CN113743405A - 电能表的智能抄表方法及装置 - Google Patents
电能表的智能抄表方法及装置 Download PDFInfo
- Publication number
- CN113743405A CN113743405A CN202111043072.0A CN202111043072A CN113743405A CN 113743405 A CN113743405 A CN 113743405A CN 202111043072 A CN202111043072 A CN 202111043072A CN 113743405 A CN113743405 A CN 113743405A
- Authority
- CN
- China
- Prior art keywords
- electric energy
- meter
- energy meter
- code
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 63
- 238000004458 analytical method Methods 0.000 claims abstract description 74
- 230000015654 memory Effects 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 12
- 238000000605 extraction Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 5
- 238000004590 computer program Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012353 t test Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Abstract
本发明公开了一种电能表的智能抄表方法及装置，该方法包括：当采集到电能表的目标图像后，基于确定出的目标位置分析模型对该目标图像进行分析，得到该电能表的表码在该目标图像中的位置；对该电能表的表码对应的位置执行字符识别操作，得到电能表的表码的信息，该电能表的表码的信息包括电能表的表码的数值。可见，实施本发明通过智能化确定电能表的表码在电能表的位置图像，进而通过识别该表码在电能表的位置图像，能够对电能表进行智能抄表，无需人工进行抄表，实现获取准确的电能表的表码，提高了电能表的抄表效率。
Description
技术领域
本发明涉及电能表抄表技术领域，尤其涉及一种电能表的智能抄表方法及装置。
背景技术
当前电能表的抄表手段主要有红外抄表手段、蓝牙抄表手段技术以及载波采集抄表手段等，这些抄表手段均是基于电能表通讯模块在正常通讯的情况进行的。如果电能表通讯模块发生故障，只能通过人工抄表，即人眼查看电能表，并手工录入表码。然而，实践发现，人工抄表的方式经常出现录错表码的情况，影响后期的计费出账业务。因此，提出一种如何对电能表进行智能抄表，实现获取准确的电能表的表码的技术方案显得尤为重要。
发明内容
本发明所要解决的技术问题在于，提供一种电能表的智能抄表方法及装置，能够对电能表进行智能抄表，实现获取准确的电能表的表码。
为了解决上述技术问题，本发明实施例第一方面公开了一种电能表的智能抄表方法，所述方法包括：
当采集到电能表的目标图像后，基于确定出的目标位置分析模型对所述目标图像进行分析，得到所述电能表的表码在所述目标图像中的位置；
对所述电能表的表码对应的位置执行字符识别操作，得到所述电能表的表码的信息，所述电能表的表码的信息包括所述电能表的表码的数值。
作为一种可选的实施方式，在本发明实施例第一方面中，所述基于确定出的目标位置分析模型对所述目标图像进行分析，得到所述电能表的表码在所述目标图像中的位置之前，所述方法还包括：
采集多种电能表类型的样本电能表图像，每种所述电能表类型的样本电能表图像包括多个角度的样本电能表图像；
确定每个所述角度的样本电能表图像的表码的信息，每张所述样本电能表图像的表码的信息包括该表码的位置信息；
建立每张所述样本电能表图像与每张所述样本电能表图像的表码的信息的关联关系；
基于确定出的位置分析模型对每张所述样本电能表图像与每张所述样本电能表图像的表码的信息的关联关系执行训练操作，得到训练后的位置分析模型，并确定训练后的所述位置分析模型，为确定出的目标位置分析模型。
作为一种可选的实施方式，在本发明实施例第一方面中，所述基于确定出的目标位置分析模型对所述目标图像进行分析，得到所述电能表的表码在所述目标图像中的位置之前，所述方法还包括：
根据所述目标图像的信息，确定所述目标图像的多个降噪区域，所述目标图像的信息包括所述目标图像的清晰度、所述目标图像的采集角度、所述目标图像的色调以及所述目标图像的亮度中的至少一种；
提取每个所述降噪区域的中心点的像素值与每个所述降噪区域中除所述中心点之外的预设数量的像素点的像素值；
基于每个所述降噪区域的中心点的像素值与每个所述降噪区域中除所述中心点之外的所有所述像素点的像素值，计算每个所述降噪区域的中心点的目标像素值，并基于所有所述降噪区域的中心点的目标像素值更新所述目标图像，得到更新后的所述目标图像，并触发执行所述的基于确定出的目标位置分析模型对所述目标图像进行分析，得到所述电能表的表码在所述目标图像中的位置的操作。
作为一种可选的实施方式，在本发明实施例第一方面中，所述采集多种电能表类型的样本电能表图像之后，所述方法还包括：
基于确定出的特征提取方式提取用于确定每张所述样本电能表图像的表码在该样本电能表图像所在位置所需的特征；
其中，所述确定每个所述角度的样本电能表图像的表码的信息，包括：
根据每张所述样本电能表图像对应的特征，确定每个所述角度的样本电能表图像的表码的信息。
作为一种可选的实施方式，在本发明实施例第一方面中，所述方法还包括：
在确定出的基础神经网络基础上，加入残差模块，所述残差模块包括第一通路和第二通路；
将每张所述样本电能表图像对应的特征输入所述第一通路执行预处理操作，并将预处理后的每张所述样本电能表图像对应的特征所述第二通路执行与预设数量次的卷积操作，得到每张所述样本电能表图像对应的目标特征；
其中，所述根据每张所述样本电能表图像对应的特征，确定每个所述角度的样本电能表图像的表码的信息，包括：
根据每张所述样本电能表图像对应的目标特征，确定每个所述角度的样本电能表图像的表码的信息。
作为一种可选的实施方式，在本发明实施例第一方面中，所述对所述电能表的表码对应的位置执行字符识别操作，得到所述电能表的表码的信息，所述电能表的表码的信息包括所述电能表的表码的数值之前，所述方法还包括：
确定所述电能表的类型，根据采集到的所述目标图像和确定出的所述电能表的类型，分析所述目标图像与确定出的所述电能表类型的标准电能表图像的偏移角度；
根据所述目标图像对应的偏移角度，修正所述电能表的表码在所述目标图像中的位置，得到修正后的所述电能表的表码在所述目标图像中的位置；
其中，所述对所述电能表的表码对应的位置执行字符识别操作，得到所述电能表的表码的信息，所述电能表的表码的信息包括所述电能表的表码的数值，包括：
对修正后的所述电能表的表码在所述目标图像中的位置执行字符识别操作，得到所述电能表的表码的信息，所述电能表的表码的信息包括所述电能表的表码的信息的数值。
作为一种可选的实施方式，在本发明实施例第一方面中，所述方法还包括：
确定所述电能表的表码在采集到的所述目标图像中的图像尺寸信息，所述电能表的表码的图像尺寸信息包括图像尺寸大小及图像尺寸比例；
其中，所述根据所述目标图像对应的偏移角度，修正所述电能表的表码在所述目标图像中的位置，得到修正后的所述电能表的表码在所述目标图像中的位置，包括：
根据所述目标图像对应的偏移角度及所述电能表的表码的图像尺寸信息，修正所述电能表的表码在所述目标图像中的位置，得到修正后的所述电能表的表码在所述目标图像中的位置。
本发明实施例第二方面公开了一种电能表的智能抄表装置，所述装置包括：
分析模块，用于当采集到电能表的目标图像后，基于确定出的目标位置分析模型对所述目标图像进行分析，得到所述电能表的表码在所述目标图像中的位置；
识别模块，用于基于确定出的识别方法对所述电能表的表码对应的位置执行识别操作，得到所述电能表的表码的信息，所述电能表的表码的信息包括所述电能表的表码的信息的数值。
作为一种可选的实施方式，在本发明实施例第二方面中，所述装置还包括：
采集模块，用于在所述分析模块基于确定出的目标位置分析模型对所述目标图像进行分析，得到所述电能表的表码在所述目标图像中的位置之前，采集多种电能表类型的样本电能表图像，每种所述电能表类型的样本电能表图像包括多个角度的样本电能表图像；
第一确定模块，用于确定每个所述角度的样本电能表图像的表码的信息，每张所述样本电能表图像的表码的信息包括该表码的位置信息；
建立模块，用于建立每张所述样本电能表图像与每张所述样本电能表图像的表码的信息的关联关系；
训练模块，用于基于确定出的位置分析模型对每张所述样本电能表图像与每张所述样本电能表图像的表码的信息的关联关系执行训练操作，得到训练后的位置分析模型，并确定训练后的所述位置分析模型，为确定出的目标位置分析模型。
作为一种可选的实施方式，在本发明实施例第二方面中，所述装置还包括：
第二确定模块，用于在所述分析模块基于确定出的目标位置分析模型对所述目标图像进行分析，得到所述电能表的表码在所述目标图像中的位置之前，根据所述目标图像的信息，确定所述目标图像的多个降噪区域，所述目标图像的信息包括所述目标图像的清晰度、所述目标图像的采集角度、所述目标图像的色调以及所述目标图像的亮度中的至少一种；
第一提取模块，用于提取每个所述降噪区域的中心点的像素值与每个所述降噪区域中除所述中心点之外的预设数量的像素点的像素值；
计算模块，用于基于每个所述降噪区域的中心点的像素值与每个所述降噪区域中除所述中心点之外的所有所述像素点的像素值，计算每个所述降噪区域的中心点的目标像素值；
更新模块，用于基于所有所述降噪区域的中心点的目标像素值更新所述目标图像，得到更新后的所述目标图像，并触发所述分析模块执行所述的基于确定出的目标位置分析模型对所述目标图像进行分析，得到所述电能表的表码在所述目标图像中的位置的操作。
作为一种可选的实施方式，在本发明实施例第二方面中，所述装置还包括：
第二提取模块，用于在所述采集模块采集多种电能表类型的样本电能表图像之后，基于确定出的特征提取方式提取用于确定每张所述样本电能表图像的表码在该样本电能表图像所在位置所需的特征；
其中，所述第一确定模块确定每个所述角度的样本电能表图像的表码的信息的方式具体为：
根据每张所述样本电能表图像对应的特征，确定每个所述角度的样本电能表图像的表码的信息。
作为一种可选的实施方式，在本发明实施例第二方面中，所述装置还包括：
残差加入模块，用于在确定出的基础神经网络基础上，加入残差模块，所述残差模块包括第一通路和第二通路；
所述分析模块，还用于将每张所述样本电能表图像对应的特征输入所述第一通路执行预处理操作，并将预处理后的每张所述样本电能表图像对应的特征所述第二通路执行与预设数量次的卷积操作，得到每张所述样本电能表图像对应的目标特征；
其中，所述第一确定模块根据每张所述样本电能表图像对应的特征，确定每个所述角度的样本电能表图像的表码的信息的方式具体为：
根据每张所述样本电能表图像对应的目标特征，确定每个所述角度的样本电能表图像的表码的信息。
作为一种可选的实施方式，在本发明实施例第二方面中，所述装置还包括：
第三确定模块，用于在所述分析模块对所述电能表的表码对应的位置执行字符识别操作，得到所述电能表的表码的信息，所述电能表的表码的信息包括所述电能表的表码的数值之前，确定所述电能表的类型；
所述分析模块，还用于根据采集到的所述目标图像和确定出的所述电能表的类型，分析所述目标图像与确定出的所述电能表类型的标准电能表图像的偏移角度；
修正模块，用于根据所述目标图像对应的偏移角度，修正所述电能表的表码在所述目标图像中的位置，得到修正后的所述电能表的表码在所述目标图像中的位置；
其中，所述分析模块对所述电能表的表码对应的位置执行字符识别操作，得到所述电能表的表码的信息，所述电能表的表码的信息包括所述电能表的表码的数值的方式具体为：
对修正后的所述电能表的表码在所述目标图像中的位置执行字符识别操作，得到所述电能表的表码的信息，所述电能表的表码的信息包括所述电能表的表码的信息的数值。
作为一种可选的实施方式，在本发明实施例第二方面中，所述第三确定模块，还用于确定所述电能表的表码在采集到的所述目标图像中的图像尺寸信息，所述电能表的表码的图像尺寸信息包括图像尺寸大小及图像尺寸比例；
其中，所述修正模块根据所述目标图像对应的偏移角度，修正所述电能表的表码在所述目标图像中的位置，得到修正后的所述电能表的表码在所述目标图像中的位置的方式具体为：
根据所述目标图像对应的偏移角度及所述电能表的表码的图像尺寸信息，修正所述电能表的表码在所述目标图像中的位置，得到修正后的所述电能表的表码在所述目标图像中的位置。
本发明第三方面公开了另一种电能表的智能抄表装置，所述装置包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行本发明第一方面公开的电能表的智能抄表方法。
本发明第四方面公开了一种计算机可存储介质，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行本发明第一方面公开的电能表的智能抄表方法。
与现有技术相比，本发明实施例具有以下有益效果：
本发明实施例中，公开了一种电能表的智能抄表方法及装置，该方法包括：当采集到电能表的目标图像后，基于确定出的目标位置分析模型对该目标图像进行分析，得到该电能表的表码在该目标图像中的位置；对该电能表的表码对应的位置执行字符识别操作，得到电能表的表码的信息，该电能表的表码的信息包括电能表的表码的数值。可见，实施本发明通过智能化确定电能表的表码在电能表的位置图像，进而通过识别该表码在电能表的位置图像，能够对电能表进行智能抄表，无需人工进行抄表，实现获取准确的电能表的表码，提高了电能表的抄表效率。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例公开的一种电能表的智能抄表方法的流程示意图；
图2是本发明实施例公开的另一种电能表的智能抄表方法的流程示意图；
图3是本发明实施例公开的一种电能表的智能抄表装置的结构示意图；
图4是本发明实施例公开的另一种电能表的智能抄表装置的结构示意图；
图5是本发明实施例公开的又一种电能表的智能抄表装置的流程示意图。
具体实施方式
为了使本技术领域的人员更好地理解本发明方案，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。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别不同对象，而不是用于描述特定顺序。此外，术语“包括”和“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单元的过程、方法、装置、产品或设备没有限定于已列出的步骤或单元，而是可选地还包括没有列出的步骤或单元，或可选地还包括对于这些过程、方法、产品或设备固有的其他步骤或单元。
在本文中提及“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发明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。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
本发明公开了一种电能表的智能抄表方法及装置，能够通过智能化确定电能表的表码在电能表的位置图像，进而通过识别该表码在电能表的位置图像，能够对电能表进行智能抄表，无需人工进行抄表，实现获取准确的电能表的表码，提高了电能表的抄表效率。以下分别进行详细说明。
实施例一
请参阅图1，图1是本发明实施例公开的一种电能表的智能抄表方法的流程示意图。其中，图1所描述的电能表的智能抄表方法可以应用于电能表的智能抄表装置中，其中，该电能表的智能抄表装置包括智能抄表服务器(本地服务器或者云服务器)、智能抄表系统、智能抄表设备以及智能抄表平台中的任意一种。如图1所示，该电能表的智能抄表方法可以包括以下步骤：
101、当采集到电能表的目标图像后，基于确定出的目标位置分析模型对该目标图像进行分析，得到该电能表的表码在目标图像中的位置。
102、对电能表的表码对应的位置执行字符识别操作，得到电能表的表码的信息，该电能表的表码的信息包括该电能表的表码的数值。
可见，实施图1所描述的方法通过智能化确定电能表的表码在电能表的位置图像，进而通过识别该表码在电能表的位置图像，能够对电能表进行智能抄表，无需人工进行抄表，实现获取准确的电能表的表码，提高了电能表的抄表效率。
在一个可选的实施例中，基于确定出的目标位置分析模型对目标图像进行分析，得到电能表的表码在目标图像中的位置之前，该方法还可以包括以下步骤：
采集多种电能表类型的样本电能表图像，每种电能表类型的样本电能表图像包括多个角度的样本电能表图像；
确定每个角度的样本电能表图像的表码的信息，每张样本电能表图像的表码的信息包括该表码的位置信息；
建立每张样本电能表图像与每张样本电能表图像的表码的信息的关联关系；
基于确定出的位置分析模型对每张样本电能表图像与每张样本电能表图像的表码的信息的关联关系执行训练操作，得到训练后的位置分析模型，并确定训练后的位置分析模型，为确定出的目标位置分析模型。
该可选的实施例中，可选的，多种电能表类型包括但并不限于机械电表类型、数码管电能表类型，且每种类型的电能表均对应至少一种品牌。
该可选的实施例中，可选的，样本电能表图像为多种天气环境(如：阴雨天、阳光明媚天等)、一天中的多个时段(如：上午、早上、晚上)。这样采集到的样本电能表图像越全面，越能够提高表码的位置分析模型的训练精准性，越能够提高码的位置分析模型的适用性。
可见，该可选的实施例通过采集到的多种电能表类型的多个角度的样本电能表图像的位置信息训练位置分析模型，能够训练出全面的位置分析模型，从而有利于提高电能表的表码的位置的确定准确性及效率，进而提高电能表的表码的识别智能性。
在另一个可选的实施例中，采集多种电能表类型的样本电能表图像之后，该方法还可以包括以下步骤：
基于确定出的特征提取方式提取用于确定每张样本电能表图像的表码在该样本电能表图像所在位置所需的特征；
该可选的实施例中，确定每个角度的样本电能表图像的表码的信息，包括：
根据每张样本电能表图像对应的特征，确定每个角度的样本电能表图像的表码的信息。
该可选的实施例中，可选的，特征提取方式为基于距离度量、信息度量、依赖性度量及一致性度量等因素中的一种或者多种确定的，其中，距离度量包括欧氏距离、Minkowski距离、Chebychev距离和平方距离等中的一种或者多种；信息度量包括信息增益及互信息，其中，信息增益可以有效的提取每张样本电能表图像的表码在该样本电能表图像所在位置所需的特征，剔除无关特征，互信息可以描述每张样本电能表图像的表码在该样本电能表图像所在位置所需的特征中每两个特征之间相互依存关系的强弱；依赖性度量利用Pearson相关系数、Fisher得分、方差得分、t检验、秩和检验、Hilbert-S chmidt依赖性准则等相关系数中的一种或多种确定；一致性度量是寻找每张样本电能表图像有相同区分能力的最小子集，尽可能保留表码所在位置的辨识能力。
可见，该可选的实施例通过结合提取到的用于确定每张样本电能表图像的表码在该样本电能表图像所在位置所需的特征，确定每个角度的样本电能表图像的表码的信息，能够提高每个角度的样本电能表图像的表码的信息的确定准确性，从而进一步提高位置分析模型的训练准确性及可靠性。
在又一个可选的实施例中，该方法还可以包括以下步骤：
在确定出的基础神经网络基础上，加入残差模块，该残差模块包括第一通路和第二通路；
将每张样本电能表图像对应的特征输入第一通路执行预处理操作，并将预处理后的每张样本电能表图像对应的特征第二通路执行与预设数量次的卷积操作，得到每张样本电能表图像对应的目标特征；
该可选的实施例中，根据每张样本电能表图像对应的特征，确定每个角度的样本电能表图像的表码的信息，包括：
根据每张样本电能表图像对应的目标特征，确定每个角度的样本电能表图像的表码的信息。
可见，该可选的实施例通过结合残差模块的两条通路确定每个角度的样本电能表图像的表码的信息，能够提高每个角度的样本电能表图像的表码的信息的确定准确性，从而进一步提高位置分析模型的训练准确性及可靠性。
在又一个可选的实施例中，基于确定出的目标位置分析模型对目标图像进行分析，得到电能表的表码在目标图像中的位置之前，该方法还可以包括以下步骤：
根据目标图像的信息，确定目标图像的多个降噪区域，该目标图像的信息包括目标图像的清晰度、目标图像的采集角度目标图像的色调以及目标图像的亮度中的至少一种；
提取每个降噪区域的中心点的像素值与每个降噪区域中除中心点之外的预设数量的像素点的像素值；
基于每个降噪区域的中心点的像素值与每个降噪区域中除中心点之外的所有像素点的像素值，计算每个降噪区域的中心点的目标像素值，并基于所有降噪区域的中心点的目标像素值更新目标图像，得到更新后的目标图像，并触发执行上述的基于确定出的目标位置分析模型对目标图像进行分析，得电能表的表码在目标图像中的位置的操作。
可见，该可选的实施例通过对采集到的电能表的图像执行降噪处理，再进行表码的位置确定，能够进一步提高表码的位置确定精准性，从而进一步提高表码的识别精准性。
实施例二
请参阅图2，图2是本发明实施例公开的另一种电能表的智能抄表方法的流程示意图。其中，图2所描述的电能表的智能抄表方法可以应用于电能表的智能抄表装置中，其中，该电能表的智能抄表装置包括智能抄表服务器(本地服务器或者云服务器)、智能抄表系统、智能抄表设备以及智能抄表平台中的任意一种。如图2所示，该电能表的智能抄表方法可以包括以下步骤：
201、当采集到电能表的目标图像后，基于确定出的目标位置分析模型对该目标图像进行分析，得到该电能表的表码在目标图像中的位置。
202、确定电能表的类型，根据采集到的目标图像和确定出的电能表的类型，分析目标图像与确定出的电能表类型的标准电能表图像的偏移角度。
需要说明的是，当采集到电能表的目标图像之后，步骤201和步骤202可以同时发生，步骤202也可以发生在步骤201之后且203之前。
203、根据目标图像对应的偏移角度，修正电能表的表码在目标图像中的位置，得到修正后的电能表的表码在目标图像中的位置。
204、对修正后的电能表的表码在目标图像中的位置执行字符识别操作，得到电能表的表码的信息，电能表的表码的信息包括电能表的表码的信息的数值。
本发明实施例中，步骤201及步骤204的相关描述请参照实施例一中针对步骤101或步骤102的其他详细描述，本发明实施例不再赘述。
可见，本发明实施例在得到电能表的表码在电能表的图像上的位置之后，进一步先基于采集到的电能表的图像与该电能表的类型匹配的标准电能表图像的偏移角度对该位置进行修正，有利于进一步提高电能表的表码的位置分析精准性，再识别表码的数值，能够进一步提高电能表的智能抄表装置的抄表智能性，进一步提高电能表的抄表智能性。
可见，实施图2所描述的电能表的智能抄表方法能够通过智能化确定电能表的表码在电能表的位置图像，进而通过识别该表码在电能表的位置图像，能够对电能表进行智能抄表，无需人工进行抄表，实现获取准确的电能表的表码，提高了电能表的抄表效率。此外，还能够对电能表的表码在电能表图像中位置进行修正，进一步提高电能表的表码的位置分析精准性。
在一个可选的实施例中，该方法还可以包括以下步骤：
确定电能表的表码在采集到的目标图像中的图像尺寸信息，电能表的表码的图像尺寸信息包括图像尺寸大小及图像尺寸比例；
该可选的实施例中，根据目标图像对应的偏移角度，修正电能表的表码在目标图像中的位置，得到修正后的电能表的表码在目标图像中的位置，包括：
根据目标图像对应的偏移角度及电能表的表码的图像尺寸信息，修正电能表的表码在目标图像中的位置，得到修正后的电能表的表码在目标图像中的位置。
可见，该可选的实施例通过将电能表的表码在采集到的目标图像中的图像尺寸信息结合采集到的电能表的图像与该电能表的类型匹配的标准电能表图像的偏移角度，修正表码在电能表的图像上的位置，能够减少由于所采集到的电能表的图像存在偏移而影响表码位置的分析的发生情况，进一步提高表码的位置的分析精准性以及可靠性，从而进一步提高表码的识别精准性以及可靠性。
实施例三
请参阅图3，图3是本发明实施例公开的一种电能表的智能抄表装置的结构示意图。其中，图3所描述的电能表的智能抄表装置包括智能抄表服务器(本地服务器或者云服务器)、智能抄表系统、智能抄表设备以及智能抄表平台中的任意一种。如图3所示，该电能表的智能抄表装置可以包括：
分析模块301，用于当采集到电能表的目标图像后，基于确定出的目标位置分析模型对该目标图像进行分析，得到该电能表的表码在目标图像中的位置。
识别模块302，用于对电能表的表码对应的位置执行字符识别操作，得到电能表的表码的信息，该电能表的表码的信息包括该电能表的表码的数值。
可见，实施图3所描述的电能表的智能抄表装置能够通过智能化确定电能表的表码在电能表的位置图像，进而通过识别该表码在电能表的位置图像，能够对电能表进行智能抄表，无需人工进行抄表，实现获取准确的电能表的表码，提高了电能表的抄表效率。
在一个可选的实施例中，如图4所示，该装置还包括：
采集模块303，用于在分析模块301基于确定出的目标位置分析模型对目标图像进行分析，得到电能表的表码在目标图像中的位置之前，采集多种电能表类型的样本电能表图像，每种电能表类型的样本电能表图像包括多个角度的样本电能表图像。
第一确定模块304，用于确定每个角度的样本电能表图像的表码的信息，每张样本电能表图像的表码的信息包括该表码的位置信息。
建立模块305，用于建立每张样本电能表图像与每张样本电能表图像的表码的信息的关联关系。
训练模块306，用于基于确定出的位置分析模型对每张样本电能表图像与每张样本电能表图像的表码的信息的关联关系执行训练操作，得到训练后的位置分析模型，并确定训练后的位置分析模型，为确定出的目标位置分析模型。
可见，实施图4所描述的电能表的智能抄表装置能够通过采集到的多种电能表类型的多个角度的样本电能表图像的位置信息训练位置分析模型，能够训练出全面的位置分析模型，从而有利于提高电能表的表码的位置的确定准确性及效率，进而提高电能表的表码的识别智能性。
在另一个可选的实施例中，如图4所示，该装置还包括：
第二确定模块307，用于在分析模块302基于确定出的目标位置分析模型对目标图像进行分析，得到电能表的表码在目标图像中的位置之前，根据目标图像的信息，确定目标图像的多个降噪区域，该目标图像的信息包括目标图像的清晰度、目标图像的采集角度目标图像的色调以及目标图像的亮度中的至少一种。
第一提取模块308，用于提取每个降噪区域的中心点的像素值与每个降噪区域中除中心点之外的预设数量的像素点的像素值。
计算模块309，基于每个降噪区域的中心点的像素值与每个降噪区域中除中心点之外的所有像素点的像素值，计算每个降噪区域的中心点的目标像素值。
更新模块310，用于基于所有降噪区域的中心点的目标像素值更新目标图像，得到更新后的目标图像，并触发分析模块302执行上述的基于确定出的目标位置分析模型对目标图像进行分析，得电能表的表码在目标图像中的位置的操作。
可见，实施图4所描述的电能表的智能抄表装置还能够通过对采集到的电能表的图像执行降噪处理，再进行表码的位置确定，能够进一步提高表码的位置确定精准性，从而进一步提高表码的识别精准性。
在又一个可选的实施例中，如图4所示，该装置还可以包括：
第二提取模块311，用于在采集模块303采集多种电能表类型的样本电能表图像之后，基于确定出的特征提取方式提取用于确定每张样本电能表图像的表码在该样本电能表图像所在位置所需的特征。
其中，第一确定模块304确定每个角度的样本电能表图像的表码的信息的方式具体为：
根据每张样本电能表图像对应的特征，确定每个角度的样本电能表图像的表码的信息。
可见，实施图4所描述的电能表的智能抄表装置还能够通过结合提取到的用于确定每张样本电能表图像的表码在该样本电能表图像所在位置所需的特征，确定每个角度的样本电能表图像的表码的信息，能够提高每个角度的样本电能表图像的表码的信息的确定准确性，从而进一步提高位置分析模型的训练准确性及可靠性。
在又一个可选的实施例中，如图4所示，该装置还可以包括：
残差加入模块312，用于在确定出的基础神经网络基础上，加入残差模块，该残差模块包括第一通路和第二通路。
分析模块302，还用于将每张样本电能表图像对应的特征输入第一通路执行预处理操作，并将预处理后的每张样本电能表图像对应的特征第二通路执行与预设数量次的卷积操作，得到每张样本电能表图像对应的目标特征。
其中，第一确定模块304根据每张样本电能表图像对应的特征，确定每个角度的样本电能表图像的表码的信息的方式具体为：
根据每张样本电能表图像对应的目标特征，确定每个角度的样本电能表图像的表码的信息。
可见，实施图4所描述的电能表的智能抄表装置还能够通过结合残差模块的两条通路确定每个角度的样本电能表图像的表码的信息，能够提高每个角度的样本电能表图像的表码的信息的确定准确性，从而进一步提高位置分析模型的训练准确性及可靠性。
在又一个可选的实施例中，如图4所示，该装置还包括：
第三确定模块313，用于在分析模块302对电能表的表码对应的位置执行字符识别操作，得到电能表的表码的信息，电能表的表码的信息包括电能表的表码的数值之前，确定电能表的类型。
分析模块302，还用于根据采集到的目标图像和确定出的电能表的类型，分析目标图像与确定出的电能表类型的标准电能表图像的偏移角度。
修正模块314，用于根据目标图像对应的偏移角度，修正电能表的表码在目标图像中的位置，得到修正后的电能表的表码在目标图像中的位置。
其中，分析模块302对电能表的表码对应的位置执行字符识别操作，得到电能表的表码的信息，电能表的表码的信息包括电能表的表码的数值的方式具体为：
对修正后的电能表的表码在目标图像中的位置执行字符识别操作，得到电能表的表码的信息，电能表的表码的信息包括电能表的表码的信息的数值。
可见，实施图4所描述的电能表的智能抄表装置还能够在得到电能表的表码在电能表的图像上的位置之后，进一步先基于采集到的电能表的图像与该电能表的类型匹配的标准电能表图像的偏移角度对该位置进行修正，有利于进一步提高电能表的表码的位置分析精准性，再识别表码的数值，能够进一步提高电能表的智能抄表装置的抄表智能性，进一步提高电能表的抄表智能性。
在又一个可选的实施例中，如图4所示，第三确定模块313，还用于确定电能表的表码在采集到的目标图像中的图像尺寸信息，电能表的表码的图像尺寸信息包括图像尺寸大小及图像尺寸比例。
其中，修正模块314根据目标图像对应的偏移角度，修正电能表的表码在目标图像中的位置，得到修正后的电能表的表码在目标图像中的位置的方式具体为：
根据目标图像对应的偏移角度及电能表的表码的图像尺寸信息，修正电能表的表码在目标图像中的位置，得到修正后的电能表的表码在目标图像中的位置。
可见，实施图4所描述的电能表的智能抄表装置还能够通过将电能表的表码在采集到的目标图像中的图像尺寸信息结合采集到的电能表的图像与该电能表的类型匹配的标准电能表图像的偏移角度，修正表码在电能表的图像上的位置，能够减少由于所采集到的电能表的图像存在偏移而影响表码位置的分析的发生情况，进一步提高表码的位置的分析精准性以及可靠性，从而进一步提高表码的识别精准性以及可靠性。
实施例四
请参阅图5，图5是本发明实施例公开的又一种电能表的智能抄表装置。如图5所示，该电能表的智能抄表装置可以包括智能抄表服务器(本地服务器或者云服务器)、智能抄表系统、智能抄表设备以及智能抄表平台中的任意一种，且该电能表的智能抄表装置包括：
存储有可执行程序代码的存储器501；
与存储器501耦合的处理器502；
处理器502调用存储器501中存储的可执行程序代码，用于执行实施例一或实施例二所描述的电能表的智能抄表方法的操作。
实施例五
本发明实施例公开了一种计算机可读存储介质，其存储用于电子数据交换的计算机程序，其中，该计算机程序使得计算机执行实施例一或实施例二所描述的电能表的智能抄表方法的操作。
实施例六
本发明实施例公开了一种计算机程序产品，该计算机程序产品包括存储了计算机程序的非瞬时性计算机可读存储介质，且该计算机程序可操作来使计算机执行实施例一或实施例二所描述的电能表的智能抄表方法的操作。
以上所描述的装置实施例仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施例的具体描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory，ROM)、随机存储器(Random Access Memory，RAM)、可编程只读存储器(Programmable Read-only Memory，PROM)、可擦除可编程只读存储器(ErasableProgrammable ReadOnly Memory，EPROM)、一次可编程只读存储器(One-timeProgrammable Read-Only Memory，OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory，EEPROM)、只读光盘(CompactDisc Read-Only Memory，CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
最后应说明的是：本发明实施例公开的一种电能表的智能抄表方法及装置所揭露的仅为本发明较佳实施例而已，仅用于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；其依然可以对前述各项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；而这些修改或替换，并不使相应的技术方案的本质脱离本发明各项实施例技术方案的精神和范围。
Claims (10)
1.一种电能表的智能抄表方法，其特征在于，所述方法包括：
当采集到电能表的目标图像后，基于确定出的目标位置分析模型对所述目标图像进行分析，得到所述电能表的表码在所述目标图像中的位置；
对所述电能表的表码对应的位置执行字符识别操作，得到所述电能表的表码的信息，所述电能表的表码的信息包括所述电能表的表码的数值。
2.根据权利要求1所述的电能表的智能抄表方法，其特征在于，所述基于确定出的目标位置分析模型对所述目标图像进行分析，得到所述电能表的表码在所述目标图像中的位置之前，所述方法还包括：
采集多种电能表类型的样本电能表图像，每种所述电能表类型的样本电能表图像包括多个角度的样本电能表图像；
确定每个所述角度的样本电能表图像的表码的信息，每张所述样本电能表图像的表码的信息包括该表码的位置信息；
建立每张所述样本电能表图像与每张所述样本电能表图像的表码的信息的关联关系；
基于确定出的位置分析模型对每张所述样本电能表图像与每张所述样本电能表图像的表码的信息的关联关系执行训练操作，得到训练后的位置分析模型，并确定训练后的所述位置分析模型，为确定出的目标位置分析模型。
3.根据权利要求1或2所述的电能表的智能抄表方法，其特征在于，所述基于确定出的目标位置分析模型对所述目标图像进行分析，得到所述电能表的表码在所述目标图像中的位置之前，所述方法还包括：
根据所述目标图像的信息，确定所述目标图像的多个降噪区域，所述目标图像的信息包括所述目标图像的清晰度、所述目标图像的采集角度、所述目标图像的色调以及所述目标图像的亮度中的至少一种；
提取每个所述降噪区域的中心点的像素值与每个所述降噪区域中除所述中心点之外的预设数量的像素点的像素值；
基于每个所述降噪区域的中心点的像素值与每个所述降噪区域中除所述中心点之外的所有所述像素点的像素值，计算每个所述降噪区域的中心点的目标像素值，并基于所有所述降噪区域的中心点的目标像素值更新所述目标图像，得到更新后的所述目标图像，并触发执行所述的基于确定出的目标位置分析模型对所述目标图像进行分析，得到所述电能表的表码在所述目标图像中的位置的操作。
4.根据权利要求2所述的电能表的智能抄表方法，其特征在于，所述采集多种电能表类型的样本电能表图像之后，所述方法还包括：
基于确定出的特征提取方式提取用于确定每张所述样本电能表图像的表码在该样本电能表图像所在位置所需的特征；
其中，所述确定每个所述角度的样本电能表图像的表码的信息，包括：
根据每张所述样本电能表图像对应的特征，确定每个所述角度的样本电能表图像的表码的信息。
5.根据权利要求4所述的电能表的智能抄表方法，其特征在于，所述方法还包括：
在确定出的基础神经网络基础上，加入残差模块，所述残差模块包括第一通路和第二通路；
将每张所述样本电能表图像对应的特征输入所述第一通路执行预处理操作，并将预处理后的每张所述样本电能表图像对应的特征所述第二通路执行与预设数量次的卷积操作，得到每张所述样本电能表图像对应的目标特征；
其中，所述根据每张所述样本电能表图像对应的特征，确定每个所述角度的样本电能表图像的表码的信息，包括：
根据每张所述样本电能表图像对应的目标特征，确定每个所述角度的样本电能表图像的表码的信息。
6.根据权利要求1、2、4或5所述的电能表的智能抄表方法，其特征在于，所述对所述电能表的表码对应的位置执行字符识别操作，得到所述电能表的表码的信息，所述电能表的表码的信息包括所述电能表的表码的数值之前，所述方法还包括：
确定所述电能表的类型，根据采集到的所述目标图像和确定出的所述电能表的类型，分析所述目标图像与确定出的所述电能表类型的标准电能表图像的偏移角度；
根据所述目标图像对应的偏移角度，修正所述电能表的表码在所述目标图像中的位置，得到修正后的所述电能表的表码在所述目标图像中的位置；
其中，所述对所述电能表的表码对应的位置执行字符识别操作，得到所述电能表的表码的信息，所述电能表的表码的信息包括所述电能表的表码的数值，包括：
对修正后的所述电能表的表码在所述目标图像中的位置执行字符识别操作，得到所述电能表的表码的信息，所述电能表的表码的信息包括所述电能表的表码的信息的数值。
7.根据权利要求6所述的电能表的智能抄表方法，其特征在于，所述方法还包括：
确定所述电能表的表码在采集到的所述目标图像中的图像尺寸信息，所述电能表的表码的图像尺寸信息包括图像尺寸大小及图像尺寸比例；
其中，所述根据所述目标图像对应的偏移角度，修正所述电能表的表码在所述目标图像中的位置，得到修正后的所述电能表的表码在所述目标图像中的位置，包括：
根据所述目标图像对应的偏移角度及所述电能表的表码的图像尺寸信息，修正所述电能表的表码在所述目标图像中的位置，得到修正后的所述电能表的表码在所述目标图像中的位置。
8.一种电能表的智能抄表装置，其特征在于，所述装置包括：
分析模块，用于当采集到电能表的目标图像后，基于确定出的目标位置分析模型对所述目标图像进行分析，得到所述电能表的表码在所述目标图像中的位置；
识别模块，用于基于确定出的识别方法对所述电能表的表码对应的位置执行识别操作，得到所述电能表的表码的信息，所述电能表的表码的信息包括所述电能表的表码的信息的数值。
9.一种电能表的智能抄表装置，其特征在于，所述装置包括：
存储有可执行程序代码的存储器；
与所述存储器耦合的处理器；
所述处理器调用所述存储器中存储的所述可执行程序代码，执行如权利要求1-7任一项所述的电能表的智能抄表方法。
10.一种计算机存储介质，其特征在于，所述计算机存储介质存储有计算机指令，所述计算机指令被调用时，用于执行如权利要求1-7任一项所述的电能表的智能抄表方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111043072.0A CN113743405A (zh) | 2021-09-07 | 2021-09-07 | 电能表的智能抄表方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111043072.0A CN113743405A (zh) | 2021-09-07 | 2021-09-07 | 电能表的智能抄表方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113743405A true CN113743405A (zh) | 2021-12-03 |
Family
ID=78736453
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111043072.0A Pending CN113743405A (zh) | 2021-09-07 | 2021-09-07 | 电能表的智能抄表方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113743405A (zh) |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101000652A (zh) * | 2006-12-31 | 2007-07-18 | 沈阳工业大学 | 流量计费表数字远传图像自动识别方法及数字远传抄表系统 |
| CN108830271A (zh) * | 2018-06-13 | 2018-11-16 | 深圳市云识科技有限公司 | 一种基于卷积神经网络的数显仪表读数识别方法 |
| CN108875739A (zh) * | 2018-06-13 | 2018-11-23 | 深圳市云识科技有限公司 | 一种数显仪表读数的精确检测方法 |
| CN208271375U (zh) * | 2018-06-29 | 2018-12-21 | 南方电网科学研究院有限责任公司 | 一种智能抄表系统及智能抄表机器人 |
| CN109635806A (zh) * | 2018-12-12 | 2019-04-16 | 国网重庆市电力公司信息通信分公司 | 基于残差网络的电表数值识别方法 |
| CN110263778A (zh) * | 2018-03-12 | 2019-09-20 | 中移物联网有限公司 | 一种基于图像识别的抄表方法及装置 |
| CN111950396A (zh) * | 2020-07-27 | 2020-11-17 | 江苏大学 | 一种仪表读数神经网络识别方法 |
| CN112001383A (zh) * | 2020-08-10 | 2020-11-27 | 长沙奇巧匠人软件有限公司 | 一种基于卷积神经网络技术的水表码智能识别方法 |
| CN112541489A (zh) * | 2019-09-23 | 2021-03-23 | 顺丰科技有限公司 | 图像检测方法、装置、移动终端及存储介质 |
| CN112770080A (zh) * | 2019-11-01 | 2021-05-07 | 中移物联网有限公司 | 一种抄表方法、抄表装置及电子设备 |
-
2021
- 2021-09-07 CN CN202111043072.0A patent/CN113743405A/zh active Pending
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101000652A (zh) * | 2006-12-31 | 2007-07-18 | 沈阳工业大学 | 流量计费表数字远传图像自动识别方法及数字远传抄表系统 |
| CN110263778A (zh) * | 2018-03-12 | 2019-09-20 | 中移物联网有限公司 | 一种基于图像识别的抄表方法及装置 |
| CN108830271A (zh) * | 2018-06-13 | 2018-11-16 | 深圳市云识科技有限公司 | 一种基于卷积神经网络的数显仪表读数识别方法 |
| CN108875739A (zh) * | 2018-06-13 | 2018-11-23 | 深圳市云识科技有限公司 | 一种数显仪表读数的精确检测方法 |
| CN208271375U (zh) * | 2018-06-29 | 2018-12-21 | 南方电网科学研究院有限责任公司 | 一种智能抄表系统及智能抄表机器人 |
| CN109635806A (zh) * | 2018-12-12 | 2019-04-16 | 国网重庆市电力公司信息通信分公司 | 基于残差网络的电表数值识别方法 |
| CN112541489A (zh) * | 2019-09-23 | 2021-03-23 | 顺丰科技有限公司 | 图像检测方法、装置、移动终端及存储介质 |
| CN112770080A (zh) * | 2019-11-01 | 2021-05-07 | 中移物联网有限公司 | 一种抄表方法、抄表装置及电子设备 |
| CN111950396A (zh) * | 2020-07-27 | 2020-11-17 | 江苏大学 | 一种仪表读数神经网络识别方法 |
| CN112001383A (zh) * | 2020-08-10 | 2020-11-27 | 长沙奇巧匠人软件有限公司 | 一种基于卷积神经网络技术的水表码智能识别方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110705405B (zh) | 目标标注的方法及装置 | |
| CN109409272B (zh) | 基于机器视觉的电缆验收系统和方法 | |
| CN109492128A (zh) | 用于生成模型的方法和装置 | |
| CN110363112B (zh) | 一种配线电缆接线位置核对方法及系统 | |
| CN109389096B (zh) | 检测方法和装置 | |
| CN111414948B (zh) | 目标对象检测方法和相关装置 | |
| CN112232206B (zh) | 基于大数据和人工智能的人脸识别方法和人脸识别平台 | |
| CN114897655A (zh) | 基于视觉的防疫控制方法及装置、存储介质、电子设备 | |
| CN113128522B (zh) | 目标识别方法、装置、计算机设备和存储介质 | |
| CN116434266B (zh) | 一种医疗检验单的数据信息自动提取分析方法 | |
| CN113743405A (zh) | 电能表的智能抄表方法及装置 | |
| CN112418025A (zh) | 基于深度学习的体重检测方法及装置 | |
| CN116168213A (zh) | 人流量数据的识别方法和人流量数据识别模型的训练方法 | |
| CN111626313A (zh) | 一种特征提取模型训练方法、图像处理方法及装置 | |
| CN112967216B (zh) | 人脸图像关键点的检测方法、装置、设备以及存储介质 | |
| CN112668637B (zh) | 网络模型的训练方法、识别方法、装置及电子设备 | |
| CN112770080B (zh) | 一种抄表方法、抄表装置及电子设备 | |
| CN111064938A (zh) | 一种多肤色加权的白平衡矫正方法、其系统和存储介质 | |
| CN113614737B (zh) | 机器设备信息收集系统 | |
| CN115588439B (zh) | 一种基于深度学习的声纹采集装置的故障检测方法及装置 | |
| CN114529782A (zh) | 基于电网的模型训练方法及装置 | |
| CN113392834A (zh) | 一种基于深度学习的字轮水表读数识别方法及系统 | |
| CN117809066A (zh) | 一种卷烟交付目的地一致性检验系统、方法、设备及介质 | |
| CN114821625A (zh) | 一种二次屏柜接线自动识别方法、装置、设备、存储介质 | |
| CN116740640A (zh) | 电力目标识别方法及装置、监测系统、可读存储介质 |
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 |