JP2021099809A - 画像分類装置、画像分類方法及び画像分類モデルの生成方法 - Google Patents
画像分類装置、画像分類方法及び画像分類モデルの生成方法 Download PDFInfo
- Publication number
- JP2021099809A JP2021099809A JP2020212549A JP2020212549A JP2021099809A JP 2021099809 A JP2021099809 A JP 2021099809A JP 2020212549 A JP2020212549 A JP 2020212549A JP 2020212549 A JP2020212549 A JP 2020212549A JP 2021099809 A JP2021099809 A JP 2021099809A
- Authority
- JP
- Japan
- Prior art keywords
- categories
- image
- group
- classifiers
- category
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims description 47
- 238000013145 classification model Methods 0.000 title claims description 32
- 238000004364 calculation method Methods 0.000 claims abstract description 57
- 238000010801 machine learning Methods 0.000 claims abstract description 40
- 201000010099 disease Diseases 0.000 claims description 37
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 claims description 37
- 241000607479 Yersinia pestis Species 0.000 claims description 27
- 238000004891 communication Methods 0.000 claims description 7
- 238000003384 imaging method Methods 0.000 claims description 3
- 238000002059 diagnostic imaging Methods 0.000 description 108
- 238000003745 diagnosis Methods 0.000 description 49
- 238000012549 training Methods 0.000 description 49
- 238000011156 evaluation Methods 0.000 description 33
- 241000196324 Embryophyta Species 0.000 description 30
- 238000012545 processing Methods 0.000 description 25
- 238000013500 data storage Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 14
- 241000256011 Sphingidae Species 0.000 description 10
- 238000010586 diagram Methods 0.000 description 10
- 238000013517 stratification Methods 0.000 description 8
- 238000013527 convolutional neural network Methods 0.000 description 6
- 238000011176 pooling Methods 0.000 description 4
- 230000000295 complement effect Effects 0.000 description 3
- 241000220317 Rosa Species 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 244000291564 Allium cepa Species 0.000 description 1
- 235000002732 Allium cepa var. cepa Nutrition 0.000 description 1
- 241001124076 Aphididae Species 0.000 description 1
- 240000007124 Brassica oleracea Species 0.000 description 1
- 235000003899 Brassica oleracea var acephala Nutrition 0.000 description 1
- 235000011301 Brassica oleracea var capitata Nutrition 0.000 description 1
- 235000001169 Brassica oleracea var oleracea Nutrition 0.000 description 1
- 240000008067 Cucumis sativus Species 0.000 description 1
- 235000010799 Cucumis sativus var sativus Nutrition 0.000 description 1
- 206010061818 Disease progression Diseases 0.000 description 1
- 241000221785 Erysiphales Species 0.000 description 1
- 235000007688 Lycopersicon esculentum Nutrition 0.000 description 1
- 241000233679 Peronosporaceae Species 0.000 description 1
- 206010039509 Scab Diseases 0.000 description 1
- 240000003768 Solanum lycopersicum Species 0.000 description 1
- 244000061458 Solanum melongena Species 0.000 description 1
