CN112132234A - 基于图像识别的油位监测系统及方法 - Google Patents

基于图像识别的油位监测系统及方法 Download PDF

Info

Publication number
CN112132234A
CN112132234A CN202011176383.XA CN202011176383A CN112132234A CN 112132234 A CN112132234 A CN 112132234A CN 202011176383 A CN202011176383 A CN 202011176383A CN 112132234 A CN112132234 A CN 112132234A
Authority
CN
China
Prior art keywords
oil level
image
neural network
network model
training
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
CN202011176383.XA
Other languages
English (en)
Inventor
龙祥玉
牟治宇
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.)
Chongqing Sibao Electric Automation Equipment Co ltd
Original Assignee
Chongqing Sibao Electric Automation Equipment 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 Chongqing Sibao Electric Automation Equipment Co ltd filed Critical Chongqing Sibao Electric Automation Equipment Co ltd
Priority to CN202011176383.XA priority Critical patent/CN112132234A/zh
Publication of CN112132234A publication Critical patent/CN112132234A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • 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
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/18—Status alarms
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
    • H04L67/00—Network arrangements or protocols for supporting network services or applications
    • H04L67/01—Protocols
    • H04L67/06—Protocols specially adapted for file transfer, e.g. file transfer protocol [FTP]
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
    • H04N7/00—Television systems
    • H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
    • H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Signal Processing (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Medical Informatics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Alarm Systems (AREA)

Abstract

本发明涉及液位监测技术领域，具体公开了基于图像识别的油位监测系统及方法，系统包括用于采集实际油位图像的图像采集端；还包括服务器，服务器包括：模型设置模块，用于建立初始神经网络模型；训练模块，用于接收不同设备的训练油位图像样本，将不同设备的训练油位图像样本输入初始神经网络模型进行训练，得到训练完成的神经网络模型；第一通信模块，用于从图像采集端接收实际油位图像，将实际油位图像输入训练完成的神经网络模型；信息获取模块，用于从训练完成的神经网络模型获取输出结果；输出结果包括设备型号以及油位状态采用本发明的技术方案能够低成本且准确进行油位监测。

