JP7078944B1 - 物性値予測方法、物性値予測システム及びプログラム - Google Patents
物性値予測方法、物性値予測システム及びプログラム Download PDFInfo
- Publication number
- JP7078944B1 JP7078944B1 JP2021206742A JP2021206742A JP7078944B1 JP 7078944 B1 JP7078944 B1 JP 7078944B1 JP 2021206742 A JP2021206742 A JP 2021206742A JP 2021206742 A JP2021206742 A JP 2021206742A JP 7078944 B1 JP7078944 B1 JP 7078944B1
- Authority
- JP
- Japan
- Prior art keywords
- prediction
- image
- physical property
- feature amount
- property value
- 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.)
- Active
Links
- 230000000704 physical effect Effects 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 27
- 239000000463 material Substances 0.000 claims abstract description 45
- 239000002184 metal Substances 0.000 claims description 20
- 229910052751 metal Inorganic materials 0.000 claims description 20
- 238000006243 chemical reaction Methods 0.000 claims description 11
- 239000003973 paint Substances 0.000 claims description 5
- 239000013077 target material Substances 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 abstract description 8
- 238000010586 diagram Methods 0.000 abstract description 3
- 238000001878 scanning electron micrograph Methods 0.000 description 14
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 13
- 239000000126 substance Substances 0.000 description 13
- 229910052802 copper Inorganic materials 0.000 description 11
- 239000010949 copper Substances 0.000 description 11
- 238000003384 imaging method Methods 0.000 description 5
- 238000003860 storage Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000000465 moulding Methods 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 239000000758 substrate Substances 0.000 description 3
- 239000011247 coating layer Substances 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 239000011889 copper foil Substances 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000005498 polishing Methods 0.000 description 2
- 239000011347 resin Substances 0.000 description 2
- 229920005989 resin Polymers 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 101100400452 Caenorhabditis elegans map-2 gene Proteins 0.000 description 1
- 238000001069 Raman spectroscopy Methods 0.000 description 1
- 239000000654 additive Substances 0.000 description 1
- 230000000844 anti-bacterial effect Effects 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 230000001066 destructive effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007772 electroless plating Methods 0.000 description 1
- 238000009713 electroplating Methods 0.000 description 1
- 238000004049 embossing Methods 0.000 description 1
- 238000002149 energy-dispersive X-ray emission spectroscopy Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005530 etching Methods 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000049 pigment Substances 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000000550 scanning electron microscopy energy dispersive X-ray spectroscopy Methods 0.000 description 1
- 230000003746 surface roughness Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N23/00—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00
- G01N23/22—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material
- G01N23/225—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion
- G01N23/2251—Investigating or analysing materials by the use of wave or particle radiation, e.g. X-rays or neutrons, not covered by groups G01N3/00 – G01N17/00, G01N21/00 or G01N22/00 by measuring secondary emission from the material using electron or ion using incident electron beams, e.g. scanning electron microscopy [SEM]
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Image Analysis (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Feedback Control In General (AREA)
Abstract
Description
以下、本開示の第1実施形態を、図面を参照して説明する。
第1実施形態の予測システム2(装置)は、予測モデル21を用いて、薬品で表面処理を施した金属(銅)の表面を撮像した画像に基づいて、金属の物性値(例えば密着強度)を予測する。学習システム1(装置)は、教師データを用いて予測モデル21を機械学習で構築する。
実施例1は、入力画像G1を、薬品処理後の銅箔を電子顕微鏡で撮像したSEM画像とした例である。図2は、SEM画像の一例を示す。SEM画像の撮像条件は、倍率は3500倍、チルト角が45度である。物理量は、密着強度[N/mm]とした。薬品Aを用いて銅表面を処理した例である。90枚の画像に対して90個の密着強度を計測した。90個のデータのうちの半数を学習用データとして使用し、残り半数のデータを予測に用いた。実測密着強度と予測値の平均二乗誤差が0.0008であった。図3は、横軸が実測密着強度であり、縦軸が予測した密着強度であり、予測値と実測値の組み合わせのデータをプロットした図である。
実施例2は、実施例1と同様にSEM画像を入力画像G1とした。薬品Bを用いて銅表面を処理した例である。72枚の画像に対して72個の密着強度を計測した。72個のうちの半数を学習用データとし、残り半数を予測用データとした。実測密着強度と予測値の平均二乗誤差が0.0012であった。SEM画像の撮像条件は実施例1と同じである。
実施例3は、実施例1と同様にSEM画像を入力画像G1とした。薬品Cを用いて銅表面を処理した例である。39枚の画像に対して39個の密着強度を計測した。39個のうちの半数を学習用データとし、残り半数を予測用データとした。実測密着強度と予測値の平均二乗誤差が0.0021であった。SEM画像の撮像条件は実施例1と同じである。
実施例4は、実施例3のSEM画像を用いて、1枚のSEM画像から複数の物性値を推測するようにした例である。具体的には、1つのUNetの出力を複数クラスに設定することで、同一のUNetから複数の物性値を出力(計算)可能となる。複数の物性値は、密着強度、粗さパラメータ(Sdr、Sdq)である。密着強度を予測するための第1のUNetと、Sdrを予測するための第2のUNetと、Sdqを予測するための第3のUNetとを並列化した構成である。密着強度の平均二乗誤差が0.001であり、Sdrの平均二乗誤差が0.0003であり、Sdqの平均二乗誤差が0.0868であった。
実施例5は、薬品Dを用いて銅表面を処理した例である。入力画像G1が、SEM画像ではなく、光学カメラで撮像したカメラ画像である。カメラ画像は、黒色の背景を分離する処理のみを行っている。カメラ画像に含まれるRGB成分ごとに3つの単色画像に分け、3つの単色画像を予測モデル21に入力する。物性値は、表面粗さRa(算術平均)とした。960組のデータを用い、半数を教師データとし、残り半数を予測データに用いている。平均二乗誤差は0.0153であった。
なお、RGB成分を有するカメラ画像をグレースケール画像に変換して、グレースケール画像の強度(明度)を予測モデル21に入力することも可能である。グレースケール画像を入力した場合と、RGB成分ごとに3つの単色画像を入力した場合に特筆すべき違いが見受けられなかったので、実施例5では、RGB成分の方を用いた。
実施例6は、実施例5と同様にカメラ画像を入力画像G1としている。薬品Dを用いて銅表面を処理した例である。物性値は、CIE1976 明度指数L*とした。320組のデータを用い、半数を教師データとし、残り半数を予測データに用いている。平均二乗誤差は11.05であった。L*は、JISZ 8781-4に準拠している。
実施例7は、実施例5と同様にカメラ画像を入力画像G1としている。薬品Dを用いて銅表面を処理した例である。物性値は、CIE1976 色空間における色座標a*とした。320組のデータを用い、半数を教師データとし、残り半数を予測データに用いている。平均二乗誤差は0.0062であった。a*は、JISZ 8781-4に準拠している。
実施例8は、実施例5と同様にカメラ画像を入力画像G1としている。薬品Dを用いて銅表面を処理した例である。物性値は、CIE1976 色空間における色座標b*とした。320組のデータを用い、半数を教師データとし、残り半数を予測データに用いている。平均二乗誤差は0.1294であった。b*は、JISZ 8781-4に準拠している。
上記予測システム2が実行する、素材の物性値の予測方法を、図4を用いて説明する。
(1-1)図1に示す実施形態において、予測モデル21は、特徴量マップG2を出力する特徴量マップ出力部21aで構成されているが、特徴量マップを出力せずに、物性値を出力するモデルであってもよい。例えば、ニューラルネットワークの一種であるResNetを使用してもよい。もちろん、画像を処理可能な非線形モデルであれば利用可能である。
このように、機械学習された予測モデル21を用いて予測対象画像G1に写る素材(金属)に関する物性値を予測できるので、試験などで物性値を計測する場合に比べて、金銭コストや時間コストを削減可能となる。
これにより、特徴量マップG2から予測値が得られるので、予測モデル21が予測する根拠を特徴量マップG2で説明する試みが可能となる。
第1実施形態に係るプログラムは、上記方法を1又は複数のプロセッサに実行させるプログラムである。
これらプログラムを実行することによっても、上記方法の奏する作用効果を得ることが可能となる。
G2…特徴量マップ
2…予測システム
20…画像取得部
21…予測モデル
21a…特徴量マップ出力部
21b…変換部
22…予測部
Claims (5)
- 予測対象の素材を撮像した予測対象画像を取得し、
素材を撮像した画像を説明変数として入力し前記素材に関する物性値を出力するように機械学習された予測モデルに対して、前記予測対象画像を入力して前記予測対象画像に写る前記素材に関する物性値を予測値として出力することを含み、
前記予測モデルは、入力される画像から特徴量マップを出力する特徴量マップ出力部と、前記特徴量マップを前記予測値に変換する変換部と、を有し、
前記特徴量マップ出力部は、前記機械学習された学習モデルであり、
前記特徴量マップは、入力画像の縦ピクセルに対応するピクセル数と、入力画像の横ピクセルに対応するピクセル数とを乗算した数のピクセルを有するデータであり、各々の前記ピクセルが前記素材に関する物性値に関する特徴量を有し、
前記変換部は、前記特徴量マップを1つの数である前記予測値に変換する、物性値予測方法。 - 撮像される前記素材は、表面処理を施した金属の表面、塗料の塗装面、メッキ処理した金属の表面、フィルムの表面、紙表面、及び成形加工された素材表面のいずれかである、請求項1に記載の物性値予測方法。
- 予測対象の素材を撮像した予測対象画像を取得する画像取得部と、
素材を撮像した画像を説明変数として入力し前記素材に関する物性値を出力するように機械学習された予測モデルに対して、前記予測対象画像を入力して前記予測対象画像に写る前記素材に関する物性値を予測値として出力する予測部と、
を備え、
前記予測モデルは、入力される画像から特徴量マップを出力する特徴量マップ出力部と、前記特徴量マップを前記予測値に変換する変換部と、を有し、
前記特徴量マップ出力部は、前記機械学習された学習モデルであり、
前記特徴量マップは、入力画像の縦ピクセルに対応するピクセル数と、入力画像の横ピクセルに対応するピクセル数とを乗算した数のピクセルを有するデータであり、各々の前記ピクセルが前記素材に関する物性値に関する特徴量を有し、
前記変換部は、前記特徴量マップを1つの数である前記予測値に変換する、物性値予測システム。 - 撮像される前記素材は、表面処理を施した金属の表面、塗料の塗装面、メッキ処理した金属の表面、フィルムの表面、紙表面、及び成形加工された素材表面のいずれかである、請求項4又は5に記載の物性値予測システム。
- 請求項1又は2に記載の方法を1又は複数のプロセッサに実行させるプログラム。
Priority Applications (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021206742A JP7078944B1 (ja) | 2021-12-21 | 2021-12-21 | 物性値予測方法、物性値予測システム及びプログラム |
PCT/JP2022/043940 WO2023120061A1 (ja) | 2021-12-21 | 2022-11-29 | 物性値予測方法、及び物性値予測システム |
TW111146957A TW202332957A (zh) | 2021-12-21 | 2022-12-07 | 物性值預測方法及物性值預測系統 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
JP2021206742A JP7078944B1 (ja) | 2021-12-21 | 2021-12-21 | 物性値予測方法、物性値予測システム及びプログラム |
Publications (2)
Publication Number | Publication Date |
---|---|
JP7078944B1 true JP7078944B1 (ja) | 2022-06-01 |
JP2023091892A JP2023091892A (ja) | 2023-07-03 |
Family
ID=81845517
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2021206742A Active JP7078944B1 (ja) | 2021-12-21 | 2021-12-21 | 物性値予測方法、物性値予測システム及びプログラム |
Country Status (3)
Country | Link |
---|---|
JP (1) | JP7078944B1 (ja) |
TW (1) | TW202332957A (ja) |
WO (1) | WO2023120061A1 (ja) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014039504A (ja) | 2012-08-23 | 2014-03-06 | Fuji Xerox Co Ltd | 画像処理装置、プログラム及び画像処理システム |
JP2018029568A (ja) | 2016-08-26 | 2018-03-01 | 国立大学法人静岡大学 | 萎れ具合予測システム及び萎れ具合予測方法 |
JP2018171039A (ja) | 2017-03-31 | 2018-11-08 | ソニー株式会社 | 情報処理装置、情報処理方法、プログラム及び観察システム |
US20190347526A1 (en) | 2018-05-09 | 2019-11-14 | Adobe Inc. | Extracting material properties from a single image |
JP2020041290A (ja) | 2018-09-07 | 2020-03-19 | 学校法人金沢工業大学 | コンクリートの最適締固め判定施工システム |
WO2020116085A1 (ja) | 2018-12-05 | 2020-06-11 | ソニー株式会社 | 推定装置、推定方法、及び推定プログラム |
JP2020128900A (ja) | 2019-02-07 | 2020-08-27 | 国立大学法人北海道大学 | ゴム材料の特性推定方法、システム及びプログラム |
WO2020262615A1 (ja) | 2019-06-28 | 2020-12-30 | 関西ペイント株式会社 | 光輝性顔料判定方法、光輝性顔料判定装置および光輝性顔料判定プログラム |
JP2019124539A5 (ja) | 2018-01-15 | 2021-02-04 | ||
JP2021051380A (ja) | 2019-09-20 | 2021-04-01 | 株式会社デンソーテン | 付着物検出装置および付着物検出方法 |
JP2021060457A (ja) | 2019-10-03 | 2021-04-15 | 国立大学法人北海道大学 | ゴム材料の物性推定方法、システム及びプログラム |
JP2021135199A (ja) | 2020-02-27 | 2021-09-13 | 太平洋セメント株式会社 | 骨材の品質推定方法およびコンクリート製造方法 |
JP2021144402A (ja) | 2020-03-11 | 2021-09-24 | 株式会社ジェイテクト | 品質評価に用いられる学習モデルの製造方法、学習システム、品質評価システム、及び、品質評価方法 |
JP2021155984A (ja) | 2020-03-26 | 2021-10-07 | 前田道路株式会社 | アスファルト混合物の成分情報推定システム、アスファルトプラント、及び、アスファルト混合物の成分情報推定方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP7133927B2 (ja) * | 2018-01-15 | 2022-09-09 | キヤノン株式会社 | 情報処理装置及びその制御方法及びプログラム |
-
2021
- 2021-12-21 JP JP2021206742A patent/JP7078944B1/ja active Active
-
2022
- 2022-11-29 WO PCT/JP2022/043940 patent/WO2023120061A1/ja unknown
- 2022-12-07 TW TW111146957A patent/TW202332957A/zh unknown
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014039504A (ja) | 2012-08-23 | 2014-03-06 | Fuji Xerox Co Ltd | 画像処理装置、プログラム及び画像処理システム |
JP2018029568A (ja) | 2016-08-26 | 2018-03-01 | 国立大学法人静岡大学 | 萎れ具合予測システム及び萎れ具合予測方法 |
JP2018171039A (ja) | 2017-03-31 | 2018-11-08 | ソニー株式会社 | 情報処理装置、情報処理方法、プログラム及び観察システム |
JP2019124539A5 (ja) | 2018-01-15 | 2021-02-04 | ||
US20190347526A1 (en) | 2018-05-09 | 2019-11-14 | Adobe Inc. | Extracting material properties from a single image |
JP2020041290A (ja) | 2018-09-07 | 2020-03-19 | 学校法人金沢工業大学 | コンクリートの最適締固め判定施工システム |
WO2020116085A1 (ja) | 2018-12-05 | 2020-06-11 | ソニー株式会社 | 推定装置、推定方法、及び推定プログラム |
JP2020128900A (ja) | 2019-02-07 | 2020-08-27 | 国立大学法人北海道大学 | ゴム材料の特性推定方法、システム及びプログラム |
WO2020262615A1 (ja) | 2019-06-28 | 2020-12-30 | 関西ペイント株式会社 | 光輝性顔料判定方法、光輝性顔料判定装置および光輝性顔料判定プログラム |
JP2021051380A (ja) | 2019-09-20 | 2021-04-01 | 株式会社デンソーテン | 付着物検出装置および付着物検出方法 |
JP2021060457A (ja) | 2019-10-03 | 2021-04-15 | 国立大学法人北海道大学 | ゴム材料の物性推定方法、システム及びプログラム |
JP2021135199A (ja) | 2020-02-27 | 2021-09-13 | 太平洋セメント株式会社 | 骨材の品質推定方法およびコンクリート製造方法 |
JP2021144402A (ja) | 2020-03-11 | 2021-09-24 | 株式会社ジェイテクト | 品質評価に用いられる学習モデルの製造方法、学習システム、品質評価システム、及び、品質評価方法 |
JP2021155984A (ja) | 2020-03-26 | 2021-10-07 | 前田道路株式会社 | アスファルト混合物の成分情報推定システム、アスファルトプラント、及び、アスファルト混合物の成分情報推定方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2023120061A1 (ja) | 2023-06-29 |
JP2023091892A (ja) | 2023-07-03 |
TW202332957A (zh) | 2023-08-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhan et al. | No-reference image sharpness assessment based on maximum gradient and variability of gradients | |
Haddadi et al. | Use of rigid-body motion for the investigation and estimation of the measurement errors related to digital image correlation technique | |
JP5063076B2 (ja) | 光輝性顔料の同定方法、同定システム、同定プログラム及びその記録媒体 | |
JP2011506961A5 (ja) | ||
JP2019500588A (ja) | 塗料表面の質感パラメータを決定するための方法 | |
Ren et al. | Fast defect inspection based on data-driven photometric stereo | |
JP7078944B1 (ja) | 物性値予測方法、物性値予測システム及びプログラム | |
Kwon et al. | Assessment of speckle-pattern quality using deep-learning-based CNN | |
JP7076867B1 (ja) | 物性値予測方法、物性値予測システム及びプログラム | |
US20230304941A1 (en) | System and method for assessing a coated surface with respect to surface defects | |
TW202305349A (zh) | 評估方法、評估裝置及電腦程式 | |
CN112862066A (zh) | 用于监控油漆的搅拌混合均匀性的神经网络的训练方法 | |
CN114689604A (zh) | 具有光滑表面的待测物于光学检测上的影像处理方法及其检测系统 | |
Fotos et al. | Deep learning enhanced Watershed for microstructural analysis using a boundary class semantic segmentation | |
JP2024042521A (ja) | 色情報推定方法および色情報推定装置 | |
JP2013213712A (ja) | 画質評価方法、画質評価装置および画質評価プログラム | |
JP7128471B2 (ja) | 塗色評価用の等色範囲設定方法及び等色範囲設定装置 | |
Rozsivalova et al. | Sequence of u-shaped convolutional networks for assessment of degree of delamination around scribe | |
Del Campo et al. | Radial basis function neural network for the evaluation of image color quality shown on liquid crystal displays | |
Wankhede et al. | A comparative study on the effect of grid printing methods and camera hardware in automatic strain measurement through CGA | |
JP2007127451A (ja) | メタリック塗装表面評価方法および装置並びに評価基準標本 | |
JP2012002532A (ja) | 劣化診断方法、劣化診断装置及び劣化診断プログラム | |
Sole et al. | On the acquisition and reproduction of material appearance | |
Vergara Villegas et al. | Radial Basis Function Neural Network for the Evaluation of Image Color Quality Shown on Liquid Crystal Displays | |
JP2023120753A (ja) | 印刷適性評価装置および印刷適性評価方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20211224 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20211224 |
|
RD01 | Notification of change of attorney |
Free format text: JAPANESE INTERMEDIATE CODE: A7426 Effective date: 20220106 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A821 Effective date: 20220106 |
|
A131 | Notification of reasons for refusal |
Free format text: JAPANESE INTERMEDIATE CODE: A131 Effective date: 20220222 |
|
A521 | Request for written amendment filed |
Free format text: JAPANESE INTERMEDIATE CODE: A523 Effective date: 20220412 |
|
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: 20220506 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20220511 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7078944 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |