CN108458655A - 支持视觉测量的数据可组态化监控***及方法 - Google Patents
支持视觉测量的数据可组态化监控***及方法 Download PDFInfo
- Publication number
- CN108458655A CN108458655A CN201710183068.1A CN201710183068A CN108458655A CN 108458655 A CN108458655 A CN 108458655A CN 201710183068 A CN201710183068 A CN 201710183068A CN 108458655 A CN108458655 A CN 108458655A
- Authority
- CN
- China
- Prior art keywords
- model
- image
- module
- data
- tested
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Image Analysis (AREA)
- Length Measuring Devices By Optical Means (AREA)
Abstract
本发明提供一种支持视觉测量的数据可组态化监控***及方法,图像采集模块采集零件图像数据;组态***包括零件组态化二维模型建立组件和零件尺寸测量组件;零件组态化二维模型建立组件建立零件模型;零件尺寸测量组件计算被零件和零件模型的关系值,根据关系值获得被测零件相对于零件模型的位姿关系,根据位姿关系测量计算被测零件尺寸结果;显示***将计算结果进行显示。其优点在于可以获取被测零件和基准零件模型之间的相对位姿,基准零件的特征选择与后续待测零件的特征选择一一对应,无需再处理,可以直接计算获得被测零件的尺寸。
Description
技术领域
本发明涉及数控加工与检测设备应用领域,是一种支持视觉测量的数据可组态化监控***,其拥有零件尺寸测量的能力,主要涉及到零件识别,零件位姿获取,零件测量及其应用。
背景技术
为了提高数控机器设备的安全性和智能化,对加工或者检测的零件位置和姿态的识别是一个需要解决的重要问题,早期的研究工作主要是针对二维场景中的问题进行的。通过视觉传感器获取零件的二维图像,然后通过视觉处理进行提取特征,并分析特征就能识别零件,并确定零件位姿。这将大大提升工业生产的柔性和能力,符合目前人们对智能化的要求。
机器视觉快速位姿识别有以下几个意义:
(1)为零件特征提取提供能多方案,对推动零件几何特征识别起重要的推动作用。
(2)提高监控数据的可靠性。通过视觉信号数据的挖掘与传感信号数据的同步,实现两者信号数据兼容,当两者发生偏差时,可对传感信号数据的真实性形成监控,这大大提高了监控数据的真实性。
(3)提供能直接的零件匹配和定位,能使得零件进行后续测量。
(4)能通过准确的零件定位,计算零件存在的缩放等情况。
不同的零件定位也针对不同的情况,本文设计的零件位姿识别技术要求一下几个方面:
(1)薄壁零件,厚度不能过大,会导致图片采集中引入干扰阴影。或则可能会导致零件侧翻,有多个比较画面。
(2)零件不能有缩放的情况,要求在同样的焦距和环境情况下,获得基准零件图片和被测零件图片。
本发明是要提供一种支持视觉测量的数据可组态化监控***,提出了一种新的零件组态化二维模型建立方法和一种新的零件尺寸测量方法,能够根据基准图来判断被测零件的位姿,与现有的处理方法相比,组态的方式能使得用户操作更方便。同时,能够用相对较低的成本和较高的效率达到要求的精度。
发明内容
为实现上述发明目的,本发明的技术方案是这样实现的:
本发明提供一种支持视觉测量的数据可组态化监控***,包括图像采集模块、组态***和显示***;图像采集模块采集零件图像数据;组态***包括零件组态化二维模型建立组件和零件尺寸测量组件;零件组态化二维模型建立组件建立零件模型;零件尺寸测量组件计算被零件和零件模型的关系值,根据关系值获得被测零件相对于零件模型的位姿关系,根据位姿关系测量计算被测零件尺寸结果;显示***将计算结果进行显示。
进一步,本发明提供一种支持视觉测量的数据可组态化监控***,还可以具有以下特征:所述零件组态化二维模型建立组件包括,零件模型选择模块、图像处理模块、ROI选取模块、提取特征模块和零件建模模块;零件模型选择模块内预先设定的零件模型,零件模型选择模块选择预先设定的零件模型作为模板模型;图像处理模块对图像进行预处理处理,获取图片中的零件轮廓和图像畸变;ROI选取模块对ROI区域进行筛选;特征提取模块处理采集到的图像数据,得到零件的特征值。
进一步,本发明提供一种支持视觉测量的数据可组态化监控***,还可以具有以下特征:图像处理模块通过图像预处理,包括:滤波、形态学处理和轮廓处理进行图像处理。
作为优选,ROI选取模块通过面积过滤算法、Hu不变矩预检测对ROI区域进行筛选。
作为优选,特征提取模块通过Harris角点检测、霍夫变换线检测和霍夫变换圆检测处理采集到的图像数据。
进一步,本发明提供一种支持视觉测量的数据可组态化监控***,还可以具有以下特征:零件尺寸测量组件,包括计算关系值模块、位姿匹配模块和测量算法模块;计算关系值模块计算零件基准模型和被测零件模型之间的关系值;位姿匹配通过关系值确定基准零件和被测零件的位姿关系;测量算法模块计算被测零件的尺寸结果。
进一步,本发明提供一种支持视觉测量的数据可组态化监控***,还可以具有以下特征:关系值包括,点之间的距离、点到线的距离和线之间的距离。
位姿匹配通过关系值确定基准零件和被测零件中圆心、线和点的位置,测量所需的零件尺寸,一对一与图像检测到的特征匹配,确定图像的位姿。
另外,本发明还提供支持视觉测量的数据可组态化监控方法,包括以下步骤:
步骤A、采集基准图像;
步骤B、基准零件建模;
步骤C、被测零件尺寸测量;
步骤C-1、采集被测零件的图像,获得被测零件的特征值;确定基准零件模型和被测零件的特征值之间的关系值;
步骤C-2、将基准图像与被测零件图像中的特征一对一进行匹配,确定计算被测零件相对于基准零件的位姿;
步骤C-3、根据位姿进行计算获得尺寸测量结果;
步骤D、显示***显示测量结果。
进一步,本发明还提供支持视觉测量的数据可组态化监控方法,步骤B包括以下步骤:
步骤B-1、从预先设定的零件模型中选定模板模型;
步骤B-2、图像预处理;
步骤B-3、ROI区域筛选;
步骤B-4、在ROI区域筛选内,获取轮廓中的特征值。
步骤B-4、根据模板零件和零件特征值之间的关系,确定基准零件模型。
进一步,本发明还提供支持视觉测量的数据可组态化监控方法,图像预处理通过滤波、形态学处理和轮廓处理进行图像处理,获取图片中的零件轮廓和图像畸变。
作为优选,ROI区域筛选采用面积过滤算法、Hu不变矩预检测对可能的ROI区域再次进行筛选,提高匹配率。
作为优选,特征提取使用Harris角点、霍夫变换线、快速霍夫变换圆检测获取轮廓中的特征值。
进一步,本发明还提供支持视觉测量的数据可组态化监控方法,还可以具有以下特征:步骤C-1、根据零件模型,计算零件模型中特征之间的关系,即轮廓中点、线、圆之间的位置关系,每次选取两个特征,计算它们之间的位置关系。
作为优选,位姿包括平移值和旋转值。
作为优选,步骤C-3根据位姿,通过仿射变换,找到被测零件上的测量目标位置;再通过截取的方式,获得测量结果。
发明的作用与效果
(1)通过普通的工业摄像头、环形光源***和图像采集函数采集图像。
(2)利用C++的特点建立视觉处理类。通过组态结构设计,使得视觉处理类中包含组态动作。在使用中,建立视觉处理类的两个对象:基准零件图和被测零件图,分别处理和保存对应数据。
(3)零件测量的思路是将被测零件与基准零件完全对应后,将在基准零件上的测量目标位置映射到被测零件的相应位置上,再通过零件轮廓截取的方法计算出该位置上的尺寸。具体使用零件组态化二维模型建立方法和零件尺寸测量方法实现。
(4)零件组态化二维模型建立方法,通过选择合适的零件模型模板,建立图像中零件的模型。特征提取通过Harris角点检测算法、霍夫变换线检测算法和霍夫变换圆检测算法获取零件几何轮廓中的特征值。每个特征值包括零件像素位置和零件像素尺寸。
(3)在零件尺寸测量方法中,将每两个特征之间的距离作为每两个特征的关系值,作为匹配的依据。其中,两两角点之间,以直线距离作为关系值;角点和直线之间,通过点到线的距离作为关系值;角点和圆之间,通过角点和圆中心点之间的直线距离作为关系值;直线与圆之间,通过圆中心点到直线的距离作为关系值。这些关系值看做每个特征值与其他特征值之间的联系。
(4)在获得关系值之后,将基准图中的每个关系值与被测零件图中的每个关系值进行比较,相似度高的分为同一类,建立基准零件图像到被测零件图像之间的映射。
(5)通过映射关系,在被测零件图中找到测量目标的位置,通过截取的方式,获得具体的测量结果。
(6)最后将获得的结果通过实时采集和实时显示的方式在显示***中显示出来。
本发明的关键技术是零件模型建立和零件位姿的获取。由于零件摆放的位姿位置和角度不同,基准零件的特征选择并不与后续待测零件的特征选择一一对应,所以必须进行处理,获得相对位姿。
附图说明
图1是本发明的支持视觉测量的数据可组态化监控***框架图;
图2是本发明的支持视觉测量的数据可组态化监控***结构图;
图3是本发明的支持视觉测量的数据可组态化监控***处理流程图。
具体实施方式
下面结合附图与实施例对本发明作进一步的说明。
图1是本发明的支持视觉测量的数据可组态化监控***框架图;
图2是本发明的支持视觉测量的数据可组态化监控***结构图;
如图1和图2所示,支持视觉测量的数据可组态化监控***,由图像采集***100,组态***200和显示***300组成。
图像采集***100由工业摄像头110和环形光源120组成,完成图像数据的采集。图像采集的数据是在零件图像中获取的零件直线边界、零件圆形边界和零件角点的数量和位置。
组态***200包含了零件组态化二维模型建立组件和零件尺寸测量组件。
零件组态化二维模型建立组件200A,包括:零件模型选择模块210、图像处理模块220、ROI选取模块230、提取特征模块240和零件建模模块250组成。
零件模型选择模块210内预先设定的零件模型,零件模型选择模块210选择预先设定的零件模型作为模板模型,提高零件匹配和测试的精度。
图像处理模块220通过图像预处理,包括:滤波221、形态学处理222和轮廓处理223进行图像处理,获取图片中的零件轮廓和图像畸变。
ROI选取模块230通过面积过滤算法231、Hu不变矩预检测232对可能的ROI区域进行筛选,提高匹配率。
面积过滤算法能计算图像中所有的轮廓的面积值,然后对轮廓进行粗判断。如果与数值小于预设干扰值则判断为干扰点;如果轮廓面积值与基准图中轮廓面积值相差大于面积判定值,则认为是不同零件。Hu矩预测是通过图像处理中的Hu不变矩检测两个图像轮廓之间的相似度,预先判断是否是可能存在类似零件,该过程能过滤百分之七十的非相似零件。面积过滤算法231、Hu不变矩预检测232主要目的都是剔除一部分面积差异较大和不变矩相似度差异较大的轮廓,获得更精确的ROI区域。
特征提取模块240通过Harris角点检测241、霍夫变换线检测242和霍夫变换圆检测243处理采集到的图像数据,获取零件几何轮廓中的特征值;每个特征值包括零件像素位置和零件像素尺寸;零件模型建立通过排序的方法,产生有循序的特征值队列,以此使得基准零件模型和被测零件模型中的特征值一一对应。再根据模板零件和零件特征值之间的关系,进行零件建模250,得到零件基准模型和被测零件模型。
零件尺寸测量组件200B,包括:计算关系值模块260、位姿匹配模块270和测量算法模块280组成。
其中,关系值可以包括:点之间的距离261、点到线的距离262和线之间的距离263三种。计算关系值模块260计算零件基准模型和被测零件模型之间的关系值。
位姿匹配270通过关系值确定基准零件和被测零件中圆心271、线272和点273的位置,测量所需的零件尺寸。然后一对一与图像检测到的特征匹配,确定图像的位姿。测量算法模块280进行计算,获得尺寸测量结果,最终显示到显示***100中。
图3是本发明的支持视觉测量的数据可组态化监控***处理流程图。
如图3所示,支持视觉测量的数据可组态化监控方法:包括以下步骤:
步骤A、首先通过图像采集模块中的相机***在光源的帮助下,获得基准图像。图像采集的数据是在零件图像中获取的零件直线边界、零件圆形边界和零件角点的数量和位置。
步骤B、基准零件建模。
步骤B-1、从预先设定的零件模型中选定模板模型。
步骤B-2、图像预处理。
可以通过多种方式对图像处理和图像分割,本发明中采用滤波221、形态学处理222和轮廓处理223进行图像处理,获取图片中的零件轮廓和图像畸变。
步骤B-3、ROI区域筛选,采用面积过滤算法、Hu不变矩预检测对可能的ROI区域再次进行筛选,提高匹配率。
步骤B-4、使用Harris角点、霍夫变换线、快速霍夫变换圆检测等算法获取轮廓中的特征值。
步骤B-4、根据模板零件和零件特征值之间的关系,确定零件的虚拟模型,也就是基准零件模型。
步骤C、被测零件尺寸测量。
步骤C-1、将被测零件放在工业摄像头110下,采集被测零件图像,然后依次进行2-4次,获得特征值。同时也可以与人为输入的特征值数量进行比较和匹配。确定基准零件模型和被测零件特征值之间的关系值。根据零件模型,计算零件模型中特征之间的关系,即轮廓中点、线、圆之间的位置关系。具体操作为:每次选取两个特征,计算它们之间的位置关系。
步骤C-2、通过关系值计算,将基准图与被测零件图中的一对一的特征进行匹配,确定特征的位姿。其中位姿包括平移值和旋转值(通过旋转矩阵记录)。通过均值计算所有特征的位姿,计算被测零件相对于基准零件的位姿。
步骤C-3、根据位姿,通过仿射变换,找到被测零件上的测量目标位置;再通过截取的方式,获得测量结果。
步骤D、测量结果采用实时显示的方式绘制在显示***中。
Claims (9)
1.一种支持视觉测量的数据可组态化监控***,其特征在于:包括图像采集模块、组态***和显示***;
图像采集模块采集零件图像数据;
组态***包括零件组态化二维模型建立组件和零件尺寸测量组件;零件组态化二维模型建立组件建立零件模型;零件尺寸测量组件计算被零件和零件模型的关系值,根据关系值获得被测零件相对于零件模型的位姿关系,根据位姿关系测量计算被测零件尺寸结果;显示***将计算结果进行显示。
2.根据权利要求1所述的一种支持视觉测量的数据可组态化监控***,其特征在于:
其中,所述零件组态化二维模型建立组件包括,零件模型选择模块、图像处理模块、ROI选取模块、提取特征模块和零件建模模块;零件模型选择模块内预先设定的零件模型,零件模型选择模块选择预先设定的零件模型作为模板模型;图像处理模块对图像进行预处理处理,获取图片中的零件轮廓和图像畸变;ROI选取模块对ROI区域进行筛选;特征提取模块处理采集到的图像数据,得到零件的特征值。
3.根据权利要求1所述的支持视觉测量的数据可组态化监控***,其特征在于:
其中,图像处理模块通过图像预处理,包括:滤波、形态学处理和轮廓处理进行图像处理;
作为优选,ROI选取模块通过面积过滤算法、Hu不变矩预检测对ROI区域进行筛选;
作为优选,特征提取模块通过Harris角点检测、霍夫变换线检测和霍夫变换圆检测处理采集到的图像数据。
4.根据权利要求1所述的支持视觉测量的数据可组态化监控***,其特征在于:
其中,零件尺寸测量组件,包括计算关系值模块、位姿匹配模块和测量算法模块;计算关系值模块计算零件基准模型和被测零件模型之间的关系值;位姿匹配通过关系值确定基准零件和被测零件的位姿关系;测量算法模块计算被测零件的尺寸结果。
5.根据权利要求4所述的支持视觉测量的数据可组态化监控***,其特征在于:
其中,关系值包括,点之间的距离、点到线的距离和线之间的距离;
作为优选,位姿匹配通过关系值确定基准零件和被测零件中圆心、线和点的位置,测量所需的零件尺寸,一对一与图像检测到的特征匹配,确定图像的位姿。
6.一种支持视觉测量的数据可组态化监控方法,其特征在于:包括以下步骤:
步骤A、采集基准图像;
步骤B、基准零件建模;
步骤C、被测零件尺寸测量;
步骤C-1、采集被测零件的图像,获得被测零件的特征值;确定基准零件模型和被测零件的特征值之间的关系值;
步骤C-2、将基准图像与被测零件图像中的特征一对一进行匹配,确定计算被测零件相对于基准零件的位姿;
步骤C-3、根据位姿进行计算获得尺寸测量结果;
步骤D、显示***显示测量结果。
7.根据权利要求6所述的支持视觉测量的数据可组态化监控方法,其特征在于:其中,步骤B包括以下步骤,
步骤B-1、从预先设定的零件模型中选定模板模型;
步骤B-2、图像预处理;
步骤B-3、ROI区域筛选;
步骤B-4、在ROI区域筛选内,获取轮廓中的特征值。
步骤B-4、根据模板零件和零件特征值之间的关系,确定基准零件模型。
8.根据权利要求7所述的支持视觉测量的数据可组态化监控方法,其特征在于:
其中,图像预处理通过滤波、形态学处理和轮廓处理进行图像处理,获取图片中的零件轮廓和图像畸变;
作为优选,ROI区域筛选采用面积过滤算法、Hu不变矩预检测对可能的ROI区域再次进行筛选,提高匹配率;
作为优选,特征提取使用Harris角点、霍夫变换线、快速霍夫变换圆检测获取轮廓中的特征值。
9.根据权利要求6所述的支持视觉测量的数据可组态化监控方法,其特征在于:
其中,步骤C-1、根据零件模型,计算零件模型中特征之间的关系,即轮廓中点、线、圆之间的位置关系,每次选取两个特征,计算它们之间的位置关系;
作为优选,位姿包括平移值和旋转值;
作为优选,步骤C-3根据位姿,通过仿射变换,找到被测零件上的测量目标位置;再通过截取的方式,获得测量结果。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710096780 | 2017-02-22 | ||
CN2017100967808 | 2017-02-22 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108458655A true CN108458655A (zh) | 2018-08-28 |
Family
ID=63220993
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710183068.1A Pending CN108458655A (zh) | 2017-02-22 | 2017-03-24 | 支持视觉测量的数据可组态化监控***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108458655A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110672016A (zh) * | 2019-09-12 | 2020-01-10 | 四川农业大学 | 一种基于图像识别的牛体尺寸测定***及方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10020842A1 (de) * | 2000-04-28 | 2001-10-31 | Zeiss Carl | Koordinatenmeßgerät oder Werkzeugmaschine |
CN101567051A (zh) * | 2009-06-03 | 2009-10-28 | 复旦大学 | 一种基于特征点的图像配准方法 |
CN102252611A (zh) * | 2011-05-09 | 2011-11-23 | 深圳市澎湃图像技术有限公司 | 几何定位方法 |
CN102607421A (zh) * | 2012-04-12 | 2012-07-25 | 苏州天准精密技术有限公司 | 一种大视野影像测量方法与设备 |
CN103325106A (zh) * | 2013-04-15 | 2013-09-25 | 浙江工业大学 | 基于LabVIEW的运动工件分拣方法 |
CN104457577A (zh) * | 2014-12-19 | 2015-03-25 | 上海工业自动化仪表研究院 | 面向机器视觉的无接触式工件定位与测量方法 |
-
2017
- 2017-03-24 CN CN201710183068.1A patent/CN108458655A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE10020842A1 (de) * | 2000-04-28 | 2001-10-31 | Zeiss Carl | Koordinatenmeßgerät oder Werkzeugmaschine |
CN101567051A (zh) * | 2009-06-03 | 2009-10-28 | 复旦大学 | 一种基于特征点的图像配准方法 |
CN102252611A (zh) * | 2011-05-09 | 2011-11-23 | 深圳市澎湃图像技术有限公司 | 几何定位方法 |
CN102607421A (zh) * | 2012-04-12 | 2012-07-25 | 苏州天准精密技术有限公司 | 一种大视野影像测量方法与设备 |
CN103325106A (zh) * | 2013-04-15 | 2013-09-25 | 浙江工业大学 | 基于LabVIEW的运动工件分拣方法 |
CN104457577A (zh) * | 2014-12-19 | 2015-03-25 | 上海工业自动化仪表研究院 | 面向机器视觉的无接触式工件定位与测量方法 |
Non-Patent Citations (1)
Title |
---|
林献坤等: "融合机器视觉的制造过程监控组态平台研究", 《制造技术与机床》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110672016A (zh) * | 2019-09-12 | 2020-01-10 | 四川农业大学 | 一种基于图像识别的牛体尺寸测定***及方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110142785A (zh) | 一种基于目标检测的巡检机器人视觉伺服方法 | |
CN105373135B (zh) | 一种基于机器视觉的飞机入坞引导和机型识别的方法及*** | |
CN106969706A (zh) | 基于双目立体视觉的工件检测与三维测量***及检测方法 | |
CN109900711A (zh) | 基于机器视觉的工件缺陷检测方法 | |
CN107014294B (zh) | 一种基于红外图像的接触网几何参数检测方法及*** | |
CN105335973B (zh) | 运用于带钢加工生产线的视觉处理方法 | |
CN110910350B (zh) | 一种用于风电塔筒的螺母松动检测方法 | |
CN107248159A (zh) | 一种基于双目视觉的金属工件缺陷检测方法 | |
CN105898107B (zh) | 一种目标物体抓拍方法及*** | |
CN110400315A (zh) | 一种缺陷检测方法、装置及*** | |
CN110807355A (zh) | 一种基于移动机器人的指针仪表检测与读数识别方法 | |
CN114241298A (zh) | 一种激光雷达和图像融合的塔吊环境目标检测方法及*** | |
CN106971406A (zh) | 物***姿的检测方法和装置 | |
CN107016353B (zh) | 一种变分辨率目标探测与识别一体化的方法与*** | |
CN110189375A (zh) | 一种基于单目视觉测量的图像目标识别方法 | |
CN107092905B (zh) | 一种电力巡检机器人的待识别仪器定位方法 | |
KR20080032856A (ko) | 조선소 소조립 용접부재 위치 인식 방법 | |
CN111412842A (zh) | 墙面的截面尺寸的测量方法及装置、*** | |
CN110334727B (zh) | 一种隧道裂缝智能匹配检测方法 | |
KR101469099B1 (ko) | 사람 객체 추적을 통한 자동 카메라 보정 방법 | |
CN115619738A (zh) | 一种模组侧缝焊焊后检测方法 | |
CN112102395A (zh) | 一种基于机器视觉的自主巡检的方法 | |
CN104966283A (zh) | 图像分层配准方法 | |
CN107767366B (zh) | 一种输电线路拟合方法及装置 | |
CN109544632A (zh) | 一种基于层次主题模型的语义slam对象关联方法 |
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 | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180828 |