Description

基于图像识别的油位监测系统及方法
技术领域
本发明涉及液位监测技术领域，特别涉及基于图像识别的油位监测系统及方法。
背景技术
在大型运转设备中，往往离不开润滑系统。润滑油的主要作用是对传动部件的润滑和冷却，决定着设备的工作效率和使用寿命，因此，油的状况对于设备的工作状况和工作性能十分重要。维护人员通常需要通过一一观察各设备油位高度，来判断各设备润滑油是否充足。但是这样的方式需要安排维护人员定期巡视，增加了人力成本。
为此，公开号为CN105607661A的中国专利公开了一种基于图像识别的液位控制系统，液位控制系统由供电模块供电；所述CCD图像传感器采集透明容器中的液位信息，所述CCD图像传感器和时钟模块的信号输出端分别与CPU处理模块对应的信号输入端连接，所述CPU处理模块的信号输出端分别与数据存储模块和水泵控制模块的信号输入端连接。
上述方案通过CCD图像传感器捕捉图像信息，根据图像识别技术测量液位，可以取代维护人员定期巡视的监测方式，减少人力成本。但是上述方案中，捕捉图像信息后，首先需要识别图像信息所属的设备，再通过检索对应设备油位的正常高度来判断油位是否出现异常。这对于设备数量众多，且型号不尽相同的工厂来说，对于CCD图像传感器与设备的匹配，油位的判断管理的系统十分复杂，整套系统的运营维护成本较高。不利于油位自动监测功能的推广。
为此，需要一种能够低成本且能准确进行油位监测的基于图像识别的油位监测系统及方法。
发明内容
本发明提供了基于图像识别的油位监测系统及方法，能够低成本且准确进行油位监测。
为了解决上述技术问题，本申请提供如下技术方案：
基于图像识别的油位监测系统，包括用于采集实际油位图像的图像采集端；还包括服务器，服务器包括：
模型设置模块，用于建立初始神经网络模型；
训练模块，用于接收不同设备的训练油位图像样本，将不同设备的训练油位图像样本输入初始神经网络模型进行训练，得到训练完成的神经网络模型；
第一通信模块，用于从图像采集端接收实际油位图像，将实际油位图像输入训练完成的神经网络模型；
信息获取模块，用于从训练完成的神经网络模型获取输出结果；输出结果包括设备型号以及油位状态。
基础方案原理及有益效果如下：
本方案中，通过建立初始神经网络模型并输入不同设备的训练油位图像样本进行训练，可以得到能够判断设备型号以及油位状态的训练成功的神经网络模型。在完成训练后，工厂在需要在线监测的设备上安装图像采集端即可，图像采集端将采集的实际油位图像上传后，就能快速且准确的得到设备型号以及油位状态，使用方便且适用性强。图像采集端与服务器分离，后续对于体量较小的工厂，可用只购买图像采集端，服务器由图像采集端的提供商架设和维护，能进一步节约成本。
进一步，所述油位状态为油位正常、油位低于下限或油位高于上限。
便于知晓油位的各种情况。
进一步，所述初始神经网络模型为卷积神经网络模型。
相比与其他神经网络模块，卷积神经网络模型在图像识别上的准确率较高。
进一步，所述图像采集端每隔预设时间采集一次实际油位图像。
与实时采集相比，每隔预设时间采集一次能有效降低图像采集端的能耗，也能减轻服务器的运算压力。
进一步，所述服务器还包括报警模块，报警模块用于从信息获取模块接收油位状态，当油位状态为油位低于下限或油位高于上限时，生成报警信息。
便于后续管理人员及时知晓油位的异常。
进一步，还包括位于本地的处理模块、第二通信模块和加速度传感器；第二通信模块与第一通信模块无线连接；
加速度传感器用于采集设备的加速度信号，并发送至处理模块；处理模块用于根据加速度信号计算振动频率；
处理模块还用于判断振动频率是否大于振动阈值，如果大于振动阈值，处理模块控制图像采集端每隔预设时间采集一次实际油位图像。
基于图像识别的油位监测方法，包括如下步骤：
S1、建立初始神经网络模型；
S2、接收不同设备的训练油位图像样本，将不同设备的训练油位图像样本输入初始神经网络模型进行训练，得到训练完成的神经网络模型；
S3、采集实际油位图像；
S4、将实际油位图像输入训练完成的神经网络模型；
S5、从训练完成的神经网络模型获取输出结果；输出结果包括设备型号以及油位状态。
本方案中，通过建立初始神经网络模型并输入不同设备的训练油位图像样本进行训练，可以得到能够判断设备型号以及油位状态的训练成功的神经网络模型。在完成训练后，工厂在需要在线监测的设备上安装图像采集端即可，图像采集端将采集的实际油位图像上传后，就能快速得到设备型号以及油位状态，使用方便且适用性强。图像采集端与服务器分离，后续对于体量较小的工厂，可用只购买图像采集端，服务器由图像采集端的提供商架设和维护，能进一步节约成本。
进一步，所述S5中，油位状态为油位正常、油位低于下限或油位高于上限。
便于知晓油位的各种情况。
进一步，所述S1中，初始神经网络模型为卷积神经网络模型。
相比与其他神经网络模块，卷积神经网络模型在图像识别上的准确率较高。
进一步，所述S3中，每隔预设时间采集一次实际油位图像。
与实时采集相比，每隔预设时间采集一次能有效降低图像采集端的能耗，也能减轻服务器的运算压力。
附图说明
图1为实施例一基于图像识别的油位监测系统的逻辑框图。
具体实施方式
下面通过具体实施方式进一步详细说明：
实施例一
如图1所示，本实施例的基于图像识别的油位监测系统，包括图像采集端和服务器。
图像采集端用于采集设备的实际油位图像。本实施中，图像采集端为CCD图像传感器，数量为若干个，每一设备安装一个。实际油位图像的采集可以是通过油位视镜等透明的视窗进行。本实施例中，图像采集端每隔预设时间采集一次实际油位图像。预设时间为1-100分钟。
服务器包括模型设置模块、训练模块、第一通信模块、信息获取模块和报警模块。
模型设置模块用于建立初始神经网络模型。本实施例中，神经网络模型为卷积神经网络模型。
训练模块用于接收若干设备的训练油位图像样本，将若干设备的训练油位图像样本输入初始神经网络模型进行训练，得到训练完成的神经网络模型。本实施例中，若干设备的训练油位图像样本中，每一具体型号设备的训练油位图像样本包括油位正常的图像、油位低于下限的图像和油位高于上限的图像。
第一通信模块通过无线网络或有线网络与图像采集端信号连接。第一通信模块用于从图像采集端接收实际油位图像，将实际油位图像输入训练完成的神经网络模型。例如都是通过油位视镜进行实际油位图像的采集，由于不同设备的油位视镜不同，除了油位视镜外，位于图像内的设备局部结构也不同，因此可以根据这些不同，确定出具体是哪一种型号的设备。
信息获取模块用于从训练完成的神经网络模型获取输出结果。输出结果包括设备型号以及油位状态。油位状态为油位正常、油位低于下限或油位高于上限。
报警模块用于从信息获取模块接收油位状态，当油位状态为油位低于下限或油位高于上限时，生成报警信息。本实施例中，还包括供管理人员使用的用户端。第一通信模块用于获取报警信息并发送至用户端。
基于上述基于图像识别的油位监测系统，本实施例还提供基于图像识别的油位监测方法，包括如下步骤：
S1、建立初始神经网络模型；本实施中初始神经网络模型为卷积神经网络模型。
S2、接收不同设备的训练油位图像样本，将不同设备的训练油位图像样本输入初始神经网络模型进行训练，得到训练完成的神经网络模型；
S3、每隔预设时间采集一次实际油位图像。
S4、将实际油位图像输入训练完成的神经网络模型；
S5、从训练完成的神经网络模型获取输出结果；输出结果包括设备型号以及油位状态。本实施例中，油位状态为油位正常、油位低于下限或油位高于上限。
S6、获取油位状态，当油位状态为油位低于下限或油位高于上限时，生成报警信息。
实施例二
本实施例与实施例一的不同之处在于，基于图像识别的油位监测系统还包括位于本地的处理模块、第二通信模块和加速度传感器。第二通信模块与第一通信模块无线连接。
加速度传感器用于采集设备的加速度信号，并发送至处理模块；处理模块用于根据加速度信号计算振动频率。
处理模块还用于判断振动频率是否大于振动阈值，如果大于振动阈值，处理模块控制图像采集端每隔预设时间采集一次实际油位图像。
处理模块还用于在图像采集端采集实际油位图像时，生成随机数，并判断振动频率的尾数与随机数是否相等，如果相等，向第二通信模块发送回传指令。第二通信模块接收到回传指令后将实际油位图像发送至第一通信模块。尾数可以是1位，也可以是2位，本实施例中为1位。为了方便匹配，应采用精度高的加速度传感器，因为精度低的加速度传感器得到的振动频率，其尾数变化幅度较小，容易出现振动频率的尾数与随机数一直不相等的情况。在实际应用中，也可以设定一定时间匹配不上，就自动向第二通信模块发送回传指令，避免耽误太久。
本实施例中，振动频率大于振动阈值，处理模块才控制图像采集端采集实际油位图像，也就是设备开机后，自动开始采集实际油位图像，在不开机时不采集，更节能。
由于大型工厂内，设备众多，如果所有的第二通信模块都同时回传实际油位图像，容易出现网络拥堵的情况。本实施例中，在振动频率的尾数与随机数相等时，向第二通信模块发送回传指令。能够有效避免所有的第二通信模块都同时回传数据，而且设备的振动频率会有细微的不同，导致尾数不同，即使两个处理模块生成随机数相同，回传实际油位图像的时间也会不同。
本实施例的基于图像识别的油位监测方法，采用上述基于图像识别的油位监测系统。
以上的仅是本发明的实施例，该发明不限于此实施案例涉及的领域，方案中公知的具体结构及特性等常识在此未作过多描述，所属领域普通技术人员知晓申请日或者优先权日之前发明所属技术领域所有的普通技术知识，能够获知该领域中所有的现有技术，并且具有应用该日期之前常规实验手段的能力，所属领域普通技术人员可以在本申请给出的启示下，结合自身能力完善并实施本方案，一些典型的公知结构或者公知方法不应当成为所属领域普通技术人员实施本申请的障碍。应当指出，对于本领域的技术人员来说，在不脱离本发明结构的前提下，还可以作出若干变形和改进，这些也应该视为本发明的保护范围，这些都不会影响本发明实施的效果和专利的实用性。本申请要求的保护范围应当以其权利要求的内容为准，说明书中的具体实施方式等记载可以用于解释权利要求的内容。

Claims (10)

1.基于图像识别的油位监测系统，包括用于采集实际油位图像的图像采集端；其特征在于，还包括服务器，服务器包括：
模型设置模块，用于建立初始神经网络模型；
训练模块，用于接收不同设备的训练油位图像样本，将不同设备的训练油位图像样本输入初始神经网络模型进行训练，得到训练完成的神经网络模型；
第一通信模块，用于从图像采集端接收实际油位图像，将实际油位图像输入训练完成的神经网络模型；
信息获取模块，用于从训练完成的神经网络模型获取输出结果；输出结果包括设备型号以及油位状态。
2.根据权利要求1所述的基于图像识别的油位监测系统，其特征在于：所述油位状态为油位正常、油位低于下限或油位高于上限。
3.根据权利要求2所述的基于图像识别的油位监测系统，其特征在于：所述初始神经网络模型为卷积神经网络模型。
4.根据权利要求3所述的基于图像识别的油位监测系统，其特征在于：所述图像采集端每隔预设时间采集一次实际油位图像。
5.根据权利要求4所述的基于图像识别的油位监测系统，其特征在于：所述服务器还包括报警模块，报警模块用于从信息获取模块接收油位状态，当油位状态为油位低于下限或油位高于上限时，生成报警信息。
6.根据权利要求5所述的基于图像识别的油位监测系统，其特征在于：还包括位于本地的处理模块、第二通信模块和加速度传感器；第二通信模块与第一通信模块无线连接；
加速度传感器用于采集设备的加速度信号，并发送至处理模块；处理模块用于根据加速度信号计算振动频率；
处理模块还用于判断振动频率是否大于振动阈值，如果大于振动阈值，处理模块控制图像采集端每隔预设时间采集一次实际油位图像。
7.基于图像识别的油位监测方法，其特征在于，包括如下步骤：
S1、建立初始神经网络模型；
S2、接收不同设备的训练油位图像样本，将不同设备的训练油位图像样本输入初始神经网络模型进行训练，得到训练完成的神经网络模型；
S3、采集实际油位图像；
S4、将实际油位图像输入训练完成的神经网络模型；
S5、从训练完成的神经网络模型获取输出结果；输出结果包括设备型号以及油位状态。
8.根据权利要求7所述的基于图像识别的油位监测方法，其特征在于：所述S5中，油位状态为油位正常、油位低于下限或油位高于上限。
9.根据权利要求8所述的基于图像识别的油位监测方法，其特征在于：所述S1中，初始神经网络模型为卷积神经网络模型。
10.根据权利要求9所述的基于图像识别的油位监测方法，其特征在于：所述S3中，每隔预设时间采集一次实际油位图像。
CN202011176383.XA 2020-10-28 2020-10-28 基于图像识别的油位监测系统及方法 Pending CN112132234A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011176383.XA CN112132234A (zh) 2020-10-28 2020-10-28 基于图像识别的油位监测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011176383.XA CN112132234A (zh) 2020-10-28 2020-10-28 基于图像识别的油位监测系统及方法

Publications (1)

Publication Number Publication Date
CN112132234A true CN112132234A (zh) 2020-12-25

Family

ID=73853580

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011176383.XA Pending CN112132234A (zh) 2020-10-28 2020-10-28 基于图像识别的油位监测系统及方法

Country Status (1)

Country Link
CN (1) CN112132234A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113109287A (zh) * 2021-03-17 2021-07-13 杭州兰亮网络科技有限公司 一种加装传感器获得图像处理油液品质的检测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105539505A (zh) * 2016-03-01 2016-05-04 枣庄矿业（集团）有限责任公司铁路运输处 铁路线路质量数据采集检测系统
CN105590094A (zh) * 2015-12-11 2016-05-18 小米科技有限责任公司 确定人体数量的方法及装置
CN109359672A (zh) * 2018-09-21 2019-02-19 南京七宝机器人技术有限公司 一种变压器油位计读数图像识别方法
CN110363159A (zh) * 2019-07-17 2019-10-22 腾讯科技（深圳）有限公司 图像识别方法、装置、电子设备及计算机可读存储介质
CN111141280A (zh) * 2019-09-26 2020-05-12 广东小天才科技有限公司 一种地下交通工具的站点定位方法及电子设备
CN111368906A (zh) * 2020-02-29 2020-07-03 华南理工大学 一种基于深度学习的指针式油位计读数识别方法
CN111649804A (zh) * 2020-06-02 2020-09-11 浙江大华技术股份有限公司 油位监测方法、设备及具有存储功能的装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105590094A (zh) * 2015-12-11 2016-05-18 小米科技有限责任公司 确定人体数量的方法及装置
CN105539505A (zh) * 2016-03-01 2016-05-04 枣庄矿业（集团）有限责任公司铁路运输处 铁路线路质量数据采集检测系统
CN109359672A (zh) * 2018-09-21 2019-02-19 南京七宝机器人技术有限公司 一种变压器油位计读数图像识别方法
CN110363159A (zh) * 2019-07-17 2019-10-22 腾讯科技（深圳）有限公司 图像识别方法、装置、电子设备及计算机可读存储介质
CN111141280A (zh) * 2019-09-26 2020-05-12 广东小天才科技有限公司 一种地下交通工具的站点定位方法及电子设备
CN111368906A (zh) * 2020-02-29 2020-07-03 华南理工大学 一种基于深度学习的指针式油位计读数识别方法
CN111649804A (zh) * 2020-06-02 2020-09-11 浙江大华技术股份有限公司 油位监测方法、设备及具有存储功能的装置

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113109287A (zh) * 2021-03-17 2021-07-13 杭州兰亮网络科技有限公司 一种加装传感器获得图像处理油液品质的检测方法

Similar Documents

Publication Publication Date Title
CN109507924B (zh) 用于油田作业设备的远程监控系统
CN109240126B (zh) 一种具有模拟操作功能的分布式应用服务监测系统及方法
CN110807460B (zh) 一种基于图像识别的变电站智能巡视系统及其应用方法
CN102238195A (zh) 一种应用系统运行监控方法
CN102073291A (zh) 一种供水信息采集控制系统
CN114169692A (zh) 一种设备隐患处理系统、方法、电子设备及介质
CN109245717A (zh) 一种光伏电站环境监控系统
CN110730234A (zh) 一种电气火灾监控系统及其智能预警分析方法
CN207319050U (zh) 一种分布式光伏电站的集中监控运维系统
CN110763286A (zh) 登机廊桥状态监测与故障诊断系统及方法
CN112132234A (zh) 基于图像识别的油位监测系统及方法
CN111045364B (zh) 一种基于大数据平台的动力环境监控系统辅助决策方法
CN109507986B (zh) 用于油田作业设备的远程监控方法
CN112381958A (zh) 一种etc门架系统状态在线监测方法及系统
CN116050716B (zh) 基于互联网的智慧园区管理控制平台
CN116972910A (zh) 一种火电厂电气设备的监测方法及系统
CN114399891A (zh) 基于物联网的机房智能监控运维系统及方法
CN106066621A (zh) 一种煤矿中央泵房水泵的预判维护及远程控制方法
CN111578117A (zh) 一种自动化设备的润滑监测系统
CN112489373A (zh) 一种地质灾害的监测方法、后台监控中心和监测系统
CN110266558A (zh) 一种基于互联网的提升设备工况监测和智能诊断方法
CN111031099A (zh) 一种能效实时监测与控制管理系统
CN112284485A (zh) 一种油镜监测系统及方法
CN209388135U (zh) 一种具有模拟操作功能的分布式应用服务监测系统
CN110455370A (zh) 防汛抗旱远程遥测显示系统

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