CN112365533A - 基于图像分割的煤流量监测方法、装置和电子装置 - Google Patents
基于图像分割的煤流量监测方法、装置和电子装置 Download PDFInfo
- Publication number
- CN112365533A CN112365533A CN202011101751.4A CN202011101751A CN112365533A CN 112365533 A CN112365533 A CN 112365533A CN 202011101751 A CN202011101751 A CN 202011101751A CN 112365533 A CN112365533 A CN 112365533A
- Authority
- CN
- China
- Prior art keywords
- image
- segmentation
- coal
- detected
- trained
- 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 168
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000003709 image segmentation Methods 0.000 title claims abstract description 28
- 238000012544 monitoring process Methods 0.000 title claims abstract description 25
- 230000011218 segmentation Effects 0.000 claims abstract description 136
- 238000012800 visualization Methods 0.000 claims abstract description 61
- 238000012545 processing Methods 0.000 claims abstract description 38
- 238000001514 detection method Methods 0.000 claims abstract description 31
- 230000000007 visual effect Effects 0.000 claims abstract description 12
- 238000003860 storage Methods 0.000 claims abstract description 9
- 238000005192 partition Methods 0.000 claims abstract description 7
- 238000012806 monitoring device Methods 0.000 claims abstract description 6
- 230000006870 function Effects 0.000 claims description 17
- 238000004590 computer program Methods 0.000 claims description 15
- 230000005484 gravity Effects 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 9
- 238000005520 cutting process Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 4
- 238000005516 engineering process Methods 0.000 abstract description 6
- 230000000694 effects Effects 0.000 abstract description 3
- 239000011159 matrix material Substances 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 239000000463 material Substances 0.000 description 6
- 238000012423 maintenance Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 238000005265 energy consumption Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000000873 masking effect Effects 0.000 description 1
- 230000009347 mechanical transmission Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012549 training Methods 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
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/30232—Surveillance
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Image Analysis (AREA)
Abstract
本申请涉及一种基于图像分割的煤流量监测方法、装置、电子装置和存储介质，该方法包括从传送带运输煤炭过程中的视频中提取待测图像；将待测图像输入到已训练的超分辨率分割网络模型，得到已训练的超分辨率分割网络模型输出的与待测图像对应的分割特征图像；对分割特征图像进行可视化处理，得到与分割特征图像对应的可视化图，其中，可视化图包括煤炭区域、传送带区域和背景区域；根据可视化图中煤炭区域与传送带区域的分割面积，确定煤流量。通过本申请，解决了相关技术中对煤流量的检测准确性低的问题，实现了提高对煤流量的检测准确性的技术效果。
