CN106644957A - 一种枇杷采后果肉可溶性固形物分布成像的方法 - Google Patents
一种枇杷采后果肉可溶性固形物分布成像的方法 Download PDFInfo
- Publication number
- CN106644957A CN106644957A CN201611001232.4A CN201611001232A CN106644957A CN 106644957 A CN106644957 A CN 106644957A CN 201611001232 A CN201611001232 A CN 201611001232A CN 106644957 A CN106644957 A CN 106644957A
- Authority
- CN
- China
- Prior art keywords
- pulp
- lambda
- soluble solid
- loquat
- slicing
- 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
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
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
Landscapes
- Physics & Mathematics (AREA)
- Spectroscopy & Molecular Physics (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)
- Investigating Or Analysing Materials By Optical Means (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明公开了一种枇杷采后果肉可溶性固形物分布成像的方法,解决现有检测方法无法获得枇杷果肉内部可溶性固形物的空间分布的问题。本方法将枇杷果肉按照空间分布切割成方形小块,分别获取各果肉切块的可溶性固形物含量和光谱平均值,并将可溶性固形物含量和光谱平均值采用线性回归方程关联,并建立可溶性固形物含量和光谱值的预测模型,根据预测待测样本的各处果肉切块每个像素点的光谱值预测其对应的可溶性固形物含量,根据待测样本果肉切块各像素点的空间分布坐标来建立可溶性固形物在待测样本中的像素级三维分布模型,实现枇杷采后内部果肉可溶性固形物分布的空间可视化成像。
Description
技术领域
本发明属于光谱检测领域,涉及一种枇杷采后果肉可溶性固形物分布成像的方法。
背景技术
枇杷是我国特产水果,果肉营养丰富,深受消费者喜爱。枇杷果肉采后仍有生命活动,伴随有品质变化。其中可溶性固形物与枇杷果肉口感密切相关,是重要的品质指标。因此,深入研究枇杷果肉采后可溶性固形物变化机制,对改善现有果肉采后储运方式、延长果肉货架期、减少果肉采后损失等,具有重要意义。
枇杷果肉的可溶性固形物含量测量通常先获取小块果肉,然后挤出果汁并滴到折射仪棱镜表面后读数获得。但折射仪法仅能获得被测的小块果肉的整体可溶性固形物含量,属于单点测量,无法获得可溶性固形物在枇杷果肉内部的空间分布情况。
高光谱成像技术将高光谱分析技术与图像处理技术相融合,能够获得一系列光谱波长处的光学图像组合,是一种快速信息采集,获取数据量大的现代分析技术。目前,高光谱成像技术对枇杷及其他水果的可溶性固形物检测已有报道,一般通过采用高光谱成像技术获取水果表面高光谱图像,从而实现水果可溶性固形物的快速无损检测。上述方法均将光谱检测结果停留在枇杷果肉的表层,无法得到果肉内部果肉可溶性固形物的空间分布图,而实际上,可溶性固形物在枇杷果肉内部的分布对口感有着重要影响,仅通过表皮的高光谱图像无损检测显然无法获得枇杷果肉内部可溶性固形物的空间分布,即使采用多点测量的方式来获得果肉不同位置的可溶性固形物值进行模拟空间分布状态,由于选取测量点的定位无法精确,所获取的数据也不具备连续性,所获得的空间分布状态数据也存在误差大、精度不足的问题,也无法满足深入研究在生长发育和贮藏保鲜阶段的果实内部可溶性固形物的变化机制的要求。
发明内容
本发明的目的在于针对现有检测方法无法获得枇杷果肉内部可溶性固形物的空间分布的缺陷,提出一种枇杷采后果肉可溶性固形物分布成像的方法,通过获取果肉内部的高光谱图像,并进行数据处理后得到枇杷采后果肉内部的可溶性固形物分布图。
本发明解决其技术问题所采用的方案是:一种枇杷采后果肉可溶性固形物分布成像的方法,其特征在于,包括以下步骤:
步骤1:建立基于枇杷果肉光谱检测可溶性固形物含量的定量线性回归方程;
步骤1.1:采集n个枇杷样本分别记为M1、M2、M3、…、Mn;
步骤1.2:对于每一个枇杷样本Mi,1<i<n,去除外果皮后,沿果肉赤道平面对切并去核、去除内果皮,选择与赤道平面平行的切割平面切开果肉,形成两个端部果块和多个环形果块,切割平面间距离为0.6厘米;果肉两端部果块不再进行细分切割,其余每个环形果块环向等分切割成若干块,再沿果肉厚度方向等分切割成若干块,共获得m块果肉切块,分别记为Mi,j,1<j<m;
步骤1.3:采集每个果肉切块Mi,j的每个侧面的高光谱图像;
步骤1.4:采用国家标准方法测定每个果肉切块Mi,j的可溶性固形物含量,并分别作为果肉切块Mi,j的可溶性固形物含量参考值yi,j;依据国家标准《NY/T 2637-2014水果和蔬菜可溶性固形物含量的测定》;
步骤1.5:对于每个果肉切块块Mi,j,选取382nm、387nm、406nm、408nm、412nm、456nm、485nm、510nm、539nm、562nm、933nm、967nm、998nm、1030nm波长为枇杷果肉可溶性固形物含量检测的特征波长,并获取果肉切块Mi,j的所有侧面的高光谱图像中果肉部分所有像素点在各特征波长的光谱平均值,分别记为
步骤1.6:采用多元线性回归将步骤1.5中果肉切块Mi,j的各特征波长的光谱平均值与步骤1.4中的果肉切块Mi,j的可溶性固形物参考值yi,j进行关联拟合,建立预测模型,关联过程采用以下线性回归方程一进行:
建立用于预测枇杷果肉光谱检测可溶性固形物含量的定量线性回归方程二:
步骤2:获得待测枇杷内部果肉的可溶性固形物含量分布图;
步骤2.1:选取待测枇杷样本N;
步骤2.2:对待测枇杷样本N进行切块,切块方法按照步骤1.2描述方法进行,获得Nz,1<z<p共p块果肉切块,记录下果肉切块Nz在待测枇杷样本N的空间坐标;
步骤2.3:采集果肉切块Nz的各个切面的高光谱图像,并获得图像中每个像素点在特征波长382nm、387nm、406nm、408nm、412nm、456nm、485nm、510nm、539nm、562nm、933nm、967nm、998nm、1030nm处的光谱值,分别记为 其中,(α,β,γ)为每个像素点的坐标信息,α为横坐标信息,β为纵坐标信息,γ为切面标识信息;
步骤2.4:将步骤2.3中的待测枇杷果肉切块Nz的各个切面每个像素点在各特征波长处的光谱值代入步骤1.6的定量线性回归方程二中,计算得到每个像素点的可溶性固形物预测值yz,(α,βγ)′,并根据每个像素点在所在切面的高光谱图像中的空间坐标,形成果肉切块Nz的各个空间坐标的可溶性固形物含量分布图;
步骤2.5:根据步骤2.4获得的果肉切块Nz的各个切面的可溶性固形物含量分布图,以及切块Nz在样本N中的空间坐标,采用双三次插值算法获得样本N内部可溶性固形物含量的网格状空间立体分布图,实现枇杷采后内部果肉可溶性固形物分布的空间可视化成像。
作为优选,步骤1.2中,每个环形果块环向等分切割成若干块过程中,若环形果块外圈直径<1.2厘米,则等分切割成4块,若1.2厘米<环形果块外圈直径<2.4厘米,则等分切割成8块,若环形果块外圈直径>2.4厘米,则等分切割成12块。
作为优选,步骤1.2中,沿果肉厚度方向等分切割成若干块时,若果肉厚度<0.6厘米,则厚度方向不切割,若0.6厘米<果肉厚度<1.2厘米,则厚度方向等分切割成2块,若果肉厚度>1.2厘米,则厚度方向等分切割成3块。
本发明将枇杷果肉按照空间分布切割成方形小块,分别获取各果肉切块的可溶性固形物含量和光谱平均值,并建立关联模型,可以根据预测待测样本的各处果肉切块每个像素点的光谱值预测其每个像素点对应的可溶性固形物含量,根据待测样本果肉切块每个像素点的空间分布坐标来建立可溶性固形物在待测样本中的像素级三维分布模型,实现枇杷采后内部果肉可溶性固形物分布的空间可视化成像。
具体实施方式
下面通过具体实施例对本发明做进一步说明。
实施例:一种枇杷采后果肉可溶性固形物分布成像的方法,包括以下步骤:
步骤1:建立基于枇杷果肉光谱检测可溶性固形物含量的定量线性回归方程;
步骤1.1:采集n个枇杷样本分别记为M1、M2、M3、…、Mn;
步骤1.2:对于每一个枇杷样本Mi,1<i<n,去除外果皮后,沿果肉赤道平面对切并去核、去除内果皮,选择与赤道平面平行的切割平面切开果肉,形成两个端部果块和多个环形果块,切割平面间距离为0.6厘米;果肉两端部果块不再进行细分切割,其余每个环形果块环向等分切割成若干块,每个环形果块环向等分切割成若干块过程中,若环形果块外圈直径<1.2厘米,则等分切割成4块,若1.2厘米<环形果块外圈直径<2.4厘米,则等分切割成8块,若环形果块外圈直径>2.4厘米,则等分切割成12块;再沿果肉厚度方向等分切割成若干块,若果肉厚度<0.6厘米,则厚度方向不切割,若0.6厘米<果肉厚度<1.2厘米,则厚度方向等分切割成2块,若果肉厚度>1.2厘米,则厚度方向等分切割成3块;共获得m块果肉切块,分别记为Mi,j,1<j<m;
步骤1.3:采集每个果肉切块Mi,j的每个侧面的高光谱图像;
步骤1.4:采用国家标准方法测定每个果肉切块Mi,j的可溶性固形物含量,并分别作为果肉切块Mi,j的可溶性固形物含量参考值yi,j;
步骤1.5:对于每个果肉切块块Mi,j,选取382nm、387nm、406nm、408nm、412nm、456nm、485nm、510nm、539nm、562nm、933nm、967nm、998nm、1030nm波长为枇杷果肉可溶性固形物含量检测的特征波长,并获取果肉切块Mi,j的所有侧面的高光谱图像中果肉部分所有像素点在各特征波长的光谱平均值,分别记为
步骤1.6:采用多元线性回归将步骤1.5中果肉切块Mi,j的各特征波长的光谱平均值与步骤1.4中的果肉切块Mi,j的可溶性固形物参考值yi,j进行关联拟合,建立预测模型,关联过程采用以下线性回归方程一进行:
建立用于预测枇杷果肉光谱检测可溶性固形物含量的定量线性回归方程二:
步骤2:获得待测枇杷内部果肉的可溶性固形物含量分布图;
步骤2.1:选取待测枇杷样本N;
步骤2.2:对待测枇杷样本N进行切块,切块方法按照步骤1.2描述方法进行,获得Nz,1<z<p共p块果肉切块,记录下果肉切块Nz在待测枇杷样本N的空间坐标;
步骤2.3:采集果肉切块Nz的各个切面的高光谱图像,并获得图像中每个像素点在特征波长382nm、387nm、406nm、408nm、412nm、456nm、485nm、510nm、539nm、562nm、933nm、967nm、998nm、1030nm处的光谱值,分别记为 其中,(α,β,γ)为每个像素点的坐标信息,α为横坐标信息,β为纵坐标信息,γ为切面标识信息;
步骤2.4:将步骤2.3中的待测枇杷果肉切块Nz的各个切面每个像素点在各特征波长处的光谱值代入步骤1.6的定量线性回归方程二中,计算得到每个像素点的可溶性固形物预测值yz,(α,β,γ)′,并根据每个像素点在所在切面的高光谱图像中的空间坐标,形成果肉切块Nz的各个空间坐标的可溶性固形物含量分布图;
步骤2.5:根据步骤2.4获得的果肉切块Nz的各个切面的可溶性固形物含量分布图,以及切块Nz在样本N中的空间坐标,采用双三次插值算法获得样本N内部可溶性固形物含量的网格状空间立体分布图,实现枇杷采后内部果肉可溶性固形物分布的空间可视化成像。
Claims (3)
1.一种枇杷采后果肉可溶性固形物分布成像的方法,其特征在于,包括以下步骤:
步骤1:建立基于枇杷果肉光谱检测可溶性固形物含量的定量线性回归方程;
步骤1.1:采集n个枇杷样本分别记为M1、M2、M3、…、Mn;
步骤1.2:对于每一个枇杷样本Mi,1<i<n,去除外果皮后,沿果肉赤道平面对切并去核、去除内果皮,选择与赤道平面平行的切割平面切开果肉,形成两个端部果块和多个环形果块,切割平面间距离为0.6厘米;果肉两端部果块不再进行细分切割,其余每个环形果块环向等分切割成若干块,再沿果肉厚度方向等分切割成若干块,共获得m块果肉切块,分别记为Mi,j,1<j<m;
步骤1.3:采集每个果肉切块Mi,j的每个侧面的高光谱图像;
步骤1.4:采用国家标准方法测定每个果肉切块Mi,j的可溶性固形物含量,并分别作为果肉切块Mi,j的可溶性固形物含量参考值yi,j;
步骤1.5:对于每个果肉切块块Mi,j,选取382nm、387nm、406nm、408nm、412nm、456nm、485nm、510nm、539nm、562nm、933nm、967nm、998nm、1030nm波长为枇杷果肉可溶性固形物含量检测的特征波长,并获取果肉切块Mi,j的所有侧面的高光谱图像中果肉部分所有像素点在各特征波长的光谱平均值,分别记为
步骤1.6:采用多元线性回归将步骤1.5中果肉切块Mi,j的各特征波长的光谱平均值与步骤1.4中的果肉切块Mi,j的可溶性固形物参考值yi,j进行关联拟合,建立预测模型,关联过程采用以下线性回归方程一进行:
建立用于预测枇杷果肉光谱检测可溶性固形物含量的定量线性回归方程二:
步骤2:获得待测枇杷内部果肉的可溶性固形物含量分布图;
步骤2.1:选取待测枇杷样本N;
步骤2.2:对待测枇杷样本N进行切块,切块方法按照步骤1.2描述方法进行,获得Nz,1<z<p共p块果肉切块,记录下果肉切块Nz在待测枇杷样本N的空间坐标;
步骤2.3:采集果肉切块Nz的各个切面的高光谱图像,并获得图像中每个像素点在特征波长382nm、387nm、406nm、408nm、412nm、456nm、485nm、510nm、539nm、562nm、933nm、967nm、998nm、1030nm处的光谱值,分别记为 其中,(α,β,γ)为每个像素点的坐标信息,α为横坐标信息,β为纵坐标信息,γ为切面标识信息;
步骤2.4:将步骤2.3中的待测枇杷果肉切块Nz的各个切面每个像素点在各特征波长处的光谱值代入步骤1.6的定量线性回归方程二中,计算得到每个像素点的可溶性固形物预测值yz,(α,βγ)′,并根据每个像素点在所在切面的高光谱图像中的空间坐标,形成果肉切块Nz的各个空间坐标的可溶性固形物含量分布图;
步骤2.5:根据步骤2.4获得的果肉切块Nz的各个切面的可溶性固形物含量分布图,以及切块Nz在样本N中的空间坐标,采用双三次插值算法获得样本N内部可溶性固形物含量的网格状空间立体分布图,实现枇杷采后内部果肉可溶性固形物分布的空间可视化成像。
2.根据权利要求1所述的一种枇杷采后果肉可溶性固形物分布成像的方法,其特征在于,步骤1.2中,每个环形果块环向等分切割成若干块过程中,若环形果块外圈直径<1.2厘米,则等分切割成4块,若1.2厘米<环形果块外圈直径<2.4厘米,则等分切割成8块,若环形果块外圈直径>2.4厘米,则等分切割成12块。
3.根据权利要求1所述的一种枇杷采后果肉可溶性固形物分布成像的方法,其特征在于,步骤1.2中,沿果肉厚度方向等分切割成若干块时,若果肉厚度<0.6厘米,则厚度方向不切割,若0.6厘米<果肉厚度<1.2厘米,则厚度方向等分切割成2块,若果肉厚度>1.2厘米,则厚度方向等分切割成3块。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611001232.4A CN106644957B (zh) | 2016-11-14 | 2016-11-14 | 一种枇杷采后果肉可溶性固形物分布成像的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611001232.4A CN106644957B (zh) | 2016-11-14 | 2016-11-14 | 一种枇杷采后果肉可溶性固形物分布成像的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106644957A true CN106644957A (zh) | 2017-05-10 |
CN106644957B CN106644957B (zh) | 2019-04-05 |
Family
ID=58806224
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611001232.4A Active CN106644957B (zh) | 2016-11-14 | 2016-11-14 | 一种枇杷采后果肉可溶性固形物分布成像的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106644957B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102818777A (zh) * | 2012-08-24 | 2012-12-12 | 北京农业智能装备技术研究中心 | 一种基于光谱和颜色测量的水果成熟度评价方法 |
CN103063585A (zh) * | 2013-01-05 | 2013-04-24 | 石河子大学 | 瓜果成熟度快速无损检测装置及检测***建立方法 |
CN103674838A (zh) * | 2013-11-12 | 2014-03-26 | 浙江大学 | 一种基于高光谱成像技术的鱼脂肪含量分布检测方法 |
CN103822879A (zh) * | 2014-02-24 | 2014-05-28 | 西北农林科技大学 | 一种基于高光谱成像技术的猕猴桃膨大果无损检测方法 |
CN104048927A (zh) * | 2014-06-27 | 2014-09-17 | 上海理工大学 | 检测苹果可溶性固体含量的方法 |
CN104062263A (zh) * | 2014-07-11 | 2014-09-24 | 中国农业大学 | 光物性相近水果品质指标的近红外通用模型检测方法 |
CN104062258A (zh) * | 2013-05-07 | 2014-09-24 | 山东东阿阿胶股份有限公司 | 一种采用近红外光谱快速测定复方阿胶浆中可溶性固形物的方法 |
CN105067531A (zh) * | 2014-12-31 | 2015-11-18 | 广西师范学院 | 一种芒果品质无损检测方法及装置 |
CN105115910A (zh) * | 2015-08-28 | 2015-12-02 | 中国农业科学院农产品加工研究所 | 基于高光谱成像技术检测花生中蛋白质含量分布的方法 |
-
2016
- 2016-11-14 CN CN201611001232.4A patent/CN106644957B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102818777A (zh) * | 2012-08-24 | 2012-12-12 | 北京农业智能装备技术研究中心 | 一种基于光谱和颜色测量的水果成熟度评价方法 |
CN103063585A (zh) * | 2013-01-05 | 2013-04-24 | 石河子大学 | 瓜果成熟度快速无损检测装置及检测***建立方法 |
CN104062258A (zh) * | 2013-05-07 | 2014-09-24 | 山东东阿阿胶股份有限公司 | 一种采用近红外光谱快速测定复方阿胶浆中可溶性固形物的方法 |
CN103674838A (zh) * | 2013-11-12 | 2014-03-26 | 浙江大学 | 一种基于高光谱成像技术的鱼脂肪含量分布检测方法 |
CN103822879A (zh) * | 2014-02-24 | 2014-05-28 | 西北农林科技大学 | 一种基于高光谱成像技术的猕猴桃膨大果无损检测方法 |
CN104048927A (zh) * | 2014-06-27 | 2014-09-17 | 上海理工大学 | 检测苹果可溶性固体含量的方法 |
CN104062263A (zh) * | 2014-07-11 | 2014-09-24 | 中国农业大学 | 光物性相近水果品质指标的近红外通用模型检测方法 |
CN105067531A (zh) * | 2014-12-31 | 2015-11-18 | 广西师范学院 | 一种芒果品质无损检测方法及装置 |
CN105115910A (zh) * | 2015-08-28 | 2015-12-02 | 中国农业科学院农产品加工研究所 | 基于高光谱成像技术检测花生中蛋白质含量分布的方法 |
Non-Patent Citations (1)
Title |
---|
董金磊 等: ""采后猕猴桃可溶性固形物含量的高光谱无损检测"", 《食品科学》 * |
Also Published As
Publication number | Publication date |
---|---|
CN106644957B (zh) | 2019-04-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109100323B (zh) | 一种苹果水心病的透射光谱无损定量评价方法 | |
Sethy et al. | Hyperspectral imagery applications for precision agriculture-a systemic survey | |
WO2019174572A1 (zh) | 一种利用种胚谱图特征波段识别谷物种子冻伤情况的方法 | |
CN108956604B (zh) | 一种基于高光谱图像技术识别中华绒螯蟹品质的方法 | |
Ali et al. | Rapid and nondestructive techniques for internal and external quality evaluation of watermelons: A review | |
Nicolaï et al. | Nondestructive evaluation: Detection of external and internal attributes frequently associated with quality and damage | |
Hahn et al. | Carrot volume evaluation using imaging algorithms | |
CN105300895B (zh) | 一种利用特征点切线夹角预警马铃薯发芽缺陷的方法 | |
CN111192260A (zh) | 一种基于高光谱图像深度特征融合的甜瓜品质检测方法 | |
Huang et al. | Effective wavelengths determination for detection of slight bruises on apples based on hyperspectral imaging | |
Clark et al. | Estimating forest biomass components with hemispherical photography for Douglas-fir stands in northwest Oregon | |
CN108535250A (zh) | 基于Streif指数的‘富士’苹果成熟度无损检测方法 | |
Motonaga et al. | A method of making digital fruit color charts for cultivation management and quality control | |
Qi et al. | Establishment of a comprehensive indicator to nondestructively analyze watermelon quality at different ripening stages | |
CN106644957A (zh) | 一种枇杷采后果肉可溶性固形物分布成像的方法 | |
Alamar et al. | Hyperspectral Imaging Techniques for Quality Assessment in Fresh Horticultural Produce and Prospects for Measurement of Mechanical Damage | |
CN106596414B (zh) | 一种桃果实内部硬度空间分布成像的方法 | |
Khoje et al. | A Comprehensive survey of fruit grading systems for tropical fruits of maharashtra | |
CN113390815A (zh) | 一种用于柑橘类水果内部冻害的在线识别方法 | |
Yuan et al. | A preliminary discrimination of cluster disqualified shape for table grape by mono-camera multi-perspective simultaneously imaging approach | |
Durai et al. | Survey of rice seed quality analysis for varietal purity estimation by using image processing techniques | |
Hu et al. | Optical-imaging detection of apple sugar content based on OpenCv and Pytorch | |
Chong et al. | Surface gloss measurement on eggplant fruit | |
Cui et al. | Machine vision and thermographic imaging for determining of grading of tomato on postharvest | |
Xu et al. | Nondestructive detection of yellow peach quality parameters based on 3D-CNN and hyperspectral images |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |