CN114913334A - 肉制品加工生产线监控信息系统的图像去噪分割识别方法 - Google Patents
肉制品加工生产线监控信息系统的图像去噪分割识别方法 Download PDFInfo
- Publication number
- CN114913334A CN114913334A CN202210594958.2A CN202210594958A CN114913334A CN 114913334 A CN114913334 A CN 114913334A CN 202210594958 A CN202210594958 A CN 202210594958A CN 114913334 A CN114913334 A CN 114913334A
- Authority
- CN
- China
- Prior art keywords
- image
- wavelet
- threshold
- processing
- edge
- 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
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/30—Noise filtering
-
- 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
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明公开了一种肉制品加工生产线监控信息系统的图像去噪分割识别方法。主要包括:获取肉制品加工生产线的视频图像信息,通过视觉处理系统对采集的图像直接进行存储与传输;用图像处理系统对采集的图像信号进行小波分解,通过分析和适当的阈值化去除噪声小波系数达到保留信号滤除噪声的目的;用反馈策略自动化选取图像的初始边缘,通过迭代求解马尔科夫转移概率和高斯参数,提取图像实际边缘特征;根据图像边缘特征分割图像,通过全局阈值判决像素点的区域,识别图像中的背景与目标,完成图像信息的处理。该方法具有较高的灵活性和准确性,并可根据当前图像的特征,进行去噪、分割和识别,稳定可靠地完成图像处理任务。
Description
本发明为“一种肉制品加工生产线监控信息系统的图像处理方法”,申请号为“201811142508X”的发明专利的分案申请。
技术领域
本发明涉及一种监控信息系统的图像处理方法,属于计算机视觉和数字图像处理领域。
背景技术
我国是世界肉制品生产和消费大国,但我国在肉类食品行业的发展水平却远落后于其他发达国家。未形成规模化的肉类深加工产业以及现存的图像处理技术的不完善,限制了通过图像的识别来监控、检测肉制品智能化生产的发展;利用监控系统中的模糊图像,无法进行智能化的在线检测,从而造成更多人力、物力资源的浪费,产生更高的生产成本。
发明内容
为解决上述问题,本发明的目的在于提供一种自身具有灵活性,并且准确性好的图像处理方法。
本发明解决其问题所采用的技术方案,包括以下步骤:
A.获取肉制品加工生产线的视频图像信息,通过视觉处理系统对采集的图像直接进行存储与传输;
B.用图像处理系统对采集的图像信号进行小波分解,通过分析和适当的阈值化去除噪声小波系数达到保留信号滤除噪声的目的;
C.通过反馈的方法将获得的边缘反复进行重新计算,根据转移概率和高斯函数的不断增加,迭代多次求得更接近实际边缘的边缘路径,通过迭代求解马尔科夫转移概率和高斯参数,提取图像实际边缘特征;
D.根据图像边缘特征分割图像,通过全局阈值判决像素点的区域,识别图像中的背景与目标,完成图像信息的处理。
进一步的,所述步骤A包括:
设置漫反射无影光源,通过折射板将LED灯光的折射光,照射肉制品加工过程,通过摄像机采集加工过程的监控图像信息;
用视觉处理系统对采集的图像直接进行存储,并利用数字传输技术及大规模集成电路,使用一根光纤传输多路图像的多个信号至图像处理系统,在提高图像传输稳定性的同时,实现实时传输。
进一步的,所述步骤B包括:
(1)通过基小波函数J(x)的缩放和平移变换,构造不同尺度下待分析图像信号的小波变换;
①基小波函数J(x)在不同尺度下进行平移变换,构造小波序列:
其中,s表示尺度伸缩因子,s≠0,p为平移变化因子,且s,p∈R,R为实数,x表示图像信息;
②任意待分析图像f(x)在尺度s下的小波变换算式可表示为:
其中,s,p∈Z表示任意可能的伸缩和平移变换;
(2)使用软阈值函数对小波变换系数进行阈值化处理,保留信号小波系数去除噪声小波系数,实现图像的去噪处理;
①假设视频图像是一个二维矩阵,那么每次经过步骤B(1)中的小波变换后图像便被分解为4个大小相同的子块频带区域;
②根据图像的一组小波系数的统计特性,选取适当的阈值ω对分解后的子频带区域进行阈值化处理,根据算式
③采用软阈值函数将小于阈值ω的小波系数去除,将大于阈值ω的小波系数进行缩减变换,软阈值函数为:
其中,X表示图像小波系数,若第i层频带上无干扰噪声的小波系数与去噪后的小波系数之间的误差达到最小,那么阈值ω达到最优,实现最优的去噪处理;否则根据算式
进行下一层的阈值化处理。
进一步的,所述步骤C包括:
(1)用路径和路径测度方法获得去噪图像的边界或是图像中某个物体的边界,进行图像的顺序搜索;
①二维图像中的路径可表示为一个有序集,包括起始节点、起始方向和路径方向:
path=<(n1,n2),dir,[s1,…,sn]>
其中,(n1,n2)表示起始节点坐标,dir表示起始方向,[s1,…,sn]属于方向集合S=[Left,Mediate,Right];
②根据马尔科夫转移概率和高斯函数,计算路径可能的发生概率,完成路径的搜索,马尔科夫转移概率为:
Ptrans(path)=Ptrans(zmzm-1)Ptrans(zm-1zm-2)…Ptrans(z1z0)
其中,Z=(z0,z1,…zm)表示所有可能的状态序列空间,m表示状态序列个数;
高斯函数的值由起始节点的位置上的值确定,节点位于边缘上时,高斯函数为pb=exp(-(path-μb)2/2σb 2),其中,path表示二维图像的路径有序集,μb、σb表示边缘节点的均值和标准差;节点位于其他任意位置时,高斯函数为pr=exp(-(path-μr)2/2σr 2),其中μr、σbr表示其他位置任意节点的均值和标准差;
③图像进行顺序搜索所依据的路径测度方法可表示为:
(2)采用反馈策略选取图像的初始边缘,提高顺序搜索图像边缘的自动化程度以及初始边缘的准确性。
进一步的,所述步骤D包括:
采用逼近的方法,选取适当的阈值根据图像的边缘分割图像中的目标与背景;
①假设图像中包含背景和目标两种像素,首先根据图像的边缘分别计算出在同一边缘区域内的灰度值H,图像中最大的灰度值记为Hmax,最小灰度值为Hmin,则初始阈值可表示为
②假设视频图像中背景较暗,则根据阈值O将图像中像素的灰度值小于O的像素记为背景像素,同理将其他的记为目标像素,并分别求出平均灰度值Hback和Haim,则新的划分阈值为
若O=O'+1,则通过该阈值对图像按灰度值的大小进行背景与目标的分割,大于该阈值的灰度值对应的像素为目标像素,小于该阈值的灰度值对应的像素为背景像素;否则重复进行划分计算,直至O=O'+1成立求出阈值。
本发明的有益效果是:
在复杂性强的图像处理中,本发明能够灵活、准确地完成图像的预处理,可根据当前图像的特征,进行去噪、分割和识别,具有实用性和稳定性的有益效果。
附图说明
图1为一种肉制品加工生产线监控信息系统的图像去噪分割识别方法的整体流程图;
图2为基于反馈的顺序连接方法示意图;
图3为寻求最佳边缘路径的算法流程图。
具体实施方式
参照图1,本发明所述的方法包括以下步骤:
A.获取肉制品加工生产线的视频图像信息,通过数字传输技术对采集的图像直接进行存储,并实时传输至图像处理系统;
(1)设置漫反射无影光源,通过折射板将LED灯光的折射光,照射肉制品加工过程,通过摄像机采集加工过程的监控图像信息;
(2)用视觉处理系统对采集的图像直接进行存储,并利用数字传输技术实时传输图像信号;
①采集的图像信息在传输过程中经过视频电缆、编码器、解码器等各种环节,在进行数据交换的过程中产生延时,从而影响图像传输的实时性;
②利用数字传输技术及大规模集成电路,使用一根光纤传输多路图像的多个信号至图像处理系统,在提高图像传输稳定性的同时,实现了实时传输;
B.用图像处理系统对采集的图像信号进行小波分解,通过分析和适当的阈值化去除噪声小波系数达到保留信号滤除噪声的目的;
(1)通过基小波函数J(x)的缩放和平移变换,构造不同尺度下待分析图像信号的小波变换;
①基小波函数J(x)在不同尺度下进行平移变换,构造小波序列:
其中,s表示尺度伸缩因子(s作为一种尺度在变化时产生多分辨分析的特性),s≠0,p为平移变化因子,且s,p∈R,R为实数,x表示图像信息;
②任意待分析图像f(x)在尺度s下的小波变换算式可表示为:
其中,s,p∈Z表示任意可能的伸缩和平移变换;
(2)使用软阈值函数对小波变换系数进行阈值化处理,保留信号小波系数去除噪声小波系数,实现图像的去噪处理;
①假设视频图像是一个二维矩阵,那么每次经过步骤B(1)中的小波变换后图像便被分解为4个大小相同的子块频带区域;
②根据图像的一组小波系数的统计特性,选取适当的阈值ω对分解后的子频带区域进行阈值化处理,根据算式
③采用软阈值函数将小于阈值ω的小波系数去除,将大于阈值ω的小波系数进行缩减变换,软阈值函数为:
其中,X表示图像小波系数,若第i层频带上无干扰噪声的小波系数与去噪后的小波系数之间的误差达到最小,那么阈值ω达到最优,实现最优的去噪处理;否则根据算式
进行下一层的阈值化处理。
C.用反馈策略自动化选取去噪图像的初始边缘,通过迭代求解马尔科夫转移概率和高斯参数,提取图像实际边缘特征;
(1)用路径和路径测度方法获得去噪图像的边界或是图像中某个物体的边界,进行图像的顺序搜索;
①二维图像中的路径可表示为一个有序集,包括起始节点、起始方向和路径方向:
path=<(n1,n2),dir,[s1,…,sn]>
其中,(n1,n2)表示起始节点坐标,dir表示起始方向,[s1,…,sn]属于方向集合S=[Left,Mediate,Right];
②根据马尔科夫转移概率和高斯函数,计算路径可能的发生概率,完成路径的搜索,马尔科夫转移概率为:
Ptrans(path)=Ptrans(zmzm-1)Ptrans(zm-1zm-2)…Ptrans(z1z0)
其中,Z=(z0,z1,…zm)表示所有可能的状态序列空间,m表示状态序列个数;
高斯函数的值由起始节点的位置上的值确定,节点位于边缘上时,高斯函数为pb=exp(-(path-μb)2/2σb 2),其中,path表示二维图像的路径有序集,μb、σb表示边缘节点的均值和标准差;节点位于其他任意位置时,高斯函数为pr=exp(-(path-μr)2/2σr 2),其中μr、σbr表示其他位置任意节点的均值和标准差;
③图像进行顺序搜索所依据的路径测度方法可表示为:
(2)采用反馈策略选取图像的初始边缘,提高顺序搜索图像边缘的自动化程度以及初始边缘的准确性;
①通过反馈的方法将获得的边缘反复进行重新计算,根据转移概率和高斯函数的不断增加,迭代8次左右求得更接近实际边缘的边缘路径;
②利用反馈方式进行迭代运算的算法流程如图3所示。
D.根据图像边缘特征分割图像,通过全局阈值判决像素点的区域,识别图像中的背景与目标,完成图像信息的处理。
采用逼近的方法,选取适当的阈值根据图像的边缘分割图像中的目标与背景;
①假设图像中包含背景和目标两种像素,首先根据图像的边缘分别计算出在同一边缘区域内的灰度值H,图像中最大的灰度值记为Hmax,最小灰度值为Hmin,则初始阈值可表示为
②假设视频图像中背景较暗,则根据阈值O将图像中像素的灰度值小于O的像素记为背景像素,同理将其他的记为目标像素,并分别求出平均灰度值Hback和Haim,则新的划分阈值为
若O=O'+1,则通过该阈值对图像按灰度值的大小进行背景与目标的分割,大于该阈值的灰度值对应的像素为目标像素,小于该阈值的灰度值对应的像素为背景像素;否则重复进行划分计算,直至O=O'+1成立求出阈值;
综上所述,便实现了一种肉制品加工生产线监控信息系统的图像去噪分割识别方法。在复杂性强的图像处理中,本发明能够灵活、准确地完成图像的预处理,可根据当前图像的特征,进行去噪、分割和识别,具有实用性和稳定性的有益效果。
Claims (3)
1.一种肉制品加工生产线监控信息系统的图像去噪分割识别方法,其特征在于:所述方法包括以下步骤:
A.获取肉制品加工生产线的视频图像信息,通过视觉处理系统对采集的图像直接进行存储与传输;
B.用图像处理系统对采集的图像信号进行小波分解,通过分析和适当的阈值化去除噪声小波系数达到保留信号滤除噪声的目的;
C.通过反馈的方法将获得的边缘反复进行重新计算,根据转移概率和高斯函数的不断增加,迭代多次求得更接近实际边缘的边缘路径,通过迭代求解马尔科夫转移概率和高斯参数,提取图像实际边缘特征;
D.根据图像边缘特征分割图像,通过全局阈值判决像素点的区域,识别图像中的背景与目标,完成图像信息的处理。
所述步骤D包括:
采用逼近的方法,选取适当的阈值根据图像的边缘分割图像中的目标与背景;
①假设图像中包含背景和目标两种像素,首先根据图像的边缘分别计算出在同一边缘区域内的灰度值H,图像中最大的灰度值记为Hmax,最小灰度值为Hmin,则初始阈值可表示为
②假设视频图像中背景较暗,则根据阈值O将图像中像素的灰度值小于O的像素记为背景像素,同理将其他的记为目标像素,并分别求出平均灰度值Hback和Haim,则新的划分阈值为
E.若O=O'+1,则通过该阈值对图像按灰度值的大小进行背景与目标的分割,大于该阈值的灰度值对应的像素为目标像素,小于该阈值的灰度值对应的像素为背景像素;否则重复进行划分计算,直至O=O'+1成立求出阈值。
2.根据权利要求1所述的肉制品加工生产线监控信息系统的图像去噪分割识别方法,其特征在于:所述步骤A包括:
设置漫反射无影光源,通过折射板将LED灯光的折射光,照射肉制品加工过程,通过摄像机采集加工过程的监控图像信息;
用视觉处理系统对采集的图像直接进行存储,并利用数字传输技术及大规模集成电路,使用一根光纤传输多路图像的多个信号至图像处理系统,在提高图像传输稳定性的同时,实现实时传输。
3.根据权利要求1或2所述的肉制品加工生产线监控信息系统的图像去噪分割识别方法,其特征在于:所述步骤B包括:
(1)通过基小波函数J(x)的缩放和平移变换,构造不同尺度下待分析图像信号的小波变换;
①基小波函数J(x)在不同尺度下进行平移变换,构造小波序列:
其中,s表示尺度伸缩因子,s≠0,p为平移变化因子,且s,p∈R,R为实数,x表示图像信息;
②任意待分析图像f(x)在尺度s下的小波变换算式表示为:
其中,s,p∈Z表示任意可能的伸缩和平移变换;
(2)使用软阈值函数对小波变换系数进行阈值化处理,保留信号小波系数去除噪声小波系数,实现图像的去噪处理;
①假设视频图像是一个二维矩阵,那么每次经过步骤B(1)中的小波变换后图像便被分解为4个大小相同的子块频带区域;
②根据图像的一组小波系数的统计特性,选取适当的阈值ω对分解后的子频带区域进行阈值化处理,根据算式
③采用软阈值函数将小于阈值ω的小波系数去除,将大于阈值ω的小波系数进行缩减变换,软阈值函数为:
其中,X表示图像小波系数,若第i层频带上无干扰噪声的小波系数与去噪后的小波系数之间的误差达到最小,那么阈值ω达到最优,实现最优的去噪处理;否则根据算式
进行下一层的阈值化处理。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210594958.2A CN114913334A (zh) | 2018-09-28 | 2018-09-28 | 肉制品加工生产线监控信息系统的图像去噪分割识别方法 |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811142508.XA CN109389134B (zh) | 2018-09-28 | 2018-09-28 | 一种肉制品加工生产线监控信息系统的图像处理方法 |
CN202210594958.2A CN114913334A (zh) | 2018-09-28 | 2018-09-28 | 肉制品加工生产线监控信息系统的图像去噪分割识别方法 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811142508.XA Division CN109389134B (zh) | 2018-09-28 | 2018-09-28 | 一种肉制品加工生产线监控信息系统的图像处理方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114913334A true CN114913334A (zh) | 2022-08-16 |
Family
ID=65418255
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811142508.XA Active CN109389134B (zh) | 2018-09-28 | 2018-09-28 | 一种肉制品加工生产线监控信息系统的图像处理方法 |
CN202210594958.2A Pending CN114913334A (zh) | 2018-09-28 | 2018-09-28 | 肉制品加工生产线监控信息系统的图像去噪分割识别方法 |
Family Applications Before (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811142508.XA Active CN109389134B (zh) | 2018-09-28 | 2018-09-28 | 一种肉制品加工生产线监控信息系统的图像处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (2) | CN109389134B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112907514A (zh) * | 2021-01-20 | 2021-06-04 | 南京迪沃航空技术有限公司 | 一种基于图像识别的螺栓螺母缺陷诊断方法及系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8184927B2 (en) * | 2006-07-31 | 2012-05-22 | Stc.Unm | System and method for reduction of speckle noise in an image |
US8224093B2 (en) * | 2008-10-23 | 2012-07-17 | Siemens Aktiengesellschaft | System and method for image segmentation using continuous valued MRFs with normed pairwise distributions |
CN101840571B (zh) * | 2010-03-30 | 2012-03-28 | 杭州电子科技大学 | 一种基于视频图像的火焰检测方法 |
CN103942536B (zh) * | 2014-04-04 | 2017-04-26 | 西安交通大学 | 一种迭代更新轨迹模型的多目标跟踪方法 |
CN107402381B (zh) * | 2017-07-11 | 2020-08-07 | 西北工业大学 | 一种迭代自适应的多机动目标跟踪方法 |
-
2018
- 2018-09-28 CN CN201811142508.XA patent/CN109389134B/zh active Active
- 2018-09-28 CN CN202210594958.2A patent/CN114913334A/zh active Pending
Also Published As
Publication number | Publication date |
---|---|
CN109389134B (zh) | 2022-10-28 |
CN109389134A (zh) | 2019-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108562589B (zh) | 一种对磁路材料表面缺陷进行检测的方法 | |
CN109190752B (zh) | 基于深度学习的全局特征和局部特征的图像语义分割方法 | |
CN109766830B (zh) | 一种基于人工智能图像处理的舰船目标识别系统及方法 | |
CN110175603B (zh) | 一种雕刻文字识别方法、系统及存储介质 | |
CN109410238B (zh) | 一种基于PointNet++网络的枸杞识别计数方法 | |
CN111310622A (zh) | 一种面向水下机器人智能作业的鱼群目标识别方法 | |
CN110334760B (zh) | 一种基于resUnet的光学元器件损伤检测方法及系统 | |
CN115082483B (zh) | 基于光学相机的玻璃纤维板表面缺陷识别方法 | |
CN113393426A (zh) | 一种轧钢板表面缺陷检测方法 | |
CN114283162A (zh) | 基于对比自监督学习的现实场景图像分割方法 | |
Tamou et al. | Transfer learning with deep convolutional neural network for underwater live fish recognition | |
CN111369526A (zh) | 基于半监督深度学习的多类型旧桥裂痕识别方法 | |
CN115019103A (zh) | 基于坐标注意力群组优化的小样本目标检测方法 | |
CN113988147A (zh) | 基于图网络的遥感图像场景多标签分类方法及装置、多标签检索方法及装置 | |
CN116597270A (zh) | 基于注意力机制集成学习网络的道路损毁目标检测方法 | |
CN111242134A (zh) | 一种基于特征自适应学习的遥感影像地物分割方法 | |
CN109389134B (zh) | 一种肉制品加工生产线监控信息系统的图像处理方法 | |
CN112581483B (zh) | 基于自学习的植物叶片叶脉分割方法和装置 | |
CN117119253B (zh) | 一种针对目标对象的高质量视频抽帧方法 | |
CN113313179A (zh) | 一种基于l2p范数鲁棒最小二乘法的噪声图像分类方法 | |
CN115169375B (zh) | 基于ar与枪球联动的高位物料可视化方法 | |
CN115761647A (zh) | 基于计算机视觉的变电站内物体运动轨迹检测方法及系统 | |
CN115965613A (zh) | 基于空洞卷积的跨层连接的施工场景人群计数方法 | |
CN115880266A (zh) | 一种基于深度学习的肠道息肉检测系统和方法 | |
CN114743257A (zh) | 图像目标行为的检测识别方法 |
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 |