JP7450838B1 - 背景フィルタリングに基づく少量データ学習の作物樹冠被覆率の計算方法および装置 - Google Patents
背景フィルタリングに基づく少量データ学習の作物樹冠被覆率の計算方法および装置 Download PDFInfo
- Publication number
- JP7450838B1 JP7450838B1 JP2024011391A JP2024011391A JP7450838B1 JP 7450838 B1 JP7450838 B1 JP 7450838B1 JP 2024011391 A JP2024011391 A JP 2024011391A JP 2024011391 A JP2024011391 A JP 2024011391A JP 7450838 B1 JP7450838 B1 JP 7450838B1
- Authority
- JP
- Japan
- Prior art keywords
- image
- background
- class
- map
- index
- 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000001914 filtration Methods 0.000 title claims abstract description 25
- 230000011218 segmentation Effects 0.000 claims abstract description 42
- 238000012549 training Methods 0.000 claims abstract description 24
- 238000000605 extraction Methods 0.000 claims description 21
- 241000196324 Embryophyta Species 0.000 claims description 19
- 238000000638 solvent extraction Methods 0.000 claims description 18
- 230000004927 fusion Effects 0.000 claims description 16
- 239000000284 extract Substances 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 11
- 230000010339 dilation Effects 0.000 claims description 10
- 238000011176 pooling Methods 0.000 claims description 8
- 238000013527 convolutional neural network Methods 0.000 claims description 3
- 240000004050 Pentaglottis sempervirens Species 0.000 claims description 2
- 235000004522 Pentaglottis sempervirens Nutrition 0.000 claims description 2
- 238000010586 diagram Methods 0.000 abstract description 5
- 238000009395 breeding Methods 0.000 abstract description 3
- 230000001488 breeding effect Effects 0.000 abstract description 3
- 238000002372 labelling Methods 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 8
- 239000002689 soil Substances 0.000 description 4
- 238000005070 sampling Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004590 computer program Methods 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 230000008641 drought stress Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000001704 evaporation Methods 0.000 description 1
- 230000008020 evaporation Effects 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000002363 herbicidal effect Effects 0.000 description 1
- 239000004009 herbicide Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000005855 radiation Effects 0.000 description 1
- 241000894007 species Species 0.000 description 1
- 238000013179 statistical model Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
Description
(1)区画の選択には先験的な知識が必要であり、人間の目による推定は主観的で、写真のスケッチには時間と労力がかかる。
(2)現場でのサンプリング機器の使用や持ち運びが不便である。
(3)統計モデルは適切な指標を見つける際に特殊であり、広く適用できるものではない。
(4)リモートセンシングを利用して関係モデルを構築するインバージョンの方法は、精度に限界があり、インバージョンの適応性にも制限がある。
(5)色などの特徴を利用すると、雑草や落葉など、作物以外の対象が混入しやすい。
(6)アルゴリズムは作物に大きく依存しており、作物を変えると結果が大幅に低下する。
UAVを用いて、計算すべき現場の俯瞰RGB画像データを取得し、取得された画像データに基づいてサポートデータセットとクエリデータセットを構築するステップS1と、
背景分割ネットワークモデルを構築し、雑草、土地、および道路を含む既知の背景目標を目標クラスとして設定し、既知の作物を背景クラスとして設定して、前記背景分割ネットワークモデルを訓練するステップS2と、
訓練して得られた背景分割ネットワークモデルに基づいて推論を行い、樹冠被覆率を算出すべきクエリ画像内の目標領域の分割信頼度マップを取得し、前記クエリ画像の緑の特徴指数を抽出し、分割信頼度と前記緑の特徴指数とを重ねて背景指数マップを得、前記背景指数マップに基づいて前記クエリ画像内の背景領域と前景領域とを取得するステップS3と、
少量データ分割ネットワークモデルを構築し、既知の作物を目標クラスとして設定し、他の領域を背景クラスとして設定して、前記少量データ分割ネットワークモデルを訓練するステップS4と、
訓練して得られた少量データ分割ネットワークモデルに基づいて推論を行い、前記サポートデータセットにおけるサポート画像と、前記樹冠被覆率を算出すべきクエリ画像とをそれぞれ前記少量データ分割ネットワークモデルに入力して分類予測マップを得、予測信頼度が所定の閾値より大きい領域を目標領域とし、当該目標領域のうち前記前景領域と重なる部分を作物樹冠被覆領域とし、当該樹冠被覆領域に基づいて樹冠被覆率を算出するステップS5と、を含む。
現場に巡航ポイントを設定し、巡航ポイントと飛行高度を固定し、可視光カメラを搭載したUAVで現場のRGB可視光画像を取得するステップと、
UAVによって取得された画像データを照合し、数枚の代表的な画像をサポートデータセットとして選択して作物樹冠の画素領域をラベル付けし、残りの画像をラベル付けされていないクエリ画像とするステップと、を含む。
前記樹冠被覆率を算出すべきクエリ画像を訓練済みの背景分割ネットワークモデルに入力して、目標クラス0、目標クラス1、目標クラス2、他クラス3の4つの領域を表現するための分割信頼度マップを得、前記クエリ画像の緑の特徴指数を計算して緑の特徴指数マップを得るステップを含み、
前記緑の特徴指数は、RGB画像の画素のGチャネルの相対的な割合指数であり、割合指数が大きいほど、緑の特徴指数が大きいことを意味し、緑の特徴値は、
前記分割信頼度マップは、前記クエリ画像の各画素の各クラスにおける分類信頼度と対応するクラスラベルとを表し、前記分割信頼度マップは、
分割信頼度と前記緑の特徴指数とを重ねて、
背景指数に基づいて各画素の最大背景指数に対応するクラスを求め、最大背景指数のクラスが雑草、地面、道路である画素領域を背景領域とし、最大背景指数のクラスがその他のクラスである画素領域を前景領域とするステップと、を含む。
前記セマンティック特徴抽出モジュールはResNet50ネットワークを採用し、前記セマンティック特徴抽出モジュールは高レベルセマンティック特徴マップと中レベルセマンティック特徴とを抽出し、推論段階において、先験的マスク生成モジュールの入力は、前記セマンティック特徴抽出モジュールによって抽出された、サポート画像の高レベルセマンティック特徴マップおよびクエリ画像の高レベルセマンティック特徴マップであり、先験的マスク生成モジュールは、2つの特徴マップの対応する画素間の余弦距離を計算し、対応する画素間の余弦距離の最大値を求めることでサポート画像とクエリ画像との相関性マップを取得し、前記相関性マップを正規化して先験的マスクを得、
前記マルチスケール特徴融合モジュールは、主にアトラス空間ピラミッドプーリング(ASPP)ネットワーク層から構成され、前記セマンティック特徴抽出モジュールによって抽出された、サポート画像の中レベルセマンティック特徴およびクエリ画像の中レベルセマンティック特徴と、前記先験的マスクとをASPPネットワーク層で融合し、クエリ画像の分類予測マップを得、
モデル訓練段階において、前記少量データ分割ネットワークモデルの訓練データセットとして公開データセットが採用され、訓練は公開データセットのクラスに従って行われ、クラスは、推論する際に2つのクラスに変更され、クラス1は背景クラスであり、クラス0は目標クラスである。
前記先験的マスク生成モジュールは、クエリ画像とサポート画像との相関性を計算することで先験的マスクを取得し、クエリ画像の各画素とサポート画像の対応する画素との相関性は、それぞれの高レベルセマンティック特徴マップの余弦距離の最大値、すなわち、
前記セマンティック特徴抽出モジュールによって抽出された中レベルセマンティック特徴と、前記先験的マスク生成モジュールによって生成された前記先験的マスクとを結合して前記マルチスケール特徴融合モジュールに入力し、前記マルチスケール特徴融合モジュールによって出力された特徴マップを通じて、各画素が異なるクラスに属する信頼度を予測する。
訓練して得られた少量データ分割ネットワークモデルに基づいて推論を行い、前記サポート画像と前記クエリ画像とをそれぞれ前記少量データ分割ネットワークモデルに入力して分類予測マップを得、予測信頼度が0.5より大きい領域を目標領域とし、当該目標領域のうち前記前景領域と重なる部分を作物樹冠被覆領域とし、作物の樹冠被覆率を
hとwはそれぞれ画像の高さと幅を表し、Ciは作物樹冠被覆領域として分類された画素のうち、i番目の画素を表す。
1つ以上のプロセッサを含み、
前記1つ以上のプロセッサは、前記背景フィルタリングに基づく少量データ学習の作物樹冠被覆率の計算方法を実施するために用いられる。
Claims (3)
- UAVを用いて、計算すべき現場の俯瞰RGB画像データを取得し、取得された画像データに基づいてサポートデータセットとクエリデータセットを構築するステップS1と、
背景分割ネットワークモデルを構築し、雑草、土地、および道路を含む既知の背景目標を目標クラスとして設定し、既知の作物を背景クラスとして設定して、前記背景分割ネットワークモデルを訓練するステップS2と、
訓練して得られた背景分割ネットワークモデルに基づいて推論を行い、樹冠被覆率を算出すべきクエリ画像内の目標領域の分割信頼度マップを取得し、前記クエリ画像の緑の特徴指数を抽出し、分割信頼度と前記緑の特徴指数とを重ねて背景指数マップを得、前記背景指数マップに基づいて前記クエリ画像内の背景領域と前景領域とを取得するステップS3と、
少量データ分割ネットワークモデルを構築し、既知の作物を目標クラスとして設定し、他の領域を背景クラスとして設定して、前記少量データ分割ネットワークモデルを訓練するステップS4と、
訓練して得られた少量データ分割ネットワークモデルに基づいて推論を行い、前記サポートデータセットにおけるサポート画像と、前記樹冠被覆率を算出すべきクエリ画像とをそれぞれ前記少量データ分割ネットワークモデルに入力して分類予測マップを得、予測信頼度が所定の閾値より大きい領域を目標領域とし、当該目標領域のうち前記前景領域と重なる部分を作物樹冠被覆領域とし、当該樹冠被覆領域に基づいて樹冠被覆率を算出するステップS5と、を含み、
前記ステップS1は、
現場に巡航ポイントを設定し、巡航ポイントと飛行高度を固定し、可視光カメラを搭載したUAVで現場のRGB可視光画像を取得するステップと、
UAVによって取得された画像データを照合し、数枚の代表的な画像をサポートデータセットとして選択して作物樹冠の画素領域をラベル付けし、残りの画像をラベル付けされていないクエリ画像とするステップと、を含み、
前記ステップS2は、完全畳み込みニューラルネットワーク(FCN)に基づいて背景分割ネットワークモデルを構築し、雑草、土地、および道路をそれぞれ目標クラス0、目標クラス1、および目標クラス2として設定し、それ以外の領域を他クラス3として設定し、既知の公開データセットを用いて前記背景分割ネットワークモデルを訓練するステップを含み、
前記ステップS3における、訓練して得られた背景分割ネットワークモデルに基づいて推論を行い、樹冠被覆率を算出すべきクエリ画像内の目標領域の分割信頼度マップを取得し、前記クエリ画像の緑の特徴指数を抽出するステップは、
前記樹冠被覆率を算出すべきクエリ画像を訓練済みの背景分割ネットワークモデルに入力して、目標クラス0、目標クラス1、目標クラス2、他クラス3の4つの領域を表現するための分割信頼度マップを得、前記クエリ画像の緑の特徴指数を計算して緑の特徴指数マップを得るステップを含み、
前記緑の特徴指数は、RGB画像の画素のGチャネルの相対的な割合指数であり、割合指数が大きいほど、緑の特徴指数が大きいことを意味し、緑の特徴値は、
前記分割信頼度マップは、前記クエリ画像の各画素の各クラスにおける分類信頼度と対応するクラスラベルとを表し、前記分割信頼度マップは、
前記ステップS3における、分割信頼度と前記緑の特徴指数とを重ねて背景指数マップを得、前記背景指数マップに基づいて前記クエリ画像内の背景領域と前景領域とを取得するステップは、
分割信頼度と前記緑の特徴指数とを重ねて、
背景指数に基づいて各画素の最大背景指数に対応するクラスを求め、最大背景指数のクラスが雑草、地面、道路である画素領域を背景領域とし、最大背景指数のクラスがその他のクラスである画素領域を前景領域とするステップと、を含み、
前記ステップS4における少量データ分割ネットワークモデルは、セマンティック特徴抽出モジュール、先験的マスク生成モジュール、およびマルチスケール特徴融合モジュールから構成され、
前記セマンティック特徴抽出モジュールはResNet50ネットワークを採用し、前記セマンティック特徴抽出モジュールは高レベルセマンティック特徴マップと中レベルセマンティック特徴とを抽出し、推論段階において、先験的マスク生成モジュールの入力は、前記セマンティック特徴抽出モジュールによって抽出された、サポート画像の高レベルセマンティック特徴マップおよびクエリ画像の高レベルセマンティック特徴マップであり、先験的マスク生成モジュールは、2つの特徴マップの対応する画素間の余弦距離を計算し、対応する画素間の余弦距離の最大値を求めることでサポート画像とクエリ画像との相関性マップを取得し、前記相関性マップを正規化して先験的マスクを得、
前記マルチスケール特徴融合モジュールは、主にアトラス空間ピラミッドプーリング(ASPP)ネットワーク層から構成され、前記セマンティック特徴抽出モジュールによって抽出された、サポート画像の中レベルセマンティック特徴およびクエリ画像の中レベルセマンティック特徴と、前記先験的マスクとをASPPネットワーク層で融合し、クエリ画像の分類予測マップを得、
モデル訓練段階において、前記少量データ分割ネットワークモデルの訓練データセットとして公開データセットが採用され、訓練は公開データセットのクラスに従って行われ、クラスは、推論する際に2つのクラスに変更され、クラス1は背景クラスであり、クラス0は目標クラスであり、
前記セマンティック特徴抽出モジュールは、入力画像の高レベルセマンティック特徴と中レベルセマンティック特徴とをそれぞれ抽出し、サポート画像の高レベルセマンティック特徴を
前記先験的マスク生成モジュールは、クエリ画像とサポート画像との相関性を計算することで先験的マスクを取得し、クエリ画像の各画素とサポート画像の対応する画素との相関性は、それぞれの高レベルセマンティック特徴マップの余弦距離の最大値、すなわち、
前記セマンティック特徴抽出モジュールによって抽出された中レベルセマンティック特徴と、前記先験的マスク生成モジュールによって生成された前記先験的マスクとを結合して前記マルチスケール特徴融合モジュールに入力し、前記マルチスケール特徴融合モジュールによって出力された特徴マップを通じて、各画素が異なるクラスに属する信頼度を予測し、
前記マルチスケール特徴融合モジュールは、ASPPネットワーク層から構成され、すなわち、6膨張率の3×3膨張畳み込み、12膨張率の3×3膨張畳み込み、18膨張率の3×3膨張畳み込みおよび24膨張率の3×3膨張畳み込みである4つの膨張畳み込みと、1つの平均プーリング層とを並列に連結し、さらに1つの1×1畳み込みを連結することで構成される、
ことを特徴とする背景フィルタリングに基づく少量データ学習の作物樹冠被覆率の計算方法。 - 前記ステップS5は、
訓練して得られた少量データ分割ネットワークモデルに基づいて推論を行い、前記サポート画像と前記クエリ画像とをそれぞれ前記少量データ分割ネットワークモデルに入力して分類予測マップを得、予測信頼度が0.5より大きい領域を目標領域とし、当該目標領域のうち前記前景領域と重なる部分を作物樹冠被覆領域とし、作物の樹冠被覆率を
hとwはそれぞれ画像の高さと幅を表し、Ciは作物樹冠被覆領域として分類された画素のうち、i番目の画素を表す、
ことを特徴とする請求項1に記載の背景フィルタリングに基づく少量データ学習の作物樹冠被覆率の計算方法。 - 1つ以上のプロセッサを含み、
前記1つ以上のプロセッサは、請求項1~2のいずれか1項に記載の背景フィルタリングに基づく少量データ学習の作物樹冠被覆率の計算方法を実施するために用いられる、
ことを特徴とする背景フィルタリングに基づく少量データ学習の作物樹冠被覆率の計算装置。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310122727.6 | 2023-02-16 | ||
CN202310122727.6A CN115861858B (zh) | 2023-02-16 | 2023-02-16 | 基于背景过滤的小样本学习农作物冠层覆盖度计算方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
JP7450838B1 true JP7450838B1 (ja) | 2024-03-15 |
Family
ID=85658162
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
JP2024011391A Active JP7450838B1 (ja) | 2023-02-16 | 2024-01-30 | 背景フィルタリングに基づく少量データ学習の作物樹冠被覆率の計算方法および装置 |
Country Status (2)
Country | Link |
---|---|
JP (1) | JP7450838B1 (ja) |
CN (1) | CN115861858B (ja) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118096800A (zh) * | 2024-04-29 | 2024-05-28 | 合肥市正茂科技有限公司 | 一种小样本语义分割模型的训练方法、装置、设备及介质 |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116052141B (zh) * | 2023-03-30 | 2023-06-27 | 北京市农林科学院智能装备技术研究中心 | 作物生育期的识别方法、装置、设备及介质 |
CN116453003B (zh) * | 2023-06-14 | 2023-09-01 | 之江实验室 | 一种基于无人机监测智能识别水稻生长势的方法和系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106951836A (zh) | 2017-03-05 | 2017-07-14 | 北京工业大学 | 基于先验阈值优化卷积神经网络的作物覆盖度提取方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105719320B (zh) * | 2016-01-25 | 2018-11-06 | 华中农业大学 | 一种基于彩色数字图像植被冠层覆盖度计算方法及系统 |
CN111259898B (zh) * | 2020-01-08 | 2023-03-24 | 西安电子科技大学 | 基于无人机航拍图像的农作物分割方法 |
JP2021175126A (ja) * | 2020-04-28 | 2021-11-01 | キヤノン株式会社 | 分割パターン決定装置、分割パターン決定方法、学習装置、学習方法およびプログラム |
CN111738165B (zh) * | 2020-06-24 | 2023-04-18 | 中国农业科学院农业信息研究所 | 一种从高分辨率无人机可见光遥感影像中提取单株植物冠层的方法 |
CN114821045A (zh) * | 2022-03-23 | 2022-07-29 | 腾讯科技(深圳)有限公司 | 语义分割方法、装置、电子设备及存储介质 |
CN115019036B (zh) * | 2022-05-10 | 2024-02-27 | 西北工业大学 | 一种学习非目标知识的小样本语义分割方法 |
-
2023
- 2023-02-16 CN CN202310122727.6A patent/CN115861858B/zh active Active
-
2024
- 2024-01-30 JP JP2024011391A patent/JP7450838B1/ja active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106951836A (zh) | 2017-03-05 | 2017-07-14 | 北京工业大学 | 基于先验阈值优化卷积神经网络的作物覆盖度提取方法 |
Non-Patent Citations (1)
Title |
---|
今井拓司,数枚の教師データ、再学習なしで画像セグメンテーション ソフトバンクが最高精度の新技術,NIKKEI Robotics,日経BP,2022年12月10日,pp.10-15 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118096800A (zh) * | 2024-04-29 | 2024-05-28 | 合肥市正茂科技有限公司 | 一种小样本语义分割模型的训练方法、装置、设备及介质 |
Also Published As
Publication number | Publication date |
---|---|
CN115861858B (zh) | 2023-07-14 |
CN115861858A (zh) | 2023-03-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP7450838B1 (ja) | 背景フィルタリングに基づく少量データ学習の作物樹冠被覆率の計算方法および装置 | |
CA3088641C (en) | Crop type classification in images | |
Zhao et al. | Comparing U-Net convolutional network with mask R-CNN in the performances of pomegranate tree canopy segmentation | |
Zhang et al. | Automatic extraction of wheat lodging area based on transfer learning method and deeplabv3+ network | |
Qian et al. | UAV and a deep convolutional neural network for monitoring invasive alien plants in the wild | |
Aboutalebi et al. | Assessment of different methods for shadow detection in high-resolution optical imagery and evaluation of shadow impact on calculation of NDVI, and evapotranspiration | |
CN107918776B (zh) | 一种基于机器视觉的用地规划方法、系统及电子设备 | |
Bao et al. | UAV remote sensing detection of tea leaf blight based on DDMA-YOLO | |
Ardila et al. | Multitemporal change detection of urban trees using localized region-based active contours in VHR images | |
Zhang et al. | Extraction of tree crowns damaged by Dendrolimus tabulaeformis Tsai et Liu via spectral-spatial classification using UAV-based hyperspectral images | |
Chen et al. | Predicting individual apple tree yield using UAV multi-source remote sensing data and ensemble learning | |
CN110363236B (zh) | 空谱联合超图嵌入的高光谱图像极限学习机聚类方法 | |
CN113850312A (zh) | 森林生态状况的监测方法、装置、电子设备及存储介质 | |
Guldogan et al. | Automated tree detection and density calculation using unmanned aerial vehicles | |
Minakshi et al. | High-accuracy detection of malaria mosquito habitats using drone-based multispectral imagery and Artificial Intelligence (AI) algorithms in an agro-village peri-urban pastureland intervention site (Akonyibedo) in Unyama SubCounty, Gulu District, Northern Uganda | |
Wu et al. | ALS data based forest stand delineation with a coarse-to-fine segmentation approach | |
Liu et al. | An efficient approach based on UAV orthographic imagery to map paddy with support of field-level canopy height from point cloud data | |
Tian et al. | Machine learning-based crop recognition from aerial remote sensing imagery | |
Xiang et al. | Measuring stem diameter of sorghum plants in the field using a high-throughput stereo vision system | |
Song et al. | Recognition of sunflower growth period based on deep learning from UAV remote sensing images | |
Lee et al. | Single-plant broccoli growth monitoring using deep learning with UAV imagery | |
Zhang et al. | A comparison of pixel-based and object-based land cover classification methods in an arid/semi-arid environment of northwestern China | |
Xu et al. | MP-Net: An efficient and precise multi-layer pyramid crop classification network for remote sensing images | |
Comert et al. | Rapid mapping of forested landslide from ultra-high resolution unmanned aerial vehicle data | |
CN116739739A (zh) | 一种贷款额度评估方法、装置、电子设备及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A621 | Written request for application examination |
Free format text: JAPANESE INTERMEDIATE CODE: A621 Effective date: 20240130 |
|
A871 | Explanation of circumstances concerning accelerated examination |
Free format text: JAPANESE INTERMEDIATE CODE: A871 Effective date: 20240130 |
|
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: 20240227 |
|
A61 | First payment of annual fees (during grant procedure) |
Free format text: JAPANESE INTERMEDIATE CODE: A61 Effective date: 20240305 |
|
R150 | Certificate of patent or registration of utility model |
Ref document number: 7450838 Country of ref document: JP Free format text: JAPANESE INTERMEDIATE CODE: R150 |