CN116309828A - 一种基于三维激光点云数据的电力杆塔信息提取方法 - Google Patents

一种基于三维激光点云数据的电力杆塔信息提取方法 Download PDF

Info

Publication number
CN116309828A
CN116309828A CN202310134681.XA CN202310134681A CN116309828A CN 116309828 A CN116309828 A CN 116309828A CN 202310134681 A CN202310134681 A CN 202310134681A CN 116309828 A CN116309828 A CN 116309828A
Authority
CN
China
Prior art keywords
data
point cloud
image processing
processing server
cloud data
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
Application number
CN202310134681.XA
Other languages
English (en)
Inventor
于国强
陈新
胡德良
郭均锋
柳兆焕
李秀昂
李芹芹
娄本强
杨森
陈坤坤
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shandong Laiyi Information Industry Co ltd
Original Assignee
Shandong Laiyi Information Industry Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shandong Laiyi Information Industry Co ltd filed Critical Shandong Laiyi Information Industry Co ltd
Priority to CN202310134681.XA priority Critical patent/CN116309828A/zh
Publication of CN116309828A publication Critical patent/CN116309828A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/17—Terrestrial scenes taken from planes or by drones
    • 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
    • G06T2207/10—Image acquisition modality
    • G06T2207/10028—Range image; Depth image; 3D point clouds
    • 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
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Multimedia (AREA)
  • Software Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Computation (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Remote Sensing (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及计算机技术领域，特别涉及一种基于三维激光点云数据的电力杆塔信息提取方法。包括第一图像处理服务器获取电力线路的雷达原始数据，并存储于第一数据模块中；还包括第二图像处理服务器，其调用GPU设备将第一原始数据和第二原始数据处理生成第一点云数据，并将第一点云数据存储于第二数据模块中，进行去噪处理生成第二点云数据；还包括第三图像处理服务器，其调取CSF算法和DBSCAN聚类算法进行聚类，得到杆塔和电缆线路的三维数据参数。本发明通过无人机机载激光雷达巡逻输电线路，生成三维激光点云可视化数据，并根据此数据获取输电线路有关参数，极大地提高了工作效率，节约了人工成本，及时排除故障隐患，保障电网安全运行。

Description

一种基于三维激光点云数据的电力杆塔信息提取方法
技术领域
本发明涉及计算机技术领域，特别涉及一种基于三维激光点云数据的电力杆塔信息提取方法。
背景技术
在电力系统中，架空输电线路分布广泛，是电力系统的重要组成部分，其运行质量对于电力系统的高效、稳定、安全运行具有十分重要的意义。
然而架空输电线路长期暴露在大气环境中，所经过的区域环境存在较大差异，会受到强风暴侵袭、结冰荷载、雷闪袭击、雨淋、湿雾以及自然和工业污秽等影响；同时其自身结构中组件较多，形成故障的因素较多，对电网安全运行造成一定的影响。
近年来，随着全球气候变化，强对流天气出现频率增加，许多地区发生风偏闪络，结冰荷载，雷击跳闸等故障的次数升高，因此输电线路的塔高，档距等线路参数的设计尤为重要。目前，获取塔高、档距等线路数据大部分还是靠人工来进行收集以及计算，费时费力，因此需要一种新的方法，辅助人员来更合理的设计输电线路的相关参数。
发明内容
本发明的目的在于针对现有技术的不足之处，提供一种基于三维激光点云数据的电力杆塔信息提取方法，可以减轻人工工作量，降低成本，提高工作效率。
为实现上述目的，本发明提供如下技术方案:
包括第一图像处理服务器；
所述第一图像处理服务器获取GIS数据；所述第一图像处理服务器获取输电线位置数据；
所述第一图像处理服务器通过GIS矢量化工具读取GIS数据和输电线位置数据，并输出一组巡航三维坐标数据；
所述第一图像处理服务器将所述巡航三维坐标数据发送给无人机设备；
所述第一图像处理服务器获取所述无人机通过多回波激光雷达采集的第一原始数据，并将所述第一原始数据存储于第一数据模块中；
所述第一图像处理服务器获取所述无人机通过GPS天线采集的第二原始数据，并将所述第二原始数据存储于第一数据模块中；
还包括第二图像处理服务器；
所述第二图像处理服务器获取第一数据模块中的第一原始数据和第二原始数据；
所述第二图像处理服务器调用GPU设备将第一原始数据和第二原始数据处理生成第一点云数据，并将第一点云数据存储于第二数据模块中；
所述第二图像处理服务器识别所述第一点云数据的数据量，并判断是否达到预设的阈值，若到达阈值则所述第二图像处理服务器调取自动去噪算法进行去噪处理生成第二点云数据，并将第二点云数据存储于第三数据模块中；若未达到阈值则所述第二图像处理服务器发出重新采集数据指令；
还包括第三图像处理服务器；
所述第三图像处理服务器读取第二点云数据，所述第三图像处理服务器调取CSF算法将所述第二点云数据划分为地面部分和非地面部分；
所述第三图像处理服务器将所述第二点云数据的非地面部分通过DBSCAN聚类算法进行聚类，得到杆塔和电缆线路的三维数据参数。
进一步说明如下：所述第一原始数据包括激光雷达回波信息。
进一步说明如下：所述第二原始数据包括GPS定位信息。
进一步说明如下：所述第一点云数据包括空间位置信息、颜色信息、回波强度信息。
进一步说明如下：所述第一点云数据的数据量达到预设阈值后，但仍然存在的不完整、不连贯部分的点云结构，所述第二图像处理服务器调取缺损补全算法补足缺损区域数据。
进一步说明如下：所述第二图像处理服务器调取矫正算法对所述第一点云数据进行数据矫正，并存储于第二数据模块中。
进一步说明如下：所述第三图像处理服务器读取第二点云数据，并将第二点云数据进行分割成若干不同的部件。
更进一步说明如下：所述第三图像处理服务器分割所述第二点云数据调取算法包括深度学习算法、体素分析算法、三维空间连通性分析算法和不规则三角网分割算法中的一种或多种的组合。
本发明的有益效果是：本发明通过无人机机载激光雷达巡逻输电线路，生成三维激光点云可视化数据，并根据此数据获取输电线路有关参数，尤其是与导线、杆塔、绝缘子有关的参数，极大地提高了工作效率，缩短了时间，节约了人工成本，及时排除故障隐患，保障电网安全运行。
附图说明
图1为本发明的结构示意图。
其中，1、第一图像处理服务，2、第二图像处理服务，3、第三图像处理服务，4、第一数据模块，5、第二数据模块，6、第三数据模块。
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。
实施例1
一种基于三维激光点云数据的电力杆塔信息提取方法，首先通过利用无人机机载云台搭载机载高精度多回波激光雷达获取点云数据；具体包括如下方法：
S1获取原始数据：设计无人机飞行路线，将飞行线路数据预设于无人机内或操纵人员手动操作的方式控制无人机飞行，飞行过程中要随时调整云台转向保证雷达始终正对输电线路，同时采用中低空飞略输电通道的方式，获取激光雷达在电力设施上的回波数据；具体如下：
包括第一图像处理服务器；
所述第一图像处理服务器获取GIS数据；所述第一图像处理服务器获取输电线位置数据；
所述第一图像处理服务器通过GIS矢量化工具读取GIS数据和输电线位置数据，并输出一组巡航三维坐标数据；
所述第一图像处理服务器将所述巡航三维坐标数据发送给无人机设备；
所述第一图像处理服务器获取所述无人机通过多回波激光雷达采集的第一原始数据，并将所述第一原始数据存储于第一数据模块中；
所述第一图像处理服务器获取所述无人机通过GPS天线采集的第二原始数据，并将所述第二原始数据存储于第一数据模块中；
其中，第一原始数据包括激光雷达回波信息；第二原始数据包括GPS定位信息。
S2制作点云数据：无人机结束飞行后，可获取存储有飞行中GPS定位信息和激光雷达回波信息等的存储介质，利用高性能的GPU设备生成输电通道的点云数据，具体如下：
还包括第二图像处理服务器；
所述第二图像处理服务器获取第一数据模块中的第一原始数据和第二原始数据；
所述第二图像处理服务器调用GPU设备将第一原始数据和第二原始数据处理生成第一点云数据，并将第一点云数据存储于第二数据模块中；
所述第二图像处理服务器识别所述第一点云数据的数据量，并判断是否达到预设的阈值，若到达阈值则所述第二图像处理服务器调取自动去噪算法进行去噪处理生成第二点云数据，并将第二点云数据存储于第三数据模块中；若未达到阈值则所述第二图像处理服务器发出重新采集数据指令；
其中，第一点云数据包括空间位置信息、颜色信息、回波强度信息；
在获得第一点云数据后，首先需要对第一点云数据是否满足任务要求进行检验，确保点云数据准确、完整。
如果点云数据质量不符合数据分析的要求，应视情况要求无人机巡飞执行人员执行重飞或者补飞；而在点云数据质量满足基本要求后，对于仍然存在的不完整、不连贯部分的点云结构，可利用缺损补全算法或者人为操作补足缺损区域数据。
由于获取点云数据时会受到多方面影响，例如扫描时无人机和被扫描物体的临时移动、扫描数据的存储和传输、无人机设备和雷达设备本身的生产误差等，可能会出现偏差和噪点；为了保证后续数据分析的准确性，有必要对输电线路点云进行校正。一方面，依据已经生成的点云数据，利用算法自动判断点云扫描过程中是否有位置偏移的情况，如果有则可以利用矫正算法自动矫正偏移点云。另一方面，利用多种自动去噪算法和人工操作去噪，尽量保证数据结果真实可靠。
S3生成三维激光点云可视化数据：首先对第二点云数据进行切割，然后对切割后形成的若干部分分别进行CSF算法处理；然后再通过DBSCAN聚类算法进行聚类得到三维激光点云可视化数据。
还包括第三图像处理服务器；
第三图像处理服务器读取第二点云数据，所述第三图像处理服务器调取CSF算法将所述第二点云数据划分为地面部分和非地面部分；
第三图像处理服务器将所述第二点云数据的非地面部分通过DBSCAN聚类算法进行聚类，得到杆塔和电缆线路的三维数据参数。
第三图像处理服务器读取第二点云数据，并将第二点云数据进行分割成若干不同的部件。
第三图像处理服务器分割所述第二点云数据调取算法包括深度学习算法、体素分析算法、三维空间连通性分析算法和不规则三角网分割算法中的一种或多种的组合。
其中，深度学习算法：采用的是PointNet++网络模型，主要思想是分层抽取特；首先挑选出不同物体的点云，并对点云增加标签，形成训练数据集；在获取大量训练数据后，利用 PointNet++网络训练出用于进行点云分类和分割的模型；由于输电应用场景中，物体点云的出现经常具有相似性、规律性，因此通过上述训练得出的模型可以在多种场景下反复使用，并且会随着使用中可用训练数据集的增大，不断调优增强；但缺点是消耗时间较长，消耗的计算资源较多。
体素分析算法：体素是在三维空间中堆叠罗列的正方体，体素分析算法可以将点云的空间结构转化为体素的存在性，使得原本数百万条点云数据的体量减少到之前的几分之一，然后将对点云的分析转化为对体素的分析；体素分析算法的核心思想是按照一定的规则分析空间中体素的存在性，从而得出三维空间中物体的连贯性。本算法的优点是可以提高分析速度，降低计算资源的使用。
三维空间连通性分析算法：基于分治法、传染算法和状态机：随机选择空间中的一个点，为其赋予标签，计算该点周围一个球形区域是否有点，如果有的话将传染给他们标签，循环此过程直到所有点被赋予标签；之后遍历每一个标签簇所代表的点，如果有两个标签簇距离过近，则将两个标签簇合并，循环此过程直到所有标签簇互相之间的距离都足够远；此时每一个标签簇所涵盖的点都代表了三维空间中相互连通的所有点的一个集合，不同标签簇之间则在空间上完全分离。
不规则三角网分割算法：将整体的点云数据分割成零散的三角网格；三角网格模型可以将一个完整的模型近似看作由众多三角面片连接组合而成，通过控制三角面片的大小与数量来控制模型的精确度；灵活的控制三角网分割算法，可以在大尺度物体的分析中，获得良好的模型拟合效果；在获取三角网格模型之后，通过模型几何特征分析部件的存在性和物理特征。
CSF算法（模拟布料算法）是一种地面滤波算法，主要执行步骤为：首先对激光雷达点云进行翻转，然后用刚性布料覆盖翻转后的表面。通过分析布料节点与相应激光雷达点之间的相互作用，可以确定布料节点的位置以生成近似的地表形状。通过比较原始激光雷达点和生成的布料曲面之间的距离，实现从点云中提取地面点的目的。经过地面滤波之后将整体点云划分为地面部分和非地面部分，之后可以通过通道中稀疏化后的地面点与导线空间位置进行比较，得出导线与地面的距离。
使用DBSCAN聚类算法进行杆塔分离。DBSCAN是一基于密度的聚类算法，DBSCAN将簇定义为密度相连的点的最大集合，能够把具有足够高密度的区域划分为簇，并可在噪声的空间数据库中发现任意形状的聚类。本算法的优点是可以提高分析速度，降低计算资源的使用。
本方法通过无人机拍摄巡检线路影像，生成三维地理数据，可以清晰的展示出线路中的杆塔，导线，并且可以把巡检线路展示在地图上；可以清晰的展示出已巡检完成的线路，帮助电力工作人员指定下一步的巡检计划，极大地提高了工作效率，缩短了时间，以及及时排出故障隐患，保障电网安全运行。
尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，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,凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于三维激光点云数据的电力杆塔信息提取方法，其特征在于：
包括第一图像处理服务器；
所述第一图像处理服务器获取GIS数据；所述第一图像处理服务器获取输电线位置数据；
所述第一图像处理服务器通过GIS矢量化工具读取GIS数据和输电线位置数据，并输出一组巡航三维坐标数据；
所述第一图像处理服务器将所述巡航三维坐标数据发送给无人机设备；
所述第一图像处理服务器获取所述无人机通过多回波激光雷达采集的第一原始数据，并将所述第一原始数据存储于第一数据模块中；
所述第一图像处理服务器获取所述无人机通过GPS天线采集的第二原始数据，并将所述第二原始数据存储于第一数据模块中；
还包括第二图像处理服务器；
所述第二图像处理服务器获取第一数据模块中的第一原始数据和第二原始数据；
所述第二图像处理服务器调用GPU设备将第一原始数据和第二原始数据处理生成第一点云数据，并将第一点云数据存储于第二数据模块中；
所述第二图像处理服务器识别所述第一点云数据的数据量，并判断是否达到预设的阈值，若到达阈值则所述第二图像处理服务器调取自动去噪算法进行去噪处理生成第二点云数据，并将第二点云数据存储于第三数据模块中；若未达到阈值则所述第二图像处理服务器发出重新采集数据指令；
还包括第三图像处理服务器；
所述第三图像处理服务器读取第二点云数据，所述第三图像处理服务器调取CSF算法将所述第二点云数据划分为地面部分和非地面部分；
所述第三图像处理服务器将所述第二点云数据的非地面部分通过DBSCAN聚类算法进行聚类，得到杆塔和电缆线路的三维数据参数。
2.如权利要求1所述的基于三维激光点云数据的电力杆塔信息提取方法，其特征在于：所述第一原始数据包括激光雷达回波信息。
3.如权利要求1所述的基于三维激光点云数据的电力杆塔信息提取方法，其特征在于：所述第二原始数据包括GPS定位信息。
4.如权利要求1所述的基于三维激光点云数据的电力杆塔信息提取方法，其特征在于：所述第一点云数据包括空间位置信息、颜色信息、回波强度信息。
5.如权利要求1所述的基于三维激光点云数据的电力杆塔信息提取方法，其特征在于：所述第一点云数据的数据量达到预设阈值后，但仍然存在的不完整、不连贯部分的点云结构，所述第二图像处理服务器调取缺损补全算法补足缺损区域数据。
6.如权利要求1所述的基于三维激光点云数据的电力杆塔信息提取方法，其特征在于：所述第二图像处理服务器调取矫正算法对所述第一点云数据进行数据矫正，并存储于第二数据模块中。
7.如权利要求1所述的基于三维激光点云数据的电力杆塔信息提取方法，其特征在于：所述第三图像处理服务器读取第二点云数据，并将第二点云数据进行分割成若干不同的部件。
8.如权利要求7所述的基于三维激光点云数据的电力杆塔信息提取方法，其特征在于：所述第三图像处理服务器分割所述第二点云数据调取算法包括深度学习算法、体素分析算法、三维空间连通性分析算法和不规则三角网分割算法中的一种或多种的组合。
CN202310134681.XA 2023-02-20 2023-02-20 一种基于三维激光点云数据的电力杆塔信息提取方法 Pending CN116309828A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310134681.XA CN116309828A (zh) 2023-02-20 2023-02-20 一种基于三维激光点云数据的电力杆塔信息提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310134681.XA CN116309828A (zh) 2023-02-20 2023-02-20 一种基于三维激光点云数据的电力杆塔信息提取方法

Publications (1)

Publication Number Publication Date
CN116309828A true CN116309828A (zh) 2023-06-23

Family

ID=86829744

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310134681.XA Pending CN116309828A (zh) 2023-02-20 2023-02-20 一种基于三维激光点云数据的电力杆塔信息提取方法

Country Status (1)

Country Link
CN (1) CN116309828A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117115491A (zh) * 2023-08-18 2023-11-24 国网山东省电力公司临沂供电公司 一种基于激光点云数据的输电塔杆避雷线保护角的提取方法、系统和存储介质

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117115491A (zh) * 2023-08-18 2023-11-24 国网山东省电力公司临沂供电公司 一种基于激光点云数据的输电塔杆避雷线保护角的提取方法、系统和存储介质
CN117115491B (zh) * 2023-08-18 2024-04-09 国网山东省电力公司临沂供电公司 一种基于激光点云数据的输电塔杆避雷线保护角的提取方法、系统和存储介质

Similar Documents

Publication Publication Date Title
CA2839165C (en) Method and system for processing image data
CN107273902B (zh) 一种从机载LiDAR数据自动提取电塔点云的方法
CN114114314A (zh) 基于激光点云的输电线路巡检检测系统及检测方法
CN113963276A (zh) 一种输电线路无人机自主巡检方法及系统
CN112883878B (zh) 一种基于三维格网的变电站场景下的点云自动分类方法
CN114187297A (zh) 一种输电线路风偏校核方法及校核系统
CN116309828A (zh) 一种基于三维激光点云数据的电力杆塔信息提取方法
CN110675441A (zh) 基于激光点云的输电线路导地线建模提取方法
CN113345094A (zh) 基于三维点云的电力走廊安全距离分析方法及系统
CN111146866B (zh) 一种输电通道控制方法
CN114241158A (zh) 基于风机点云数据的部件识别方法、装置、设备及介质
Huang et al. Research and design of space-sky-ground integrated transmission line inspection platform based on artificial intelligence
CN116071530B (zh) 一种基于机载激光点云的建筑物屋顶体素化分割方法
CN117132915A (zh) 一种基于点云自动分类的输电线路树障隐患分析方法
CN116520881A (zh) 基于激光点云的无人机连续塔基三维巡检路径规划方法
CN116052023A (zh) 基于三维点云的电力巡检地物分类方法及存储介质
CN113009452B (zh) 一种激光点云电力杆塔提取方法
Che et al. Inspection of Electric Transmission Line Fault Based on UAV Lidar.
CN111932574B (zh) 基于多层次语义特征的建筑立面点云提取系统及方法
Su et al. Automatic multi-source data fusion technique of powerline corridor using UAV Lidar
CN116805357A (zh) 一种基于点云的高压输电线三维模型构建方法
Wang et al. Coarse-to-fine Extraction of Power Pylons and Power Lines in LiDAR Point Clouds
Liu et al. Research on Grid Information Model (GIM) Technology of Transmission Line Based on Full-area Feature Weight Template Matching Recognition
Li et al. An object segmentation method for railway surrounding environment based on three-dimensional point cloud
CN116385655A (zh) 一种输电线分裂模型及方法

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