CN113095293A - 一种基于图像识别的物联网水表出厂校准方法 - Google Patents

一种基于图像识别的物联网水表出厂校准方法 Download PDF

Info

Publication number
CN113095293A
CN113095293A CN202110492098.7A CN202110492098A CN113095293A CN 113095293 A CN113095293 A CN 113095293A CN 202110492098 A CN202110492098 A CN 202110492098A CN 113095293 A CN113095293 A CN 113095293A
Authority
CN
China
Prior art keywords
meter
internet
water meter
things
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.)
Withdrawn
Application number
CN202110492098.7A
Other languages
English (en)
Inventor
蔡昕
巩干干
陈超
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.)
Anhui Highwell Electronic Corp
Original Assignee
Anhui Highwell Electronic Corp
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 Anhui Highwell Electronic Corp filed Critical Anhui Highwell Electronic Corp
Priority to CN202110492098.7A priority Critical patent/CN113095293A/zh
Publication of CN113095293A publication Critical patent/CN113095293A/zh
Withdrawn legal-status Critical Current

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
    • 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
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K17/00—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations
    • G06K17/0022—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisions for transferring data to distant stations, e.g. from a sensing device
    • G06K17/0025—Methods or arrangements for effecting co-operative working between equipments covered by two or more of main groups G06K1/00 - G06K15/00, e.g. automatic card files incorporating conveying and reading operations arrangements or provisions for transferring data to distant stations, e.g. from a sensing device the arrangement consisting of a wireless interrogation device in combination with a device for optically marking the record carrier
    • 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
    • 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
    • G06V10/22—Image preprocessing by selection of a specific region containing or referencing a pattern; Locating or processing of specific regions to guide the detection or recognition
    • 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
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/02—Recognising information on displays, dials, clocks

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Arrangements For Transmission Of Measured Signals (AREA)

Abstract

本发明公开了一种基于图像识别的物联网水表出厂校准方法，通过图像识别算法对物联网水表出厂前进行校准，该方法首先获取物联网水表表号；接着采集物联网水表表盘图像；然后对表盘图像进行处理，截取出只包含表盘的图块；再对包含表盘的图块进行图像识别，获取水表读数；最后，校表设备与服务器建立连接，上传物联网水表表号和水表读数给服务器，完成物联网水表校准。本发明减少了物联网水表校表人员的工作量，提高了检表效率；并且本发明的物联网水表校准方法自动化程度高，操作简单并且准确度高。