- 235000002597 Solanum melongena Nutrition 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005750 disease progression Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Landscapes
- Catching Or Destruction (AREA)
- Image Analysis (AREA)
Abstract
Description
実施の形態1では、本発明の画像分類装置を用いる一例として、病害を有する植物の画像から、画像分類技術を用いて病害の種類を判定する画像診断システムについて説明する。
実施の形態1に係る画像診断システムの構成について、図1〜4を用いて説明する。
図1は、本実施形態に係る画像診断システム100の構成を示す図である。画像診断システム100は、例えば、1つ又は複数の携帯端末40と、機械学習により構築された画像診断モデル54を備えるサーバ装置50とを含む。本システム100のユーザ30は、例えば携帯端末40により、病害を有する植物の画像を撮影すると、画像データ20をネットワーク200を介してサーバ装置50に送信する。ユーザ30は、サーバ装置50の画像診断モデル54による画像診断の結果として診断情報を、携帯端末40等により確認することができる
図3は、サーバ装置50の構成を例示する図である。サーバ装置50は、例えばコンピュータのような情報処理装置で構成される。サーバ装置50は、演算の処理を行う演算処理部51と、データ及び/またはプログラムを記憶するRAM56及びデータ格納部57と、ネットワーク200に接続するためのネットワークインタフェース59とを備える。ネットワークインタフェース59は、例えばIEEE802.11の規格に準拠して、または4G,5G等のシステムによって、データ通信を行う通信モジュールである。
携帯端末40は、ネットワーク200を介してサーバ装置50と通信可能である。携帯端末40は、例えばスマートフォンであるが、カメラ付きの携帯電話、デジタルカメラ、又はスキャナ等であってもよい。
以上のように構成された画像診断システム100の動作を以下に説明する。
以下では、図5のステップS2において、サーバ装置50が画像分類装置として、画像データ20から植物の病害の種類(すなわち、画像データ20の診断結果のカテゴリ)を判定する画像診断モデル54の動作を説明する。
図7は、本実施形態の画像診断モデル54におけるスコア算出部54cの動作を説明するための図である。以下、図6の例においてスコアを算出する処理を説明する。
以上のような画像診断モデル54を、機械学習によって構築すなわち生成する方法について、図8を用いて説明する。
図9は、分類器群54bの各2群分類器を学習させる動作を、図6の例における2群分類器61〜66を例示して説明するための図である。
図10は、分類器群54bのうちの1つの2群分類器61を例示する。図10の例で、2群分類器61は、CNNの構成を有し、複数の畳み込み層と、プーリング層と、全結合層を含む。2群分類器61は、畳み込み層により、画像データの特徴量を抽出するようにフィルタを適用した特徴マップを生成し、プーリング層により、特徴マップの所定領域内において例えば平均値をとって特徴量を間引く処理を行う。全結合層は、畳み込み層及びプーリング層による出力値の重み付き和をとる処理を行う。
以上のように、本実施形態の画像診断システム100において、サーバ装置50は、画像診断モデル54により、複数のカテゴリの一例として4つのカテゴリA〜Dにおいて判定対象の画像を分類する画像分類装置として機能する。画像分類装置は、複数の分類器の一例として2群分類器61〜66を含む分類器群54bと、スコア算出部54cとを備える。分類器群54bの2群分類器61〜66は、カテゴリA〜D毎の画像データに基づく機械学習によってそれぞれ構成される。スコア算出部54cは、判定対象の画像を示す画像データを2群分類器61〜66の各々に入力して得られる情報に基づいて、4つのカテゴリA〜Dにおいて当該画像を分類した判定結果を示す判定スコアの一例としてスコアSA〜SDを算出する。分類器群54bは、4つのカテゴリA〜Dの中から2つのカテゴリを選ぶ組み合わせの数の個数分の2群分類器61〜66を有し、2群分類器61〜66の各々は、互いに別々の組み合わせにおいて4つのカテゴリA〜Dの中の少なくとも2つのカテゴリの内の一方に、入力された画像データが属する確率を示す所属確率P1A〜P6Dを算出する。スコア算出部54cは、判定対象の画像に関して2群分類器61〜66の各々により算出された複数の所属確率P1A〜P6Dに基づいて、スコアSA〜SDを算出する。
実施の形態3では、分類器の個数を減らす別例を説明する。以下、図12〜14を用いて、実施の形態3における画像診断モデル54Rの構造及び動作を説明する。
以上の実施の形態1〜3に関する実施例について、以下説明する。図15及び図16は、実施の形態1〜3に係る画像診断モデルの性能評価を行った結果を示す。
実施の形態1に係る画像診断モデル54は、入力された画像データから診断カテゴリを判定する。実施例(1)の性能評価は、図2に例示する植物の病害の診断カテゴリと画像データを対応付けたラベル付きデータを訓練データと評価データに分割して用いた。訓練データと評価データは、例えば9対1の割合に分割する。本性能評価は、訓練データを用いて構築した画像診断モデル54に、訓練データとは別の評価データを入力して診断カテゴリの正解率を評価した。
実施の形態2に係る画像診断モデル54Cは、画像データが入力されると、層別化分類器54Cbによりカテゴリのグループに大別して、分類されたグループ内のカテゴリから診断カテゴリを判定する。実施の形態3に係る画像診断モデル54Rは、1対他の分類を行う2群分類器を判定対象のカテゴリ数だけ用いて診断カテゴリを判定する。実施例(2)は、層別化分類器を適用して分類されたグループ内のカテゴリの判定に、1対他の2群分類器を用いるモデル構造を画像診断モデル54CRとして、性能評価を行った。
実施例(3)は、実施の形態2に係る画像診断モデル54Cにおいて、図16の例とは異なる害虫の種類の画像を用いて学習及び評価を行った。実施例(2)では、バラの葉に付く害虫の画像を判定対象としたが、本実施例では、複数の種類の農作物(キャベツ、トマト、キュウリ、ナス及びタマネギ)に付く害虫の画像を判定対象とする。本実施例では、害虫の画像データは、11種類の害虫に対応して、イモムシ非類似の5種類のカテゴリと、イモムシ類似の6種類のカテゴリに大別される。
