CN114937006A - 一种基于图像增强的锤头精细化缺陷检测方法 - Google Patents
一种基于图像增强的锤头精细化缺陷检测方法 Download PDFInfo
- Publication number
- CN114937006A CN114937006A CN202210472066.5A CN202210472066A CN114937006A CN 114937006 A CN114937006 A CN 114937006A CN 202210472066 A CN202210472066 A CN 202210472066A CN 114937006 A CN114937006 A CN 114937006A
- Authority
- CN
- China
- Prior art keywords
- image
- original image
- pixel point
- obtaining
- convolution kernel
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 36
- 238000001514 detection method Methods 0.000 title claims abstract description 13
- 241000251131 Sphyrna Species 0.000 title claims abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 33
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 26
- 238000012545 processing Methods 0.000 claims abstract description 10
- 238000003709 image segmentation Methods 0.000 claims description 4
- 238000012935 Averaging Methods 0.000 claims description 3
- 238000003909 pattern recognition Methods 0.000 abstract description 3
- 230000008569 process Effects 0.000 description 6
- 230000008901 benefit Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 5
- 238000005286 illumination Methods 0.000 description 4
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000009776 industrial production Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000006835 compression Effects 0.000 description 1
- 238000007906 compression Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000003702 image correction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction 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
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/80—Geometric correction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/40—Analysis of texture
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30164—Workpiece; Machine component
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于图像增强的锤头精细化缺陷检测方法,属于数据处理技术领域。该方法中,通过识别图形获取破碎机锤头原始图像;对原始图像进行数据处理,得到原始图像对应的纹理图像;利用多尺度Retinex算法,得到原始图像对应的增强图像;根据增强图像和纹理图像,判断原始图像上是否存在气泡缺陷。因此,本发明提供的方法采用图形识别的方式,并进行相关的数据处理,可以增高对破碎机锤头缺陷检测的可靠性。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及一种基于图像增强的锤头精细化缺陷检测方法。
背景技术
破碎行业经常用到的锤头,就是指破碎机上用来破碎不同物料的易损件;但是在工业生产当中,生产破碎机锤头时会由于排气问题或者浇筑体系规划问题导致锤头出现气泡,出现气泡会降低锤头的硬度,进而可能会影响破碎机破碎物料的效率。
现有的检测破碎机锤头缺陷的方法可能会受到外界光照的影响,进而可能会降低检测破碎机锤头缺陷的可靠性和准确性。
发明内容
本发明提供基于图像增强的锤头精细化缺陷检测方法,用于解决现有方法对破碎机锤头进行缺陷检测可靠性低的问题,所采用的技术方案具体如下:
第一方面,本发明一个实施例提供了一种基于图像增强的锤头精细化缺陷检测方法包括以下步骤:
获取破碎机锤头原始图像;
根据原始图像上像素点像素值,得到原始图像对应的纹理图像;
利用多尺度Retinex算法,得到原始图像对应的增强图像;
根据增强图像和纹理图像,判断原始图像上是否存在气泡缺陷。
有益效果:本发明将原始图像上像素点像素值作为得到原始图像对应的纹理图像的依据;将多尺度Retinex算法作为得到原始图像对应的增强图像的依据;将增强图像和纹理图像作为判断原始图像上是否存在气泡缺陷的依据;本发明提供的方法采用图形识别的方式,并进行相关的数据处理,可以增高对破碎机锤头缺陷检测的可靠性。
优选的,获取破碎机锤头原始图像的方法,包括:
利用图像采集设备采集锤头底部的图像,对锤头底部的图像进行灰度化处理,并将灰度化处理后的图像记为破碎机锤头原始图像。
优选的,根据原始图像上像素点像素值,得到原始图像对应的纹理图像的方法,包括:
设置标准的卷积核;
将标准卷积核上下左右四个方向往外延伸一个像素点,之后再将卷积核中心位置周围上下左右四个方向的像素点删去,得到一个全新的卷积核;
并在原始图像中进行遍历,从原始图像最左上角的一个像素点开始,将该像素点放在卷积核的中心位置,卷积核其余各位置的像素点与中心像素点的灰度值进行比较,若像素点灰度值小于中心点灰度值,将该像素点所在位置标为0,若大于中心点灰度值,将该像素点所在位置标为1,并构建得到2进制序列;
将2进制序列转换为10进制,将值赋给一张和原始图像一样大小的图像,对原始图像遍历完成之后,将得到的新的图像记为原始图像对应的纹理图像。
优选的,标准的卷积核为3×3卷积核。
优选的,Retinex算法的K值为3,所述K值为3是指取3个不同大小的卷积核。
优选的,利用多尺度Retinex算法,得到原始图像对应的增强图像的方法,包括:
根据全新的卷积核,得到第一个高斯核大小;
根据原始图像中灰度值最大的像素点,以及与灰度值最大的像素点距离最远的点,得到第二个高斯核大小;
根据原始图像中每一行的灰度值求平均,得到第三个高斯核大小;
根据第一个高斯核大小、第二个高斯核大小以及第三个高斯核大小,得到原始图像对应的增强图像。
优选的,根据增强图像和纹理图像,判断原始图像上是否存在气泡缺陷的方法,包括:
将纹理图像和增强图像进行结合,之后使用图像分割算法,判断原始图像上是否存在气泡缺陷。
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和优点,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的介绍,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它附图。
图1为本发明一种基于图像增强的锤头精细化缺陷检测方法的流程图。
具体实施方式
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、完整的描述,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,基于本发明实施例,本领域普通技术人员所获得的所有其它实施例,都属于本发明实施例保护的范围。
除非另有定义,本文所使用的所有的技术和科学技术语与属于本发明的技术人员通常理解的含义相同。
本实施例提供了基于图像增强的锤头精细化缺陷检测方法,详细说明如下:
如图1所示,该基于图像增强的锤头精细化缺陷检测方法,包括以下步骤:
步骤S001,获取破碎机锤头原始图像。
在工业生产当中,生产破碎机锤头会由于排气问题或者浇筑体系规划问题导致锤头出现气泡,出现气泡会降低锤头的硬度,因此在生产之后需要检测锤头是否出现该问题,在生产完毕之后,锤头跟随间歇性传送带传输,在这种情况下,光线较暗,使用相机采集的锤头底部图像会比较模糊,气泡会由于较暗的光线导致不容易发现,为此需要使用图像增强的方法对图像进行处理。
本实施例通过图像采集设备采集锤头底部的图像,对锤头底部的图像进行灰度化处理,并将灰度化处理后的图像记为破碎机锤头原始图像。
步骤S002,根据原始图像上像素点像素值,得到原始图像对应的纹理图像。
