CN112580610A - 一种基于全卷积神经网络的香蕉枯萎病遥感快速检测方法 - Google Patents
一种基于全卷积神经网络的香蕉枯萎病遥感快速检测方法 Download PDFInfo
- Publication number
- CN112580610A CN112580610A CN202110109383.6A CN202110109383A CN112580610A CN 112580610 A CN112580610 A CN 112580610A CN 202110109383 A CN202110109383 A CN 202110109383A CN 112580610 A CN112580610 A CN 112580610A
- Authority
- CN
- China
- Prior art keywords
- image
- remote sensing
- neural network
- multiplied
- size
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/188—Vegetation
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- 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
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/194—Terrestrial scenes using hyperspectral data, i.e. more or other wavelengths than RGB
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/68—Food, e.g. fruit or vegetables
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Multimedia (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Biophysics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Computing Systems (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Geometry (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
一种基于全卷积神经网络的香蕉枯萎病遥感快速检测方法,包括对遥感区域进行路径规划,让无人机按照设定的路径规划飞行拍摄,获取遥感区域的遥感图像;将获得的遥感图像输入到神经网络进行病害判别,判别后返还出检测图像结果,将检测出的疑似患病区域在图像上标注显示,并返还拍摄该遥感图像时的GPS经纬度坐标位置;根据返还的GPS经纬度坐标位置,种植人员实地对疑似患病区域进行重点检测,直至所有疑似区域全部检测完毕;本发明检测效率高,不需要大量的人力劳动,能够对大面积的蕉园进行枯萎病的快速检测,并把异常区域信息返还给种植人员,种植人工再对返还的异常区域进行重点检测,以此做到早发现、早治疗的目的,避免了枯萎病的大面积爆发。
Description
技术领域
本发明涉及一种病害遥感检测方法,具体是一种基于全卷积神经网络的香蕉枯萎病遥感快速检测方法。
背景技术
我国是香蕉生产大国,全球产量仅次于巴西,种植分布于广东、广西、海南、福建等南方丘陵地区,是重要的经济作物。而香蕉枯萎病给我国的香蕉产业带来了巨大的经济损失。目前并没有有效的药物可以完全治疗香蕉枯萎病,只能以预防为主,及早发现及早铲除病株,并对土壤进行消毒处理。
目前对于香蕉枯萎病的预防方法,主要是以人工巡查为主,种植农户通过定时巡查蕉园的方法,通过观察香蕉树的表型特征,利用过往种植经验对其是否患病进行判断。在动辄几十亩的香蕉田进行巡查使得人力劳动强大。并且,由于人工巡查的效率低下,使得人工发现香蕉患有枯萎病时,枯萎病已经在蕉园内大面积传播,不能做到病害初期及早发现及早治疗,最后往往只能大面积对蕉树进行砍伐清除,造成重大的经济损失。
发明内容
本发明提供一种基于全卷积神经网络的香蕉枯萎病遥感快速检测方法,可以有效解决上述背景技术中提出的问题。
本发明所采取的技术方案是:一种基于全卷积神经网络的香蕉枯萎病遥感快速检测方法,包括以下步骤:
步骤一,训练检测模型:采集大量香蕉枯萎病的遥感图像,形成全卷积神经网络的训练数据集和测试数据集,对全卷积神经网络进行训练;
步骤二,输入遥感图像:拍摄待检测区域的遥感图像,将图像尺寸调整为512×512×3,输入到全卷积神经网络;
步骤三,循环3轮两次卷积+1次最大值池化操作:将512×512×3的图像进行六次卷积+三次最大值池化操作,得到64×64×512大小的图像;
步骤四,循环3轮两次卷积+一次上采样操作:将64×64×512的图像进行六次卷积+三次上采样操作,得到512×512×192大小的图像;
步骤五,特征信号的深度提取:将512×512×192大小的图像进行两次卷积,得到512×512×1的图像;
步骤六,判断图像像素是否患病:使用Softmax分类器对512×512×1的图像进行枯萎病判别,输出判别结果。
作为本发明的进一步优选方案,步骤二中输入的遥感图像为多光谱遥感图像,且遥感图像采用无人机搭载多光谱相机飞行拍摄的方式获得。
作为本发明的进一步优选方案,所述多光谱相机配备490±10nm、615±10nm、808±20nm波段的窄带滤光片。
作为本发明的进一步优选方案,循环3轮两次卷积+1次最大值池化操作,具体步骤包括:
S1:输入512×512×3大小的图像经过两次卷积+一次最大值池化,得到256×256×128大小的图像;
S2:输入256×256×128大小的图像经过两次卷积+一次最大值池化,得到128×128×256大小的图像;
S3:输入128×128×256大小的图像经过两次卷积+一次最大值池化,得到64×64×512大小的图像。
作为本发明的进一步优选方案,放大还原图像尺寸时,循环3轮两次卷积+一次上采样操作,具体步骤包括:
S4:输入64×64×512大小的图像经过两次卷积+一次上采样,与128×128×256大小的图像连接,得到128×128×764大小的图像;
S5:输入128×128×764大小的图像经过两次卷积+一次上采样,与256×256×128大小的图像连接,得到256×256×384大小的图像;
S6:输入256×256×384大小的图像经过两次卷积+一次上采样,与512×512×64大小的图像连接,得到512×512×192大小的图像。
作为本发明的进一步优选方案,Softmax分类器给图像上的每一个像素分类出患病和不患病的概率,并且患病与不患病的概率总和为1;根据分类的概率大小判定这个像素是否患病。
作为本发明的进一步优选方案,步骤六中Softmax分类器判断图像像素是否患病后,返还出检测图像结果,把检测出的疑似患病区域在图像上标注显示,并返回拍摄该多光谱图像时的GPS经纬度坐标;由种植人员实地对疑似患病区域进行重点检测。
与现有技术相比,本发明提供了一种基于全卷积神经网络的香蕉枯萎病遥感快速检测方法,具备以下有益效果:
本发明检测效率高,不需要大量的人力劳动,能够对大面积的蕉园进行枯萎病的快速检测,并把检测出的异常区域返还给种植人员,种植人工再对返还的异常区域进行重点检测,以此做到早发现、早治疗的目的,避免了枯萎病的大面积爆发。
附图说明
图1为本发明的全卷积神经网络模型图;
图2为本发明的全卷积神经网络网络架构图;
图3为本发明的香蕉枯萎病遥感快速检测方法流程图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
本发明提供一种基于全卷积神经网络的香蕉枯萎病遥感快速检测方法,包括以下步骤:
步骤一,训练检测模型:采集大量香蕉枯萎病的遥感图像,形成全卷积神经网络的训练数据集和测试数据集,对全卷积神经网络进行训练;
步骤二,输入遥感图像:拍摄待检测区域的遥感图像,将图像尺寸调整为512×512×3,输入到全卷积神经网络;
步骤三,循环3轮两次卷积+1次最大值池化操作:将512×512×3的图像进行六次卷积+三次最大值池化操作,得到64×64×512大小的图像;
步骤四,循环3轮两次卷积+一次上采样操作:将64×64×512的图像进行六次卷积+三次上采样操作,得到512×512×192大小的图像;
步骤五,特征信号的深度提取:将512×512×192大小的图像进行两次卷积,得到512×512×1的图像;
步骤六,判断图像像素是否患病:使用Softmax分类器对512×512×1的图像进行枯萎病判别,输出判别结果。
作为本发明的进一步优选方案,步骤二中输入的遥感图像为多光谱遥感图像,且遥感图像采用无人机搭载多光谱相机飞行拍摄的方式获得。
作为本发明的进一步优选方案,所述多光谱相机配备490±10nm、615±10nm、808±20nm波段的窄带滤光片。
作为本发明的进一步优选方案,循环3轮两次卷积+1次最大值池化操作,具体步骤包括:
S1:输入512×512×3大小的图像经过两次卷积+一次最大值池化,得到256×256×128大小的图像;
S2:输入256×256×128大小的图像经过两次卷积+一次最大值池化,得到128×128×256大小的图像;
S3:输入128×128×256大小的图像经过两次卷积+一次最大值池化,得到64×64×512大小的图像。
作为本发明的进一步优选方案,循环3轮两次卷积+一次上采样操作,具体步骤包括:
S4:输入64×64×512大小的图像经过两次卷积+一次上采样,与128×128×256大小的图像连接,得到128×128×764大小的图像;
S5:输入128×128×764大小的图像经过两次卷积+一次上采样,与256×256×128大小的图像连接,得到256×256×384大小的图像;
S6:输入256×256×384大小的图像经过两次卷积+一次上采样,与512×512×64大小的图像连接,得到512×512×192大小的图像。
作为本发明的进一步优选方案,Softmax分类器给图像上的每一个像素分类出患病和不患病的概率,并且患病与不患病的概率总和为1;根据分类的概率大小判定这个像素是否患病。
作为本发明的进一步优选方案,步骤六中Softmax分类器判断图像像素是否患病后,返还出检测图像结果,把检测出的疑似患病区域在图像上标注显示,并返回拍摄该多光谱图像时的GPS经纬度坐标;由种植人员实地对疑似患病区域进行重点检测。
如图3所示,本发明公开了一种基于全卷积神经网络的香蕉枯萎病遥感快速检测方法,其实际应用主要包括以下步骤:
第一步,对遥感区域进行路径规划,规划无人机的飞行路线、飞行速度、飞行高度、以及多光谱相机的拍摄;
第二步:让无人机按照设定的路径规划参数自动飞行拍摄,获取遥感区域的多光谱图像;
第三步:基于已经使用大量香蕉枯萎病多光谱图像训练好的全卷积神经网络,把步骤二获得的多光谱图像输入到神经网络进行病害判别;
第四步:网络判别后会返还出检测图像结果,会把检测出的疑似患病区域在图像上标注显示,并返回拍摄该多光谱图像时的GPS经纬度坐标;
第五步:根据步骤四的坐标位置,种植人员实地对疑似患病区域进行重点检测;
第六步:重复步骤五,直至所有疑似区域全部检测完毕。
其中第三步进行病害判别时,将遥感区域的多光谱遥感图像输入到全卷积神经网络,调整多光谱遥感图像的尺寸为512×512×3,然后将512×512×3的图像进行3轮操作的两次卷积+一次最大值池化,缩小图像尺寸得到64×64×512大小的图像;再将64×64×512的图像进行3轮操作的两次卷积+一次上采样,放大还原图像尺寸得到512×512×192大小的图像;然后将512×512×192大小的图像进行两次卷积,特征信号的深度提取得到512×512×1的图像;通过使用Softmax分类器对512×512×1的图像进行枯萎病判别,softmax对像素1分类的患病概率是0.6,则没患病的概率是0.4,根据概率大小比较,此像素属于患病。
以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。
Claims (7)
1.一种基于全卷积神经网络的香蕉枯萎病遥感快速检测方法,包括以下步骤:
步骤一,训练检测模型:采集大量香蕉枯萎病的遥感图像,形成全卷积神经网络的训练数据集和测试数据集,对全卷积神经网络进行训练;
步骤二,输入遥感图像:拍摄待检测区域的遥感图像,将图像尺寸调整为512×512×3,输入到全卷积神经网络;
步骤三,循环3轮两次卷积+1次最大值池化操作:将512×512×3的图像进行六次卷积+三次最大值池化操作,得到64×64×512大小的图像;
步骤四,循环3轮两次卷积+一次上采样操作:将64×64×512的图像进行六次卷积+三次上采样操作,得到512×512×192大小的图像;
步骤五,特征信号的深度提取:将512×512×192大小的图像进行两次卷积,得到512×512×1的图像;
步骤六,判断图像像素是否患病:使用Softmax分类器对512×512×1的图像进行枯萎病判别,输出判别结果。
2.根据权利要求1所述的一种基于全卷积神经网络的香蕉枯萎病遥感快速检测方法,步骤二中输入的遥感图像为多光谱遥感图像,且遥感图像采用无人机搭载多光谱相机飞行拍摄的方式获得。
3.根据权利要求2所述的一种基于全卷积神经网络的香蕉枯萎病遥感快速检测方法,所述多光谱相机配备490±10nm、615±10nm、808±20nm波段的窄带滤光片。
4.根据权利要求1所述的一种基于全卷积神经网络的香蕉枯萎病遥感快速检测方法,循环3轮两次卷积+1次最大值池化操作,具体步骤包括:
S1:输入512×512×3大小的图像经过两次卷积+一次最大值池化,得到256×256×128大小的图像;
S2:输入256×256×128大小的图像经过两次卷积+一次最大值池化,得到128×128×256大小的图像;
S3:输入128×128×256大小的图像经过两次卷积+一次最大值池化,得到64×64×512大小的图像。
5.根据权利要求1所述的一种基于全卷积神经网络的香蕉枯萎病遥感快速检测方法,循环3轮两次卷积+一次上采样操作,具体步骤包括:
S4:输入64×64×512大小的图像经过两次卷积+一次上采样,与128×128×256大小的图像连接,得到128×128×764大小的图像;
S5:输入128×128×764大小的图像经过两次卷积+一次上采样,与256×256×128大小的图像连接,得到256×256×384大小的图像;
S6:输入256×256×384大小的图像经过两次卷积+一次上采样,与512×512×64大小的图像连接,得到512×512×192大小的图像。
6.根据权利要求1所述的一种基于全卷积神经网络的香蕉枯萎病遥感快速检测方法,Softmax分类器给图像上的每一个像素分类出患病和不患病的概率,并且患病与不患病的概率总和为1;根据分类的概率大小判定这个像素是否患病。
7.根据权利要求1所述的一种基于全卷积神经网络的香蕉枯萎病遥感快速检测方法,步骤六中Softmax分类器判断图像像素是否患病后,返还出检测图像结果,把检测出的疑似患病区域在图像上标注显示,并返回拍摄该多光谱图像时的GPS经纬度坐标;由种植人员实地对疑似患病区域进行重点检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110109383.6A CN112580610A (zh) | 2021-01-27 | 2021-01-27 | 一种基于全卷积神经网络的香蕉枯萎病遥感快速检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110109383.6A CN112580610A (zh) | 2021-01-27 | 2021-01-27 | 一种基于全卷积神经网络的香蕉枯萎病遥感快速检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112580610A true CN112580610A (zh) | 2021-03-30 |
Family
ID=75145169
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110109383.6A Pending CN112580610A (zh) | 2021-01-27 | 2021-01-27 | 一种基于全卷积神经网络的香蕉枯萎病遥感快速检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112580610A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113256567A (zh) * | 2021-05-08 | 2021-08-13 | 中国农业大学 | 香蕉叶面积指数检测方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109359681A (zh) * | 2018-10-11 | 2019-02-19 | 西京学院 | 一种基于改进全卷积神经网络的大田作物病虫害识别方法 |
CN111986099A (zh) * | 2020-06-30 | 2020-11-24 | 武汉大学 | 基于融合残差修正的卷积神经网络的耕地监测方法及系统 |
CN112131969A (zh) * | 2020-09-01 | 2020-12-25 | 河海大学 | 基于全卷积神经网络的遥感图像变化检测方法 |
-
2021
- 2021-01-27 CN CN202110109383.6A patent/CN112580610A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109359681A (zh) * | 2018-10-11 | 2019-02-19 | 西京学院 | 一种基于改进全卷积神经网络的大田作物病虫害识别方法 |
CN111986099A (zh) * | 2020-06-30 | 2020-11-24 | 武汉大学 | 基于融合残差修正的卷积神经网络的耕地监测方法及系统 |
CN112131969A (zh) * | 2020-09-01 | 2020-12-25 | 河海大学 | 基于全卷积神经网络的遥感图像变化检测方法 |