Description
技术领域
本申请涉及工业图像识别领域，特别是涉及一种基于图像分割的煤流量监测方法、装置、电子装置和存储介质。
背景技术
目前，对于煤矿井下的环境的采煤输送主要依靠传送带运输完成。由于矿用卡车的转运路线较长，因而造成同一时间段内运输量极不均匀，导致原煤带式输送机在负载较轻或无负载的状态下运行时间较长，不仅造成额外转速和空载状态下运行的电能浪费，而且也使带式输送机传动系统、转动部件、胶带形成无效磨损，缩短了设备使用寿命，现有运行方式胶带机空转率高、生产效率低，电能消耗大。
传统的做法是使用变频器来驱动煤炭运输皮带机运行，可以通过变频器控制皮带驱动电机的运行速度，实现皮带机带速的调节，但是由于控制系统的不完善，目前大多数场合没有充分发挥皮带机带速可调的特性，也未体现出变频器驱动与其他驱动方式的差异化和优越性。同时，由于煤矿的特殊生产条件，使得带皮带机的运煤量是不均匀的，若皮带机一直保持高速运行，对于机械传动系统会造成较为严重的影响，电能消耗也比低速运行时大得多。
相关技术中采用了通过检测皮带机上的煤流量来调节皮带机的带速，通过分析运载过程中的皮带运输机上的煤物料的视频流中图像帧之间的像素灰度差值进行分析，得到煤物料边界，根据煤物料边界估算煤流量，最后根据煤流量与预设值的大小关系，发出提示信号或控制信号。然而，这类技术方案在视频帧的像素灰度差值的比较过程中，皮带机的部件震动也会产生灰度差值，这会影响煤流量的检测，使得煤流量的检测准确性下降，导致皮带机的带速调节准确性和可靠性下降。
目前针对相关技术中对煤流量的检测准确性低的问题，尚未提出有效的解决方案。
发明内容
本申请实施例提供了一种基于图像分割的煤流量监测方法、装置、电子装置和存储介质，以至少解决相关技术中运维审计系统的登录认证安全性低的问题。
第一方面，本申请实施例提供了一种基于图像分割的煤流量监测方法，包括：从传送带运输煤炭过程中的视频中提取待测图像；将所述待测图像输入到已训练的超分辨率分割网络模型，得到所述已训练的超分辨率分割网络模型输出的与所述待测图像对应的分割特征图像；对所述分割特征图像进行可视化处理，得到与所述分割特征图像对应的可视化图，其中，所述可视化图包括煤炭区域、传送带区域和背景区域；根据所述可视化图中煤炭区域与传送带区域的分割面积，确定煤流量。
在其中一些实施例中，所述已训练的超分辨率分割网络模型包括已训练的语义分割网络子模型、已训练的全局上下文建模网络子模型以及已训练的超分辨率网络子模型；将所述待测图像输入到已训练的超分辨率分割网络模型，得到所述已训练的语义分割网络模型输出的与所述待测图像对应的分割特征图像包括：将所述待测图像输入到所述已训练的语义分割网络子模型，得到所述已训练的语义分割网络子模型输出的与所述待测图像对应的第一特征图像；获取所述待测图像的全局上下文信息；将所述第一特征图像和所述待测图像的全局上下文信息输入到所述已训练的全局上下文建模网络子模型，得到所述已训练的全局上下文建模网络子模型输出的与所述待测图像对应的第二特征图像；将所述待测图像输入到所述已训练的超分辨率网络子模型，得到所述已训练的超分辨率网络子模型输出的超分辨率图像；对所述超分辨率图像中的特征和所述第二特征图像中的特征信息特征关联处理，得到与所述待测图像对应的分割特征图像。
在其中一些实施例中，对所述分割特征图像进行可视化处理，得到与所述分割特征图像对应的可视化图包括：对所述分割特征图像进行阈值分割处理，得到每个像素的类别标签；根据每个所述像素的类别标签，对所述分割特征图像进行可视化处理，得到与所述分割特征图像对应的可视化图。
在其中一些实施例中，对所述分割特征图像进行阈值分割处理，得到每个像素的类别标签包括：对所述分割特征图像进行最大概率阈值分割，得到所述分割特征图像中的每个类别通道下的最大概率值对应的像素位置，其中，所述类别通道包括煤炭通道、传送带通道和背景通道；根据所述分割特征图像中的每个类别通道下的最大概率值对应的像素位置，得到每个像素的类别标签。
在其中一些实施例中，所述类别标签包括煤炭标签和传送带标签；根据每个所述像素的类别标签，对所述分割特征图像进行可视化处理，得到与所述分割特征图像对应的可视化图包括：根据每个所述像素的类别标签，将类别标签为煤炭标签的像素所在位置赋值为第一预设颜色，将类别标签为传送带标签的像素所在位置赋值为第二预设颜色，得到与所述分割特征图像对应的蒙版图；将所述待测图像与所述蒙版图相加，得到与所述分割特征图像对应的可视化图。
在其中一些实施例中，根据所述可视化图中煤炭区域与传送带区域的分割面积，确定煤流量包括：根据所述可视化图中煤炭区域与传送带区域的分割面积，确定所述煤炭区域在所述传送带区域上的比重；将所述煤炭区域在所述传送带区域上的比重输入到预设流量检测函数，得到所述预设流量检测函数输出的煤流量。
在其中一些实施例中，在从传送带运输煤炭过程中的视频中提取待测图像之后，所述方法还包括：对所述待测图像进行预处理，其中，所述预处理包括以下至少之一：裁剪处理、翻转处理、缩放处理。
第二方面，本申请实施例提供了一种基于图像分割的煤流量监测装置，包括：提取模块，用于从传送带运输煤炭过程中的视频中提取待测图像；分割模块，用于将所述待测图像输入到已训练的超分辨率分割网络模型，得到所述已训练的语义分割网络模型输出的与所述待测图像对应的分割特征图像；可视化模块，用于对所述分割特征图像进行可视化处理，得到与所述分割特征图像对应的可视化图，其中，所述可视化图包括煤炭区域、传送带区域和背景区域；确定模块，用于根据所述可视化图中煤炭区域与传送带区域的分割面积，确定煤流量。
第三方面，本申请实施例提供了一种电子装置，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述第一方面所述的基于图像分割的煤流量监测方法。
第四方面，本申请实施例提供了一种存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述第一方面所述的基于图像分割的煤流量监测方法。