以上のように、本発明の例示として、実施の形態1〜3を説明した。しかしながら本発明は、これに限らず、他の実施の形態にも適用可能である。以下、他の実施の形態を例示する。
40 携帯端末
42 カメラ
50 サーバ装置
54,54C,54R 画像診断モデル
55 制御プログラム
58 データベース
54a 入力部
54b,54b1,54b2,54Rb 分類器群
54c,54c1,54c2,54Rc スコア算出部
54d,54d1,54d2 出力部
54Cb 層別化分類器
61,61,62,63,64,65,66,71,72,73,74 2群分類器
D60 訓練データセット
200 ネットワーク
Claims (12)
- 複数のカテゴリにおいて判定対象の画像を分類する画像分類装置であって、
前記カテゴリ毎の画像データに基づく機械学習によってそれぞれ構成される複数の分類器と、
前記判定対象の画像を示す画像データを前記各分類器に入力して得られる情報に基づいて、前記複数のカテゴリにおいて当該画像を分類した判定結果を示す判定スコアを算出するスコア算出部と、を備え、
前記複数の分類器は、前記複数のカテゴリの中から2つのカテゴリを選ぶ組み合わせの数以下の個数を有し、
前記各分類器は、互いに別々の組み合わせにおいて前記複数のカテゴリの中の少なくとも2つのカテゴリの内の一方に、入力された画像データが属する確率を示す所属確率を算出し、
前記スコア算出部は、前記判定対象の画像に関して前記各分類器により算出された複数の所属確率に基づいて、前記判定スコアを算出する
画像分類装置。 - 前記複数の分類器の個数は、前記複数のカテゴリにおける少なくとも第1のグループの中から、2つのカテゴリを選ぶ組み合わせの数以上であり、
前記各分類器は、前記第1のグループにおける2つのカテゴリの組み合わせ毎に、前記入力された画像データが当該組み合わせの内の一方のカテゴリに属する確率として前記所属確率を算出する
請求項1に記載の画像分類装置。 - 前記スコア算出部は、前記第1のグループにおける一のカテゴリに関して、当該一のカテゴリと前記第1のグループにおける他のカテゴリとの組み合わせの分の前記所属確率を合計して、前記判定スコアを算出する
請求項2に記載の画像分類装置。 - 前記複数の分類器の個数は、前記複数のカテゴリにおいて少なくとも第1のグループに含まれるカテゴリの個数以上であり、
前記各分類器は、前記第1のグループにおけるカテゴリ毎に、前記入力された画像データが前記第1のグループの中で当該カテゴリに属する確率として前記所属確率を算出する
請求項1に記載の画像分類装置。 - 前記複数のカテゴリは、前記第1のグループと、前記第1のグループとは異なる第2のグループとを含む複数のグループに区分され、
前記判定対象の画像を示す画像データに基づいて、前記複数のグループにおいて当該画像を分類して、前記複数の分類器の中から前記画像データを入力する分類器を判定する判定器をさらに備える
請求項2から4のいずれか1つに記載の画像分類装置。 - 外部の情報端末から画像データを判定対象として受信して、前記判定スコアを含む判定情報を前記情報端末に送信する通信部をさらに備える
請求項1から5のいずれか1つに記載の画像分類装置。 - 前記判定対象の画像を撮像する撮像部と、
前記判定スコアを含む判定情報を表示する表示部とをさらに備える
請求項1から5のいずれか1つに記載の画像分類装置。 - 前記判定対象の画像は、病害を有する植物及び害虫の画像の少なくとも一つを含む有害生物が撮像された画像であり、
前記複数のカテゴリは、前記有害生物を区分するカテゴリである
請求項1から7のいずれか1つに記載の画像分類装置。 - 複数のカテゴリにおいて判定対象の画像を分類する画像分類方法であって、
前記カテゴリ毎の画像データに基づく機械学習によってそれぞれ構成される複数の分類器に、前記判定対象の画像を示す画像データを入力するステップと、
当該画像データを前記各分類器に入力して得られる情報に基づいて、前記複数のカテゴリにおいて当該画像を分類した判定結果を示す判定スコアを算出するステップと、を含み、
前記複数の分類器の個数は、前記複数のカテゴリの中から2つのカテゴリを選ぶ組み合わせの数以下であり、
前記各分類器は、互いに別々の組み合わせにおいて前記複数のカテゴリの中の少なくとも2つのカテゴリの内の一方に、入力された画像データが属する確率を示す所属確率を算出し、
前記判定スコアを算出するステップは、前記判定対象の画像に関して前記各分類器により算出された複数の所属確率に基づいて行われる
画像分類方法。 - 請求項9に記載の画像分類方法をコンピュータに実行させるための命令群を含むプログラム。
- 複数のカテゴリにおいて判定対象の画像を分類する画像分類モデルの生成方法であって、
前記カテゴリ毎の画像データに基づいて、複数の分類器の機械学習を行うステップと、
学習済みの前記複数の分類器と、スコア算出部とを含めて前記画像分類モデルを生成するステップとを含み、
前記スコア算出部は、前記判定対象の画像を示す画像データを前記各分類器に入力して得られる情報に基づいて、前記複数のカテゴリにおいて当該画像を分類した判定結果を示す判定スコアを算出するように構成され、
前記複数の分類器の個数は、前記複数のカテゴリの中から2つのカテゴリを選ぶ組み合わせの数以下であり、
前記機械学習を行うステップは、前記各分類器が、互いに別々の組み合わせにおいて前記複数のカテゴリの中の少なくとも2つのカテゴリの内の一方に、入力された画像データが属する確率を示す所属確率を算出するように、前記各分類器の機械学習を行う
画像分類モデルの生成方法。 - 判定対象の画像を分類する画像分類モデルであって、
判定対象の画像を示す画像データを入力する入力部と、
入力された画像データについて、複数のカテゴリのカテゴリ毎の判定スコアを算出するスコア算出部と、
カテゴリ及び対応する少なくとも一部の判定スコアを出力する出力部とを備え、
前記スコア算出部は、前記複数のカテゴリの中の少なくとも2つのカテゴリの内の一方に、入力された画像データが属する確率を示す所属確率に基づいて、前記判定スコアを算出する
画像分類モデル。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2019231904 | 2019-12-23 | ||
JP2019231904 | 2019-12-23 |
Publications (2)
Publication Number | Publication Date |
---|---|
JP2021099809A true JP2021099809A (ja) | 2021-07-01 |
JP7339234B2 JP7339234B2 (ja) | 2023-09-05 |
Family
ID=76541981
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2020212549A Active JP7339234B2 (ja) | 2019-12-23 | 2020-12-22 | 画像分類装置、画像分類方法及び画像分類モデルの生成方法 |
Country Status (1)
Country | Link |
---|---|
JP (1) | JP7339234B2 (ja) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020000766A (ja) * | 2018-06-30 | 2020-01-09 | 株式会社三洋物産 | 遊技機 |
JP2020000765A (ja) * | 2018-06-30 | 2020-01-09 | 株式会社三洋物産 | 遊技機 |
CN115471747A (zh) * | 2022-08-30 | 2022-12-13 | 广东省农业科学院环境园艺研究所 | 一种山茶花病虫害和生理病害的ai快速判识方法及应用 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005063308A (ja) * | 2003-08-19 | 2005-03-10 | Fuji Photo Film Co Ltd | 画像識別方法および装置、オブジェクト識別方法および装置ならびにプログラム |
CN103514459A (zh) * | 2013-10-11 | 2014-01-15 | 中国科学院合肥物质科学研究院 | 一种基于Android手机平台的识别农作物病虫害的方法及系统 |
JP2015204043A (ja) * | 2014-04-15 | 2015-11-16 | Kddi株式会社 | 多クラス識別器構築装置、方法及びプログラム |
JP2016168046A (ja) * | 2015-03-09 | 2016-09-23 | 学校法人法政大学 | 植物病診断システム、植物病診断方法、及びプログラム |
-
2020
- 2020-12-22 JP JP2020212549A patent/JP7339234B2/ja active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2005063308A (ja) * | 2003-08-19 | 2005-03-10 | Fuji Photo Film Co Ltd | 画像識別方法および装置、オブジェクト識別方法および装置ならびにプログラム |
CN103514459A (zh) * | 2013-10-11 | 2014-01-15 | 中国科学院合肥物质科学研究院 | 一种基于Android手机平台的识别农作物病虫害的方法及系统 |
JP2015204043A (ja) * | 2014-04-15 | 2015-11-16 | Kddi株式会社 | 多クラス識別器構築装置、方法及びプログラム |
JP2016168046A (ja) * | 2015-03-09 | 2016-09-23 | 学校法人法政大学 | 植物病診断システム、植物病診断方法、及びプログラム |
Non-Patent Citations (3)
Title |
---|
宮崎 祐太 ほか: "畳み込みニューラルネットワークを用いたカプセル内視鏡画像における小腸病変の位置検出", 情報処理学会 研究報告 コンピュータビジョンとイメージメディア(CVIM) 2016−CVIM−20, JPN6020049615, 12 May 2016 (2016-05-12), JP, ISSN: 0005016697 * |
岡本 拓巳 ほか: "大腸内視鏡診断支援のためのSupport Vector Machineを用いたタイプ識別ハードウェア", 電子情報通信学会技術研究報告, vol. 114, no. 329, JPN6022047406, 19 November 2014 (2014-11-19), JP, pages 39 - 44, ISSN: 0004915286 * |
高橋 和子 ほか: "多クラスSVMにおけるクラス所属確率を用いたアンサンブル学習の提案", 情報処理学会研究報告 2011(平成23)年度▲1▼ [CD−ROM], vol. Vol.2011-NL-201 No.2, JPN6022047404, 15 June 2011 (2011-06-15), JP, pages 1 - 8, ISSN: 0005123971 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2020000766A (ja) * | 2018-06-30 | 2020-01-09 | 株式会社三洋物産 | 遊技機 |
JP2020000765A (ja) * | 2018-06-30 | 2020-01-09 | 株式会社三洋物産 | 遊技機 |
CN115471747A (zh) * | 2022-08-30 | 2022-12-13 | 广东省农业科学院环境园艺研究所 | 一种山茶花病虫害和生理病害的ai快速判识方法及应用 |
Also Published As
Publication number | Publication date |
---|---|
JP7339234B2 (ja) | 2023-09-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP2021099809A (ja) | 画像分類装置、画像分類方法及び画像分類モデルの生成方法 | |
Haloi | Improved microaneurysm detection using deep neural networks | |
Prabhu et al. | Few-shot learning for dermatological disease diagnosis | |
Shorfuzzaman et al. | Artificial Neural Network‐Based Deep Learning Model for COVID‐19 Patient Detection Using X‐Ray Chest Images | |
US20220270756A1 (en) | Image diagnosis apparatus using deep learning model and method therefor | |
CN113990494B (zh) | 一种基于视频数据的抽动症辅助筛查系统 | |
Sourab et al. | A comparison of hybrid deep learning models for pneumonia diagnosis from chest radiograms | |
Kaushik et al. | Performance evaluation of learning models for the prognosis of COVID-19 | |
Hamida et al. | Data balancing through data augmentation to improve transfer learning performance for skin disease prediction | |
Escorcia-Gutierrez et al. | Computer-aided diagnosis for tuberculosis classification with water strider optimization algorithm | |
Bukhari et al. | Lung disease detection using deep learning | |
Bahanshal et al. | Hybrid fuzzy weighted K-Nearest neighbor to predict hospital readmission for diabetic patients | |
Vishwanatha et al. | Support Vector Machine (SVM) and Artificial Neural Networks (ANN) based Chronic Kidney Disease Prediction | |
Palomo et al. | Pneumonia Detection in Chest X-ray Images using Convolutional Neural Networks | |
Singla et al. | Enhancing Diagnostic Accuracy for Lung Disease in Medical Images: A Transfer-Learning Approach | |
Barman et al. | Deep Convolutional Neural Network Based Automatic COVID-19 Detection from Chest X-ray Images | |
Savaş | Enhancing Disease Classification with Deep Learning: a Two-Stage Optimization Approach for Monkeypox and Similar Skin Lesion Diseases | |
Srinivasarao et al. | Hybrid Classification Model by Using CNN to Detect COVID-19 and Chest Related Problems | |
Tiwari | Character recognition using ensemble classifier | |
JP6033724B2 (ja) | 画像表示システム、サーバ、および診断画像表示装置 | |
Natarajan et al. | Classification of pneumonia using pre-trained convolutional networks on chest X-Ray images | |
Alibraheemi | Classification Covid-19 disease based on CNN and Hybrid Models | |
Alvarado-Carrillo et al. | LCAM-Net: Local Context Attention Network for Diabetic Retinopathy Severity Classification | |
Ali et al. | Detecting pneumonia from X-ray images using transfer learning | |
Mahi et al. | An Efficient Convolutional Neural Network for Pneumonia Recognition from Chest X-Ray Images |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20220617 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20220617 |
|
A977 | Report on retrieval |
Free format text: JAPANESE INTERMEDIATE CODE: A971007 Effective date: 20221017 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20221108 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20221227 |
|
A02 | Decision of refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A02 Effective date: 20230322 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20230621 |
|
A911 | Transfer to examiner for re-examination before appeal (zenchi) |
Free format text: JAPANESE INTERMEDIATE CODE: A911 Effective date: 20230629 |
|
TRDD | Decision of grant or rejection written | ||
A01 | Written decision to grant a patent or to grant a registration (utility model) |
Free format text: JAPANESE INTERMEDIATE CODE: A01 Effective date: 20230808 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20230824 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7339234 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |