CN114612888A - 一种基于深度学习的闯红灯检测系统 - Google Patents
一种基于深度学习的闯红灯检测系统 Download PDFInfo
- Publication number
- CN114612888A CN114612888A CN202210179999.5A CN202210179999A CN114612888A CN 114612888 A CN114612888 A CN 114612888A CN 202210179999 A CN202210179999 A CN 202210179999A CN 114612888 A CN114612888 A CN 114612888A
- Authority
- CN
- China
- Prior art keywords
- module
- information
- red light
- deep learning
- unit
- 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
- 238000013135 deep learning Methods 0.000 title claims abstract description 39
- 238000001514 detection method Methods 0.000 title claims abstract description 18
- 238000012544 monitoring process Methods 0.000 claims abstract description 47
- 238000000605 extraction Methods 0.000 claims description 20
- 238000001914 filtration Methods 0.000 claims description 19
- 238000007781 pre-processing Methods 0.000 claims description 14
- 238000004891 communication Methods 0.000 claims description 13
- 238000010276 construction Methods 0.000 claims description 13
- 238000013075 data extraction Methods 0.000 claims description 12
- 238000006073 displacement reaction Methods 0.000 claims description 12
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 239000000284 extract Substances 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 241000283070 Equus zebra Species 0.000 abstract description 8
- 238000013527 convolutional neural network Methods 0.000 abstract description 7
- 238000010586 diagram Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000006399 behavior Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 206010033799 Paralysis Diseases 0.000 description 1
- 230000036626 alertness Effects 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
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及智能交通技术领域，具体涉及一种基于深度学习的闯红灯检测系统，包括获取子系统、分析预警子系统和云服务器，获取子系统、分析预警子系统和云服务器依次连接；获取子系统，用于构建监测范围的先验框，获取先验框内物体的信息；分析预警子系统，基于物体的信息，基于卷积神经网络通过深度学习训练判断出物体否闯红灯，得到判断信息，并对闯红灯的物体发出提醒；云服务器，用于对判断信息进行储存和传输，解决了现有的斑马线行人监管方式的人工成本较大的问题。
Description
技术领域
本发明涉及智能交通技术领域，尤其涉及一种基于深度学习的闯红灯检测系统。
背景技术
斑马线行人监管，往往只是靠行人的自觉，不能有效地管控行人是否存在闯红灯行为。
