-
BEREICH DER ERFINDUNG
-
Die vorliegende Erfindung bezieht sich auf ein Gebiet der Bildverarbeitungssysteme. Insbesondere bezieht sich die vorliegende Erfindung auf ein System zur Erkennung von Krankheiten in Käferblättern.
-
HINTERGRUND DER ERFINDUNG
-
Der ursprüngliche Beruf einer ganzen Nation auf der ganzen Welt ist die Landwirtschaft. Berichten zufolge sind 80 % der indischen Bevölkerung mit der Landwirtschaft verbunden. Aber eine große Anzahl von Landwirten verliert ihr Leben aufgrund von Misserfolgen bei der Produktion von Feldfrüchten und aufgrund der Vergrößerung von unbequemen Defiziten aufgrund von immensen Misserfolgen bei der Produktion von Feldfrüchten. Die traditionellen und unwissenschaftlichen Ansätze der landwirtschaftlichen Verfahren sind der Hauptgrund für den Misserfolg der Pflanzenproduktion. Verschiedene manuelle Methoden werden auch für die Produktion von Nutzpflanzen verwendet, und diese Methoden sind ebenfalls für Misserfolge bei der Produktion von Nutzpflanzen verantwortlich. Um die oben genannten Probleme zu lösen, wurde maschinelle Intelligenz zur Beobachtung des Wachstums von Nutzpflanzen entwickelt. Die Forscher haben ein neues maschinelles intelligentes System zur Aufnahme von Bildern wachsender Pflanzen in einem bestimmten Gebiet entwickelt Zeit. Das System besteht aus einer fliegenden Drohne, die mit einem Kameraauge ausgestattet ist. Für führende Landwirte wurde dieses wissensbasierte, maschinenintelligente System entwickelt, das verschiedene Arten von Kulturpflanzen und Entscheidungen auf der Grundlage der Analyse von Erntebildern umfasst. Der Grünanteil in den Blättern, der Feuchtigkeitsgehalt des Bodens usw. sollen anhand der aufgenommenen Bilder mit Hilfe von IoTs analysiert werden. Das externe Kameraauge, das an der Drohne angebracht ist und mit dem Raspberry Pi zusammenarbeitet, wurde für die Aufnahme von Bildern der Pflanze verwendet. Mit diesem System wurden verschiedene Arten von IoT-Sensormodulen verbunden. Zur Identifizierung des grünen Blattes wurde ein Android-Studio installiert. Dieses System wurde für kommerzielle und praktische Zwecke verwendet. Die Gesamtzahl der Forschungsarbeiten zum Thema IoT in der Agrarwissenschaft ist seit 2010 gestiegen, und die Autoren der Forschungsarbeiten haben verschiedene Methoden und Technologien angewandt. Verschiedene Wissenschaftler aus Asien, insbesondere aus China, setzen die Forschung zum IoT in der Agrar- und Ernährungswissenschaft fort. Aber auch Wissenschaftler aus anderen Kontinenten, die nicht in der Landwirtschaft tätig sind, haben das IoT übernommen.
-
Die Autoren der meisten Arbeiten haben sich mit maschinellen intelligenten Systemen befasst, die anhand verschiedener Entwürfe und Experimente entwickelt wurden.
-
Beobachtung und Überwachung sind in erster Linie auf den Bewertungsteil ausgerichtet. Aber das Konzept der Impuls- und Fernsteuerung wird in diesem Bewertungsteil nicht erwähnt. Im Bereich der Agrar- und Lebensmittelkulturen hat sich das IoT als unausgereift erwiesen. Die Anwendungen des IoT im Bereich der Agronomie sind uneinheitlich, und es wurde ein Mangel an fehlerfreier Verschmelzung festgestellt. Forscher arbeiten in diesem Bereich der Forschung, um eine moderne Klärung zu erreichen. Es wurden wichtige Maßnahmen ergriffen, um die oben genannten problematischen Situationen zu überwinden. Die verfügbaren IoT-Lösungen wurden mit verschiedenen Architekturen, Plattformen und Standards für IoT-Systeme kombiniert. Die Verwendung von interoperablen IoT-Architekturen wurde verbessert. In der Vielfalt der Produktionsbereiche von landwirtschaftlichen Lebensmitteln wurden IoT-Technologien hochskaliert, um eine breite Nutzbarkeit zu gewährleisten. Die Forscher haben einen Überblick über die neuesten IoT-Technologien und deren Einsatz im Agrarsektor gegeben. Der wahrscheinliche Nutzen für künftige Landwirte und die verschiedenen Herausforderungen, denen das IoT gegenübersteht, wurden dargelegt.
-
In Indien geht die Landwirtschaft allmählich zurück und die gesamte Herstellung der Atmosphäre wird stark beeinträchtigt. Heutzutage hat die ganze Welt die manuellen Verfahren ersetzt, und es wird nur noch wenig Arbeitskraft dafür eingesetzt. Die traditionellen Verfahren, die von den Landwirten verwendet werden, sind im indischen Agrarsektor durch IKT ersetzt worden. Das Finanzsystem Indiens hängt direkt von den angebauten Pflanzen ab. Aus diesem Grund ist die Erkennung von Krankheiten bei Nutzpflanzen sehr wichtig.
-
Seit 400 v. Chr. spielt die Verwendung von Betelblättern in Indien eine wichtige Rolle. Die Menschen in Indien kauten seit jeher Betelblätter zusammen mit der Areca-Nuss, da das Betelblatt desinfizierend, mundauffrischend und energiespendend ist und die Areca-Nuss als Stimulans galt. Doch wann diese beiden unterschiedlichen Aufputschmittel erstmals zusammengefügt wurden, ist den Forschern völlig unbekannt. Die Menschen haben ihre Kaugewohnheiten im Laufe der Zeit geändert. Auch Mineralkalkhydrat, Catechu (Kattha) und andere Aromastoffe und Gewürze wurden den Betelblättern in einer gekapselten Verpackung beigefügt. Zwischen 75 n. Chr. und 300 n. Chr. wurde in verschiedenen antiquarischen Büchern wie Ayurveda, Charaka, Sushruta Samhitas und Kashyapa Bhojanakalpa festgestellt, dass die Menschen Betelblätter als Munderfrischer kauten.
-
Das Haupthindernis für den Anbau von Betelblättern ist die Betelblattfäule im gesamten Bundesstaat. Innerhalb einer Woche kann die Rebe von der Blattfäule befallen werden und die gesamte Ernte wird durch diese Blattfäule geschädigt. Mit zunehmender Feuchtigkeit des Wetters werden die Blätter vom Virus befallen. Das Krankheitsbild schreitet nach der Ansteckung sehr schnell voran, und die Betelblätter der Reben verlieren ihren Glanz und werden gelblich. Mit dem Fortschreiten der Krankheit werden die Blätter allmählich verdorben. Aufgrund der Fäulnis an den Betelreben wurden wassergesättigte Flecken oder Flecken gefunden. Fäulnis an der Betelwurzel führt dazu, dass die Blätter verblassen, austrocknen und verdorren, obwohl sie reichlich Wasser haben.
-
In der Vergangenheit wurden verschiedene Arbeiten zur Erkennung von Pflanzenkrankheiten durchgeführt, wie z. B. die in
EP3455782B1 ,
JP6246768B2 und
JP6582999B2 offengelegten.
-
Heutzutage hängt das meiste auf der Welt von der Automatisierung ab, und jede Anlage ist für ihr Überleben auf Automatisierung angewiesen.
-
Daher besteht die Notwendigkeit, ein System zur Analyse von Pflanzenmerkmalen, wie z.B. Blättern, zu entwickeln, um Krankheiten in Pflanzen zu erkennen, um die Qualität der Agronomie zu verbessern, basierend auf Merkmalen wie der Erkennung von Blattkrankheiten, Messverfahren der Luftfeuchtigkeit, Identifizierung von Temperatur und Farbe usw. und in diesem Verfahren wurden Sensornetzwerke und digitale Bildverarbeitungsmechanismen einbezogen.
-
Der technische Fortschritt, der durch die vorliegende Erfindung offenbart wird, überwindet die Einschränkungen und Nachteile bestehender und konventioneller Systeme und Methoden.
-
ZUSAMMENFASSUNG DER ERFINDUNG
-
Die vorliegende Erfindung bezieht sich allgemein auf ein System zum Nachweis von Krankheiten in Blättern.
-
Ziel der vorliegenden Erfindung ist es, ein System zum Nachweis von Krankheiten in Blättern einer Käferpflanze bereitzustellen;
-
Ein weiteres Ziel der vorliegenden Erfindung ist es, die Qualität des Ackerbaus zu verbessern;
-
Ein weiteres Ziel der vorliegenden Erfindung ist es, Verfahren zur Messung von Feuchtigkeit, Identifizierung von Temperatur und Farbe etc.
-
Ein weiteres Ziel der vorliegenden Erfindung ist es, die verformten Blätter der Betelpflanze von den frischen Blättern zu unterscheiden.
-
In einer Ausführungsform ein System zum Erkennen von Krankheiten in Blättern, wobei das System Folgendes umfasst:
- ein Bildaufnahmemodul, das am nahen Rand mindestens einer Pflanze positioniert ist, um Bilder von Blättern aufzunehmen;
- ein Vorverarbeitungsmodul, das mit dem Bildaufnahmemodul verbunden ist, um die aufgenommenen Bilder zu verarbeiten und unerwünschte Teile des aufgenommenen Bildes zur Rauschunterdrückung durch Phasenanpassung, Schwellenwertbildung und Gaußfilter an den Bilddatensätzen zu entfernen;
- ein Merkmalsextraktionsmodul, das mit dem Vorverarbeitungsmodul verbunden ist, um eine Vielzahl von Merkmalen zu extrahieren, um einen verzerrten Bereich der Bilder der Betelblätter zu erfassen, wobei die Vielzahl der extrahierten Merkmale durch Eliminieren irrelevanter Merkmale reduziert wird; und
- ein Klassifizierungsmodul, das mit dem Merkmalsextraktionsmodul verbunden ist, zum Klassifizieren der reduzierten Mehrzahl von Merkmalen in eine Mehrzahl von Klassen auf der Grundlage eines Klassifizierers, wobei eine erste Klasse aus der Mehrzahl von Klassen ein gesundes Blatt erkennt und eine zweite Klasse aus der Mehrzahl von Klassen ein krankes Blatt erkennt.
-
In einer Ausführungsform werden die aufgenommenen Bilder des Blattes in einer Datenbank getrennt für das Training und die Prüfung des Bildes gespeichert.
-
In einer Ausführungsform ändert die Größenänderung die ursprüngliche Größe des aufgenommenen Bildes, die Schwellenwertberechnung führt eine Bildsegmentierung durch, um mehrere Segmente innerhalb des Bildes zu erhalten, und der Gauß-Filter reduziert Rauschen und verblasste Bereiche eines Bildes.
-
In einer Ausführungsform führt das Merkmalsextraktionsmodul Cluster auf der Grundlage der K-Mittel-Clustering-Technik durch, wobei aus den vorverarbeiteten Blattbildern eine allgemeine Konturverfolgung mit Forminformationen extrahiert wird.
-
In einer Ausführungsform wurden die Merkmale der Kontur analysiert und nach der Extraktion der Kontur zur Musterklassifizierung verwendet.
-
In einer Ausführungsform löscht das Merkmalsextraktionsmodul die Anzahl der Merkmale in der Datenbank durch Auslöschung von Merkmalen, wobei nach der Extraktion von Merkmalen eine neue Bilddatenbank für die Prüfung gebildet wird.
-
In einer Ausführungsform ist der Klassifikator eine Support-Vektor-Maschine (SVM) zur Klassifizierung des kranken Blattes vom gesunden Blatt.
-
Um die Vorteile und Merkmale der vorliegenden Erfindung weiter zu verdeutlichen, wird eine genauere Beschreibung der Erfindung durch Bezugnahme auf spezifische Ausführungsformen davon, die in der beigefügten Figur dargestellt ist, gemacht werden. Es wird davon ausgegangen, dass diese Figur nur typische Ausführungsformen der Erfindung zeigt und daher nicht als Einschränkung ihres Umfangs zu betrachten ist. Die Erfindung wird mit zusätzlicher Spezifität und Detail mit der beigefügten Figur beschrieben und erläutert werden.
-
Figurenliste
-
Diese und andere Merkmale, Aspekte und Vorteile der vorliegenden Erfindung werden besser verstanden, wenn die folgende detaillierte Beschreibung mit Bezug auf die beigefügte Figur gelesen wird, in der gleiche Zeichen gleiche Teile in der Figur darstellen, wobei:
- 1 ein Blockdiagramm eines Systems zur Erkennung von Krankheiten in Blättern zeigt.
-
Der Fachmann wird verstehen, dass die Elemente in den Figur der Einfachheit halber dargestellt sind und nicht unbedingt maßstabsgetreu gezeichnet wurden. Die Flussdiagramme veranschaulichen beispielsweise das Verfahren anhand der wichtigsten Schritte, um das Verständnis der Aspekte der vorliegenden Offenbarung zu verbessern. Darüber hinaus kann es sein, dass eine oder mehrere Komponenten der Vorrichtung in den Figur durch herkömmliche Symbole dargestellt sind, und dass die Figur nur die spezifischen Details zeigen, die für das Verständnis der Ausführungsformen der vorliegenden Offenbarung relevant sind, um die Figur nicht mit Details zu überfrachten, die für Fachleute, die mit der vorliegenden Beschreibung vertraut sind, leicht erkennbar sind.
-
DETAILLIERTE BESCHREIBUNG
-
Um das Verständnis der Erfindung zu fördern, wird nun auf die in den Figur dargestellte Ausführungsform Bezug genommen und diese mit bestimmten Worten beschrieben. Es versteht sich jedoch von selbst, dass damit keine Einschränkung des Umfangs der Erfindung beabsichtigt ist, wobei solche Änderungen und weitere Modifikationen des dargestellten Systems und solche weiteren Anwendungen der darin dargestellten Grundsätze der Erfindung in Betracht gezogen werden, wie sie einem Fachmann auf dem Gebiet der Erfindung normalerweise einfallen würden.
-
Der Fachmann wird verstehen, dass die vorstehende allgemeine Beschreibung und die folgende detaillierte Beschreibung beispielhaft und erläuternd für die Erfindung sind und nicht als einschränkend angesehen werden.
-
Wenn in dieser Beschreibung von „einem Aspekt“, „einem anderen Aspekt“ oder ähnlichem die Rede ist, bedeutet dies, dass ein bestimmtes Merkmal, eine bestimmte Struktur oder eine bestimmte Eigenschaft, die im Zusammenhang mit der Ausführungsform beschrieben wird, in mindestens einer Ausführungsform der vorliegenden Erfindung enthalten ist. Daher können sich die Ausdrücke „in einer Ausführungsform“, „in einer anderen Ausführungsform“ und ähnliche Ausdrücke in dieser Beschreibung alle auf dieselbe Ausführungsform beziehen, müssen es aber nicht.
-
Die Ausdrücke „umfasst“, „enthaltend“ oder andere Variationen davon sollen eine nicht ausschließliche Einbeziehung abdecken, so dass ein Verfahren oder eine Methode, die eine Liste von Schritten umfasst, nicht nur diese Schritte umfasst, sondern auch andere Schritte enthalten kann, die nicht ausdrücklich aufgeführt sind oder zu einem solchen Verfahren oder einer solchen Methode gehören. Ebenso schließen eine oder mehrere Vorrichtungen oder Teilsysteme oder Elemente oder Strukturen oder Komponenten, die mit „umfasst...a“ eingeleitet werden, nicht ohne weitere Einschränkungen die Existenz anderer Vorrichtungen oder anderer Teilsysteme oder anderer Elemente oder anderer Strukturen oder anderer Komponenten oder zusätzlicher Vorrichtungen oder zusätzlicher Teilsysteme oder zusätzlicher Elemente oder zusätzlicher Strukturen oder zusätzlicher Komponenten aus.
-
Sofern nicht anders definiert, haben alle hierin verwendeten technischen und wissenschaftlichen Begriffe die gleiche Bedeutung, wie sie von einem Fachmann auf dem Gebiet, zu dem diese Erfindung gehört, allgemein verstanden wird. Das System, die Methoden und die Beispiele, die hier angegeben werden, dienen nur der Veranschaulichung und sind nicht als Einschränkung gedacht.
-
Ausführungsformen der vorliegenden Erfindung werden im Folgenden unter Bezugnahme auf die beigefügte Figur im Detail beschrieben.
-
1 zeigt ein Blockdiagramm eines Systems (100) zur Erkennung von Krankheiten in Blättern, wobei das System (100) Folgendes umfasst: ein Bilderfassungsmodul (102), ein Vorverarbeitungsmodul (104), ein Merkmalsextraktionsmodul (106), ein Klassifizierungsmodul (108) und eine Datenbank (110).
-
Das Bildaufnahmemodul (102) wird in unmittelbarer Nähe mindestens einer Pflanze positioniert, um Bilder von Blättern aufzunehmen. Die aufgenommenen Bilder des Blattes werden in einer Datenbank (110) separat für das Training und die Prüfung des Bildes gespeichert.
-
In einer Ausführungsform ist das Bildaufnahmemodul eine Kamera.
-
Das Vorverarbeitungsmodul (104) ist mit dem Bildaufnahmemodul (102) verbunden, um die aufgenommenen Bilder zu verarbeiten und unerwünschte Teile des aufgenommenen Bildes zur Rauschunterdrückung durch Größenänderung, Schwellenwertbildung und Gaußfilter an den Bilddatensätzen zu entfernen. Die Größenanpassung ändert die ursprüngliche Größe des aufgenommenen Bildes, die Schwellenwertbestimmung führt eine Bildsegmentierung durch, um mehrere Segmente innerhalb des Bildes zu erhalten, und der Gauß-Filter führt eine Reduzierung des Rauschens und der verblassten Bereiche eines Bildes durch.
-
Das Merkmalsextraktionsmodul (106) ist mit dem Vorverarbeitungsmodul (104) zur Extraktion einer Vielzahl von Merkmalen verbunden, um verzerrte Bereiche der Bilder der Betelblätter zu erkennen, wobei die Vielzahl der extrahierten Merkmale durch Eliminierung irrelevanter Merkmale reduziert wird. Das Merkmalsextraktionsmodul (106) führt Cluster auf der Grundlage der K-Mittel-Clustering-Technik durch, wobei eine allgemeine Konturverfolgung der Forminformationen aus den vorverarbeiteten Blattbildern extrahiert wird. Die Merkmale der Kontur wurden analysiert und nach der Extraktion der Kontur zur Musterklassifizierung verwendet. Das Merkmalsextraktionsmodul (106) löscht die Anzahl der Merkmale in der Datenbank durch Auslöschung von Merkmalen, wobei nach der Extraktion von Merkmalen eine neue Bilddatenbank zum Testen gebildet wird.
-
Das Klassifizierungsmodul (108) ist mit dem Merkmalsextraktionsmodul (106) verbunden, um die reduzierte Vielzahl von Merkmalen auf der Grundlage eines Klassifizierers in eine Vielzahl von Klassen zu klassifizieren, wobei eine erste Klasse aus der Vielzahl von Klassen das gesunde Blatt erkennt und eine zweite Klasse aus der Vielzahl von Klassen das kranke Blatt erkennt. Der Klassifikator ist eine Support-Vektor-Maschine (SVM) zur Klassifizierung des kranken Blattes vom gesunden Blatt.
-
In dem vorgeschlagenen System zur Erkennung und Identifizierung des Status von Betelblättern, ob sie frisch oder verzerrt sind, wird der SVM-Algorithmus (Support Vector Machine) für die Klassifizierungsphase verwendet. Eine große Anzahl von Datensätzen mit Bildern von frischen und verzerrten Betelblättern wurde sowohl für die Trainings- als auch für die Testphase verwendet. Vorhersagen, Empfehlungen und Schätzungen sind wichtige Maßnahmen, die auf historischen Daten für die Trainingsphase der maschinellen Lerntechniken basieren.
-
Eine große Menge von Daten wird durch den Mechanismus des maschinellen Lernens vorhergesagt und klassifiziert. Eine besondere Kategorie überwachter Algorithmen des maschinellen Lernens ist die Support Vector Machine (SVM), die für die Analyse von zwei Gruppen und für Rangordnungsprobleme verwendet wird. Für Klassifizierungsprobleme wird die SVM verwendet. Die SVM-Technik wird verwendet, um alle Daten im n-dimensionalen Raum darzustellen. SVM ist sehr nützlich für die Durchführung der Klassifizierung durch die Suche nach einer Hyperebene, die die beiden Klassen sehr gut unterscheiden kann. Das SVM-Modell arbeitet mit gelabelten Trainingsdaten und ist auch in der Lage, neuen Text zu kategorisieren.
-
Die SVM, eine spezielle Kategorie von maschinellen Lernmodellen, verallgemeinert zwei verschiedene Klassen von markierten Daten, die in den Trainingsdaten enthalten sind. Zur Unterscheidung zweier Klassen sollte eine Hyperebene überprüft werden, und dies ist das Hauptziel von SVM.
-
Es wird ein neues IoT-basiertes System entwickelt, das in der Lage ist, Pflanzenblätter automatisch zu klassifizieren und auf der Grundlage verschiedener Blattbilder zu erkennen. Dieses vorgeschlagene System unterscheidet zwischen gesunden Blättern und verzerrten Blättern. Die Autoren haben verschiedene Bilder von Betelblättern für Trainingszwecke gesammelt. Danach wurden Initialisierungs- und Segmentierungsverfahren für die Bilder implementiert. Schließlich wird die SVM-Klassifizierung angewendet. Die Genauigkeit des SVM-Klassifizierers für die Klassifizierung von Bildern mit frischen Betelblättern und verfaulten Bildern liegt bei 96 %. Für die Sammlung von Originalbildern werden Internetquellen verwendet und so eine neue Bilddatenbank für Pflanzenblätter erstellt. Um die Genauigkeit des Systems zu verbessern, werden verschiedene Verfahren zur Kalibrierung und Vermehrung eingesetzt. Die Anwendung für intelligente mobile Geräte mit Funktionen wie der Anzeige von erkannten Krankheiten in Betelblättern, basierend auf Blattbildern, die von der Handykamera aufgenommen wurden. Diese Anwendung dient als Hilfsmittel für Landwirte, das eine schnelle und effiziente Erkennung von Pflanzenkrankheiten ermöglicht und die Entscheidungsfindung beim Einsatz von chemischen Pflanzenschutzmitteln erleichtert.
-
In einer alternativen Ausführungsform werden die Bilder durch Training für die Erkennung von Pflanzenkrankheiten auf größeren Flächen verbreitet, wobei Luftaufnahmen von Obst- und Weingärten, die von Drohnen aufgenommen wurden, und neuronale Faltungsnetze zur Objekterkennung kombiniert werden.
-
Die Figur und die vorangehende Beschreibung geben Beispiele für Ausführungsformen. Der Fachmann wird verstehen, dass eines oder mehrere der beschriebenen Elemente durchaus zu einem einzigen Funktionselement kombiniert werden können. Alternativ dazu können bestimmte Elemente in mehrere Funktionselemente aufgeteilt werden. Elemente aus einer Ausführungsform können einer anderen Ausführungsform hinzugefügt werden. So kann beispielsweise die Reihenfolge der hier beschriebenen Prozesse geändert werden und ist nicht auf die hier beschriebene Weise beschränkt. Darüber hinaus müssen die Aktionen eines Flussdiagramms nicht in der gezeigten Reihenfolge ausgeführt werden; auch müssen nicht unbedingt alle Aktionen durchgeführt werden. Auch können diejenigen Handlungen, die nicht von anderen Handlungen abhängig sind, parallel zu den anderen Handlungen ausgeführt werden. Der Umfang der Ausführungsformen ist durch diese spezifischen Beispiele keineswegs begrenzt. Zahlreiche Variationen sind möglich, unabhängig davon, ob sie in der Beschreibung explizit aufgeführt sind oder nicht, wie z. B. Unterschiede in der Struktur, den Abmessungen und der Verwendung von Materialien. Der Umfang der Ausführungsformen ist mindestens so groß wie in den folgenden Ansprüchen angegeben.
-
Vorteile, andere Vorzüge und Problemlösungen wurden oben im Hinblick auf bestimmte Ausführungsformen beschrieben. Die Vorteile, Vorzüge, Problemlösungen und Komponenten, die dazu führen können, dass ein Vorteil, ein Nutzen oder eine Lösung auftritt oder ausgeprägter wird, sind jedoch nicht als kritisches, erforderliches oder wesentliches Merkmal oder Komponente eines oder aller Ansprüche zu verstehen.
-
Bezugszeichenliste
-
- 100
- Ein System zur Erkennung von Krankheiten in Blättern.
- 102
- Modul zur Bilderfassung
- 104
- Vorverarbeitungsmodul
- 106
- Modul zur Merkmalsextraktion
- 108
- Klassifizierungsmodul
- 110
- Datenbank
-
ZITATE ENTHALTEN IN DER BESCHREIBUNG
-
Diese Liste der vom Anmelder aufgeführten Dokumente wurde automatisiert erzeugt und ist ausschließlich zur besseren Information des Lesers aufgenommen. Die Liste ist nicht Bestandteil der deutschen Patent- bzw. Gebrauchsmusteranmeldung. Das DPMA übernimmt keinerlei Haftung für etwaige Fehler oder Auslassungen.
-
Zitierte Patentliteratur
-
- EP 3455782 B1 [0008]
- JP 6246768 B2 [0008]
- JP 6582999 B2 [0008]