Non-Patent Citations (1)
Title |
---|
MUHAMMAD ATTIQUE KHANA ET AL.: "CCDF: Automatic system for segmentation and recognition of fruit cropsdiseases based on correlation coefficient and deep CNN features", 《COMPUTERS AND ELECTRONICS IN AGRICULTURE》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113256567A (zh) * | 2021-05-08 | 2021-08-13 | 中国农业大学 | 香蕉叶面积指数检测方法及系统 |
CN113256567B (zh) * | 2021-05-08 | 2023-09-22 | 中国农业大学 | 香蕉叶面积指数检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Kamilaris et al. | Deep learning in agriculture: A survey | |
Husin et al. | Feasibility study on plant chili disease detection using image processing techniques | |
CN109726700B (zh) | 一种基于多特征的虫害识别预警方法和装置 | |
Chen et al. | Weed detection in sesame fields using a YOLO model with an enhanced attention mechanism and feature fusion | |
CN111582234B (zh) | 基于uav和深度学习的大范围油茶林果智能检测与计数方法 | |
Blok et al. | The effect of data augmentation and network simplification on the image‐based detection of broccoli heads with Mask R‐CNN | |
CN114387520B (zh) | 一种用于机器人采摘的密集李子精准检测方法及其系统 | |
Huang et al. | Deep localization model for intra-row crop detection in paddy field | |
Wang | Identification of crop diseases and insect pests based on deep learning | |
CN112801230B (zh) | 一种配电线路无人机智能验收方法 | |
CN112084977B (zh) | 一种融合图像和时间特征的苹果物候期自动识别方法 | |
Wulandhari et al. | Plant nutrient deficiency detection using deep convolutional neural network | |
Alzadjali et al. | Maize tassel detection from UAV imagery using deep learning | |
Zhang et al. | YOLO5-spear: A robust and real-time spear tips locator by improving image augmentation and lightweight network for selective harvesting robot of white asparagus | |
CN114723667A (zh) | 一种农业精细化种植及灾害预防控制系统 | |
CN113822198B (zh) | 基于uav-rgb图像和深度学习的花生生长监测方法、系统及介质 | |
CN112580610A (zh) | 一种基于全卷积神经网络的香蕉枯萎病遥感快速检测方法 | |
Miao et al. | Crop weed identification system based on convolutional neural network | |
Modi et al. | An automated weed identification framework for sugarcane crop: a deep learning approach | |
CN110689022A (zh) | 基于叶片匹配的各株作物图像提取方法 | |
Aljaafreh et al. | A Real-Time Olive Fruit Detection for Harvesting Robot Based on YOLO Algorithms | |
CN114462485A (zh) | 一种红枣枣疯病初期防治方法 | |
Fang et al. | Classification system study of soybean leaf disease based on deep learning | |
Mathew et al. | Development and Test of an Rgb-D Camera-Based Rock Detection System and Path Optimization Algorithm in an Indoor Environment | |
BaniMustafa et al. | A machine learning hybrid approach for diagnosing plants bacterial and fungal diseases |
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 |