CN112365448B - 一种经编织造过程中的织物疵点检测方法 - Google Patents
一种经编织造过程中的织物疵点检测方法 Download PDFInfo
- Publication number
- CN112365448B CN112365448B CN202011125366.3A CN202011125366A CN112365448B CN 112365448 B CN112365448 B CN 112365448B CN 202011125366 A CN202011125366 A CN 202011125366A CN 112365448 B CN112365448 B CN 112365448B
- Authority
- CN
- China
- Prior art keywords
- interest
- region
- picture
- pixel
- image
- 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.)
- Active
Links
- 230000007547 defect Effects 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 35
- 239000004744 fabric Substances 0.000 title claims abstract description 21
- 238000009940 knitting Methods 0.000 title claims abstract description 19
- 238000001514 detection method Methods 0.000 claims description 23
- 238000004458 analytical method Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 description 4
- 238000009941 weaving Methods 0.000 description 4
- 239000004753 textile Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 241000949477 Toona ciliata Species 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000002699 waste material Substances 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
- G06T7/0008—Industrial image inspection checking presence/absence
-
- 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
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- 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
- G06T7/181—Segmentation; Edge detection involving edge growing; involving edge linking
-
- 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
- G06T2207/20024—Filtering details
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Treatment Of Fiber Materials (AREA)
Abstract
本发明涉及一种经编织造过程中的织物疵点检测方法,包括下列步骤:(1)采集针床运动过程图片;(2)对于采集到第一张的图片,计算图片的感兴趣区域;(3)使用计算出来的感兴趣区域坐标把所有拍摄到的图片裁剪到感兴趣区域范围;(4)对图像感兴趣区域进行疵点检测。
Description
技术领域
本算法涉及一种经编织造过程中的织物疵点检测算法。
背景技术
在纺织行业,经编机使用十分广泛,然而由于纱线的质量等原因,织造过程中难免产生纱线断纱,造成织物疵点,影响最终成品布质量。目前,绝大部分纺织企业对织物疵点的检测仍停留在人工检测阶段。然而人工检测时效性较差,在工人发现织物疵点时,机床往往已经生产出很长一段次品布匹,造成资源浪费。现如今,我国正处于产业结构转型的重要时期,传统纺织业也正向智能化、自动化方向发展,对经编织造过程中的织物疵点在线检测提出了迫切的需求。综上所述,实现织造过程中的织物疵点在线检测具有重要的现实意义。
发明内容
针对上述问题,本发明的目的是提出一种经编织造过程中的织物疵点快速的检测算法,实现织造过程中织物疵点检测,从而提高生产效率,降低织造成本。本发明采取以下技术方案:
一种经编织造过程中的织物疵点检测方法,包括下列步骤:
(1)采集针床运动过程图片;
(2)对于采集到第一张的图片,计算图片的感兴趣区域;方法如下:
第1步:像素横坐标用u表示,纵坐标用v表示,图形像素灰度用用f(u,v),图形纵向梯度用Gy(u,v)表示,按照u由小到大的顺序遍历,计算Gy=f(u-1,v-1)+2·f(u,v-1)+f(u+1,v-1)-f(u-1,v+1)-2·f(u,v+1)-f(u+1,v+1),得到图形纵向梯度图Gy;
第2步:使用概率霍夫直线拟合的原理,在图中找到感兴趣区域附近的虚线;计算这些虚线与照片边界交点的纵坐标,找到最大值vmax和最小值vmin
第3步:把原图像中纵坐标小于vmin和大于vmax的像素裁剪掉;
第5步:对高斯模糊后的图片,使用canny算子提取感兴趣区域边缘像素,再使用霍夫直线拟合的原理,提取感兴趣区域边缘直线,得到边缘直线与图片边缘的交点坐标,为感兴趣区域坐标;
(3)使用计算出来的感兴趣区域坐标把所有拍摄到的图片裁剪到感兴趣区域范围;
(4)对图像感兴趣区域进行疵点检测,包括如下步骤:
第1步:把图像感兴趣区域中的一点(u,v)周围特定长度或形状的邻域称为窗口;按照u由小到大的顺序遍历,计算每个像素窗口内像素灰度值的中位数得到g(u,v);
第2步:按照u由小到大的顺序遍历每个像素遍历对中位数图g(u,v),遍历每个像素特定窗口大小内灰度值的平均值,得到h(u,v);
第3步:按照u由小到大的顺序遍历每个像素,当g(u,v)>h(u,v)时令F(u,v)=255,否则令F(u,v)=0,从而得到二值化图片;
第4步:在二值化图片中按照设定的缺陷大小,寻找F(u,v)=255的点,通过连通域分析即可将二值图像中F(u,v)=255的点提取出来,最终实现疵点有无的判断与疵点定位。
本发明由于采取以上技术方案,具有以下优点:
(1)本算法首先对经编机编织区域进行自动定位,可以避免经编机非编织区域对检测的影响,同时也可以保证检测系统适用于不同型号的机床,提高了检测算法的鲁棒性;
(2)本算法首先对原始数据进行低通滤波,避免了噪声对最终检测结果的影响,提高了算法的稳定性;
(3)本算法采用动态阈值的方式进行缺陷提取,避免了环境光造成的纱线亮度不均匀等因素带来的影响,提高了检测算法的适用性;
附图说明
图1是本发明提出算法的处理流程图;
图2是本发明提及的感兴趣区域自动定位算法流程图;
图3是本发明提及的感兴趣区域自动定位算法每步处理实物图;
图4是本发明提及的织物疵点检测算法流程图;
图5是本发明提及的织物疵点检测算法每步处理实物图。
具体实施方式
下面结合附图对本发明进行说明;
本发明设计了一种经编织造过程中的织物疵点快速的检测算法,图1为本发明算法的处理流程图,其中分为两个部分:感兴趣区域自动计算和织物疵点检测;对采集的每张图片,计算机先自动计算图片的感兴趣区域,也就是经编机的编织区域,然后把从采集的图片中裁剪感兴趣区域大小,对裁剪后的图片进行疵点检测,检测到疵点之后报警或停机。
本发明提到的感兴趣区域自动定位算法的处理流程图如图2所示;感兴趣区域自动定位算法分为粗定位与精定位两部分;为清晰说明该过程,配上该算法每一步的实际效果,如图3所示;在粗定位过程中,由于感兴趣区域一般为横向长条形,而横向的特征在纵向的梯度图中体现的比较明显,所以使用Sobel算子原始图像进行卷积得到纵向梯度图,实现感兴趣区域边缘特征凸显;接下来,基于感兴趣区域边缘为直线这一特点,通过霍夫变换实现边缘粗定位;由于使用Sobel算子卷积后的图像丢失了许多信息,感兴趣区域的边界并不清晰,所以只用于粗略定位感兴趣区域位置,需要在粗定位基础上进行感兴趣区域精确定位,具体方法为把原始图像裁剪到粗定位大小;然后通过高斯模糊去除噪声,并通过直方图均衡处理增强边缘对比度,接着使用Canny算子进行边缘凸显,最后结合霍夫直线拟合算法可以实现对感兴趣区域的准确定位。
本发明提到的织物疵点检测算法的流程图如图4所示。首先,为避免机床编织区噪声影响,先将数据进行低通滤波处理;接下来,由于疵点在图片中的具体特征为局部灰度下降,因此通过动态阈值进行疵点提取,动态阈值用原始图片滤波后的数据作为基准,将原始图片与基准对比实现阈值分割,由于不同位置使用不同的阈值,因此避免了图像灰度不均匀对最终检测结果的影响;通过动态阈值处理后,如果存在疵点,则疵点位置对应二值图像的白色部分,通过连通域分析即可将二值图像中的白色部分提取出来,最终实现疵点有无的判断与疵点定位;实际效果如图5,可以看出相对于直接进行二值化,使用动态阈值的方法可以有效减少疵点的误提取。
下面结合附图对本发明进行说明;
本发明设计了一种经编织造过程中的织物疵点快速的检测算法,图1为本发明算法的处理流程图,其中分为下列步骤:
(1)计算机采集针床运动过程图片
(2)对于采集到第一张的图片,计算机先自动计算图片的感兴趣区域;为清晰说明该过程,配上该算法每一步的实际效果,如图3所示;方法如下:
第1步:像素横坐标用u表示,纵坐标用v表示,图形像素灰度用用f(u,v),图形纵向梯度用Gy(u,v)表示,按照u由小到大的顺序遍历,计算Gy=f(u-1,v-1)+2·f(u,v-1)+f(u+1,v-1)-f(u-1,v+1)-2·f(u,v+1)-f(u+1,v+1),得到图形纵向梯度图Gy;
第2步:使用概率霍夫直线拟合的原理,在图中找到感兴趣区域附近的虚线;计算这些虚线与照片边界交点的纵坐标,找到最大值vmax和最小值vmin
第3步:把原图像中纵坐标小于vmin和大于vmax的像素裁剪掉;
第5步:对高斯模糊后的图片,使用canny算子提取感兴趣区域边缘像素,再使用霍夫直线拟合的原理,提取感兴趣区域边缘直线,得到直线与图片边缘的交点坐标,为感兴趣区域坐标;
(3)使用计算出来的感兴趣区域坐标把所有拍摄到的图片裁剪到感兴趣区域范围;
(4)对图像感兴趣区域进行疵点检测,算法的流程图如图4所示,其中分一下几个步骤:
第1步:像素横坐标用u表示,纵坐标用v表示,图形像素灰度用用f(u,v),把图像中的一点(u,v)周围特定长度或形状的邻域称为窗口;按照u由小到大的顺序遍历,计算每个像素窗口内像素灰度值的中位数得到g(u,v);
第2步:按照u由小到大的顺序遍历每个像素遍历对中位数图g(u,v),遍历每个像素特定窗口大小内灰度值的平均值,得到h(u,v);
第3步:按照u由小到大的顺序遍历每个像素,当g(u,v)>h(u,v)时令F(u,v)=255,否则令F(u,v)=0,从而得到二值化图片;
第4步:在二值化图片中按照设定的缺陷大小,寻找F(u,v)=255的点,通过连通域分析即可将二值图像中F(u,v)=255的点提取出来,最终实现疵点有无的判断与疵点定位;实际效果如图5,可以看出相对于直接进行二值化,使用动态阈值的方法可以有效减少疵点的误提取。
Claims (1)
1.一种经编织造过程中的织物疵点检测方法,包括下列步骤:
(1)采集针床运动过程图片;
(2)对于采集到第一张的图片,计算图片的感兴趣区域;方法如下:
第1步:像素横坐标用u表示,纵坐标用v表示,图形像素灰度用f(u,v)表示,图形纵向梯度用Gy(u,v)表示,按照u由小到大的顺序遍历,计算Gy=f(u-1,v-1)+2·f(u,v-1)+f(u+1,v-1)-f(u-1,v+1)-2·f(u,v+1)-f(u+1,v+1),得到图形纵向梯度图Gy;
第2步:使用概率霍夫直线拟合的原理,在图中找到感兴趣区域附近的虚线;计算这些虚线与照片边界交点的纵坐标,找到最大值vmax和最小值vmin;
第3步:把原图像中纵坐标小于vmin和大于vmax的像素裁剪掉;
第5步:对高斯模糊后的图片,使用canny算子提取感兴趣区域边缘像素,再使用霍夫直线拟合的原理,提取感兴趣区域边缘直线,得到边缘直线与图片边缘的交点坐标,为感兴趣区域坐标;
(3)使用计算出来的感兴趣区域坐标把所有拍摄到的图片裁剪到感兴趣区域范围;
(4)对图像感兴趣区域进行疵点检测,包括如下步骤:
第1步:把图像感兴趣区域中的一点(u,v)周围特定长度或形状的邻域称为窗口;按照u由小到大的顺序遍历,计算每个像素窗口内像素灰度值的中位数得到g(u,v);
第2步:按照u由小到大的顺序遍历中位数图g(u,v)的每个像素,计算每个像素特定窗口大小内灰度值的平均值,得到h(u,v);
第3步:按照u由小到大的顺序遍历每个像素,计算得到二值图片F(u,v),具体方法为:当g(u,v)>h(u,v)时令F(u,v)=255,否则令F(u,v)=0;
第4步:在二值化图片中按照设定的缺陷大小,寻找F(u,v)=255的点,通过连通域分析即可将二值图像中F(u,v)=255的点提取出来,最终实现疵点有无的判断与疵点定位。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011125366.3A CN112365448B (zh) | 2020-10-20 | 2020-10-20 | 一种经编织造过程中的织物疵点检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011125366.3A CN112365448B (zh) | 2020-10-20 | 2020-10-20 | 一种经编织造过程中的织物疵点检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112365448A CN112365448A (zh) | 2021-02-12 |
CN112365448B true CN112365448B (zh) | 2022-08-30 |
Family
ID=74507739
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011125366.3A Active CN112365448B (zh) | 2020-10-20 | 2020-10-20 | 一种经编织造过程中的织物疵点检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112365448B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113658092A (zh) * | 2021-05-13 | 2021-11-16 | 湖南莱塞智能装备有限公司 | 一种基于图像处理的铝电解电容缺陷检测方法 |
CN113724241B (zh) * | 2021-09-09 | 2022-08-02 | 常州市宏发纵横新材料科技股份有限公司 | 一种碳纤维经编织物的毛丝检测方法、装置和存储介质 |
CN113838038B (zh) * | 2021-09-28 | 2022-08-02 | 常州市宏发纵横新材料科技股份有限公司 | 一种碳纤维布面疵点检测方法、装置、电子设备和存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
NO914177D0 (no) * | 1990-10-25 | 1991-10-24 | Hughes Aircraft Co | System for lokalisering og klassifisering av et maalbilde |
CN106373123A (zh) * | 2016-09-21 | 2017-02-01 | 哈尔滨工业大学 | 基于k_tSL中心聚类算法的工业元件表面缺陷检测方法 |
CN107870172A (zh) * | 2017-07-06 | 2018-04-03 | 黎明职业大学 | 一种基于图像处理的布匹疵点检测方法 |
CA3056498A1 (en) * | 2017-03-14 | 2018-09-20 | University Of Manitoba | Structure defect detection using machine learning algorithms |
CN110570404A (zh) * | 2019-08-26 | 2019-12-13 | 南京信息工程大学 | 一种基于Sobel算子的布料疵点检测方法 |
Family Cites Families (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101604383B (zh) * | 2009-07-24 | 2011-07-27 | 哈尔滨工业大学 | 一种基于红外图像的海上目标检测方法 |
CN103455820A (zh) * | 2013-07-09 | 2013-12-18 | 河海大学 | 基于机器视觉技术的车辆检测和跟踪方法及系统 |
CN105654461B (zh) * | 2014-12-02 | 2018-03-20 | 中国科学院沈阳自动化研究所 | 一种多分裂导线间隔棒断裂的机器视觉检测方法 |
CN105261017B (zh) * | 2015-10-14 | 2018-12-11 | 长春工业大学 | 基于路面约束的图像分割法提取行人感兴趣区域的方法 |
CN105447851B (zh) * | 2015-11-12 | 2018-02-02 | 刘新辉 | 一种玻璃面板的音孔缺陷检测方法及系统 |
CN106803061A (zh) * | 2016-12-14 | 2017-06-06 | 广州大学 | 一种基于动态感兴趣区域的简易快速车道线检测方法 |
CN109190742B (zh) * | 2018-08-23 | 2020-11-24 | 华中科技大学 | 一种基于灰度特征的编码特征点的解码方法 |
CN110334678A (zh) * | 2019-07-12 | 2019-10-15 | 哈尔滨理工大学 | 一种基于视觉融合的行人检测方法 |
CN110853000B (zh) * | 2019-10-30 | 2023-08-11 | 北京中交国通智能交通系统技术有限公司 | 一种车辙的检测方法 |
-
2020
- 2020-10-20 CN CN202011125366.3A patent/CN112365448B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
NO914177D0 (no) * | 1990-10-25 | 1991-10-24 | Hughes Aircraft Co | System for lokalisering og klassifisering av et maalbilde |
CN106373123A (zh) * | 2016-09-21 | 2017-02-01 | 哈尔滨工业大学 | 基于k_tSL中心聚类算法的工业元件表面缺陷检测方法 |
CA3056498A1 (en) * | 2017-03-14 | 2018-09-20 | University Of Manitoba | Structure defect detection using machine learning algorithms |
WO2018165753A1 (en) * | 2017-03-14 | 2018-09-20 | University Of Manitoba | Structure defect detection using machine learning algorithms |
CN107870172A (zh) * | 2017-07-06 | 2018-04-03 | 黎明职业大学 | 一种基于图像处理的布匹疵点检测方法 |
CN110570404A (zh) * | 2019-08-26 | 2019-12-13 | 南京信息工程大学 | 一种基于Sobel算子的布料疵点检测方法 |
Non-Patent Citations (3)
Title |
---|
"Study of edge detection methods based on palmprint lines";Mouad M. H. Ali,等;《 2016 International Conference on Electrical, Electronics, and Optimization Techniques (ICEEOT)》;20161124;全文 * |
"基于形态特征的几种非织造用纤维的检测及算法研究";王飞;《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅰ辑》;20191215;全文 * |
"铁路机车车号区域图像定位算法研究";徐孟玮;《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑》;20190515;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN112365448A (zh) | 2021-02-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112365448B (zh) | 一种经编织造过程中的织物疵点检测方法 | |
CN107194919B (zh) | 基于规律纹理背景重建的手机屏幕缺陷检测方法 | |
CN110223296B (zh) | 一种基于机器视觉的螺纹钢表面缺陷检测方法及系统 | |
CN113643289B (zh) | 基于图像处理的织物表面缺陷检测方法和系统 | |
CN109816652B (zh) | 一种基于灰度显著性的复杂铸件缺陷识别方法 | |
CN106780486B (zh) | 一种钢板表面缺陷图像提取方法 | |
CN111179243A (zh) | 一种基于计算机视觉的小尺寸芯片裂纹检测方法及系统 | |
CN108765402B (zh) | 无纺布缺陷检测与分类方法 | |
WO2021109697A1 (zh) | 字符分割方法、装置以及计算机可读存储介质 | |
CN109727244B (zh) | 一种磁瓦表面裂纹检测方法 | |
CN112614062B (zh) | 菌落计数方法、装置及计算机存储介质 | |
CN110070523B (zh) | 一种用于瓶底的异物检测方法 | |
CN104021561A (zh) | 基于小波变换及形态学运算的织物起毛起球图像分割方法 | |
CN109781737B (zh) | 一种软管表面缺陷的检测方法及其检测系统 | |
CN114693610A (zh) | 一种基于机器视觉的焊缝表面缺陷检测方法、设备及介质 | |
CN115330770B (zh) | 一种布匹区域类疵点识别方法 | |
CN112669265B (zh) | 基于傅里叶变换和图像梯度特征实现表面缺陷检测的方法 | |
CN114677601A (zh) | 一种基于无人机巡检的结合深度学习的大坝裂缝检测方法 | |
CN110687122A (zh) | 一种陶瓦表面裂纹检测方法及系统 | |
Peng et al. | Review on automatic pavement crack image recognition algorithms | |
CN109387524A (zh) | 基于线性偏振光的螺纹缺陷检测方法及装置 | |
CN116843687A (zh) | 一种通信光缆表面瑕疵检测方法及装置 | |
CN111882537B (zh) | 视觉检测方法及系统 | |
CN112200805A (zh) | 一种工业品图像目标提取及缺陷判断方法 | |
CN113870299A (zh) | 一种基于边缘检测和形态学图像处理的3d打印故障检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |