CN113744253A - 一种基于人工智能图像识别系统 - Google Patents
一种基于人工智能图像识别系统 Download PDFInfo
- Publication number
- CN113744253A CN113744253A CN202111050446.1A CN202111050446A CN113744253A CN 113744253 A CN113744253 A CN 113744253A CN 202111050446 A CN202111050446 A CN 202111050446A CN 113744253 A CN113744253 A CN 113744253A
- Authority
- CN
- China
- Prior art keywords
- image
- feature
- module
- characteristic
- artificial intelligence
- 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- Withdrawn
Links
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 25
- 238000000605 extraction Methods 0.000 claims abstract description 49
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 29
- 238000000034 method Methods 0.000 claims abstract description 12
- 238000007781 pre-processing Methods 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000003708 edge detection Methods 0.000 claims description 17
- 230000011218 segmentation Effects 0.000 claims description 15
- 230000005540 biological transmission Effects 0.000 claims description 3
- 230000010365 information processing Effects 0.000 claims description 3
- 238000013139 quantization Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 210000004556 brain Anatomy 0.000 description 5
- 238000010586 diagram Methods 0.000 description 3
- 230000015654 memory Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000003672 processing method Methods 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
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T2207/10004—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
- G06T2207/20021—Dividing image into blocks, subimages or windows
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开的属于人工智能识别技术领域,具体为一种基于人工智能图像识别系统,包括中央处理模块、图像采集单元、图像预处理模块,图像采集单元与中央处理模块电性连接,包括移动采集模块和云端采集模块,图像预处理模块包括特征提取单元及特征处理单元,在模型建立的过程中避免特征提取操作中大量且重复的工作,从而减少人工智能模型的建立工作量,进而提高人工智能模型建立的效率,且通过将图像分割成不同属性的图像特征区,并为每一种图像特征区属性配置不同的自适应背景减除算法、特征提取模型、遮挡剔除算法和特征提取模型,从而可以图像特征的自动化、精准提取,大大减轻人为工作量。
Description
技术领域
本发明涉及人工智能识别技术领域,具体为一种基于人工智能图像识别系统。
背景技术
图像识别是人工智能的一个重要领域,为了编制模拟人类图像识别活动的计算机程序,人们提出了不同的图像识别模型。例如模板匹配模型。这种模型认为,识别某个图像,必须在过去的经验中有这个图像的记忆模式,又叫模板。当前的刺激如果能与大脑中的模板相匹配,这个图像也就被识别了。例如有一个字母A,如果在脑中有个A模板,字母A的大小、方位、形状都与这个A模板完全一致,字母A就被识别了。这个模型简单明了,也容易得到实际应用。但这种模型强调图像必须与脑中的模板完全符合才能加以识别,而事实上人不仅能识别与脑中的模板完全一致的图像,也能识别与模板不完全一致的图像。例如,人们不仅能识别某一个具体的字母A,也能识别印刷体的、手写体的、方向不正、大小不同的各种字母A。同时,人能识别的图像是大量的,如果所识别的每一个图像在脑中都有一个相应的模板,也是不可能的。
为了解决模板匹配模型存在的问题,格式塔心理学家又提出了一个原型匹配模型。这种模型认为,在长时记忆中存储的并不是所要识别的无数个模板,而是图像的某些“相似性”。从图像中抽象出来的“相似性”就可作为原型,拿它来检验所要识别的图像。如果能找到一个相似的原型,这个图像也就被识别了。这种模型从神经上和记忆探寻的过程上来看,都比模板匹配模型更适宜,而且还能说明对一些不规则的,但某些方面与原型相似的图像的识别。
据目前状况看来,人工智能模型在建立的过程中通常会包括特征提取的操作,且该特征提取的操作具有大量且重复的元素调用过程,因此可以看出目前的人工智能模型在建立时的工作量较大,进而影响了人工智能模型建立的效率。
发明内容
本部分的目的在于概述本发明的实施方式的一些方面以及简要介绍一些较佳实施方式。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
鉴于上述和/或现有的人工智能识别系统中存在的问题,提出了本发明。
因此,本发明的目的是提供一种基于人工智能图像识别系统,能够在模型建立的过程中避免特征提取操作中大量且重复的工作,从而减少人工智能模型的建立工作量,进而提高人工智能模型建立的效率。
为解决上述技术问题,根据本发明的一个方面,本发明提供了如下技术方案:
一种基于人工智能图像识别系统,其包括:中央处理模块、图像采集单元、图像预处理模块和终端接收模块;
中央处理模块,作为本系统的的运算核心和控制核心,是信息处理、程序运行的最终执行单元;
图像采集单元与中央处理模块电性连接,包括移动采集模块和云端采集模块,移动采集模块包括手机、平板、相机等手持设备,云端采集模块即从网络终端检索的图片信息;
图像预处理模块与中央处理模块连接,用于执行对采集到的图像进行提取处理,图像预处理模块包括特征提取单元及特征处理单元;
特征提取单元,用于执行调用对应的特征提取模型实现各图像特征参数的提取,并将各图像特征提取的特征参数串联形成增强特征向量;
特征处理单元,用于执行根据卷积算法对特征矩阵进行特征提取,得到图像特征集合;
终端接收单元,通过无线传输模块与中央处理模块连接,作为信息接收终端。
作为本发明所述的一种基于人工智能图像识别系统的一种优选方案,其中:所述特征提取单元还包括边缘检测模块和阈值分割模块,边缘检测模块的输出端与阈值分割模块的输入端连接,阈值分割模块是为了突出图像中的特征部分,通过二值化(或多值化)以后目标物体会以特定的灰度值呈现出来,主要侧重在物体本来就已经有灰度特征,边缘检测模块是为了找出物体边缘的方法,主要侧重的是通过算法体现边缘的灰度特征,二值阈值分割的重点在于找二值化的阈值,然后利用阈值将目标和背景分离,大多数边缘检测的重点在于确定差分算子,进行邻域内的灰度差分,一般的处理过程为先利用边缘检测模块得到差分的灰度图,然后通过阈值分割模块二值化。
一种特征提取单元提取步骤,其包括:
S1、获取第一特征矩阵,即待识别图像特征;
S2、根据预设的卷积算法对获取的第一特征矩阵进行特征提取,得到第二特征矩阵;
S3、对第二特征矩阵进行排序重组,得到第三特征矩阵;
S4、根据卷积算法对第三特征矩阵进行特征提取,得到图像特征集合。
一种特征处理单元处理步骤,其包括:
S1、基于特征集合区的识别、挖取;
S2、基于特征集合区的识别结果,调用对应的遮挡剔除算法实现图像特征去遮挡信息的清除操作;
S3、基于特征集合区的识别结果,调用对应的自适应背景溅出算法实现图像特征去背景的减除操作;
S4、基于特征集合区的识别结果,调用对应的特征提取模型实现各图像特征参数的提取,并将各图像特征提取的特征参数串联形成增强特征向量。
与现有技术相比:
1)在模型建立的过程中避免特征提取操作中大量且重复的工作,从而减少人工智能模型的建立工作量,进而提高人工智能模型建立的效率;
2)通过将图像分割成不同属性的图像特征区,并为每一种图像特征区属性配置不同的自适应背景减除算法、特征提取模型、遮挡剔除算法和特征提取模型,从而可以图像特征的自动化、精准提取,大大减轻人为工作量;
3)充分考虑不同属性的图像特征区内载遮挡参数、背景参数以及特征参数的差异,从而可以大大提高后续所构建的图像识别模型的精确度。
附图说明
为了更清楚地说明本发明实施方式的技术方案,下面将结合附图和详细实施方式对本发明进行详细说明,显而易见地,下面描述中的附图仅仅是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明系统结构示意图;
图2为本发明特征提取步骤示意图;
图3为本发明特征处理步骤示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图对本发明的具体实施方式做详细的说明。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施方式的限制。
其次,本发明结合示意图进行详细描述,在详述本发明实施方式时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明的实施方式作进一步地详细描述。
本发明提供一种基于人工智能图像识别系统,通过将图像分割成不同属性的图像特征区,并为每一种图像特征区属性配置不同的自适应背景减除算法、特征提取模型、遮挡剔除算法和特征提取模型,从而可以图像特征的自动化、精准提取,大大减轻人为工作量,且充分考虑不同属性的图像特征区内载遮挡参数、背景参数以及特征参数的差异,从而可以大大提高后续所构建的图像识别模型的精确度,请参阅图1-3,包括,中央处理模块、图像采集单元、图像预处理模块和终端接收模块;
请继续参阅图1,中央处理模块,作为本系统的的运算核心和控制核心,是信息处理、程序运行的最终执行单元;
请继续参阅图1,图像采集单元与中央处理模块电性连接,包括移动采集模块和云端采集模块,移动采集模块包括手机、平板、相机等手持设备,云端采集模块即从网络终端检索的图片信息;
请继续参阅图1-3,图像预处理模块与中央处理模块连接,用于执行对采集到的图像进行提取处理,图像预处理模块包括特征提取单元及特征处理单元;
特征提取单元,用于执行调用对应的特征提取模型实现各图像特征参数的提取,并将各图像特征提取的特征参数串联形成增强特征向量,特征提取单元还包括边缘检测模块和阈值分割模块,边缘检测模块的输出端与阈值分割模块的输入端连接,阈值分割模块是为了突出图像中的特征部分,通过二值化(或多值化)以后目标物体会以特定的灰度值呈现出来,主要侧重在物体本来就已经有灰度特征,边缘检测模块是为了找出物体边缘的方法,主要侧重的是通过算法体现边缘的灰度特征,二值阈值分割的重点在于找二值化的阈值,然后利用阈值将目标和背景分离,大多数边缘检测的重点在于确定差分算子,进行邻域内的灰度差分,一般的处理过程为先利用边缘检测模块得到差分的灰度图,然后通过阈值分割模块二值化;
特征处理单元,用于执行根据卷积算法对特征矩阵进行特征提取,得到图像特征集合;
请继续参阅图1,终端接收单元,通过无线传输模块与中央处理模块连接,作为信息接收终端。
特征提取单元提取方法,其包括:
S1、获取第一特征矩阵,即待识别图像特征;
S2、根据预设的卷积算法对获取的第一特征矩阵进行特征提取,得到第二特征矩阵;
S3、对第二特征矩阵进行排序重组,得到第三特征矩阵;
S4、根据卷积算法对第三特征矩阵进行特征提取,得到图像特征集合。
在模型建立的过程中避免特征提取操作中大量且重复的工作,从而减少人工智能模型的建立工作量,进而提高人工智能模型建立的效率。
特征处理单元处理方法,其包括:
S1、基于特征集合区的识别、挖取;
S2、基于特征集合区的识别结果,调用对应的遮挡剔除算法实现图像特征去遮挡信息的清除操作;
S3、基于特征集合区的识别结果,调用对应的自适应背景溅出算法实现图像特征去背景的减除操作;
S4、基于特征集合区的识别结果,调用对应的特征提取模型实现各图像特征参数的提取,并将各图像特征提取的特征参数串联形成增强特征向量。
1)通过将图像分割成不同属性的图像特征区,并为每一种图像特征区属性配置不同的自适应背景减除算法、特征提取模型、遮挡剔除算法和特征提取模型,从而可以图像特征的自动化、精准提取,大大减轻人为工作量。
2)充分考虑不同属性的图像特征区内载遮挡参数、背景参数以及特征参数的差异,从而可以大大提高后续所构建的图像识别模型的精确度。
工作原理:在模型建立的过程中避免特征提取操作中大量且重复的工作,从而减少人工智能模型的建立工作量,进而提高人工智能模型建立的效率,且通过将图像分割成不同属性的图像特征区,并为每一种图像特征区属性配置不同的自适应背景减除算法、特征提取模型、遮挡剔除算法和特征提取模型,从而可以图像特征的自动化、精准提取,大大减轻人为工作量,同时充分考虑不同属性的图像特征区内载遮挡参数、背景参数以及特征参数的差异,从而可以大大提高后续所构建的图像识别模型的精确度。
虽然在上文中已经参考实施方式对本发明进行了描述,然而在不脱离本发明的范围的情况下,可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是,只要不存在结构冲突,本发明所披露的实施方式中的各项特征均可通过任意方式相互结合起来使用,在本说明书中未对这些组合的情况进行穷举性的描述仅仅是出于省略篇幅和节约资源的考虑。因此,本发明并不局限于文中公开的特定实施方式,而是包括落入权利要求的范围内的所有技术方案。
Claims (4)
1.一种基于人工智能图像识别系统,其特征在于,包括:中央处理模块、图像采集单元、图像预处理模块和终端接收模块;
中央处理模块,作为本系统的的运算核心和控制核心,是信息处理、程序运行的最终执行单元;
图像采集单元与中央处理模块电性连接,包括移动采集模块和云端采集模块,移动采集模块包括手机、平板、相机等手持设备,云端采集模块即从网络终端检索的图片信息;
图像预处理模块与中央处理模块连接,用于执行对采集到的图像进行提取处理,图像预处理模块包括特征提取单元及特征处理单元;
特征提取单元,用于执行调用对应的特征提取模型实现各图像特征参数的提取,并将各图像特征提取的特征参数串联形成增强特征向量;
特征处理单元,用于执行根据卷积算法对特征矩阵进行特征提取,得到图像特征集合;
终端接收单元,通过无线传输模块与中央处理模块连接,作为信息接收终端。
2.根据权利要求1所述的一种基于人工智能图像识别系统,其特征在于,所述特征提取单元还包括边缘检测模块和阈值分割模块,边缘检测模块的输出端与阈值分割模块的输入端连接,阈值分割模块是为了突出图像中的特征部分,通过二值化(或多值化)以后目标物体会以特定的灰度值呈现出来,主要侧重在物体本来就已经有灰度特征,边缘检测模块是为了找出物体边缘的方法,主要侧重的是通过算法体现边缘的灰度特征,二值阈值分割的重点在于找二值化的阈值,然后利用阈值将目标和背景分离,大多数边缘检测的重点在于确定差分算子,进行邻域内的灰度差分,一般的处理过程为先利用边缘检测模块得到差分的灰度图,然后通过阈值分割模块二值化。
3.根据权利要求1-2任意一项所述的所述的一种基于人工智能图像识别系统,其特征在,特征提取单元包括如下步骤;
S1、获取第一特征矩阵,即待识别图像特征;
S2、根据预设的卷积算法对获取的第一特征矩阵进行特征提取,得到第二特征矩阵;
S3、对第二特征矩阵进行排序重组,得到第三特征矩阵;
S4、根据卷积算法对第三特征矩阵进行特征提取,得到图像特征集合。
4.根据权利要求1-3任意一项所述的所述的一种基于人工智能图像识别系统,其特征在,特征处理单元包括如下步骤;
S1、基于特征集合区的识别、挖取;
S2、基于特征集合区的识别结果,调用对应的遮挡剔除算法实现图像特征去遮挡信息的清除操作;
S3、基于特征集合区的识别结果,调用对应的自适应背景溅出算法实现图像特征去背景的减除操作;
S4、基于特征集合区的识别结果,调用对应的特征提取模型实现各图像特征参数的提取,并将各图像特征提取的特征参数串联形成增强特征向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111050446.1A CN113744253A (zh) | 2021-09-08 | 2021-09-08 | 一种基于人工智能图像识别系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111050446.1A CN113744253A (zh) | 2021-09-08 | 2021-09-08 | 一种基于人工智能图像识别系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113744253A true CN113744253A (zh) | 2021-12-03 |
Family
ID=78737103
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111050446.1A Withdrawn CN113744253A (zh) | 2021-09-08 | 2021-09-08 | 一种基于人工智能图像识别系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113744253A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116863465A (zh) * | 2023-09-01 | 2023-10-10 | 四川省每文环保科技有限公司 | 一种污水智能运行监测系统 |
-
2021
- 2021-09-08 CN CN202111050446.1A patent/CN113744253A/zh not_active Withdrawn
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116863465A (zh) * | 2023-09-01 | 2023-10-10 | 四川省每文环保科技有限公司 | 一种污水智能运行监测系统 |
CN116863465B (zh) * | 2023-09-01 | 2023-12-12 | 四川省每文环保科技有限公司 | 一种污水智能运行监测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107609549B (zh) | 一种自然场景下证件图像的文本检测方法 | |
CN107967475B (zh) | 一种基于窗口滑动和卷积神经网络的验证码识别方法 | |
EP3916627A1 (en) | Living body detection method based on facial recognition, and electronic device and storage medium | |
CN108171104B (zh) | 一种文字检测方法及装置 | |
CN106951832B (zh) | 一种基于手写字符识别的验证方法及装置 | |
CN107145885B (zh) | 一种基于卷积神经网络的单字图文字识别方法及装置 | |
CN111709420A (zh) | 文本检测方法、电子设备及计算机可读介质 | |
CN109685065B (zh) | 试卷内容自动分类的版面分析方法、系统 | |
CN109409377B (zh) | 图像中文字的检测方法及装置 | |
CN110245621B (zh) | 人脸识别装置及图像处理方法、特征提取模型、存储介质 | |
CN111899243A (zh) | 一种图像清晰度评价方法、设备和计算机可读存储介质 | |
CN114092938B (zh) | 图像的识别处理方法、装置、电子设备及存储介质 | |
CN112801232A (zh) | 一种应用于处方录入的扫描识别方法及系统 | |
CN111951283A (zh) | 一种基于深度学习的医学图像识别方法及系统 | |
CN112966685A (zh) | 用于场景文本识别的攻击网络训练方法、装置及相关设备 | |
CN112307994A (zh) | 基于扫地机的障碍物识别方法、电子装置及存储介质 | |
CN106529437B (zh) | 一种人脸检测的方法和装置 | |
CN113744253A (zh) | 一种基于人工智能图像识别系统 | |
CN113221601A (zh) | 字符识别方法、装置及计算机可读存储介质 | |
CN112883827B (zh) | 图像中指定目标的识别方法、装置、电子设备和存储介质 | |
CN111382638A (zh) | 一种图像检测方法、装置、设备和存储介质 | |
CN112287836A (zh) | 一种基于人工智能图像识别系统以及图像识别装置 | |
Singh et al. | Fingerprint feature extraction using morphological operations | |
Belhedi et al. | Adaptive scene‐text binarisation on images captured by smartphones | |
CN114626118A (zh) | 建筑物室内模型生成方法及装置 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20211203 |