CN115661765A - 一种路面病害检测方法 - Google Patents
一种路面病害检测方法 Download PDFInfo
- Publication number
- CN115661765A CN115661765A CN202211342731.5A CN202211342731A CN115661765A CN 115661765 A CN115661765 A CN 115661765A CN 202211342731 A CN202211342731 A CN 202211342731A CN 115661765 A CN115661765 A CN 115661765A
- Authority
- CN
- China
- Prior art keywords
- disease
- image
- road surface
- pavement
- brightness
- 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
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及路面检测技术领域,具体公开了一种路面病害检测方法,所述方法包括获取路面图像,对所述路面图像进行预处理,得到增强图像;将所述增强图像输入训练好的基于机器学习的病害特征提取模型,得到含有裂缝特征的二值图像;对含有裂缝特征的二值图像进行识别,确定病害特征,并生成路面评价报告。本发明综合采用人工智能、边缘计算、云平台、互联网技术、地理信息技术,通过构建多尺度深度病害提取网络和道路病害分类模型来完成路面病害的自动提取和分类,构建路面病害检测云平台,在线完成道路病害的智能计算、自动分类、评价、可视化表达,推进了病害智能检测的工程化应用。
Description
技术领域
本发明涉及路面检测技术领域,具体是一种路面病害检测方法。
背景技术
由于道路结构、气候条件、交通荷载、养护水平及路龄等差异,路网中的道路处于不同的技术状况水平并动态变化中,全面推广技术状况检测和路面自动化采集,是提升养护科学决策水平的必要手段。作为评价路面质量的最重要技术指标,路面损坏状况指数(Pavement Surface Condition Index,PCI)全面反映了道路裂缝、坑槽、车辙等各种表面破坏和损伤的面积、严重程度及空间分布,同时PCI指标也是公路系统养护决策、绩效考核、计划编制、资金配置的重要依据,因此如何快捷、高效完成路面数据采集处理与PCI的自动计算是当前实现公路智能养护亟待解决的关键技术问题。
发明内容
本发明的目的在于提供一种路面病害检测方法,以解决上述背景技术中提出的问题。
为实现上述目的,本发明提供如下技术方案:
一种路面病害检测方法,所述方法包括:
获取路面图像,对所述路面图像进行预处理,得到增强图像;
将所述增强图像输入训练好的基于机器学习的病害特征提取模型,得到含有裂缝特征的二值图像;
对含有裂缝特征的二值图像进行识别,确定病害特征,并生成路面评价报告。
作为本发明进一步的方案:所述获取路面图像,对所述路面图像进行预处理,得到增强图像的步骤包括:
获取路面图像,将路面图像的色彩空间由RGB转换至HSV,并对亮度进行分块;
基于全局亮度均值计算子块的亮度差值矩阵;
根据双立方差值法将各子块亮度差值矩阵扩展为全图像亮度差值矩阵,基于全图像亮度差值矩阵对路面图像进行亮度调整;
基于双边滤波计算路面图像的低频反锐化掩模,将路面图像减去反锐化掩模,得到高频成分;
引入全局均值和局部标准差优化对比度增益系数,对亮度调整后的路面图像中对应的高频成分进行对比度增强,得到增强图像。
作为本发明进一步的方案:所述获取路面图像,对所述路面图像进行预处理,得到增强图像的步骤还包括:
基于非局部均值滤波算法对亮度调整和对比度增强后的路面图像进行降噪。
作为本发明进一步的方案:所述将所述增强图像输入训练好的基于机器学习的病害特征提取模型,得到含有裂缝特征的二值图像的步骤包括:
将所述增强图像输入含有注意力机制的病害特征提取模型,依次进行基础特征提取、多尺度特征提取和上采样特征融合,得到含有裂缝特征的二值图像。
作为本发明进一步的方案:所述对含有裂缝特征的二值图像进行识别,确定病害特征,并生成路面评价报告的步骤包括:
通过盒计数法计算二值图像中路面病害的盒维数和信息维数;
通过路面病害最小外接矩形计算路面线性裂缝方位角和密集度特征;
根据计算时间和分类效率建立基于径向基概率神经网络的病害分类模型,基于所述病害分类模型确定裂缝的平均宽度和病害面积的影响级别;
统计所有裂缝的影响级别,生成路面评价报告。
作为本发明进一步的方案:所述病害分类模型中含有病害类型分类器和路面破损指数计算模型。
与现有技术相比,本发明的有益效果是:本发明依托多场景、大容量实测路面影像数据,构建服务于病害智能检测任务的基准数据集,解决该领域训练数据短缺问题;结合扩张注意力和融合上采样策略,提出基于多尺度特征的路面病害自动提取模型,实现复杂背景噪声下病害的像素级提取;研究路面各种病害的统计特征与结构特征提取方法,设计径向基概率神经网络分类模型,实现病害自动分类和路面损坏状况指数评定;综合上述模型方法,采用边缘计算技术构建路面病害在线检测云平台,实现病害在线检测,为公路科学养护提供了理论和技术支撑。
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。
图1为路面病害检测方法的流程框图。
图2为路面病害检测方法的第一子流程框图。
图3为路面病害检测方法的第二子流程框图。
具体实施方式
为了使本发明所要解决的技术问题、技术方案及有益效果更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
实施例1
图1为路面病害检测方法的流程框图,本发明实施例中,一种路面病害检测方法,所述方法包括:
步骤S100:获取路面图像,对所述路面图像进行预处理,得到增强图像;
步骤S200:将所述增强图像输入训练好的基于机器学习的病害特征提取模型,得到含有裂缝特征的二值图像;
步骤S300:对含有裂缝特征的二值图像进行识别,确定病害特征,并生成路面评价报告。
本发明技术方案共有三个主要步骤,如下:
(1)路面图像数据预处理:当前服务于病害智能化检测和分类任务的训练数据短缺,研究路面的病害类型较为单一,智能检测和分类评价模型的评估基准不统一。本发明基于应用驱动,首先要对路面影像做针对性的图像预处理,均衡化影像的光照强度,增强裂缝特征信息,消除或减少噪声影响。引入类内多样性和类间差异性两项筛选因子,构建一套路面病害基准数据集,该数据集具有较高类内多样性和较低的类间差异性;选用Cracktree、CrackForest和DeepCrack三种主流检测方法,设置最优实验协议,以总体精度(OA)和混淆矩阵结果作为病害检测性能的评估标准,给出基于本发明基准数据集的检测基准结果,引导病害智能化检测和分类模型的评估和改进工作。
(2)路面病害像素级提取:利用深度学习构建路面病害自动提取网络,实现道路病害的像素级提取。设计高鲁棒性病害分割网络模型,实现复杂背景下病害的鲁棒性提取。充分利用多尺度扩张卷积模块中的多尺度语义信息进行融合以获取更加丰富的病害特征,建立了一个可训练的端到端病害分割网络,实现复杂背景下路面病害的像素级提取,特别是在对小病害目标的鲁棒性分割上具有特色。
(3)路面病害分类:在病害分类及评价方面,发明解决病害特征提取、多分类模型设计和病害参数计算,拟采用盒计数法计算路面病害二值像的广义分形维数,该统计特征可区分出单向裂缝、网状裂缝、坑槽和修补四大类病害类型,在统一规格的样本中取得了较好的效果;通过提取线性方位角和区域像素分布密度,可进一步细化线性裂缝和网状裂缝的差异性结构特征。经试验,该方法可对测试样本中的病害类型进行准确分类,后续拟通过扩充路面病害样本数据库,进一步完善分类系统的数据覆盖面;通过研究病害特征优先等级划分,提高分类效率。
图2为路面病害检测方法的第一子流程框图,所述获取路面图像,对所述路面图像进行预处理,得到增强图像的步骤包括:
步骤S101:获取路面图像,将路面图像的色彩空间由RGB转换至HSV,并对亮度进行分块;
步骤S102:基于全局亮度均值计算子块的亮度差值矩阵;
步骤S103:根据双立方差值法将各子块亮度差值矩阵扩展为全图像亮度差值矩阵,基于全图像亮度差值矩阵对路面图像进行亮度调整;
步骤S104:基于双边滤波计算路面图像的低频反锐化掩模,将路面图像减去反锐化掩模,得到高频成分;
步骤S105:引入全局均值和局部标准差优化对比度增益系数,对亮度调整后的路面图像中对应的高频成分进行对比度增强,得到增强图像。
实际路面病害数据采集过程中,由于受到环境光照不均以及各种污染等干扰,使得获取的路面图像背景复杂,导致病害和背景的对比度和连续性差降低,影像的质量直接影响到路面病害自动提取的精度。因此,需要对路面图像进行预处理,提高路面图像的鲁棒性和普适性。
上述内容对路面图像的处理过程进行了描述,具体如下:
首先,将基准库(路面图像库)中的原始影像的色彩空间由RGB转换至HSV,对亮度V进行分块处理,以全局亮度均值自适应的计算子块亮度差值矩阵。
然后,使用双立方差值法,将各子块亮度差值矩阵扩展为全图像亮度差值矩阵,结合全局亮度矩阵完成亮度值的动态调整,进而实现路面影像不均匀光照的自适应补偿。
在此基础上,利用双边滤波计算路面影像的低频反锐化掩模(unsharp mask),进而将原影像减去反锐化掩模获取高频成分,引入全局均值和局部标准差优化对比度增益系数,完成局部自适应对比度增强(Adaptive Contrast Enhancement,ACE)算法的优化。消除图片背景和阴影的影响,突出裂缝目标,这是本发明在精确提取裂缝前要解决的基础问题。
进一步的,所述获取路面图像,对所述路面图像进行预处理,得到增强图像的步骤还包括:
基于非局部均值滤波算法对亮度调整和对比度增强后的路面图像进行降噪。
在对路面图像进行亮度调整和对比度增强之后,对路面图像进行降噪是一种可选的技术方案,起到锦上添花的作用。当然,对于有些场合,降噪过程是必须的。
作为本发明技术方案的一个优选实施例,所述将所述增强图像输入训练好的基于机器学习的病害特征提取模型,得到含有裂缝特征的二值图像的步骤包括:
将所述增强图像输入含有注意力机制的病害特征提取模型,依次进行基础特征提取、多尺度特征提取和上采样特征融合,得到含有裂缝特征的二值图像。
路面裂缝具有不均匀性强、拓扑复杂性高以及与裂缝纹理相似噪声大等特点,采用传统DCNN网络结构提取的病害特征较为单一,导致在复杂背景下和小目标裂缝的自动提取精度低。因此,在保证计算成本、不丢失分辨率的情况下聚合多尺度上下文信息,设计带有注意力机制的多尺度特征提取模块,以提升小目标的裂缝特征表达能力。
图3为路面病害检测方法的第二子流程框图,所述对含有裂缝特征的二值图像进行识别,确定病害特征,并生成路面评价报告的步骤包括:
步骤S301:通过盒计数法计算二值图像中路面病害的盒维数和信息维数;
步骤S302:通过路面病害最小外接矩形计算路面线性裂缝方位角和密集度特征;
步骤S303:根据计算时间和分类效率建立基于径向基概率神经网络的病害分类模型,基于所述病害分类模型确定裂缝的平均宽度和病害面积的影响级别;
步骤S304:统计所有裂缝的影响级别,生成路面评价报告。
针对路面病害的特征复杂性,采用将路面病害影像分割后所得的二值图像作为实验数据,并通过对大样本数据集的病害图像分析,发明拟通过
盒计数法计算路面病害的盒维数和信息维数,通过路面病害最小外接矩形计算路面线性裂缝方位角和密集度特征,以计算时间和分类效率为标准,设计基于径向基概率神经网络的病害分类模型,依据裂缝之间的平均宽度和病害面积对路面病害的严重程度进行评估,最终以PCI计算结果来评价路面破损程度,将路面破损情况分为优、良、中、次、差五类。
需要说明的是,所述病害分类模型中含有病害类型分类器和路面破损指数计算模型。所述病害类型分类器用于对病害进行分类,路面破损指数计算模型用于确定病害类型与路面损坏程度之间的关系。
作为本发明技术方案的一个优选实施例,边缘计算装置更靠近数据产生终端,但边缘计算装置的内存和算力较小,计算资源有限,只能部署一些轻量型的深度学习网络,因此一般通过在边缘计算装置是嵌入已经训练好的轻量化深度学习模型,然后采用边缘计算装置进行实时地路面病害检测,因而边缘智能更加关注模型的计算速度和内存占有量。由于云计算距离数据源较远,获取数据会有一定的延迟,无法实现实时地数据分析和处理。但是云计算中心的计算资源丰富,可以部署复杂的深度学习模型,模型精度更高,并且还能完成模型的训练工作。因此,如果增设路面病害检测场景下的云边高效协同技术,实现路面图像数据存储、任务和计算等的智能化协同,可以极大地提高本发明技术方案的应用范围,这属于二次开发。
所述路面病害检测方法所能实现的功能均由计算机设备完成,所述计算机设备包括一个或多个处理器和一个或多个存储器,所述一个或多个存储器中存储有至少一条程序代码,所述程序代码由所述一个或多个处理器加载并执行以实现所述路面病害检测方法的功能。
处理器从存储器中逐条取出指令、分析指令,然后根据指令要求完成相应操作,产生一系列控制命令,使计算机各部分自动、连续并协调动作,成为一个有机的整体,实现程序的输入、数据的输入以及运算并输出结果,这一过程中产生的算术运算或逻辑运算均由运算器完成;所述存储器包括只读存储器(Read-Only Memory,ROM),所述只读存储器用于存储计算机程序,所述存储器外部设有保护装置。
示例性的,计算机程序可以被分割成一个或多个模块,一个或者多个模块被存储在存储器中,并由处理器执行,以完成本发明。一个或多个模块可以是能够完成特定功能的一系列计算机程序指令段,该指令段用于描述计算机程序在终端设备中的执行过程。
本领域技术人员可以理解,上述服务设备的描述仅仅是示例,并不构成对终端设备的限定,可以包括比上述描述更多或更少的部件,或者组合某些部件,或者不同的部件,例如可以包括输入输出设备、网络接入设备、总线等。
所称处理器可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等,上述处理器是上述终端设备的控制中心,利用各种接口和线路连接整个用户终端的各个部分。
上述存储器可用于存储计算机程序和/或模块,上述处理器通过运行或执行存储在存储器内的计算机程序和/或模块,以及调用存储在存储器内的数据,实现上述终端设备的各种功能。存储器可主要包括存储程序区和存储数据区,其中,存储程序区可存储操作系统、至少一个功能所需的应用程序(比如信息采集模板展示功能、产品信息发布功能等)等;存储数据区可存储根据泊位状态显示系统的使用所创建的数据(比如不同产品种类对应的产品信息采集模板、不同产品提供方需要发布的产品信息等)等。此外,存储器可以包括高速随机存取存储器,还可以包括非易失性存储器,例如硬盘、内存、插接式硬盘,智能存储卡(Smart Media Card, SMC),安全数字(Secure Digital, SD)卡,闪存卡(Flash Card)、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例系统中的全部或部分模块/单元,也可以通过计算机程序来指令相关的硬件来完成,上述的计算机程序可存储于计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个系统实施例的功能。其中,计算机程序包括计算机程序代码,计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。计算机可读介质可以包括:能够携带计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random AccessMemory)、电载波信号、电信信号以及软件分发介质等。
需要说明的是,在本文中,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者装置不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者装置所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括该要素的过程、方法、物品或者装置中还存在另外的相同要素。
以上仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (6)
1.一种路面病害检测方法,其特征在于,所述方法包括:
获取路面图像,对所述路面图像进行预处理,得到增强图像;
将所述增强图像输入训练好的基于机器学习的病害特征提取模型,得到含有裂缝特征的二值图像;
对含有裂缝特征的二值图像进行识别,确定病害特征,并生成路面评价报告。
2.根据权利要求1所述的路面病害检测方法,其特征在于,所述获取路面图像,对所述路面图像进行预处理,得到增强图像的步骤包括:
获取路面图像,将路面图像的色彩空间由RGB转换至HSV,并对亮度进行分块;
基于全局亮度均值计算子块的亮度差值矩阵;
根据双立方差值法将各子块亮度差值矩阵扩展为全图像亮度差值矩阵,基于全图像亮度差值矩阵对路面图像进行亮度调整;
基于双边滤波计算路面图像的低频反锐化掩模,将路面图像减去反锐化掩模,得到高频成分;
引入全局均值和局部标准差优化对比度增益系数,对亮度调整后的路面图像中对应的高频成分进行对比度增强,得到增强图像。
3.根据权利要求2所述的路面病害检测方法,其特征在于,所述获取路面图像,对所述路面图像进行预处理,得到增强图像的步骤还包括:
基于非局部均值滤波算法对亮度调整和对比度增强后的路面图像进行降噪。
4.根据权利要求1所述的路面病害检测方法,其特征在于,所述将所述增强图像输入训练好的基于机器学习的病害特征提取模型,得到含有裂缝特征的二值图像的步骤包括:
将所述增强图像输入含有注意力机制的病害特征提取模型,依次进行基础特征提取、多尺度特征提取和上采样特征融合,得到含有裂缝特征的二值图像。
5.根据权利要求1所述的路面病害检测方法,其特征在于,所述对含有裂缝特征的二值图像进行识别,确定病害特征,并生成路面评价报告的步骤包括:
通过盒计数法计算二值图像中路面病害的盒维数和信息维数;
通过路面病害最小外接矩形计算路面线性裂缝方位角和密集度特征;
根据计算时间和分类效率建立基于径向基概率神经网络的病害分类模型,基于所述病害分类模型确定裂缝的平均宽度和病害面积的影响级别;
统计所有裂缝的影响级别,生成路面评价报告。
6.根据权利要求5所述的路面病害检测方法,其特征在于,所述病害分类模型中含有病害类型分类器和路面破损指数计算模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211342731.5A CN115661765A (zh) | 2022-10-31 | 2022-10-31 | 一种路面病害检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211342731.5A CN115661765A (zh) | 2022-10-31 | 2022-10-31 | 一种路面病害检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115661765A true CN115661765A (zh) | 2023-01-31 |
Family
ID=84992712
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211342731.5A Pending CN115661765A (zh) | 2022-10-31 | 2022-10-31 | 一种路面病害检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115661765A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115984265A (zh) * | 2023-03-16 | 2023-04-18 | 山东金帝精密机械科技股份有限公司 | 一种用于轴承保持架的表面养护方法及设备 |
CN117079147A (zh) * | 2023-10-17 | 2023-11-17 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种道路内部病害识别方法、电子设备及存储介质 |
CN117745712A (zh) * | 2024-01-04 | 2024-03-22 | 首都师范大学 | 利用信息融合和云-边缘部署的道路病害检测方法及系统 |
-
2022
- 2022-10-31 CN CN202211342731.5A patent/CN115661765A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115984265A (zh) * | 2023-03-16 | 2023-04-18 | 山东金帝精密机械科技股份有限公司 | 一种用于轴承保持架的表面养护方法及设备 |
CN117079147A (zh) * | 2023-10-17 | 2023-11-17 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种道路内部病害识别方法、电子设备及存储介质 |
CN117079147B (zh) * | 2023-10-17 | 2024-02-27 | 深圳市城市交通规划设计研究中心股份有限公司 | 一种道路内部病害识别方法、电子设备及存储介质 |
CN117745712A (zh) * | 2024-01-04 | 2024-03-22 | 首都师范大学 | 利用信息融合和云-边缘部署的道路病害检测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Automatic pavement crack recognition based on BP neural network | |
Banharnsakun | Hybrid ABC-ANN for pavement surface distress detection and classification | |
CN115661765A (zh) | 一种路面病害检测方法 | |
Yu et al. | Intelligent Crack Detection and Quantification in the Concrete Bridge: A Deep Learning‐Assisted Image Processing Approach | |
Hoang et al. | Fast local Laplacian‐based steerable and Sobel filters integrated with adaptive boosting classification tree for automatic recognition of asphalt pavement cracks | |
CN113537037A (zh) | 路面病害识别方法、系统、电子设备及存储介质 | |
CN113255580A (zh) | 抛洒物识别、车辆抛洒滴漏识别方法和装置 | |
Doycheva et al. | Implementing textural features on GPUs for improved real-time pavement distress detection | |
Li et al. | RoadID: a dedicated deep convolutional neural network for multipavement distress detection | |
CN113807301A (zh) | 一种新增建设用地自动提取方法及自动提取系统 | |
CN113505702A (zh) | 基于双神经网络优化的路面病害识别方法及系统 | |
CN117036255A (zh) | 一种基于深度学习的管道缺陷检测与评价方法及装置 | |
CN116612280A (zh) | 车辆分割方法、装置、计算机设备和计算机可读存储介质 | |
Kokila et al. | Hybrid Behrens-Fisher-and gray contrast–based feature point selection for building detection from satellite images | |
Kumar et al. | A generic post-processing framework for image dehazing | |
CN117152642A (zh) | 基于无人机的生态环境监管系统及其方法 | |
Akther et al. | Detection of Vehicle's Number Plate at Nighttime using Iterative Threshold Segmentation (ITS) Algorithm | |
CN116824488A (zh) | 一种基于迁移学习的目标检测方法 | |
Chen et al. | Candidate region acquisition optimization algorithm based on multi-granularity data enhancement | |
CN104021534A (zh) | 一种碎纸片拼接方法 | |
Weixing et al. | Road extraction in vague images on gray scale consistency and improved MSR and DS evidence | |
Abdelmawla et al. | Unsupervised Learning of Pavement Distresses from Surface Images | |
Mei et al. | A cost effective solution for road crack inspection using cameras and deep neural networks | |
Gao et al. | Detection method of potholes on highway pavement based on yolov5 | |
Safaei | Automatic Pavement Crack Detection Using a Novel Pixel-Wise Segmentation Method |
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 |