本实施例主要是使用改进的Retinex算法对图像进行增强,增强之后再结合纹理信息,来判断破碎机锤头原始图像上是否存在气泡缺陷;但是在使用Retinex算法进行图像增强的过程中,可能会导致原始图像稍微变得模糊,图像变模糊之后就会丧失部分的图像细节和纹理信息,因此本实施例基于原始图像来提取图像的细节和纹理信息,得到原始图像对应的纹理图像;具体过程为:
由于当破碎机锤头原始图像上存在气泡缺陷时,气泡缺陷形状近似为圆形,因此设置卷积核形状为标准的3×3卷积核,将标准卷积核上下左右四个方向往外延伸一个像素点,该卷积核就变成了13个像素点,之后再将卷积核中心位置周围上下左右四个方向的像素点删去,这样就构成了一个全新的卷积核,卷积核大小为9个像素点,设该卷积核为E;并在原始图像中进行遍历,从原始图像最左上角的一个像素点开始,将该像素点放在卷积核的中心位置,卷积核其余8个位置的像素点从最上方像素点开始一一与中心像素点的灰度值进行比较,若像素点灰度值小于中心点灰度值,那么将该像素点所在位置标为0,若大于中心点灰度值,那么将该像素点所在位置标为1,顺时针从最上方像素点读取,构成了一个2进制序列,将该序列转换为10进制,转换得到的值正好在[0,255]之间,将值赋给一张和原始图像一样大小的图像,对原始图像遍历完成之后,所得到的新的图像就是需要的纹理图像,记为原始图像对应的纹理图像。
步骤S003,利用多尺度Retinex算法,得到原始图像对应的增强图像。
本实施例中,设原始图像为F(x,y)=FL(x,y)·FR(x,y),其中FL(x)为照射图像,FR(x)为反射图像,Retinex算法的原理为将一张图像分为照射图和反射图,而需要的图像只是反射图像,因此该算法就是通过原始图像分离出反射图像最终得到需要的入射图的过程。
使用多尺度Retinex算法,该方法可以实现色彩增强、颜色恒常驻、局部动态范围压缩等效果。该方法的计算公式如下:
其中,r(x,y)为输出图像,该图像再进行指数变换之后就是所需的反射图像,即logFR(x)=r(x,y);公式中Gk(x,y)为高斯环绕函数,利用该函数分离出入射图像,wk是针对于不同高斯函数的权值。
为了能够更好的使用Retinex算法,其中最重要的就是确定高斯核函数;影响高斯核函数最关键的因素就是卷积核的大小,而对于多尺度Retinex算法来说,K值取几,就取多少个不同大小的卷积核,这样做的目的是为了得到不同尺度高斯核的优点。
本实施例中,选取K=3,K值如果太大,需要进行的运算也就越多,而太小有没有多尺度的优势,因此本方案选取K=3。
对于第一个高斯核c1,在上述步骤中,本实施例为了提取纹理信息使用的卷积核,为此第一个高斯卷积核c1=E;选取该卷积核的原因是在最后阶段需要将经过增强的图像与纹理图像进行结合,为此使用该卷积核对原始图像进行卷积,在后面结合的时候不会出现变化太大的问题。
对于第二个高斯核,本实施例根据气泡的大小来确定,由于在低照度下,图像会变得很暗,气泡大小并不能稳定的被确定,因此本实施例使用估计法来估计气泡的大小,然后进而确定高斯核的大小;具体过程为:
由于气泡近似一个圆形,因此本实施例中将气泡作为一个圆形区域来处理,由于气泡边缘的像素点灰度值要比锤头的像素点灰度值要大,因此从图像中选取出灰度值最大的像素点,认为该点对应的是气泡的边缘点;并以该点为初始点,寻找其在周围8邻域的灰度值最大像素点,之后下一个像素点找他周围8邻域内除了上一个点的最大值点,进行100次迭代,将每次选择的像素点都标记出来,迭代100次之后就得到了曲线,之后将曲线细化,得到一条细化的曲线,曲线的两端是初始点和离初始点最远的点。记初始点坐标为n(i0,j0),那么曲线另一端的点是:
其中,max(L)表示曲线上所有点距离初始点的最大距离。
最后记曲线的另一端的点为n(i1,j1),两点根据曲线得到一个曲率,通过两点的坐标和曲率确定一个圆形,假设该圆形的直径为d,那么该高斯核的大小就为d。
对于第三个高斯核,将每一行的灰度值求平均,由此得到了一条图像投影,对该投影进行遍历,观察不同位置的灰度变化情况,在遍历过程中,以一组灰度相反的信息为一组。从第一个开始遍历,步长为1,第一个和第二个进行比较,记为第一组,无论大小第一组记为1,并且此时统计两者比较信息,若前一个大于后一个记为a,后一个大于前一个记为b。之后将第二个与第三个进行比较,记为第二组,若第二组与第一组组信息不同,即一个是a一个是b,那么第二组就记为0,以此类推;同理,对每一列也求平均。
这样就得到了二个0和1的编码,其中本实施例分别找到变化最剧烈的部分,即全为最长的1的连续部分,记录此时的两个长度,将两个长度求平均,得到第三个高斯核的大小,记为l。
对于Retinex算法来说,得到了三个高斯核的大小,就可以得到r(x,y),再对r(x,y)进行指数变化和照度变化,就得到了增强之后的图像,该图像为R(x,y),将增强之后的图像记为原始图像对应的增强图像。
步骤S004,根据增强图像和纹理图像,判断原始图像上是否存在气泡缺陷。
本实施例中,将上述得到的原始图像对应的纹理图像和增强图像进行结合,得到结合后边缘清晰且纹理没有改变的图像,之后使用图像分割算法,判断原始图像上是否存在气泡缺陷;所述利用图像分割算法对图像进行区域分割分析的过程为现有技术因此本实施例不再具体描述。
本实施例对于图像增强来说,是为了让图像变得清晰,本实施例选取了Retinex算法使用,该方法可以较好的对图像进行增强,但是与现有Retinex算法不同的是,本实施例添加了纹理图像矫正,在最后与增强的图像和纹理图像矫正;并且对于Retinex算法本身,其中高斯环绕函数是其中最主要的一环,现有大部分都是使用经验值来调节,在本实施例中,结合了提取纹理使用的高斯核、可能的缺陷大小作为高斯核模板大小以及图像中变化最剧烈的一段作为高斯核大小,使得Retinex算法函数更加符合本实施例。
有益效果:本实施例将原始图像上像素点像素值作为得到原始图像对应的纹理图像的依据;将多尺度Retinex算法作为得到原始图像对应的增强图像的依据;将增强图像和纹理图像作为判断原始图像上是否存在气泡缺陷的依据;本实施例提供的方法采用图形识别的方式,并进行相关的数据处理,可以增高对破碎机锤头缺陷检测的可靠性。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,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;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (7)
1.一种基于图像增强的锤头精细化缺陷检测方法,其特征在于,该方法包括如下步骤:
获取破碎机锤头原始图像;
根据原始图像上像素点像素值,得到原始图像对应的纹理图像;
利用多尺度Retinex算法,得到原始图像对应的增强图像;
根据增强图像和纹理图像,判断原始图像上是否存在气泡缺陷。
2.如权利要求1所述的一种基于图像增强的锤头精细化缺陷检测方法,其特征在于,所述获取破碎机锤头原始图像的方法,包括:
利用图像采集设备采集锤头底部的图像,对锤头底部的图像进行灰度化处理,并将灰度化处理后的图像记为破碎机锤头原始图像。
3.如权利要求1所述的一种基于图像增强的锤头精细化缺陷检测方法,其特征在于,所述根据原始图像上像素点像素值,得到原始图像对应的纹理图像的方法,包括:
设置标准的卷积核;
将标准卷积核上下左右四个方向往外延伸一个像素点,之后再将卷积核中心位置周围上下左右四个方向的像素点删去,得到一个全新的卷积核;
并在原始图像中进行遍历,从原始图像最左上角的一个像素点开始,将该像素点放在卷积核的中心位置,卷积核其余各位置的像素点与中心像素点的灰度值进行比较,若像素点灰度值小于中心点灰度值,将该像素点所在位置标为0,若大于中心点灰度值,将该像素点所在位置标为1,并构建得到2进制序列;
将2进制序列转换为10进制,将值赋给一张和原始图像一样大小的图像,对原始图像遍历完成之后,将得到的新的图像记为原始图像对应的纹理图像。
4.如权利要求3所述的一种基于图像增强的锤头精细化缺陷检测方法,其特征在于,所述标准的卷积核为3×3卷积核。
5.如权利要求3所述的一种基于图像增强的锤头精细化缺陷检测方法,其特征在于,所述Retinex算法的K值为3,所述K值为3是指取3个不同大小的卷积核。
6.如权利要求5所述的一种基于图像增强的锤头精细化缺陷检测方法,其特征在于,所述利用多尺度Retinex算法,得到原始图像对应的增强图像的方法,包括:
根据全新的卷积核,得到第一个高斯核大小;
根据原始图像中灰度值最大的像素点,以及与灰度值最大的像素点距离最远的点,得到第二个高斯核大小;
根据原始图像中每一行的灰度值求平均,得到第三个高斯核大小;
根据第一个高斯核大小、第二个高斯核大小以及第三个高斯核大小,得到原始图像对应的增强图像。
7.如权利要求1所述的一种基于图像增强的锤头精细化缺陷检测方法,其特征在于,所述根据增强图像和纹理图像,判断原始图像上是否存在气泡缺陷的方法,包括:
将纹理图像和增强图像进行结合,之后使用图像分割算法,判断原始图像上是否存在气泡缺陷。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210472066.5A CN114937006A (zh) | 2022-04-29 | 2022-04-29 | 一种基于图像增强的锤头精细化缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210472066.5A CN114937006A (zh) | 2022-04-29 | 2022-04-29 | 一种基于图像增强的锤头精细化缺陷检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114937006A true CN114937006A (zh) | 2022-08-23 |
Family
ID=82864073
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210472066.5A Pending CN114937006A (zh) | 2022-04-29 | 2022-04-29 | 一种基于图像增强的锤头精细化缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114937006A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115830033A (zh) * | 2023-02-23 | 2023-03-21 | 威海锐鑫丰金属科技有限公司 | 基于机器视觉的汽车轮毂表面缺陷检测方法 |
CN117078676A (zh) * | 2023-10-16 | 2023-11-17 | 青岛盛鑫达机械有限公司 | 基于图像处理的破碎锤外壳视觉检测方法 |
-
2022
- 2022-04-29 CN CN202210472066.5A patent/CN114937006A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115830033A (zh) * | 2023-02-23 | 2023-03-21 | 威海锐鑫丰金属科技有限公司 | 基于机器视觉的汽车轮毂表面缺陷检测方法 |
CN117078676A (zh) * | 2023-10-16 | 2023-11-17 | 青岛盛鑫达机械有限公司 | 基于图像处理的破碎锤外壳视觉检测方法 |
CN117078676B (zh) * | 2023-10-16 | 2024-01-12 | 青岛盛鑫达机械有限公司 | 基于图像处理的破碎锤外壳视觉检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115861135B (zh) | 一种应用于箱体全景探测的图像增强及识别方法 | |
CN108596197B (zh) | 一种印章匹配方法及装置 | |
JP4903854B2 (ja) | デジタル画像におけるオブジェクト検出方法 | |
CN108629343B (zh) | 一种基于边缘检测和改进Harris角点检测的车牌定位方法和系统 | |
CN114937006A (zh) | 一种基于图像增强的锤头精细化缺陷检测方法 | |
CN116309537B (zh) | 一种极耳模具表面油污的缺陷检测方法 | |
US10885321B2 (en) | Hand detection method and system, image detection method and system, hand segmentation method, storage medium, and device | |
CN115147409B (zh) | 基于机器视觉的手机壳生产品质检测方法 | |
JP2002342756A (ja) | デジタル画像において目と口の位置を検出する方法 | |
CN111461100B (zh) | 一种票据识别方法、装置、电子设备和存储介质 | |
CN115578374A (zh) | 一种机械零件铸造质量评估方法与系统 | |
CN112446871B (zh) | 一种基于深度学习和OpenCV的隧道裂缝识别方法 | |
CN115274486B (zh) | 一种半导体表面缺陷识别方法 | |
CN117689655B (zh) | 基于计算机视觉的金属钮扣表面缺陷检测方法 | |
CN113609984A (zh) | 一种指针式仪表读数识别方法、装置及电子设备 | |
CN104915951B (zh) | 一种点刻式dpm二维码区域定位方法 | |
JP2008251029A (ja) | 文字認識装置、ナンバープレート認識システム | |
CN115082776A (zh) | 一种基于图像识别的电能表自动检测系统及方法 | |
CN117557565B (zh) | 一种锂电池极片的检测方法及其装置 | |
CN111444773A (zh) | 一种基于图像的多目标分割识别方法及系统 | |
CN107808165B (zh) | 一种基于susan角点检测的红外图像匹配方法 | |
CN115294314B (zh) | 一种电子元器件表面缺陷识别方法 | |
CN114067122B (zh) | 一种两级式二值化图像处理方法 | |
JP2023104915A (ja) | 画像処理方法、装置及び記憶媒体 | |
CN117501326A (zh) | 图像处理方法及装置、电子设备、计算机可读存储介质 |
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 |