相比于相关技术，本申请实施例提供的基于图像分割的煤流量监测方法、装置、电子装置和存储介质，解决了相关技术中对煤流量的检测准确性低的问题，实现了提高对煤流量的检测准确性的技术效果。
本申请的一个或多个实施例的细节在以下附图和描述中提出，以使本申请的其他特征、目的和优点更加简明易懂。
附图说明
此处所说明的附图用来提供对本申请的进一步理解，构成本申请的一部分，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：
图1是根据本申请实施例的基于图像分割的煤流量监测方法的流程图；
图2是根据本申请实施例的已训练的超分辨率分割网络模型的结构框图；
图3是根据本申请实施例的已训练的全局上下文建模网络子模型的结构框图；
图4是根据本申请实施例的可视化处理的流程图；
图5是根据本申请实施例的预设流量检测函数的曲线图；
图6是根据本申请实施例的基于图像分割的煤流量监测装置的结构框图；
图7是根据本申请实施例的电子装置的硬件结构示意图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行描述和说明。应当理解，此处所描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。基于本申请提供的实施例，本领域普通技术人员在没有作出创造性劳动的前提下所获得的所有其他实施例，都属于本申请保护的范围。此外，还可以理解的是，虽然这种开发过程中所作出的努力可能是复杂并且冗长的，然而对于与本申请公开的内容相关的本领域的普通技术人员而言，在本申请揭露的技术内容的基础上进行的一些设计，制造或者生产等变更只是常规的技术手段，不应当理解为本申请公开的内容不充分。
在本申请中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域普通技术人员显式地和隐式地理解的是，本申请所描述的实施例在不冲突的情况下，可以与其它实施例相结合。
除非另作定义，本申请所涉及的技术术语或者科学术语应当为本申请所属技术领域内具有一般技能的人士所理解的通常意义。本申请所涉及的“一”、“一个”、“一种”、“该”等类似词语并不表示数量限制，可表示单数或复数。本申请所涉及的术语“包括”、“包含”、“具有”以及它们任何变形，意图在于覆盖不排他的包含；例如包含了一系列步骤或模块(单元)的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元，而是可以还包括没有列出的步骤或单元，或可以还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。本申请所涉及的“连接”、“相连”、“耦接”等类似的词语并非限定于物理的或者机械的连接，而是可以包括电气的连接，不管是直接的还是间接的。本申请所涉及的“多个”是指大于或者等于两个。“和/或”描述关联对象的关联关系，表示可以存在三种关系，例如，“A和/或B”可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。本申请所涉及的术语“第一”、“第二”、“第三”等仅仅是区别类似的对象，不代表针对对象的特定排序。
本实施例提供了一种基于图像分割的煤流量监测方法，应用于运维审计系统的登录认证，运维审计系统包括运维服务器和认证服务器，图1是根据本申请实施例的基于图像分割的煤流量监测方法的流程图，如图1所示，该流程包括如下步骤：
步骤S101，从传送带运输煤炭过程中的视频中提取待测图像。
在本实施例中，在从传送带运输煤炭过程中的视频中提取待测图像之后，该方法还可以包括：对待测图像进行预处理，其中，预处理包括以下至少之一：裁剪处理、翻转处理、缩放处理。
通过提取传送带运输煤炭过程中的视频中的图像帧，并对其进行随机裁剪、翻转等图像操作，最后将其大小缩放为预设大小，有助于后续超分辨率网络模型的训练和网络预测。
在其中一些实施例中，该预设大小可以为512*512。
步骤S102，将待测图像输入到已训练的超分辨率分割网络模型，得到已训练的超分辨率分割网络模型输出的与待测图像对应的分割特征图像。
在本实施例中，图2是根据本申请实施例的已训练的超分辨率分割网络模型的结构框图，如图2所示，该已训练的超分辨率分割网络模型可以包括已训练的语义分割网络子模型、已训练的全局上下文建模网络子模型以及已训练的超分辨率网络子模型。
如图2所示，该已训练的超分辨率分割网络模型中的损失函数L可以包括交叉熵损失Lce、均方差损失Lmse和特征关联损失Lfa。
其中，L＝Lce+w1Lmse+w2Lfa；
SISR(X)为超分辨率的输出，Y为相对应的真实标签图，w1为均方差损失权重(本实施例中可以设置为0.1)，w2为特征关联损失权重(本实施例中可以设置为1.0)，W为特征图的宽度，H为特征图的高度，Sij为特征图第i个像素点和第j个像素点的关系，
为语义分割网络子模型相似度矩阵，
为超分辨率网络子模型相似度矩阵，p和q用于规范化特征以获得稳定的范数(本实施例中可以设p＝2，q＝1)，Fi为特征图的第i个像素，Fj为特征图的第j个像素。
其中，步骤S102可以包括如下步骤：
步骤1，将待测图像输入到已训练的语义分割网络子模型，得到已训练的语义分割网络子模型输出的与待测图像对应的第一特征图像。
步骤2，获取待测图像的全局上下文信息。
步骤3，将第一特征图像和待测图像的全局上下文信息输入到已训练的全局上下文建模网络子模型，得到已训练的全局上下文建模网络子模型输出的与待测图像对应的第二特征图像。
步骤4，将待测图像输入到已训练的超分辨率网络子模型，得到已训练的超分辨率网络子模型输出的超分辨率图像。
步骤5，对超分辨率图像中的特征和第二特征图像中的特征信息特征关联处理，得到与待测图像对应的分割特征图像。
在本实施例中，已训练的语义分割网络子模型为基于超分辨率学习的语义分割网络子模型，可以在低分辨率的输入情况下保持高分辨率的输出，从而获得更精确的分割结果使得煤流量检测更加准确。
其中，已训练的语义分割网络子模型可以由卷积神经网络进行特征编码，即特征编码层20，并由已训练的全局上下文建模网络子模型学习待测图像的全局上下文信息并进行特征融合，即全局上下文建模编码层22，特征融合的表达式：
Wk和Wv为线性变化矩阵，x为输入特征图，z为输出特征图，Np为特征图中所有像素的个数，且Np＝W*H，然后利用反卷积神经网络进行特征解码，即语义分割解码层21，得到超分辨率的第二特征图像。
在本实施例中，已训练的全局上下文建模网络子模型可以集成在已训练的语义分割网络子模型内。
图3是根据本申请实施例的已训练的全局上下文建模网络子模型的结构框图，如图3所示，在其中一些实施例中，已训练的全局上下文建模网络子模型可以与已训练的语义分割网络子模型相互独立，此时已训练的语义分割网络子模型输出与待测图像对应的第一特征图像，并将将第一特征图像和待测图像的全局上下文信息输入到已训练的全局上下文建模网络子模型，并由已训练的全局上下文建模网络子模型学习待测图像的全局上下文信息并进行特征融合，得到已训练的全局上下文建模网络子模型输出的与待测图像对应的第二特征图像。
同时，已训练的超分辨率网络子模型共享已训练的语义分割网络子模型中的特征编码层20，然后通过不断地上采样和卷积等操作进行解码，得到增强的超分辨率图像，即超分辨率解码层23。
最后通过已训练的超分辨率网络子模型输出的超分辨率图像中的特征去指导已训练的语义分割网络子模型可输出的第二特征图像中的特征信息，通过学习二者像素间的相关性，得到更加精确的超分辨率的分割特征图像，其中，在本实施例中，分割特征图像的大小可以为1024*1024*3。在其他实施例中，通过已训练的超分辨率网络子模型输出的超分辨率图像中的特征去指导已训练的语义分割网络子模型可输出的第二特征图像中的特征信息可以由已训练的关联性学习网络子模型进行。
在其他实施例中，图2中的虚线阶段可以省略，用以加速获取与待测图像对应的分割特征图像的速度。
步骤S103，对分割特征图像进行可视化处理，得到与分割特征图像对应的可视化图，其中，可视化图包括煤炭区域、传送带区域和背景区域。
在本实施例中，步骤S103可以包括如下步骤：
步骤1，对分割特征图像进行阈值分割处理，得到每个像素的类别标签。
在其中一些实施例中，对分割特征图像进行阈值分割处理，得到每个像素的类别标签包括：对分割特征图像进行最大概率阈值分割，得到分割特征图像中的每个类别通道下的最大概率值对应的像素位置，其中，类别通道包括煤炭通道、传送带通道和背景通道；根据分割特征图像中的每个类别通道下的最大概率值对应的像素位置，得到每个像素的类别标签。
步骤2，根据每个像素的类别标签，对分割特征图像进行可视化处理，得到与分割特征图像对应的可视化图。
在其中一些实施例中，根据每个像素的类别标签，对分割特征图像进行可视化处理，得到与分割特征图像对应的可视化图包括：根据每个像素的类别标签，将类别标签为煤炭标签的像素所在位置赋值为第一预设颜色，将类别标签为传送带标签的像素所在位置赋值为第二预设颜色，得到与分割特征图像对应的蒙版图；将待测图像与蒙版图相加，得到与分割特征图像对应的可视化图。
图4是根据本申请实施例的可视化处理的流程图，如图4所示，在其中一些实施例中，根据每个像素的类别标签，对分割特征图像进行可视化处理，得到与分割特征图像对应的可视化图包括如下步骤：
步骤S401，输入像素类别索引矩阵，其中，像素类别标签矩阵包括每个像素的类别标签和每个像素的所在位置。
在其中一些实施例中，可以根据像素类别索引矩阵创建大小为1024*1024*3的8位的全0矩阵，该全0矩阵的大小可以与分割特征图像一致。
步骤S402，提取像素类别索引矩阵中的唯一值。
步骤S403，根据唯一值将将类别标签为煤炭标签的像素所在位置赋值为第一预设颜色，将类别标签为传送带标签的像素所在位置赋值为第二预设颜色。
步骤S404，得到与分割特征图像对应的蒙版图。
步骤S405，将待测图像与蒙版图相加，得到与分割特征图像对应的可视化图。
在本实施例中，第一预设颜色可以为红色，第二预设颜色可以为绿色，待测图像与蒙版图可以以0.5的权重相加，可以直观地在视频中叠加煤炭掩膜，可视化检测过程和精确显示煤流量。
在其他实施例中，第一预设颜色和第二预设颜色还可以为其他颜色，待测图像与蒙版图还可以以其他权重相加。
步骤S104，根据可视化图中煤炭区域与传送带区域的分割面积，确定煤流量。
在本实施例中，根据可视化图中煤炭区域与传送带区域的分割面积，确定煤流量可以包括：根据可视化图中煤炭区域与传送带区域的分割面积，确定煤炭区域在传送带区域上的比重；将煤炭区域在传送带区域上的比重输入到预设流量检测函数，得到预设流量检测函数输出的煤流量。
其中，可以假设煤炭区域的分割面积为A，传送带区域的分割面积为B，则比重W为
W的值介于0到1之间，当A为0的时候，W为0；当B为0的时候，W为1。W越大，表示煤流量越多，但是W与煤流量不是正比例的关系，因为煤炭区域和传送带区域对煤流量的权重不同。
在煤炭区域为红色，传送带区域为绿色的情况下，只有当煤流量接近满载流量时，绿色区域才会存在煤炭；相反，在红色区域不是空载的情况下，一般都存在煤炭，传送带区域对煤流量的检测的权重是比较大的，而煤炭区域的权重比较小，而比重W的计算没有考虑到这种权重关系。
因此，本实施例的煤流量通过预设流量检测函数得到，该预设流量检测函数的表达式可以为
其中f(W)为预设流量检测函数，FR为煤流量，w为煤炭区域在传送带区域上的比重，该预设流量检测函数可以根据传送带区域的面积不同比重，计算煤流量。
图5是根据本申请实施例的预设流量检测函数的曲线图，如图5所示，该曲线图的横坐标为w，竖坐标为FR，因为传送带为倒梯形，所以该预设流量检测函数的曲线的中部分为凹形，所以煤炭的装载量不仅仅依赖于二者面积之比，而传送带区域的占比更加直观可靠。
当w很小时，标识传送带区域面积大，煤炭只占据了传送带凹进去的传送带梯形部分，这时煤炭很少，虽然面积在不断增加，其实煤炭量增加很少，则煤流量FR小；随着w增大，传送带面积不断减小，煤炭逐渐占据传送带区域，由于底部被不断填满，所以这时候煤炭量是快速增加的，且煤流量FR越接近1时，煤流量越大。
本实施例还可以将检测到的煤流量发送到控制服务器，记录并实时分析煤流量，为传送带的控制提供参考依据，根据煤流量控制传送带的运行速度，提高煤炭的运输效率。
相关技术中采用了通过检测皮带机上的煤流量来调节皮带机的带速，通过分析运载过程中的皮带运输机上的煤物料的视频流中图像帧之间的像素灰度差值进行分析，得到煤物料边界，根据煤物料边界估算煤流量，最后根据煤流量与预设值的大小关系，发出提示信号或控制信号。然而，这类技术方案在视频帧的像素灰度差值的比较过程中，皮带机的部件震动也会产生灰度差值，这会影响煤流量的检测，使得煤流量的检测准确性下降，导致皮带机的带速调节准确性和可靠性下降。
通过上述步骤S101至S104，通过将待测图像输入到已训练的超分辨率分割网络模型，得到已训练的超分辨率分割网络模型输出的与待测图像对应的分割特征图像，该分割特征图像是超分辨率的图像，相比于易被外界因素打扰的灰度查分方法，对煤流量的检测更为稳定和精确，根据可视化图中煤炭区域与传送带区域的分割面积，确定煤流量，不仅可以可视化识别煤炭区域和传送带区域，同时通过预设流量检测函数确定煤流量还可以更加定制化的对煤流量进行量化，最后通过将检测到的煤流量发送到控制服务器，记录并实时分析煤流量，为传送带的控制提供参考依据，根据煤流量控制传送带的运行速度，提高煤炭的运输效率，本实施例的提供的基于图像分割的煤流量监测方法还可以集成在监控摄像头中，自动化的进行煤流量检测和可视化，无需其他设备，减少人力消耗，解决了相关技术中对煤流量的检测准确性低的问题，实现了提高对煤流量的检测准确性的技术效果。
本实施例还提供了一种基于图像分割的煤流量监测装置，该装置用于实现上述实施例及优选实施方式，已经进行过说明的不再赘述。尽管以下实施例所描述的装置较佳地以软件来实现，但是硬件，或者软件和硬件的组合的实现也是可能并被构想的。
图6是根据本申请实施例的基于图像分割的煤流量监测装置的结构框图，如图6所示，该装置包括：提取模块60，用于从传送带运输煤炭过程中的视频中提取待测图像；耦接于提取模块60的分割模块61，用于将待测图像输入到已训练的超分辨率分割网络模型，得到已训练的语义分割网络模型输出的与待测图像对应的分割特征图像；耦接于分割模块61的可视化模块62，用于对分割特征图像进行可视化处理，得到与分割特征图像对应的可视化图，其中，可视化图包括煤炭区域、传送带区域和背景区域；耦接于可视化模块62的确定模块63，用于根据可视化图中煤炭区域与传送带区域的分割面积，确定煤流量。
在其中一些实施例中，已训练的超分辨率分割网络模型包括已训练的语义分割网络子模型、已训练的全局上下文建模网络子模型以及已训练的超分辨率网络子模型；分割模块61被配置为用于将待测图像输入到已训练的语义分割网络子模型，得到已训练的语义分割网络子模型输出的与待测图像对应的第一特征图像；获取待测图像的全局上下文信息；将第一特征图像和待测图像的全局上下文信息输入到已训练的全局上下文建模网络子模型，得到已训练的全局上下文建模网络子模型输出的与待测图像对应的第二特征图像；将待测图像输入到已训练的超分辨率网络子模型，得到已训练的超分辨率网络子模型输出的超分辨率图像；对超分辨率图像中的特征和第二特征图像中的特征信息特征关联处理，得到与待测图像对应的分割特征图像。
在其中一些实施例中，可视化模块62被配置为用于对分割特征图像进行阈值分割处理，得到每个像素的类别标签；根据每个像素的类别标签，对分割特征图像进行可视化处理，得到与分割特征图像对应的可视化图。
在其中一些实施例中，可视化模块62还被配置为用于对分割特征图像进行最大概率阈值分割，得到分割特征图像中的每个类别通道下的最大概率值对应的像素位置，其中，类别通道包括煤炭通道、传送带通道和背景通道；根据分割特征图像中的每个类别通道下的最大概率值对应的像素位置，得到每个像素的类别标签。
在其中一些实施例中，类别标签包括煤炭标签和传送带标签；可视化模块62还被配置为用于根据每个像素的类别标签，将类别标签为煤炭标签的像素所在位置赋值为第一预设颜色，将类别标签为传送带标签的像素所在位置赋值为第二预设颜色，得到与分割特征图像对应的蒙版图；将待测图像与蒙版图相加，得到与分割特征图像对应的可视化图。
在其中一些实施例中，确定模块63被配置为用于根据可视化图中煤炭区域与传送带区域的分割面积，确定煤炭区域在传送带区域上的比重；将煤炭区域在传送带区域上的比重输入到预设流量检测函数，得到预设流量检测函数输出的煤流量。
在其中一些实施例中，该装置还包括与提取模块60耦接的预处理模块，用于对待测图像进行预处理，其中，预处理包括以下至少之一：裁剪处理、翻转处理、缩放处理。
需要说明的是，上述各个模块可以是功能模块也可以是程序模块，既可以通过软件来实现，也可以通过硬件来实现。对于通过硬件来实现的模块而言，上述各个模块可以位于同一处理器中；或者上述各个模块还可以按照任意组合的形式分别位于不同的处理器中。
本实施例还提供了一种电子装置，包括存储器704和处理器702，该存储器704中存储有计算机程序，该处理器702被设置为运行计算机程序以执行上述任一项方法实施例中的步骤。
具体地，上述处理器702可以包括中央处理器(CPU)，或者特定集成电路(Application Specific Integrated Circuit，简称为ASIC)，或者可以被配置成实施本申请实施例的一个或多个集成电路。
其中，存储器704可以包括用于数据或指令的大容量存储器704。举例来说而非限制，存储器704可包括硬盘驱动器(Hard Disk Drive，简称为HDD)、软盘驱动器、固态驱动器(Solid State Drive，简称为SSD)、闪存、光盘、磁光盘、磁带或通用串行总线(UniversalSerial Bus，简称为USB)驱动器或者两个或更多个以上这些的组合。在合适的情况下，存储器704可包括可移除或不可移除(或固定)的介质。在合适的情况下，存储器704可在数据处理装置的内部或外部。在特定实施例中，存储器704是非易失性(Non-Volatile)存储器。在特定实施例中，存储器704包括只读存储器(Read-Only Memory，简称为ROM)和随机存取存储器(Random Access Memory，简称为RAM)。在合适的情况下，该ROM可以是掩模编程的ROM、可编程ROM(Programmable Read-Only Memory，简称为PROM)、可擦除PROM(ErasableProgrammable Read-Only Memory，简称为EPROM)、电可擦除PROM(Electrically ErasableProgrammable Read-Only Memory，简称为EEPROM)、电可改写ROM(ElectricallyAlterable Read-Only Memory，简称为EAROM)或闪存(FLASH)或者两个或更多个以上这些的组合。在合适的情况下，该RAM可以是静态随机存取存储器(Static Random-AccessMemory，简称为SRAM)或动态随机存取存储器(Dynamic Random Access Memory，简称为DRAM)，其中，DRAM可以是快速页模式动态随机存取存储器704(Fast Page Mode DynamicRandom Access Memory，简称为FPMDRAM)、扩展数据输出动态随机存取存储器(ExtendedDate Out Dynamic Random Access Memory，简称为EDODRAM)、同步动态随机存取内存(Synchronous Dynamic Random-Access Memory，简称SDRAM)等。
存储器704可以用来存储或者缓存需要处理和/或通信使用的各种数据文件，以及处理器702所执行的可能的计算机程序指令。
处理器702通过读取并执行存储器704中存储的计算机程序指令，以实现上述实施例中的任意一种基于图像分割的煤流量监测方法。
可选地，上述电子装置还可以包括传输设备706以及输入输出设备708，其中，该传输设备706和上述处理器702连接，该输入输出设备708和上述处理器702连接。
可选地，在本实施例中，上述处理器702可以被设置为通过计算机程序执行以下步骤：
S1，从传送带运输煤炭过程中的视频中提取待测图像。
S2，将待测图像输入到已训练的超分辨率分割网络模型，得到已训练的超分辨率分割网络模型输出的与待测图像对应的分割特征图像。
S3，对分割特征图像进行可视化处理，得到与分割特征图像对应的可视化图，其中，可视化图包括煤炭区域、传送带区域和背景区域。
S4，根据可视化图中煤炭区域与传送带区域的分割面积，确定煤流量。
需要说明的是，本实施例中的具体示例可以参考上述实施例及可选实施方式中所描述的示例，本实施例在此不再赘述。
另外，结合上述实施例中的基于图像分割的煤流量监测方法，本申请实施例可提供一种存储介质来实现。该存储介质上存储有计算机程序；该计算机程序被处理器执行时实现上述实施例中的任意一种基于图像分割的煤流量监测方法。
本领域的技术人员应该明白，以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本申请范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种基于图像分割的煤流量监测方法，其特征在于包括：
从传送带运输煤炭过程中的视频中提取待测图像；
将所述待测图像输入到已训练的超分辨率分割网络模型，得到所述已训练的超分辨率分割网络模型输出的与所述待测图像对应的分割特征图像；
对所述分割特征图像进行可视化处理，得到与所述分割特征图像对应的可视化图，其中，所述可视化图包括煤炭区域、传送带区域和背景区域；
根据所述可视化图中煤炭区域与传送带区域的分割面积，确定煤流量。
2.根据权利要求1所述的基于图像分割的煤流量监测方法，其特征在于，所述已训练的超分辨率分割网络模型包括已训练的语义分割网络子模型、已训练的全局上下文建模网络子模型以及已训练的超分辨率网络子模型；将所述待测图像输入到已训练的超分辨率分割网络模型，得到所述已训练的语义分割网络模型输出的与所述待测图像对应的分割特征图像包括：
将所述待测图像输入到所述已训练的语义分割网络子模型，得到所述已训练的语义分割网络子模型输出的与所述待测图像对应的第一特征图像；
获取所述待测图像的全局上下文信息；
将所述第一特征图像和所述待测图像的全局上下文信息输入到所述已训练的全局上下文建模网络子模型，得到所述已训练的全局上下文建模网络子模型输出的与所述待测图像对应的第二特征图像；
将所述待测图像输入到所述已训练的超分辨率网络子模型，得到所述已训练的超分辨率网络子模型输出的超分辨率图像；
对所述超分辨率图像中的特征和所述第二特征图像中的特征信息特征关联处理，得到与所述待测图像对应的分割特征图像。
3.根据权利要求1所述的基于图像分割的煤流量监测方法，其特征在于，对所述分割特征图像进行可视化处理，得到与所述分割特征图像对应的可视化图包括：
对所述分割特征图像进行阈值分割处理，得到每个像素的类别标签；
根据每个所述像素的类别标签，对所述分割特征图像进行可视化处理，得到与所述分割特征图像对应的可视化图。
4.根据权利要求3所述的基于图像分割的煤流量监测方法，其特征在于，对所述分割特征图像进行阈值分割处理，得到每个像素的类别标签包括：
对所述分割特征图像进行最大概率阈值分割，得到所述分割特征图像中的每个类别通道下的最大概率值对应的像素位置，其中，所述类别通道包括煤炭通道、传送带通道和背景通道；
根据所述分割特征图像中的每个类别通道下的最大概率值对应的像素位置，得到每个像素的类别标签。
5.根据权利要求3所述的基于图像分割的煤流量监测方法，其特征在于，所述类别标签包括煤炭标签和传送带标签；根据每个所述像素的类别标签，对所述分割特征图像进行可视化处理，得到与所述分割特征图像对应的可视化图包括：
根据每个所述像素的类别标签，将类别标签为煤炭标签的像素所在位置赋值为第一预设颜色，将类别标签为传送带标签的像素所在位置赋值为第二预设颜色，得到与所述分割特征图像对应的蒙版图；
将所述待测图像与所述蒙版图相加，得到与所述分割特征图像对应的可视化图。
6.根据权利要求1所述的基于图像分割的煤流量监测方法，其特征在于，根据所述可视化图中煤炭区域与传送带区域的分割面积，确定煤流量包括：
根据所述可视化图中煤炭区域与传送带区域的分割面积，确定所述煤炭区域在所述传送带区域上的比重；
将所述煤炭区域在所述传送带区域上的比重输入到预设流量检测函数，得到所述预设流量检测函数输出的煤流量。
7.根据权利要求1至6中任一项所述的基于图像分割的煤流量监测方法，其特征在于，在从传送带运输煤炭过程中的视频中提取待测图像之后，所述方法还包括：
对所述待测图像进行预处理，其中，所述预处理包括以下至少之一：裁剪处理、翻转处理、缩放处理。
8.一种基于图像分割的煤流量监测装置，其特征在于，包括：
提取模块，用于从传送带运输煤炭过程中的视频中提取待测图像；
分割模块，用于将所述待测图像输入到已训练的超分辨率分割网络模型，得到所述已训练的语义分割网络模型输出的与所述待测图像对应的分割特征图像；
可视化模块，用于对所述分割特征图像进行可视化处理，得到与所述分割特征图像对应的可视化图，其中，所述可视化图包括煤炭区域、传送带区域和背景区域；
确定模块，用于根据所述可视化图中煤炭区域与传送带区域的分割面积，确定煤流量。
9.一种电子装置，包括存储器和处理器，其特征在于，所述存储器中存储有计算机程序，所述处理器被设置为运行所述计算机程序以执行权利要求1至7中任一项所述的基于图像分割的煤流量监测方法。
10.一种存储介质，其特征在于，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行权利要求1至7中任一项所述的基于图像分割的煤流量监测方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011101751.4A CN112365533B (zh) | 2020-10-15 | 2020-10-15 | 基于图像分割的煤流量监测方法、装置和电子装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011101751.4A CN112365533B (zh) | 2020-10-15 | 2020-10-15 | 基于图像分割的煤流量监测方法、装置和电子装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112365533A true CN112365533A (zh) | 2021-02-12 |
| CN112365533B CN112365533B (zh) | 2024-08-20 |
Family
ID=74507660
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011101751.4A Active CN112365533B (zh) | 2020-10-15 | 2020-10-15 | 基于图像分割的煤流量监测方法、装置和电子装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112365533B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113436198A (zh) * | 2021-06-15 | 2021-09-24 | 华东师范大学 | 一种协同图像超分辨率重建的遥感图像语义分割方法 |
| CN113755660A (zh) * | 2021-07-30 | 2021-12-07 | 上海宝冶冶金工程有限公司 | 高炉炉料机械化清理装置 |
| CN114322793A (zh) * | 2022-03-16 | 2022-04-12 | 科大天工智能装备技术（天津）有限公司 | 基于全局分割网络的工件尺寸测量方法、装置及存储介质 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106127725A (zh) * | 2016-05-16 | 2016-11-16 | 北京工业大学 | 一种基于多分辨率cnn的毫米波雷达云图分割方法 |
| CN107886491A (zh) * | 2017-11-27 | 2018-04-06 | 深圳市唯特视科技有限公司 | 一种基于像素最近邻的图像合成方法 |
| CN108664874A (zh) * | 2018-02-14 | 2018-10-16 | 北京广天夏科技有限公司 | 基于图像识别的井下煤流量检测方法 |
| EP3499459A1 (en) * | 2017-12-18 | 2019-06-19 | FEI Company | Method, device and system for remote deep learning for microscopic image reconstruction and segmentation |
| CN110009637A (zh) * | 2019-04-09 | 2019-07-12 | 北京化工大学 | 一种基于树形结构的遥感图像分割网络 |
| CN110956126A (zh) * | 2019-11-27 | 2020-04-03 | 云南电网有限责任公司电力科学研究院 | 一种联合超分辨率重建的小目标检测方法 |
-
2020
- 2020-10-15 CN CN202011101751.4A patent/CN112365533B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106127725A (zh) * | 2016-05-16 | 2016-11-16 | 北京工业大学 | 一种基于多分辨率cnn的毫米波雷达云图分割方法 |
| CN107886491A (zh) * | 2017-11-27 | 2018-04-06 | 深圳市唯特视科技有限公司 | 一种基于像素最近邻的图像合成方法 |
| EP3499459A1 (en) * | 2017-12-18 | 2019-06-19 | FEI Company | Method, device and system for remote deep learning for microscopic image reconstruction and segmentation |
| CN108664874A (zh) * | 2018-02-14 | 2018-10-16 | 北京广天夏科技有限公司 | 基于图像识别的井下煤流量检测方法 |
| CN110009637A (zh) * | 2019-04-09 | 2019-07-12 | 北京化工大学 | 一种基于树形结构的遥感图像分割网络 |
| CN110956126A (zh) * | 2019-11-27 | 2020-04-03 | 云南电网有限责任公司电力科学研究院 | 一种联合超分辨率重建的小目标检测方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113436198A (zh) * | 2021-06-15 | 2021-09-24 | 华东师范大学 | 一种协同图像超分辨率重建的遥感图像语义分割方法 |
| CN113755660A (zh) * | 2021-07-30 | 2021-12-07 | 上海宝冶冶金工程有限公司 | 高炉炉料机械化清理装置 |
| CN113755660B (zh) * | 2021-07-30 | 2023-02-21 | 上海宝冶冶金工程有限公司 | 高炉炉料机械化清理装置 |
| CN114322793A (zh) * | 2022-03-16 | 2022-04-12 | 科大天工智能装备技术（天津）有限公司 | 基于全局分割网络的工件尺寸测量方法、装置及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112365533B (zh) | 2024-08-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112365533A (zh) | 基于图像分割的煤流量监测方法、装置和电子装置 | |
| CN110610510B (zh) | 目标跟踪方法、装置、电子设备及存储介质 | |
| US20220383052A1 (en) | Unsupervised domain adaptation method, device, system and storage medium of semantic segmentation based on uniform clustering | |
| US10423852B1 (en) | Text image processing using word spacing equalization for ICR system employing artificial neural network | |
| WO2020164282A1 (zh) | 基于yolo的图像目标识别方法、装置、电子设备和存储介质 | |
| US8756174B2 (en) | Forward feature selection for support vector machines | |
| US20180114071A1 (en) | Method for analysing media content | |
| CN112232237B (zh) | 车辆流量的监控方法、系统、计算机设备和存储介质 | |
| CN112137591B (zh) | 基于视频流的目标物位置检测方法、装置、设备及介质 | |
| Blair et al. | Characterizing a heterogeneous system for person detection in video using histograms of oriented gradients: Power versus speed versus accuracy | |
| US10217017B2 (en) | Systems and methods for containerizing multilayer image segmentation | |
| CN110163852B (zh) | 基于轻量化卷积神经网络的输送带实时跑偏检测方法 | |
| US10373022B1 (en) | Text image processing using stroke-aware max-min pooling for OCR system employing artificial neural network | |
| US12062105B2 (en) | Utilizing multiple stacked machine learning models to detect deepfake content | |
| CN110276756A (zh) | 路面裂缝检测方法、装置及设备 | |
| CN109977848B (zh) | 色情检测模型的训练方法及装置、计算机设备及可读介质 | |
| CN112115862B (zh) | 一种结合密度估计的拥挤场景行人检测方法 | |
| CN110796129A (zh) | 一种文本行区域检测方法及装置 | |
| Chen et al. | Solving floating pollution with deep learning: A novel SSD for floating objects based on continual unsupervised domain adaptation | |
| CN113674322A (zh) | 一种运动状态检测方法及相关装置 | |
| CN115100587B (zh) | 基于多元数据的区域乱采监测方法及装置 | |
| CN111027482A (zh) | 基于运动向量分段分析的行为分析方法及装置 | |
| CN113344005B (zh) | 一种基于优化小尺度特征的图像边缘检测方法 | |
| CN110580706A (zh) | 一种视频背景模型的提取方法及装置 | |
| CN112380970B (zh) | 基于局部区域搜索的视频目标检测方法 |
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 |