随着摄像头的普及应用，大大小小的场所活动都在人们的监管下有序进行，消除了大部分因个人原因导致的不安全因素。因此可采用摄像头大量布防的方式，通过人工监管，及时语音提醒，防止闯红灯的行为再次发生。
但因摄像头过多，导致监管人员数量大量提升，成本较高。
发明内容
本发明的目的在于提供一种基于深度学习的闯红灯检测系统，旨在解决现有的斑马线行人监管方式的人工成本较大的问题。
为实现上述目的，本发明提供了一种基于深度学习的闯红灯检测系统，包括获取子系统、分析预警子系统和云服务器，所述获取子系统、所述分析预警子系统和所述云服务器依次连接；
所述获取子系统，用于构建监测范围的先验框，获取所述先验框内物体的信息；
所述分析预警子系统，基于所述物体的信息判断物体是否闯红灯，得到判断信息，并对闯红灯的物体发出提醒；
所述云服务器，用于对所述判断信息进行储存和传输。
其中，所述获取子系统包括构建模块和获取模块，所述构建模块和所述获取模块依次连接；
所述构建模块，用于构建监测范围的先验框；
所述获取模块，用于获取所述先验框内物体的信息。
其中，所述分析预警子系统包括姿态监测模块、边缘识别模块、移动监测模块、深度学习模块和提醒模块，所述姿态监测模块、所述边缘识别模块、所述移动监测模块、所述深度学习模块和所述提醒模块依次连接，所述姿态监测模块与所述获取模块连接；
所述姿态监测模块，用于对所述物体的信息的姿态进行监测，得到物体姿态信息；
所述边缘识别模块，基于所述物体姿态信息，将所述物体区分为行人和车辆；
所述移动监测模块，用于对行人的位移情况进行监测，得到位移信息；
所述深度学习模块，用于基于深度神经网络对所述位移信息进行训练，判断行人是否闯红灯，得到第一判断信息；
所述提醒模块，基于所述第一判断信息对闯红灯的行人发出提醒。
其中，所述分析预警子系统还包括过滤模块，所述过滤模块与所述边缘识别模块和所述移动监测模块连接；
所述过滤模块，用于将除行人以外的信息过滤，得到过滤信息，并将过滤信息传输给所述移动监测模块。
其中，所述分析预警子系统还包括判断模块、特征提取模块和扫描识别模块；所述判断模块、所述特征提取模块与所述边缘识别模块和所述扫描识别模块连接；
所述判断模块，基于所述车辆的信息判断所述车辆的闯红灯情况，得到第二判断信息；
所述特征提取模块，基于所述第二判断信息提取所述车辆的车牌信息；
所述扫描识别模块，用于对所述车牌信息进行扫描，得到扫描信息。
其中，所述深度学习模块包括训练数据提取单元、训练数据预处理单元、先验框提取单元和训练单元，所述训练数据提取单元、所述训练数据预处理单元、所述先验框提取单元和所述训练单元依次连接，所述训练数据提取单元与所述边缘识别模块和所述移动监测模块连接，所述先验框提取单元与所述构建模块连接；
所述训练数据提取单元，用于提取所述位移信息，得到第一提取信息；
所述训练数据预处理单元，用于对所述第一提取信息进行归一化处理和数据增强处理，得到预处理信息；
所述先验框提取单元，用于提取所述先验框；
所述训练单元，基于所述第一提取信息、所述预处理信息和所述先验框进行训练，判断行人是否闯红灯，得到第一判断信息。
其中，所述云服务器包括储存模块和通信模块，所述储存模块与所述训练单元和扫描识别模块连接，所述通信模块与所述储存模块连接；
所述储存模块，用于储存所述第一判断信息和所述扫描信息；
所述通信模块，基于所述扫描信息，向所述车辆的车主发出闯红灯提醒。
本发明的一种基于深度学习的闯红灯检测系统，通过所述分析预警子系统通过所述获取子系统获取的物体信息，基于卷积神经网络通过深度学习训练判断出所述物体是否闯红灯，并通过所述云服务器对判断信息进行储存和传输，通过所述云服务器进行储存和传输，全过程无需人工监管，节约了人工成本，解决了现有的斑马线行人监管方式的人工成本较大的问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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是本发明提供的一种基于深度学习的闯红灯检测系统的结构示意图。
图2是深度学习模块和储存模块的结构示意图。
图3是蓄电池和提醒模块的结构示意图。
1-获取子系统、2-分析预警子系统、3-云服务器、4-构建模块、5-获取模块、6-姿态监测模块、7-边缘识别模块、8-移动监测模块、9-深度学习模块、10-提醒模块、11-过滤模块、12-判断模块、13-特征提取模块、14-扫描识别模块、15-训练数据提取单元、16-训练数据预处理单元、17-先验框提取单元、18-训练单元、19-储存模块、20-通信模块、21-光源提示单元、22-语音提示单元、23-太阳能电池板、24-蓄电池。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。
在本发明的描述中，需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。
请参阅图1至图3，本发明提供一种基于深度学习的闯红灯检测系统，包括获取子系统1、分析预警子系统2和云服务器3，所述获取子系统1、所述分析预警子系统2和所述云服务器3依次连接；
所述获取子系统1，用于构建监测范围的先验框，获取所述先验框内物体的信息；
所述分析预警子系统2，基于所述物体的信息判断物体是否闯红灯，得到判断信息，并对闯红灯的物体发出提醒；
所述云服务器3，用于对所述判断信息进行储存和传输。
所述分析预警子系统2通过所述获取子系统1获取的物体信息，基于卷积神经网络通过深度学习训练判断出所述物体是否闯红灯，并对闯红灯的物体发出提醒，并通过所述云服务器3对判断信息进行储存和传输，解决了现有的斑马线行人监管方式的人工成本较大的问题。
所述获取子系统1包括构建模块4和获取模块5，所述构建模块4和所述获取模块5依次连接；
所述构建模块4，用于构建监测范围的先验框；
所述获取模块5，用于获取所述先验框内物体的信息。
所述先验框的范围为行人通过的斑马线的范围。
所述分析预警子系统2包括姿态监测模块6、边缘识别模块7、移动监测模块8、深度学习模块9和提醒模块10，所述姿态监测模块6、所述边缘识别模块7、所述移动监测模块8、所述深度学习模块9和所述提醒模块10依次连接，所述姿态监测模块6与所述获取模块5连接；
所述姿态监测模块6，用于对所述物体的信息的姿态进行监测，得到物体姿态信息；
所述边缘识别模块7，基于所述物体姿态信息，将所述物体区分为行人和车辆；
所述移动监测模块8，用于对行人的位移情况进行监测，得到位移信息；
所述深度学习模块9，用于基于深度神经网络对所述位移信息进行训练，判断行人是否闯红灯，得到第一判断信息；
所述提醒模块10，基于所述第一判断信息对闯红灯的行人发出提醒。
在所述移动监测模块8对行人进行监测具体为，当行人在所述先验框内停留时，对行人进行连续拍摄至少三张照片，并提取照片中的行人在所述先验框内的位置点，将所述位置点传输给所述深度学习模块9进行训练。
所述分析预警子系统2还包括过滤模块11，所述过滤模块11与所述边缘识别模块7和所述移动监测模块8连接；
所述过滤模块11，用于将除行人以外的信息过滤，得到过滤信息，并将过滤信息传输给所述移动监测模块8。
通过所述过滤模块11对除行人以外的信息过滤，增加了所述移动监测模块8对行人的监测效果，从而增加了所述深度学习模块9所得出的所述第一判断信息的准确性。
所述分析预警子系统2还包括判断模块12、特征提取模块13和扫描识别模块14；所述判断模块12、所述特征提取模块13与所述边缘识别模块7和所述扫描识别模块14连接；
所述判断模块12，基于所述车辆的信息判断所述车辆的闯红灯情况，得到第二判断信息；
所述特征提取模块13，基于所述第二判断信息提取所述车辆的车牌信息；
所述扫描识别模块14，用于对所述车牌信息进行扫描，得到扫描信息。
所述判断模块12在所述先验框内设定有预设阈值，当车辆驶过所述预设阈值，则判断所述车辆闯红灯，启动所述特征提取模块13对闯红灯的车辆的车牌信息进行提取。
所述深度学习模块9包括训练数据提取单元15、训练数据预处理单元16、先验框提取单元17和训练单元18，所述训练数据提取单元15、所述训练数据预处理单元16、所述先验框提取单元17和所述训练单元18依次连接，所述训练数据提取单元15与所述边缘识别模块7和所述移动监测模块8连接，所述先验框提取单元17与所述构建模块4连接；
所述训练数据提取单元15，用于提取所述位移信息，得到第一提取信息；
所述训练数据预处理单元16，用于对所述第一提取信息进行归一化处理和数据增强处理，得到预处理信息；
所述先验框提取单元17，用于提取所述先验框；
所述训练单元18，基于所述第一提取信息、所述预处理信息和所述先验框进行训练，判断行人是否闯红灯，得到第一判断信息。
所述训练单元18先构建卷积神经网络，并对所述卷积神经网络进行训练，然后定义对所述卷积神经网络进行训练时使用的损失函数，最后基于所述第一提取信息、所述预处理信息和所述先验框进行训练，判断行人是否闯红灯，当所述行人的所述位置点的连线具有越过斑马线的趋势，则判断行人闯红灯。
所述云服务器3包括储存模块19和通信模块20，所述储存模块19与所述训练单元18和扫描识别模块14连接，所述通信模块20与所述储存模块19连接；
所述储存模块19，用于储存所述第一判断信息和所述扫描信息；
所述通信模块20，基于所述扫描信息，向所述车辆的车主发出闯红灯提醒。
还可通过所述通信模块20与所述通信模块20建立通信，提取所述储存模块19内储存的数据。
所述提醒模块10包括光源提示单元21、语音提示单元22，所述光源提示单元21与所述语音提示单元22连接，所述深度学习模块9与所述光源提示单元21和所述语音提示单元22连接；
所述光源提示单元21，基于所述第一判断信息向行人发出光源提醒；
所述语音提示单元22，基于所述第一判断信息向行人发出语音提醒。
