010A (zh) 2020-08-12 2020-08-12 基于SSR-Net的多场景风险评级模型在个人贷款上的应用方法、装置及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010805386.9A CN112037010A (zh) 2020-08-12 2020-08-12 基于SSR-Net的多场景风险评级模型在个人贷款上的应用方法、装置及存储介质

Publications (1)

Publication Number Publication Date
CN112037010A true CN112037010A (zh) 2020-12-04

Family

ID=73577175

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010805386.9A Pending CN112037010A (zh) 2020-08-12 2020-08-12 基于SSR-Net的多场景风险评级模型在个人贷款上的应用方法、装置及存储介质

Country Status (1)

Country Link
CN (1) CN112037010A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112884326A (zh) * 2021-02-23 2021-06-01 无锡爱视智能科技有限责任公司 一种多模态分析的视频面试评估方法、装置和存储介质

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109543986A (zh) * 2018-11-16 2019-03-29 湖南数定智能科技有限公司 基于用户画像的监狱罪犯三预风险评估方法及系统
CN109982124A (zh) * 2019-03-26 2019-07-05 深圳创维－Rgb电子有限公司 用户场景智能分析方法、装置和存储介质
CN110110592A (zh) * 2019-03-26 2019-08-09 中国人民财产保险股份有限公司 业务处理方法、模型训练方法、设备及存储介质
CN110399844A (zh) * 2019-07-29 2019-11-01 南京图玩智能科技有限公司 一种应用于跨平台的人脸关键点识别与追踪方法及系统
CN111047423A (zh) * 2019-11-01 2020-04-21 支付宝(杭州)信息技术有限公司 一种风险确定方法、装置及电子设备
CN111339894A (zh) * 2020-02-20 2020-06-26 支付宝(杭州)信息技术有限公司 一种数据处理、风险识别方法、装置、设备及介质
CN111353689A (zh) * 2020-02-14 2020-06-30 北京贝壳时代网络科技有限公司 一种风险评估方法及装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109543986A (zh) * 2018-11-16 2019-03-29 湖南数定智能科技有限公司 基于用户画像的监狱罪犯三预风险评估方法及系统
CN109982124A (zh) * 2019-03-26 2019-07-05 深圳创维－Rgb电子有限公司 用户场景智能分析方法、装置和存储介质
CN110110592A (zh) * 2019-03-26 2019-08-09 中国人民财产保险股份有限公司 业务处理方法、模型训练方法、设备及存储介质
CN110399844A (zh) * 2019-07-29 2019-11-01 南京图玩智能科技有限公司 一种应用于跨平台的人脸关键点识别与追踪方法及系统
CN111047423A (zh) * 2019-11-01 2020-04-21 支付宝(杭州)信息技术有限公司 一种风险确定方法、装置及电子设备
CN111353689A (zh) * 2020-02-14 2020-06-30 北京贝壳时代网络科技有限公司 一种风险评估方法及装置
CN111339894A (zh) * 2020-02-20 2020-06-26 支付宝(杭州)信息技术有限公司 一种数据处理、风险识别方法、装置、设备及介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
TSUN-YI YANG等: ""SSR-Net: A Compact Soft Stagewise Regression Network for Age Estimation"", 《PROCEEDINGS OF THE TWENTY-SEVENTH INTERNATIONAL JOINT CONFERENCE ON ARTIFICIAL INTELLIGENCE》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112884326A (zh) * 2021-02-23 2021-06-01 无锡爱视智能科技有限责任公司 一种多模态分析的视频面试评估方法、装置和存储介质

Similar Documents

Publication Publication Date Title
Fu et al. Two-step approach for single underwater image enhancement
Jiang et al. Single image super-resolution via locally regularized anchored neighborhood regression and nonlocal means
Natsume et al. Rsgan: face swapping and editing using face and hair representation in latent spaces
Ying et al. A bio-inspired multi-exposure fusion framework for low-light image enhancement
Kang et al. A perception-aware decomposition and fusion framework for underwater image enhancement
JP6961139B2 (ja) 知覚的な縮小方法を用いて画像を縮小するための画像処理システム
Li et al. Detail-preserving multi-exposure fusion with edge-preserving structural patch decomposition
CN112258440B (zh) 图像处理方法、装置、电子设备及存储介质
Wong et al. Saliency retargeting: An approach to enhance image aesthetics
Que et al. Exposure measurement and fusion via adaptive multiscale edge-preserving smoothing
Liu et al. Rank-one prior: Real-time scene recovery
CN115908415B (zh) 基于边缘的缺陷检测方法、装置、设备及存储介质
Moriwaki et al. Hybrid loss for learning single-image-based HDR reconstruction
CN110895795A (zh) 改进的语义图像修补模型方法
RU2697627C1 (ru) Способ корректировки освещенности объекта на изображении в последовательности изображений и вычислительное устройство пользователя, реализующее упомянутый способ
Zheng et al. T-net: Deep stacked scale-iteration network for image dehazing
Banić et al. Puma: A high-quality retinex-based tone mapping operator
CN112037010A (zh) 基于SSR-Net的多场景风险评级模型在个人贷款上的应用方法、装置及存储介质
Chen et al. A novel face super resolution approach for noisy images using contour feature and standard deviation prior
Wei et al. Facial image inpainting with deep generative model and patch search using region weight
CN111145107B (zh) 一种图像美化方法、装置、介质及设备
Isogawa et al. Image quality assessment for inpainted images via learning to rank
Du et al. UIEDP: Underwater Image Enhancement with Diffusion Prior
US20220114767A1 (en) Deep example-based facial makeup transfer system
CN112822393A (zh) 图像处理方法、装置及电子设备

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20201204