CN115774014A - 一种基于视觉与超声的焊缝缺陷检测系统及检测方法 - Google Patents
一种基于视觉与超声的焊缝缺陷检测系统及检测方法 Download PDFInfo
- Publication number
- CN115774014A CN115774014A CN202210969181.3A CN202210969181A CN115774014A CN 115774014 A CN115774014 A CN 115774014A CN 202210969181 A CN202210969181 A CN 202210969181A CN 115774014 A CN115774014 A CN 115774014A
- Authority
- CN
- China
- Prior art keywords
- data
- convolution
- image data
- weld defect
- network model
- 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
-
- 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
本发明涉及焊缝缺陷检测技术领域,具体公开了一种基于视觉与超声的焊缝缺陷检测系统及检测方法,所述系统包括:数据采集装置,用于采集图像数据,所述图像数据包括焊缝缺陷区域的焊缝缺陷图像数据和波形图像数据;数据处理模块,用于基于神经网络模型识别图像数据,得到该图像数据的识别结果。本发明结合机器视觉和超声波检测原理提取焊缝缺陷的表面特征,然后通过卷积神经网络以模仿人类神经元的方式从训练集中学习缺陷的特征,并能根据这些特征对图像进行准确地分类,从而减少传统图像处理过程中的特征清洗、预处理等繁琐的步骤,能够快速准确的对焊缝缺陷位置、大小及分类进行判断。
Description
技术领域
本发明具体涉及焊缝缺陷检测技术领域,具体是一种基于视觉与超声的焊缝缺陷检测系统及检测方法。
背景技术
焊缝利用焊接热源的高温,将焊条和接缝处的金属熔化连接而成的缝。焊缝金属冷却后,即将两个焊件连接成整体。根据焊缝金属的形状和焊件相互位置的不同,分对接焊缝、角焊缝、塞焊缝和电铆焊等。对接焊缝常用于板件和型钢的拼接;角焊缝常用于搭接连接;塞焊缝和电铆焊应用较少,仅为了减小焊件搭接长度才考虑采用。
焊缝缺陷的种类很多,根据其在焊缝缺陷中所处的位置分为外部缺陷和内部缺陷两类,存在着检测难度大和检测效率低等问题。
现有技术中对管道焊缝缺陷的检测,主要采用管道外由人手持磁定位设备对检验的管道焊缝缺陷进行定位。在管道检测过程中,尤其是大批量检测时,其效率降低累计值较大且人为误差差错率也提升较多。
发明内容
本发明的目的在于提供一种基于视觉与超声的焊缝缺陷检测系统及检测方法,以解决上述背景技术中提出的现有技术中对管道焊缝缺陷的检测,主要采用管道外由人手持磁定位设备对检验的管道焊缝缺陷进行定位。在管道检测过程中,尤其是大批量检测时,其效率降低累计值较大且人为误差差错率也提升较多的问题。
为实现上述目的,本发明提供如下技术方案:
一种基于视觉与超声的焊缝缺陷检测系统,包括:
数据采集装置,用于采集图像数据,所述图像数据包括焊缝缺陷区域的焊缝缺陷图像数据和波形图像数据;
数据处理模块,用于基于神经网络模型识别图像数据,得到该图像数据的识别结果,所述神经网络模型包括两套VGG16网络模型以及连接于所述VGG16网络模型输出端的全连接层。
作为本发明再进一步的方案:所述数据采集装置包括图像采集单元和发送单元,所述图像采集单元和数据传输单元连接,其中:
图像采集单元,用于采集图像数据,所述图像数据包括焊缝缺陷区域的焊缝缺陷图像数据和波形图像数据;
数据传输单元,用于将图像数据发送给数据处理模块。
作为本发明再进一步的方案:所述图像采集单元包括工业相机、超声波探头和光源,所述工业相机和超声波探头均集成安装在机械臂上并朝向焊缝缺陷检测区域,工业相机和超声波探头的数据输出端分别通过数据传输单元传递给数据处理模块。
作为本发明再进一步的方案:所述数据处理模块包括接收单元、处理单元和发送单元,所述处理单元的数据输入端与接收单元连接,所述处理单元的数据输出端与发送单元连接,其中:
接收单元,用于接收图像数据;
处理单元,用于基于神经网络模型识别图像数据,得到该图像数据的识别结果,所述神经网络模型包括两套VGG16网络模型以及连接于所述VGG16网络模型输出端的全连接层;
发送单元,用于发送识别结果。
作为本发明再进一步的方案:所述VGG16网络模型包括有五段卷积,其中:
一段卷积,包括两层卷积层;二段卷积,包括两层卷积层;三段卷积,包括三层卷积层;四段卷积,包括三层卷积层;五段卷积,包括三段卷积层;
所述VGG16网络模型位于每段卷积后均设置有ReLU激活层和最大池化层,ReLU激活层和最大池化层连接。
作为本发明再进一步的方案:五段卷积之后连接有三层全连接层,三层全连接层之后连接有ReLU激活层,ReLU激活层与输出层连接,所述输出层用于将识别结果输出,输出层采用SOTFMAX函数输出。
作为本发明再进一步的方案:卷积层进行卷积运算的数学公式为:
式中,x表示输入(m×m阶矩阵),k表示卷积核,z表示卷积运算输出,χ表示有效卷积,i和j表示图像中像素点的位置,u表示偏移量。
一种基于视觉与超声的焊缝缺陷检测方法,包括以下步骤:
S10、采集图像数据,所述图像数据包括焊缝缺陷区域的焊缝缺陷图像数据和波形图像数据;
S20、构建神经网络模型,所述神经网络模型包括两套VGG16网络模型以及连接于所述VGG16网络模型输出端的全连接层;
S30、基于神经网络模型对图像数据进行计算,得到计算结果,所述计算结果即为图像数据的识别判断结果,包括图像是否为焊缝缺陷、焊缝缺陷的种类、位置和大小。
作为本发明进一步的方案:步骤S20中,构建神经网络模型的方法,包括以下步骤:
S201、获取训练数据,所述训练数据为焊缝缺陷图像库焊缝缺陷图像库包括标注过名称和种类的焊缝缺陷图片和焊缝缺陷图标,将训练数据分为训练集、验证集和测试集;
S202、构建深度学习模型,所述深度学习模型包括卷积模块,所述卷积模块设有五段卷积,每段卷积均包括有卷积层、ReLu激活层和池化层;
S203、使用训练集的数据对构建的深度学习模型进行训练,即将训练集数据输入到步骤S202中的深度学习模型进行迭代;
S204、使用验证集的数据对训练好的深度学习模型进行验证;
S205、将测试集数据输入到训练好的深度学习模型,得到识别结果,所述识别结果为焊缝缺陷的名称和种类;
S206、判断识别结果是否符合预期,结果不符合时,继续步骤S203;结果符合时,深度学习模型构建完成。
作为本发明再进一步的方案:步骤S201中,将训练数据分为训练集、验证集和测试集的方式为:随机选取处理好的训练数据,将训练数据中80%数据作为训练集,10%作为验证集,10%作为测试集。
与现有技术相比,本发明的有益效果是:本发明结合机器视觉和超声波检测原理提取焊缝缺陷的表面特征,然后通过卷积神经网络以模仿人类神经元的方式从训练集中学习缺陷的特征,并能根据这些特征对图像进行准确地分类,从而减少传统图像处理过程中的特征清洗、预处理等繁琐的步骤,能够快速准确的对焊缝缺陷位置、大小及分类进行判断。
附图说明
图1为基于视觉与超声的焊缝缺陷检测方法的流程图。
图2为基于视觉与超声的焊缝缺陷检测方法中步骤S20的流程图。
图3为基于视觉与超声的焊缝缺陷检测系统的结构框图。
图4为基于视觉与超声的焊缝缺陷检测系统中神经网络模型的结构图。
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、完整地描述,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。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1~4,本发明实施例中,一种基于视觉与超声的焊缝缺陷检测系统,包括:
数据采集装置100,用于采集图像数据,所述图像数据包括焊缝缺陷区域的焊缝缺陷图像数据和波形图像数据;
数据处理模块200,用于基于神经网络模型识别图像数据,得到该图像数据的识别结果,所述神经网络模型包括两套VGG16网络模型以及连接于所述VGG16网络模型输出端的全连接层。
在本发明实施例中,所述数据采集装置100包括图像采集单元110和发送单元120,所述图像采集单元110和数据传输单元120连接,其中:
图像采集单元110,用于采集图像数据,所述图像数据包括焊缝缺陷区域的焊缝缺陷图像数据和波形图像数据;
数据传输单元120,用于将图像数据发送给数据处理模块;
进一步的,所述图像采集单元110包括工业相机、超声波探头和光源,所述工业相机和超声波探头均集成安装在机械臂上并朝向焊缝缺陷检测区域,工业相机和超声波探头的数据输出端分别通过数据传输单元传递给数据处理模块。
在本发明实施例中,所述数据处理模块200包括接收单元210、处理单元220和发送单元230,所述处理单元220的数据输入端与接收单元210连接,所述处理单元220的数据输出端与发送单元230连接,其中:
接收单元,用于接收图像数据;
处理单元,用于基于神经网络模型识别图像数据,得到该图像数据的识别结果,所述神经网络模型包括两套VGG16网络模型以及连接于所述VGG16网络模型输出端的全连接层;
发送单元,用于发送识别结果;
进一步的,所述VGG16网络模型包括有五段卷积,其中:
一段卷积,包括两层卷积层,;
二段卷积,包括两层卷积层;
三段卷积,包括三层卷积层;
四段卷积,包括三层卷积层;
五段卷积,包括三段卷积层;
在本发明实施例中,所述卷积层中卷积核的尺寸为3*3,卷积步长为1,padding填充选择same,以保证featuremap的尺寸与原图像保持一致,卷积核的数量与通道数需要根据图片复杂程度与计算机硬件性能综合选取,需要满足卷积核通道数等于输入层通道数,本实施例中,输入层的通道数可以为三通道,而卷积层的输出通道数等于卷积核的个数。
再进一步的,所述VGG16网络模型位于每段卷积后均设置有ReLU激活层和最大池化层,ReLU激活层和最大池化层连接,可以理解的是,ReLU激活层设有五层,分别设置在一段、二段、三段、四段以及五段卷积之后,且ReLU激活层设置在前,最大池化层设置在ReLU激活层之后;
还有,在本发明实施例中,五段卷积之后连接有三层全连接层,三层全连接层之后连接有ReLU激活层,ReLU激活层与输出层连接,所述输出层用于将识别结果输出,输出层采用SOTFMAX函数输出;
在本发明实施例中,卷积层进行卷积运算的数学公式为:
式中,x表示输入(m×m阶矩阵),k表示卷积核,z表示卷积运算输出,χ表示有效卷积,i和j表示图像中像素点的位置,u表示偏移量;
还有,ReLU激活层中的ReLU激活函数为:
ReLU(x)=max(0,x)
本发明还公开了一种基于视觉与超声的焊缝缺陷检测方法,包括以下步骤:
S10、采集图像数据,所述图像数据包括焊缝缺陷区域的焊缝缺陷图像数据和波形图像数据;
S20、构建神经网络模型,所述神经网络模型包括两套VGG16网络模型以及连接于所述VGG16网络模型输出端的全连接层;
S30、基于神经网络模型对图像数据进行计算,得到计算结果,所述计算结果即为图像数据的识别判断结果,包括图像是否为焊缝缺陷、焊缝缺陷的种类、位置和大小。
在本发明实施例步骤S20中,构建神经网络模型的方法,包括以下步骤:
S201、获取训练数据,所述训练数据为焊缝缺陷图像库焊缝缺陷图像库包括标注过名称和种类的焊缝缺陷图片和焊缝缺陷图标,将训练数据分为训练集、验证集和测试集;
S202、构建深度学习模型,所述深度学习模型包括卷积模块,所述卷积模块设有五段卷积,每段卷积均包括有卷积层、ReLu激活层和池化层;
S203、使用训练集的数据对构建的深度学习模型进行训练,即将训练集数据输入到步骤S202中的深度学习模型进行迭代;
S204、使用验证集的数据对训练好的深度学习模型进行验证;
S205、将测试集数据输入到训练好的深度学习模型,得到识别结果,所述识别结果为焊缝缺陷的名称和种类;
S206、判断识别结果是否符合预期,结果不符合时,继续步骤S203;结果符合时,深度学习模型构建完成;
进一步的,步骤S201中,将训练数据分为训练集、验证集和测试集的方式为:随机选取处理好的训练数据,将训练数据中80%数据作为训练集,10%作为验证集,10%作为测试集;
还有,在训练过程中,把训练集数据每一张数据集大小调整为224*224尺寸大小,首先输入数据和5段卷积中第一段第一层卷积层进行卷积操作,卷积核为3*3*64,步长stride为1,计算第一段卷积第一层输出为222*222*64,为了和原图片尺寸保持一致,还需要通过padding对卷积后特征图片四周进行补零操作,所以实际输出为224*224*64,经过Relu激活函数激活后来到第一段第二层卷积层,输入为224*224*64,同样卷积核为3*3*64,步长为stride为1,经过padding四周补零后,输出为224*224*64,通过Relu激活函数激活后完成第一段卷积特征提取,在第一段卷积最后通过最大池化层对第一段卷积提取的特征图进行降维处理,特征图大小变为原始图像一半,变为112*112*64,依次类推第二段卷积,卷积核为128,所以经过第二段卷积后输出为112*112*64,第三段卷积输出56*56*256,第四段卷积输出为28*28*512,最后一段输出为14*14*512,最后一段输出后经过最大池化处理,变为7*7*512。
综上所述,本发明结合机器视觉和超声波检测原理提取焊缝缺陷的表面特征,然后通过卷积神经网络以模仿人类神经元的方式从训练集中学习缺陷的特征,并能根据这些特征对图像进行准确地分类,从而减少传统图像处理过程中的特征清洗、预处理等繁琐的步骤,能够快速准确的对焊缝缺陷位置、大小及分类进行判断。
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
此外,应当理解,虽然本说明书按照实施方式加以描述,但并非每个实施方式仅包含一个独立的技术方案,说明书的这种叙述方式仅仅是为清楚起见,本领域技术人员应当将说明书作为一个整体,各实施例中的技术方案也可以经适当组合,形成本领域技术人员可以理解的其他实施方式。
Claims (10)
1.一种基于视觉与超声的焊缝缺陷检测系统,其特征在于,包括:
数据采集装置,用于采集图像数据,所述图像数据包括焊缝缺陷区域的焊缝缺陷图像数据和波形图像数据;
数据处理模块,用于基于神经网络模型识别图像数据,得到该图像数据的识别结果,所述神经网络模型包括两套VGG16网络模型以及连接于所述VGG16网络模型输出端的全连接层。
2.根据权利要求1所述的基于视觉与超声的焊缝缺陷检测系统,其特征在于,所述数据采集装置包括图像采集单元和发送单元,所述图像采集单元和数据传输单元连接,其中:
图像采集单元,用于采集图像数据,所述图像数据包括焊缝缺陷区域的焊缝缺陷图像数据和波形图像数据;
数据传输单元,用于将图像数据发送给数据处理模块。
3.根据权利要求2所述的基于视觉与超声的焊缝缺陷检测系统,其特征在于,所述图像采集单元包括工业相机、超声波探头和光源,所述工业相机和超声波探头均集成安装在机械臂上并朝向焊缝缺陷检测区域,工业相机和超声波探头的数据输出端分别通过数据传输单元传递给数据处理模块。
4.根据权利要求3所述的基于视觉与超声的焊缝缺陷检测系统,其特征在于,所述数据处理模块包括接收单元、处理单元和发送单元,所述处理单元的数据输入端与接收单元连接,所述处理单元的数据输出端与发送单元连接,其中:
接收单元,用于接收图像数据;
处理单元,用于基于神经网络模型识别图像数据,得到该图像数据的识别结果,所述神经网络模型包括两套VGG16网络模型以及连接于所述VGG16网络模型输出端的全连接层;
发送单元,用于发送识别结果。
5.根据权利要求4所述的基于视觉与超声的焊缝缺陷检测系统,其特征在于,所述VGG16网络模型包括有五段卷积,其中:
一段卷积,包括两层卷积层;二段卷积,包括两层卷积层;三段卷积,包括三层卷积层;四段卷积,包括三层卷积层;五段卷积,包括三段卷积层;
所述VGG16网络模型位于每段卷积后均设置有ReLU激活层和最大池化层,ReLU激活层和最大池化层连接。
6.根据权利要求5所述的基于视觉与超声的焊缝缺陷检测系统,其特征在于,五段卷积之后连接有三层全连接层,三层全连接层之后连接有ReLU激活层,ReLU激活层与输出层连接,所述输出层用于将识别结果输出,输出层采用SOTFMAX函数输出。
8.一种基于视觉与超声的焊缝缺陷检测方法,其特征在于,包括以下步骤:
S10、采集图像数据,所述图像数据包括焊缝缺陷区域的焊缝缺陷图像数据和波形图像数据;
S20、构建神经网络模型,所述神经网络模型包括两套VGG16网络模型以及连接于所述VGG16网络模型输出端的全连接层;
S30、基于神经网络模型对图像数据进行计算,得到计算结果,所述计算结果即为图像数据的识别判断结果,包括图像是否为焊缝缺陷、焊缝缺陷的种类、位置和大小。
9.根据权利要求8所述的基于视觉与超声的焊缝缺陷检测方法,其特征在于,步骤S20中,构建神经网络模型的方法,包括以下步骤:
S201、获取训练数据,所述训练数据为焊缝缺陷图像库焊缝缺陷图像库包括标注过名称和种类的焊缝缺陷图片和焊缝缺陷图标,将训练数据分为训练集、验证集和测试集;
S202、构建深度学习模型,所述深度学习模型包括卷积模块,所述卷积模块设有五段卷积,每段卷积均包括有卷积层、ReLu激活层和池化层;
S203、使用训练集的数据对构建的深度学习模型进行训练,即将训练集数据输入到步骤S202中的深度学习模型进行迭代;
S204、使用验证集的数据对训练好的深度学习模型进行验证;
S205、将测试集数据输入到训练好的深度学习模型,得到识别结果,所述识别结果为焊缝缺陷的名称和种类;
S206、判断识别结果是否符合预期,结果不符合时,继续步骤S203;结果符合时,深度学习模型构建完成。
10.根据权利要求9所述的基于视觉与超声的焊缝缺陷检测方法,其特征在于,步骤S201中,将训练数据分为训练集、验证集和测试集的方式为:随机选取处理好的训练数据,将训练数据中80%数据作为训练集,10%作为验证集,10%作为测试集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210969181.3A CN115774014A (zh) | 2022-08-12 | 2022-08-12 | 一种基于视觉与超声的焊缝缺陷检测系统及检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210969181.3A CN115774014A (zh) | 2022-08-12 | 2022-08-12 | 一种基于视觉与超声的焊缝缺陷检测系统及检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115774014A true CN115774014A (zh) | 2023-03-10 |
Family
ID=85388352
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210969181.3A Pending CN115774014A (zh) | 2022-08-12 | 2022-08-12 | 一种基于视觉与超声的焊缝缺陷检测系统及检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115774014A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117250208A (zh) * | 2023-11-20 | 2023-12-19 | 青岛天仁微纳科技有限责任公司 | 基于机器视觉的纳米压印晶圆缺陷精准检测系统及方法 |
-
2022
- 2022-08-12 CN CN202210969181.3A patent/CN115774014A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117250208A (zh) * | 2023-11-20 | 2023-12-19 | 青岛天仁微纳科技有限责任公司 | 基于机器视觉的纳米压印晶圆缺陷精准检测系统及方法 |
CN117250208B (zh) * | 2023-11-20 | 2024-02-06 | 青岛天仁微纳科技有限责任公司 | 基于机器视觉的纳米压印晶圆缺陷精准检测系统及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020047420A1 (en) | Method and system for facilitating recognition of vehicle parts based on a neural network | |
CN104636760B (zh) | 一种焊缝的定位方法 | |
CN114240891B (zh) | 融合知识图谱和图卷积神经网络的焊点质量识别方法 | |
WO2017176304A1 (en) | Automatic assessment of damage and repair costs in vehicles | |
CN113012157B (zh) | 一种设备缺陷视觉检测方法及系统 | |
CN112819748B (zh) | 一种带钢表面缺陷识别模型的训练方法及装置 | |
CN112785526B (zh) | 一种用于图形处理的三维点云修复方法 | |
CN111832484A (zh) | 一种基于卷积感知哈希算法的回环检测方法 | |
CN115774014A (zh) | 一种基于视觉与超声的焊缝缺陷检测系统及检测方法 | |
CN113269720A (zh) | 一种直缝焊管的缺陷检测方法、系统和可读介质 | |
CN112991364A (zh) | 基于卷积神经网络跨模态融合的道路场景语义分割方法 | |
CN115797357A (zh) | 一种基于改进YOLOv7的输电通道隐患检测方法 | |
CN114399505B (zh) | 工业检测中的检测方法、检测装置 | |
CN116309313A (zh) | 一种电池表面焊接缺陷检测方法 | |
CN116630264A (zh) | 密封钉焊接缺陷的检测方法、存储介质以及电子设备 | |
EP3352112A1 (en) | Architecture adapted for recognising a category of an element from at least one image of said element | |
CN111784645B (zh) | 一种充填管道裂纹检测方法 | |
CN114429445A (zh) | 一种基于MAIRNet的PCB缺陷检测与识别方法 | |
CN114596244A (zh) | 基于视觉处理和多特征融合的红外图像识别方法及系统 | |
CN112070748A (zh) | 金属油管缺陷检测方法和装置 | |
CN117274173A (zh) | 一种语义与结构蒸馏的无参考图像质量评价方法 | |
CN116523858A (zh) | 基于注意力机制的电力设备漏油检测方法及存储介质 | |
CN114972280B (zh) | 精细坐标注意力模块及其在表面缺陷检测中的应用 | |
CN113034432B (zh) | 一种产品缺陷检测方法、系统、装置及存储介质 | |
CN113400353B (zh) | 基于数字孪生的多指灵巧手状态监测方法、装置及设备 |
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 |