所述光源提示单元21和所述语音提示单元22通过光源和语音的双重提醒，提高了对行人的提醒效果，所述光源提示单元21还对具有驶过斑马线趋势的车辆的车主进行提醒，增加车主的警觉性，避免发送车祸。
所述基于深度学习的闯红灯检测系统还包括太阳能电池板23和蓄电池24，所述太阳能电池板23与所述蓄电池24连接，所述蓄电池24与所述获取模块5，所述光源提示单元21和所述语音提示单元22连接；
所述太阳能电池板23，用于将太阳能转化为电能储存在所述蓄电池24内；
所述蓄电池24，用于在所述获取模块5、所述光源提示单元21和所述语音提示单元22断电的情况下，为所述光源提示单元21和所述语音提示单元22供电。
所述蓄电池24还可对红绿灯控制模块进行供电，避免红绿灯控制模块、所述获取模块5、所述光源提示单元21和所述语音提示单元22的连接线路断电，引发交通瘫痪。
本发明的一种基于深度学习的闯红灯检测系统，所述分析预警子系统2通过所述获取子系统1获取的物体信息，基于卷积神经网络通过深度学习训练判断出所述物体是否闯红灯，并对闯红灯的物体发出提醒，并通过所述云服务器3对判断信息进行储存和传输，解决了现有的斑马线行人监管方式的人工成本较大的问题。
以上所揭露的仅为本发明一种基于深度学习的闯红灯检测系统较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。
Claims (7)
1.一种基于深度学习的闯红灯检测系统，其特征在于，包括获取子系统、分析预警子系统和云服务器，所述获取子系统、所述分析预警子系统和所述云服务器依次连接；
所述获取子系统，用于构建监测范围的先验框，获取所述先验框内物体的信息；
所述分析预警子系统，基于所述物体的信息判断物体是否闯红灯，得到判断信息，并对闯红灯的物体发出提醒；
所述云服务器，用于对所述判断信息进行储存和传输。
2.如权利要求1所述的基于深度学习的闯红灯检测系统，其特征在于，
所述获取子系统包括构建模块和获取模块，所述构建模块和所述获取模块依次连接；
所述构建模块，用于构建监测范围的先验框；
所述获取模块，用于获取所述先验框内物体的信息。
3.如权利要求2所述的基于深度学习的闯红灯检测系统，其特征在于，
所述分析预警子系统包括姿态监测模块、边缘识别模块、移动监测模块、深度学习模块和提醒模块，所述姿态监测模块、所述边缘识别模块、所述移动监测模块、所述深度学习模块和所述提醒模块依次连接，所述姿态监测模块与所述获取模块连接；
所述姿态监测模块，用于对所述物体的信息的姿态进行监测，得到物体姿态信息；
所述边缘识别模块，基于所述物体姿态信息，将所述物体区分为行人和车辆；
所述移动监测模块，用于对行人的位移情况进行监测，得到位移信息；
所述深度学习模块，用于基于深度神经网络对所述位移信息进行训练，判断行人是否闯红灯，得到第一判断信息；
所述提醒模块，基于所述第一判断信息对闯红灯的行人发出提醒。
4.如权利要求3所述的基于深度学习的闯红灯检测系统，其特征在于，
所述分析预警子系统还包括过滤模块，所述过滤模块与所述边缘识别模块和所述移动监测模块连接；
所述过滤模块，用于将除行人以外的信息过滤，得到过滤信息，并将过滤信息传输给所述移动监测模块。
5.如权利要求3所述的基于深度学习的闯红灯检测系统，其特征在于，
所述分析预警子系统还包括判断模块、特征提取模块和扫描识别模块；所述判断模块、所述特征提取模块与所述边缘识别模块和所述扫描识别模块连接；
所述判断模块，基于所述车辆的信息判断所述车辆的闯红灯情况，得到第二判断信息；
所述特征提取模块，基于所述第二判断信息提取所述车辆的车牌信息；
所述扫描识别模块，用于对所述车牌信息进行扫描，得到扫描信息。
6.如权利要求5所述的基于深度学习的闯红灯检测系统，其特征在于，
所述深度学习模块包括训练数据提取单元、训练数据预处理单元、先验框提取单元和训练单元，所述训练数据提取单元、所述训练数据预处理单元、所述先验框提取单元和所述训练单元依次连接，所述训练数据提取单元与所述边缘识别模块和所述移动监测模块连接，所述先验框提取单元与所述构建模块连接；
所述训练数据提取单元，用于提取所述位移信息，得到第一提取信息；
所述训练数据预处理单元，用于对所述第一提取信息进行归一化处理和数据增强处理，得到预处理信息；
所述先验框提取单元，用于提取所述先验框；
所述训练单元，基于所述第一提取信息、所述预处理信息和所述先验框进行训练，判断行人是否闯红灯，得到第一判断信息。
7.如权利要求6所述的基于深度学习的闯红灯检测系统，其特征在于，
所述云服务器包括储存模块和通信模块，所述储存模块与所述训练单元和扫描识别模块连接，所述通信模块与所述储存模块连接；
所述储存模块，用于储存所述第一判断信息和所述扫描信息；