Description

一种基于图像识别的物联网水表出厂校准方法
技术领域
本发明涉及图像识别技术领域，特别是涉及一种基于图像识别的物联网水表出厂校准方法。
背景技术
随着我国全面推进移动物联网的建设发展，传统水务行业受其强劲势头影响，加之自身存在的诸多难点问题，水务行业在智慧变革的过程中引发了多方关注。其中，物联网水表作为智慧水务的感知端，在水务公司智能抄表中的应用越来越广泛。
随着物联网水表的市场规模不断扩大，物联网水表的产量也逐步提升。根据物联网水表的通信技术可以将物联网水表分为两类：一类采用Zigbee、WiFi、蓝牙、Z－wave等短距离通信技术；另一类是采用了LPWAN(low－powerWide－AreaNetwork，低功耗广域网)，即广域网通信技术。
物联网水表在出厂前需要进行校准，目前市场上的水表检定装置各种各样，通讯接口也不统一，主要依靠手工操作，操作繁琐，准确度也不高，这不仅大大增加了检表人员的工作量，而且不利于提高检表效率。
发明内容
针对上述技术问题，本发明提出的一种基于图像识别的物联网水表出厂校准方法，通过图像识别算法对物联网水表出厂前进行校准，减少检表人员的工作量，提高检表效率。
本发明保护一种基于图像识别的物联网水表出厂校准方法，包括如下步骤：
步骤1：获取物联网水表表号。
其中，获取物联网水表表号的方法包括：通过扫描水表标签上二维码获取；通过读取物联网水表NFC标签中存储的水表表号获取；通过手动输入物联网水表表号信息。
步骤2：采集物联网水表表盘图像。
步骤3：对表盘图像进行处理，截取出只包含表盘的图块。通过截取出只包含表盘的图块，提高后续整体图像识别的准确率和速度。
进一步地，所述步骤3中，对表盘图像进行处理具体为：
步骤31：获取大量可能包含物联网水表表盘图像；
更进一步地，所述获取大量可能包含物联网水表表盘图像流程为：
步骤311：对原始图片进行高斯模糊并进行灰度化，去除彩色信息；
步骤312：对图像进行Sobel运算同时对图像进行二值化；
步骤313：对图像进行闭操作，求出图中所有轮廓；
步骤314：筛选图中所有轮廓的最小外接矩形，进行验证，不满足条件的淘汰；
步骤315：将轮廓满足条件的图块统一尺寸并进行收集。
步骤32：进行手工分类，区分出表盘和非表盘，将区分后包含物联网水表表盘的图像作为表盘训练集；
步骤33：将表盘训练集放入SVM模型中进行训练，得到SVM表盘判断模型；
步骤34：将采集的物联网水表表盘的图像输入到SVM表盘判断模型中，输出仅包含表盘的图块。
步骤4：对包含表盘的图块进行图像识别，获取水表读数。通过图像识别自动输出表盘的读数，提高了识别精度，减少了校表人员的工作量。
进一步地，所述步骤4中，对包含表盘的图块进行图像识别，获取水表读数具体为：
步骤41：获取经过步骤3处理后的图块，进行灰度化和二值化处理；
步骤42：分割上述处理后的图块，获取每个字符的分隔图块；
步骤43：对每个字符的分割图块进行手工分类，区分出每个字符，作为图块训练集；
步骤44：将上述图块训练集放入神经网络的MLP模型中进行训练，得到字符识别神经网络模型；
步骤45：将包含表盘的图块输入到字符识别神经网络模型，输出识别的具体字符。
步骤5：校表设备与服务器建立连接，上传物联网水表表号和水表读数给服务器，完成物联网水表校准。
进一步地，所述步骤5中，具体校准过程为：
步骤51：校表设备与服务器建立连接，并根据协议上传物联网水表表号及表盘读数；
更进一步地，所述步骤51中，包括如下步骤：
步骤511：依照与服务器端的通信协议，完成水表表号信息及表盘读数的数据包打包；
步骤512：通过GPRS或4G网络，与服务器建立TCP连接；
步骤513：向服务器上传物联网水表数据包。
步骤52：校表设备发送数据包给服务器，服务器识别表号信息，对应表号水表进入校表状态；
步骤53：判断物联网水表类型，根据水表类型服务器向物联网水表发送校表数据包；
步骤54：物联网水表根据校表数据包，完成水表校表，并向服务器发送校表完成数据包；
步骤55：服务器接收到校表完成数据包后，清除对应表号水表的校表状态，并向校表设备发送校表结束数据包；
步骤56：校表设备接收到校表结束数据包后，显示当前表号水表校准信息，完成校表。
其中，如果校表设备长时间未接收到校表结束数据包，则执行重发校表数据包操作。
本发明的有益效果：1、减少了物联网水表校表人员的工作量，提高了检表效率；2、本发明的物联网水表校准方法自动化程度高，操作简单并且准确度高。
附图说明
图1为基于图像识别的物联网水表出厂校准方法流程框图；
图2为实施例1中对表盘图像进行处理流程框图；
图3为实施例1中对包含表盘的图块进行识别，获取水表读数流程框图。
具体实施方式
下面结合附图和具体实施方式对本发明作进一步详细的说明。本发明的实施例是为了示例和描述起见而给出的，而并不是无遗漏的或者将本发明限于所公开的形式。很多修改和变化对于本领域的普通技术人员而言是显而易见的。选择和描述实施例是为了更好说明本发明的原理和实际应用，并且使本领域的普通技术人员能够理解本发明从而设计适于特定用途的带有各种修改的各种实施例。
实施例1
本实施例以采用LPWAN通信技术的物联网水表为例，对本发明的技术方案(主要流程如图1所示)进行具体阐述。
对于采用LPWAN通信技术的物联网水表，主要包括LORA物联网水表和NB-IOT物联网水表。对于不同类型的物联网水表，依据表号可以解析出其采用的通信方式及通信协议，依据其通信方式及协议，与水表建立连接，实现数据传输及水表校准。
步骤1：获取物联网水表表号。
其中，获取物联网水表表号的方法包括：通过扫描水表标签上二维码获取；通过读取物联网水表NFC标签中存储的水表表号获取；通过手动输入物联网水表表号信息。
步骤2：使用具有通信功能、拍照功能和显示功能的电子设备，采集物联网水表表盘图像。
步骤3：对表盘图像进行处理，截取出只包含表盘的图块。提高了后续整体识别的准确率和速度。
具体地，所述步骤3中，如图2所示，对表盘图像进行处理具体为：
步骤31：获取大量可能包含物联网水表表盘图像；
更具体地，所述获取大量可能包含物联网水表表盘图像流程为：
步骤311：对原始图片进行高斯模糊并进行灰度化，去除彩色信息；
步骤312：对图像进行Sobel运算同时对图像进行二值化；
步骤313：对图像进行闭操作，求出图中所有轮廓；
步骤314：筛选图中所有轮廓的最小外接矩形，进行验证，不满足条件的淘汰；
步骤315：将轮廓满足条件的图块统一尺寸并进行收集。
步骤32：进行手工分类，区分出表盘和非表盘，将区分后包含物联网水表表盘的图像作为表盘训练集；
步骤33：将表盘训练集放入SVM模型中进行训练，得到SVM表盘判断模型；
步骤34：将采集的物联网水表表盘的图像输入到SVM表盘判断模型中，输出仅包含表盘的图块。
步骤4：对包含表盘的图块进行图像识别，获取水表读数。通过图像识别自动输出表盘的读数，提高了识别精度，减少了校表人员的工作量。
具体地，所述步骤4中，如图3所示，对包含表盘的图块进行识别，获取水表读数具体为：
步骤41：将仅包含表盘的图块，进行灰度化和二值化处理；
步骤42：分割上述处理后的图块，获取每个字符的分隔图块；
步骤43：对每个字符的分割图块进行手工分类，区分出每个字符，作为图块训练集；
步骤44：将上述图块训练集放入神经网络的MLP模型中进行训练，得到字符识别神经网络模型；
步骤45：将包含表盘的图块输入到字符识别神经网络模型，输出识别的具体字符。
步骤5：校表设备与服务器建立连接，上传物联网水表表号和水表读数给服务器，完成物联网水表校准。
其中，为方便进行物联网水表校准，本实施例采用移动网络与服务器进行通讯。
具体地，所述步骤5中，具体校准过程为：
步骤51：校表设备与服务器建立连接，并根据协议上传物联网水表表号及表盘读数；
更具体地，所述步骤51中，包括如下步骤：
步骤511：依照与服务器端的通信协议，完成水表表号信息及表盘读数的数据包打包；
步骤512：通过GPRS或4G网络，与服务器建立TCP连接；
步骤513：向服务器上传物联网水表数据包。
步骤52：校表设备发送数据包给服务器，服务器识别表号信息，对应表号水表进入校表状态；
步骤53：判断物联网水表类型，根据水表类型服务器向物联网水表发送校表数据包；
步骤54：物联网水表根据校表数据包，完成水表校表，并向服务器发送校表完成数据包；
具体地，所述步骤54的具体过程为：首先，物联网水表将服务器下发的表盘读数写入表端存储器；在完成表端存储后，物联网水表向服务器端发送校表完成数据包。
步骤55：服务器接收到校表完成数据包后，清除对应表号水表的校表状态，并向校表设备发送校表结束数据包；
步骤56：校表设备接收到校表结束数据包后，显示当前表号水表校准信息，完成校表。
其中，如果校表设备长时间未接收到校表结束数据包，则执行重发校表数据包操作。
显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域及相关领域的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，都应属于本发明保护的范围。显然，所描述的实施例仅仅是本发明的一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域及相关领域的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，都应属于本发明保护的范围。

Claims (7)

1.一种基于图像识别的物联网水表出厂校准方法，通过图像识别算法对物联网水表出厂前进行校准，其特征在于，该方法包括如下步骤：
步骤1：获取物联网水表表号；
步骤2：采集物联网水表表盘图像；
步骤3：对表盘图像进行处理，截取出只包含表盘的图块；
步骤4：对包含表盘的图块进行图像识别，获取水表读数；
步骤5：校表设备与服务器建立连接，上传物联网水表表号和水表读数给服务器，完成物联网水表校准。
2.根据权利要求1所述的基于图像识别的物联网水表出厂校准方法，其特征在于：所述步骤3中，对表盘图像进行处理具体为：
步骤31：获取大量可能包含物联网水表表盘图像；
步骤32：进行手工分类，区分出表盘和非表盘，将区分后包含物联网水表表盘的图像作为表盘训练集；
步骤33：将表盘训练集放入SVM模型中进行训练，得到SVM表盘判断模型；
步骤34：将采集的物联网水表表盘的图像输入到SVM表盘判断模型中，输出仅包含表盘的图块。
3.根据权利要求2所述的基于图像识别的物联网水表出厂校准方法，其特征在于：所述步骤31中，所述获取大量可能包含物联网水表表盘图像流程为：
步骤311：对原始图片进行高斯模糊并进行灰度化，去除彩色信息；
步骤312：对图像进行Sobel运算同时对图像进行二值化；
步骤313：对图像进行闭操作，求出图中所有轮廓；
步骤314：筛选图中所有轮廓的最小外接矩形，进行验证，不满足条件的淘汰；
步骤315：将轮廓满足条件的图块统一尺寸并进行收集。
4.根据权利要求1所述的基于图像识别的物联网水表出厂校准方法，其特征在于：所述步骤4中，对包含表盘的图块进行图像识别，获取水表读数具体为：
步骤41：获取经过步骤3处理后的图块，进行灰度化和二值化处理；
步骤42：分割上述处理后的图块，获取每个字符的分隔图块；
步骤43：对每个字符的分割图块进行手工分类，区分出每个字符，作为图块训练集；
步骤44：将上述图块训练集放入神经网络的MLP模型中进行训练，得到字符识别神经网络模型；
步骤45：将包含表盘的图块输入到字符识别神经网络模型，输出识别的具体字符。
5.根据权利要求1所述的基于图像识别的物联网水表出厂校准方法，其特征在于：所述步骤5中，具体校准过程为：
步骤51：校表设备与服务器建立连接，并根据协议上传物联网水表表号及表盘读数；
步骤52：校表设备发送数据包给服务器，服务器识别表号信息，对应表号水表进入校表状态；
步骤53：判断物联网水表类型，根据水表类型服务器向物联网水表发送校表数据包；
步骤54：物联网水表根据校表数据包，完成水表校表，并向服务器发送校表完成数据包；
步骤55：服务器接收到校表完成数据包后，清除对应表号水表的校表状态，并向校表设备发送校表结束数据包；
步骤56：校表设备接收到校表结束数据包后，显示当前表号水表校准信息，完成校表；
其中，如果校表设备长时间未接收到校表结束数据包，则执行重发校表数据包操作。
6.根据权利要求5所述的基于图像识别的物联网水表出厂校准方法，其特征在于：所述步骤51中，包括如下步骤：
步骤511：依照与服务器端的通信协议，完成水表表号信息及表盘读数的数据包打包；
步骤512：通过4G网络，与服务器建立TCP连接；
步骤513：向服务器上传物联网水表数据包。
7.根据上述任意一项权利要求所述的基于图像识别的物联网水表出厂校准方法，其特征在于：所述步骤S1中，获取物联网水表表号的方法包括：通过扫描水表标签上二维码获取；通过读取物联网水表NFC标签中存储的水表表号获取；通过手动输入物联网水表表号信息。
CN202110492098.7A 2021-05-06 2021-05-06 一种基于图像识别的物联网水表出厂校准方法 Withdrawn CN113095293A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110492098.7A CN113095293A (zh) 2021-05-06 2021-05-06 一种基于图像识别的物联网水表出厂校准方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110492098.7A CN113095293A (zh) 2021-05-06 2021-05-06 一种基于图像识别的物联网水表出厂校准方法

Publications (1)

Publication Number Publication Date
CN113095293A true CN113095293A (zh) 2021-07-09

Family

ID=76681573

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110492098.7A Withdrawn CN113095293A (zh) 2021-05-06 2021-05-06 一种基于图像识别的物联网水表出厂校准方法

Country Status (1)

Country Link
CN (1) CN113095293A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114239767A (zh) * 2021-11-05 2022-03-25 深圳市敏泰智能科技有限公司 一种水表地址无接触写入方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114239767A (zh) * 2021-11-05 2022-03-25 深圳市敏泰智能科技有限公司 一种水表地址无接触写入方法

Similar Documents

Publication Publication Date Title
CN111950396B (zh) 一种仪表读数神经网络识别方法
CN110059635B (zh) 一种皮肤瑕疵检测方法及装置
KR102002024B1 (ko) 객체 라벨링 처리 방법 및 객체 관리 서버
CN109886928A (zh) 一种目标细胞标记方法、装置、存储介质及终端设备
CN112153320B (zh) 一种物品尺寸的测量方法、装置、电子设备和存储介质
CN109903308B (zh) 用于获取信息的方法及装置
CN107493377B (zh) 一种基于移动终端应用的热工参数采集装置与方法
CN113095293A (zh) 一种基于图像识别的物联网水表出厂校准方法
CN103913150B (zh) 智能电能表电子元器件一致性检测方法
CN115311469A (zh) 图像标注方法、训练方法、图像处理方法以及电子设备
CN113076730A (zh) 一种试验报告智能管理方法、装置、系统及存储介质
CN111753618A (zh) 图像识别方法、装置、计算机设备及计算机可读存储介质
CN113344890B (zh) 医学图像识别方法、识别模型训练方法及装置
CN209881981U (zh) 一种公交电子站牌的远程抄表系统
Saimounika et al. Real time locating system using RFID for Internet of Things
CN114550143A (zh) 无人车行驶中的场景识别方法及装置
CN115063739A (zh) 异常行为的检测方法、装置、设备及计算机存储介质
CN107944417A (zh) 基于图像识别的任务管理与量具数据提取系统及其方法
CN114047471A (zh) 电能表校验方法、装置、电子设备和存储介质
CN113297866A (zh) 基于深度学习及热图技术的工业读码器
CN203012737U (zh) 一种电力资产巡检系统
CN112001905A (zh) 基于图像处理的家居产品破损检测系统及检测方法
CN214409906U (zh) 一种基于树莓派的建筑智能巡检ar眼镜
CN105955906B (zh) 一种远程定位模块扩展模数转换通道装置及方法
Yan et al. [Retracted] Defect Point Location Method of Civil Bridge Based on Internet of Things Wireless Communication

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
WW01 Invention patent application withdrawn after publication

Application publication date: 20210709

WW01 Invention patent application withdrawn after publication