CN112270658A - 一种基于机器视觉的电梯钢丝绳检测方法 - Google Patents
一种基于机器视觉的电梯钢丝绳检测方法 Download PDFInfo
- Publication number
- CN112270658A CN112270658A CN202010668220.7A CN202010668220A CN112270658A CN 112270658 A CN112270658 A CN 112270658A CN 202010668220 A CN202010668220 A CN 202010668220A CN 112270658 A CN112270658 A CN 112270658A
- Authority
- CN
- China
- Prior art keywords
- image
- steel wire
- wire rope
- machine vision
- detection method
- 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
- 229910000831 Steel Inorganic materials 0.000 title claims abstract description 56
- 239000010959 steel Substances 0.000 title claims abstract description 56
- 238000001514 detection method Methods 0.000 title claims abstract description 28
- 238000001914 filtration Methods 0.000 claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 20
- 230000007547 defect Effects 0.000 claims abstract description 19
- 238000012545 processing Methods 0.000 claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 15
- 239000011159 matrix material Substances 0.000 claims abstract description 15
- 238000007781 pre-processing Methods 0.000 claims abstract description 15
- 238000013528 artificial neural network Methods 0.000 claims abstract description 12
- 238000012937 correction Methods 0.000 claims abstract description 6
- 238000003708 edge detection Methods 0.000 claims description 12
- 238000012549 training Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000009795 derivation Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000010191 image analysis Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000009499 grossing Methods 0.000 claims description 2
- 238000003707 image sharpening Methods 0.000 claims 2
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000006243 chemical reaction Methods 0.000 abstract description 3
- 238000002474 experimental method Methods 0.000 abstract description 3
- 238000011160 research Methods 0.000 abstract description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
-
- 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
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/20024—Filtering details
- G06T2207/20032—Median filtering
-
- 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
- G06T2207/30136—Metal
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于机器视觉的电梯钢丝绳检测方法,该系统针对钢丝绳表面的特点,通过高清晰度照相机将电梯钢丝绳样本转化为数字信号,实时地将钢丝绳表面的图像数据传送到图像处理模块中,根据电梯钢丝绳表面图像特点,研究图像采集、灰度转化等图像预处理技术,通过对各种滤波算法进行实验对比,选出最佳的算法对检测环境所造成图像噪声进行降噪,并通过插值技术实现钢丝绳曲面校正。在钢丝绳表面缺陷判断上,采用灰度共生矩阵参数提取图像纹理特征,利用神经网络对钢丝绳缺陷进行判别,具有广阔的市场前景。
Description
技术领域
本发明涉及电梯领域,特别涉及一种基于机器视觉的电梯钢丝绳检测方法。
背景技术
钢丝绳作为电梯系统的重要组成部分,在使用过程中会受到各种应力、摩擦和腐蚀等损伤,造成钢丝绳产生疲劳、断丝和磨损。传统的钢丝绳人工检测方法存在效率低、主观影响大等缺点从而导致电梯钢丝绳缺陷不能及时准确的发现,给人民生命安全带来了极大隐患。因此,对钢丝绳表面缺陷进行快速准确的检测具有十分重大的现实意义。
发明内容
本发明所要解决的技术问题是提供一种基于机器视觉的电梯钢丝绳检测方法,以解决现有技术中导致的上述多项缺陷。
为实现上述目的,本发明提供以下的技术方案:一种基于机器视觉的电梯钢丝绳检测方法,包括如下步骤:
(1)图像采集和预处理
首先利用CCD工业摄像机对目标图像进行采集,再对原始图像进行预处理,获取灰度图像,所述图像预处理包括图像处理、图像分析和图像理解;
(2)图像滤波降噪
接着对预处理获取的灰度图像运用滤波算法对其进行运算,得到所需图像,所述滤波算法为中值滤波法;
(3)图像曲面投影校正
接着对滤波降噪后的图像进行插值展开,得到钢丝绳图像,所述插值展开的方法为先定义投影面的曲率,然后计算出投影面与投影屏幕仪空间的几何关系及其变换矩阵;最后对投影的图像进行分割,提取出角点信息与计算出的曲面控制点信息进行矩阵运算,产生非线性几何变形的投影图像;
(4)图像纹理特征提取
接着从钢丝绳图像中提取能反映缺陷纹理性质并且稳定的特征,即边缘检测问题;
(5)图像边缘检测
通过引入图像边缘检测算子把边缘检测问题转换为检测单元函数极大值,然后再对其进行运算,最后把所有处于“山脊”上最高处的点提取出来得到图像的边缘线;
(6)缺陷分类识别
利用神经网络来对钢丝绳进行判断,将提取的纹理特征值作为神经网络的输入,通过训练样本对神经网络进行训练后就可以对钢丝绳是否有表面缺陷进行判断处理,得到最后结果。
优选的,所述步骤(1)中图像理解分为两个阶段,为图像的象素处理和图像的锐化处理。
优选的,所述图像的象素处理为首先在原始图像中创建一个位置图,然后针对目标图编写一个目标函数,此目标函数对位置图进行函数操作,获取一行指针,需要多次操作形成矩阵,最后对目标矩阵进行每一列的扫描,得到这个位置图像象素的灰度值。
优选的,所述图像的锐化处理为利用计算机算法增强图像边缘的灰度跳变部分。
优选的,所述步骤(2)中中值滤波法的过程为首先假设一维序列f1,f2....fn,取该窗口长度为m,然后对假定的一维序列进行中值滤波,然后在此一维序列中连续抽取几组目标元素的灰度值 fi-1,fi-2...fi..fi+1..fi+v,其中fi为窗口中心点值, y=(m-1)/2。然后将这m个数值进行由大到小的排序,取中间元素的灰度值作为滤波输出,这个数即为中值。
优选的,所述步骤(2)中中值滤波法的计算公式为
yi=med{fi-v,...fi-1,fi,fi+1,...fi+v},其中i∈z,v=(m-1)/2。
优选的,所述步骤(5)中运算为高斯平滑运算、求导运算。
优选的,所述步骤(6)中判断处理的次数为1-3次。
采用以上技术方案的有益效果是:本发明提供了一种基于机器视觉的电梯钢丝绳检测方法,该系统针对钢丝绳表面的特点,通过高清晰度照相机将电梯钢丝绳样本转化为数字信号,实时地将钢丝绳表面的图像数据传送到图像处理模块中,根据电梯钢丝绳表面图像特点,研究图像采集、灰度转化等图像预处理技术,通过对各种滤波算法进行实验对比,选出最佳的算法对检测环境所造成图像噪声进行降噪,并通过插值技术实现钢丝绳曲面校正。在钢丝绳表面缺陷判断上,采用灰度共生矩阵参数提取图像纹理特征,利用神经网络对钢丝绳缺陷进行判别,具有广阔的市场前景。
附图说明
图1为一种基于机器视觉的电梯钢丝绳检测方法的技术路线图。
具体实施方式
下面详细说明本发明的优选实施方式。
一种基于机器视觉的电梯钢丝绳检测方法,包括如下步骤:
(1)图像采集和预处理
首先利用CCD工业摄像机对目标图像进行采集,再对原始图像进行预处理,获取灰度图像,所述图像预处理包括图像处理、图像分析和图像理解,所述图像理解分为两个阶段,为图像的象素处理和图像的锐化处理,所述图像的象素处理为首先在原始图像中创建一个位置图,然后针对目标图编写一个目标函数,此目标函数对位置图进行函数操作,获取一行指针,需要多次操作形成矩阵,最后对目标矩阵进行每一列的扫描,得到这个位置图像象素的灰度值,所述图像的锐化处理为利用计算机算法增强图像边缘的灰度跳变部分;
(2)图像滤波降噪
接着对预处理获取的灰度图像运用滤波算法对其进行运算,得到所需图像,所述滤波算法为中值滤波法,所述中值滤波法的过程为首先假设一维序列f1,f2....fn,取该窗口长度为m,然后对假定的一维序列进行中值滤波,然后在此一维序列中连续抽取几组目标元素的灰度值fi-1,fi-2...fi..fi+1..fi+v,其中fi为窗口中心点值, y=(m-1)/2。然后将这m个数值进行由大到小的排序,取中间元素的灰度值作为滤波输出,这个数即为中值,所述步骤(2)中中值滤波法的计算公式为;
yi=med{fi-v,...fi-1,fi,fi+1,...fi+v},其中i∈z,v=(m-1)/2。
(3)图像曲面投影校正
接着对滤波降噪后的图像进行插值展开,得到钢丝绳图像,所述插值展开的方法为先定义投影面的曲率,然后计算出投影面与投影屏幕仪空间的几何关系及其变换矩阵;最后对投影的图像进行分割,提取出角点信息与计算出的曲面控制点信息进行矩阵运算,产生非线性几何变形的投影图像;
(4)图像纹理特征提取
接着从钢丝绳图像中提取能反映缺陷纹理性质并且稳定的特征,即边缘检测问题;
(5)图像边缘检测
通过引入图像边缘检测算子把边缘检测问题转换为检测单元函数极大值,然后再对其进行运算,最后把所有处于“山脊”上最高处的点提取出来得到图像的边缘线,所述运算为高斯平滑运算、求导运算;
(6)缺陷分类识别
利用神经网络来对钢丝绳进行判断,将提取的纹理特征值作为神经网络的输入,通过训练样本对神经网络进行训练后就可以对钢丝绳是否有表面缺陷进行判断处理,得到最后结果,所述判断处理的次数为2次。
本发明提供一种基于机器视觉的电梯钢丝绳检测方法,该系统针对钢丝绳表面的特点,通过高清晰度照相机将电梯钢丝绳样本转化为数字信号,实时地将钢丝绳表面的图像数据传送到图像处理模块中,根据电梯钢丝绳表面图像特点,研究图像采集、灰度转化等图像预处理技术,通过对各种滤波算法进行实验对比,选出最佳的算法对检测环境所造成图像噪声进行降噪,并通过插值技术实现钢丝绳曲面校正。在钢丝绳表面缺陷判断上,采用灰度共生矩阵参数提取图像纹理特征,利用神经网络对钢丝绳缺陷进行判别,具有广阔的市场前景。
以上所述的仅是本发明的优选实施方式,应当指出,对于本领域的普通技术人员来说,在不脱离本发明创造构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
Claims (8)
1.一种基于机器视觉的电梯钢丝绳检测方法,其特征在于,包括如下步骤:
(1)图像采集和预处理
首先利用CCD工业摄像机对目标图像进行采集,再对原始图像进行预处理,获取灰度图像,所述图像预处理包括图像处理、图像分析和图像理解;
(2)图像滤波降噪
接着对预处理获取的灰度图像运用滤波算法对其进行运算,得到所需图像,所述滤波算法为中值滤波法;
(3)图像曲面投影校正
接着对滤波降噪后的图像进行插值展开,得到钢丝绳图像,所述插值展开的方法为先定义投影面的曲率,然后计算出投影面与投影屏幕仪空间的几何关系及其变换矩阵;最后对投影的图像进行分割,提取出角点信息与计算出的曲面控制点信息进行矩阵运算,产生非线性几何变形的投影图像;
(4)图像纹理特征提取
接着从钢丝绳图像中提取能反映缺陷纹理性质并且稳定的特征,即边缘检测问题;
(5)图像边缘检测
通过引入图像边缘检测算子把边缘检测问题转换为检测单元函数极大值,然后再对其进行运算,最后把所有处于“山脊”上最高处的点提取出来得到图像的边缘线;
(6)缺陷分类识别
利用神经网络来对钢丝绳进行判断,将提取的纹理特征值作为神经网络的输入,通过训练样本对神经网络进行训练后就可以对钢丝绳是否有表面缺陷进行判断处理,得到最后结果。
2.根据权利要求1所述的一种基于机器视觉的电梯钢丝绳检测方法,其特征在于,所述步骤(1)中图像理解分为两个阶段,为图像的象素处理和图像的锐化处理。
3.根据权利要求2所述的一种基于机器视觉的电梯钢丝绳检测方法,其特征在于,所述图像的象素处理为首先在原始图像中创建一个位置图,然后针对目标图编写一个目标函数,此目标函数对位置图进行函数操作,获取一行指针,需要多次操作形成矩阵,最后对目标矩阵进行每一列的扫描,得到这个位置图像象素的灰度值。
4.根据权利要求2所述的一种基于机器视觉的电梯钢丝绳检测方法,其特征在于,所述图像的锐化处理为利用计算机算法增强图像边缘的灰度跳变部分。
5.根据权利要求1所述的一种基于机器视觉的电梯钢丝绳检测方法,其特征在于,所述步骤(2)中中值滤波法的过程为首先假设一维序列f1,f2....fn,取该窗口长度为m,然后对假定的一维序列进行中值滤波,然后在此一维序列中连续抽取几组目标元素的灰度值fi-1,fi-2...fi..fi+1..fi+v,其中fi为窗口中心点值,y=(m-1)/2。然后将这m个数值进行由大到小的排序,取中间元素的灰度值作为滤波输出,这个数即为中值。
6.根据权利要求1所述的一种基于机器视觉的电梯钢丝绳检测方法,其特征在于,所述步骤(2)中中值滤波法的计算公式为
yi=med{fi-v,...fi-1,fi,fi+1,...fi+v},其中i∈z,v=(m-1)/2。
7.根据权利要求1所述的一种基于机器视觉的电梯钢丝绳检测方法,其特征在于,所述步骤(5)中运算为高斯平滑运算、求导运算。
8.根据权利要求1所述的一种基于机器视觉的电梯钢丝绳检测方法,其特征在于,所述步骤(6)中判断处理的次数为1-3次。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010668220.7A CN112270658A (zh) | 2020-07-13 | 2020-07-13 | 一种基于机器视觉的电梯钢丝绳检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010668220.7A CN112270658A (zh) | 2020-07-13 | 2020-07-13 | 一种基于机器视觉的电梯钢丝绳检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112270658A true CN112270658A (zh) | 2021-01-26 |
Family
ID=74349092
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010668220.7A Pending CN112270658A (zh) | 2020-07-13 | 2020-07-13 | 一种基于机器视觉的电梯钢丝绳检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112270658A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112991322A (zh) * | 2021-04-08 | 2021-06-18 | 新沂慧科智能科技有限公司 | 一种非接触式的电梯钢筋绳缺陷检测方法 |
CN114235825A (zh) * | 2022-02-24 | 2022-03-25 | 武汉祥文钢材制品有限公司 | 一种基于计算机视觉的钢丝绳质量检测方法 |
CN117036255A (zh) * | 2023-07-21 | 2023-11-10 | 北京北排建设有限公司 | 一种基于深度学习的管道缺陷检测与评价方法及装置 |
CN117115152A (zh) * | 2023-10-23 | 2023-11-24 | 汉中禹龙科技新材料有限公司 | 基于图像处理的钢绞线生产监测方法 |
CN117649412A (zh) * | 2024-01-30 | 2024-03-05 | 山东海天七彩建材有限公司 | 一种铝材表面质量的检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106395557A (zh) * | 2016-06-20 | 2017-02-15 | 南通三洋电梯有限责任公司 | 一种电梯曳引机钢丝绳状态在线检测系统及其检测方法 |
CN108956614A (zh) * | 2018-05-08 | 2018-12-07 | 太原理工大学 | 一种基于机器视觉的矿用钢丝绳动态探伤检测方法和装置 |
CN109859170A (zh) * | 2019-01-04 | 2019-06-07 | 中国矿业大学 | 一种基于lbp特征的钢丝绳表面损伤智能监测方法及系统 |
-
2020
- 2020-07-13 CN CN202010668220.7A patent/CN112270658A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106395557A (zh) * | 2016-06-20 | 2017-02-15 | 南通三洋电梯有限责任公司 | 一种电梯曳引机钢丝绳状态在线检测系统及其检测方法 |
CN108956614A (zh) * | 2018-05-08 | 2018-12-07 | 太原理工大学 | 一种基于机器视觉的矿用钢丝绳动态探伤检测方法和装置 |
CN109859170A (zh) * | 2019-01-04 | 2019-06-07 | 中国矿业大学 | 一种基于lbp特征的钢丝绳表面损伤智能监测方法及系统 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112991322A (zh) * | 2021-04-08 | 2021-06-18 | 新沂慧科智能科技有限公司 | 一种非接触式的电梯钢筋绳缺陷检测方法 |
CN114235825A (zh) * | 2022-02-24 | 2022-03-25 | 武汉祥文钢材制品有限公司 | 一种基于计算机视觉的钢丝绳质量检测方法 |
CN114235825B (zh) * | 2022-02-24 | 2022-05-17 | 武汉祥文钢材制品有限公司 | 一种基于计算机视觉的钢丝绳质量检测方法 |
CN117036255A (zh) * | 2023-07-21 | 2023-11-10 | 北京北排建设有限公司 | 一种基于深度学习的管道缺陷检测与评价方法及装置 |
CN117115152A (zh) * | 2023-10-23 | 2023-11-24 | 汉中禹龙科技新材料有限公司 | 基于图像处理的钢绞线生产监测方法 |
CN117115152B (zh) * | 2023-10-23 | 2024-02-06 | 汉中禹龙科技新材料有限公司 | 基于图像处理的钢绞线生产监测方法 |
CN117649412A (zh) * | 2024-01-30 | 2024-03-05 | 山东海天七彩建材有限公司 | 一种铝材表面质量的检测方法 |
CN117649412B (zh) * | 2024-01-30 | 2024-04-09 | 山东海天七彩建材有限公司 | 一种铝材表面质量的检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112270658A (zh) | 一种基于机器视觉的电梯钢丝绳检测方法 | |
CN110148130B (zh) | 用于检测零件缺陷的方法和装置 | |
CN111754466B (zh) | 传输机皮带损伤状况的智能检测方法 | |
CN109472788B (zh) | 一种飞机铆钉表面的伤痕检测方法 | |
CN112258444A (zh) | 一种电梯钢丝绳检测方法 | |
CN109781737B (zh) | 一种软管表面缺陷的检测方法及其检测系统 | |
CN113177924A (zh) | 一种工业流水线产品瑕疵检测方法 | |
CN112085651B (zh) | 一种基于图像自适应阈值与特征提取的激波自动检测跟踪算法 | |
CN117689655B (zh) | 基于计算机视觉的金属钮扣表面缺陷检测方法 | |
CN112053332A (zh) | 一种基于机器视觉的曳引电梯钢丝绳检测系统控制方法 | |
CN114677362B (zh) | 基于改进YOLOv5的表面缺陷检测方法 | |
CN111178405A (zh) | 一种融合多种神经网络的相似物体识别方法 | |
CN114332041A (zh) | 基于U-Net的抛釉砖表面瑕疵检测方法及装置 | |
CN114155226A (zh) | 一种微小缺陷边缘计算方法 | |
CN116596921B (zh) | 一种焚烧炉渣分选方法及系统 | |
CN112712058A (zh) | 一种字符识别提取方法 | |
CN106530292A (zh) | 一种基于线扫描相机的带钢表面缺陷图像快速辨识方法 | |
CN114862786A (zh) | 基于Retinex图像增强和Ostu阈值分割的隔离带检测方法及系统 | |
CN111681217B (zh) | 疲劳断口的机器视觉图像智能分析方法、装置及系统 | |
CN114004812A (zh) | 采用引导滤波与神经网络模型的螺纹孔检测方法及系统 | |
CN112418085A (zh) | 一种部分遮挡工况下的面部表情识别方法 | |
CN117523543B (zh) | 一种基于深度学习的金属压印字符识别方法 | |
CN115797914B (zh) | 冶金起重机小车轨道表面缺陷检测系统 | |
CN113674213B (zh) | 一种基于旋转目标检测技术的地铁隧道裂缝识别方法 | |
CN118096728B (zh) | 基于机器视觉的零部件喷涂质量检测方法 |
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 |