所述通信模块，基于所述扫描信息，向所述车辆的车主发出闯红灯提醒。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210179999.5A CN114612888A (zh) | 2022-02-25 | 2022-02-25 | 一种基于深度学习的闯红灯检测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210179999.5A CN114612888A (zh) | 2022-02-25 | 2022-02-25 | 一种基于深度学习的闯红灯检测系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114612888A true CN114612888A (zh) | 2022-06-10 |
Family
ID=81860050
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210179999.5A Pending CN114612888A (zh) | 2022-02-25 | 2022-02-25 | 一种基于深度学习的闯红灯检测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114612888A (zh) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110956156A (zh) * | 2019-12-13 | 2020-04-03 | 广州中科凯泽科技有限公司 | 一种基于深度学习的闯红灯检测系统 |
| CN112528759A (zh) * | 2020-11-24 | 2021-03-19 | 河海大学 | 一种基于计算机视觉的交通违章行为检测方法 |
-
2022
- 2022-02-25 CN CN202210179999.5A patent/CN114612888A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110956156A (zh) * | 2019-12-13 | 2020-04-03 | 广州中科凯泽科技有限公司 | 一种基于深度学习的闯红灯检测系统 |
| CN112528759A (zh) * | 2020-11-24 | 2021-03-19 | 河海大学 | 一种基于计算机视觉的交通违章行为检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105261088B (zh) | 一种小区车位管理与车辆安全提醒系统及方法 | |
| CN205158585U (zh) | 一种预防疲劳驾驶的智能设备及系统 | |
| CN102938224A (zh) | 一种驾考智能系统 | |
| CN103871200A (zh) | 用于汽车驾驶的安全提醒系统及方法 | |
| CN105550666A (zh) | 一种防止未成年人驾驶汽车的报警系统及方法 | |
| CN103723096A (zh) | 带有无线通信功能的驾驶辅助系统 | |
| CN110085042A (zh) | 一种基于信息融合的车辆驾驶预警系统及方法 | |
| CN103198617A (zh) | 一种疲劳驾驶警示系统 | |
| CN111127943A (zh) | 一种电动车违规禁停管理系统 | |
| CN106408968A (zh) | 一种基于车联网的交通告警控制系统及其方法 | |
| CN109448390A (zh) | 一种车辆管理方法、设备及存储设备 | |
| CN104691333A (zh) | 基于车道偏离频次的长途客车驾驶员疲劳状态评价方法 | |
| CN104183148A (zh) | 一种基于模式识别技术的智能停车系统及方法 | |
| CN109927551A (zh) | 一种共享新能源汽车防酒后驾车车载系统及检测方法 | |
| CN209928618U (zh) | 一种基于面部识别的停车场巡逻机器人 | |
| CN114954307A (zh) | 一种基于人工智能的辅助驾驶系统 | |
| CN109743554B (zh) | 一种智能交警机器人 | |
| CN114612888A (zh) | 一种基于深度学习的闯红灯检测系统 | |
| CN113870618A (zh) | 驾驶安全预警系统及方法 | |
| CN106710199A (zh) | 一种基于物联网技术的电动车监控方法及系统 | |
| CN101667323A (zh) | 一种驾驶员分神实时监测报警装置 | |
| CN109541243A (zh) | 一种基于汽车方向盘的酒驾自动检测系统及其方法 | |
| CN113436412A (zh) | 一种网约车安全行驶报警装置及方法 | |
| CN203287967U (zh) | 一种校车管理系统 | |
| CN206282368U (zh) | 一种多功能行车记录仪 |
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 |