CN110827309B - 一种基于超像素的偏光片外观缺陷分割方法 - Google Patents
一种基于超像素的偏光片外观缺陷分割方法 Download PDFInfo
- Publication number
- CN110827309B CN110827309B CN201911099247.2A CN201911099247A CN110827309B CN 110827309 B CN110827309 B CN 110827309B CN 201911099247 A CN201911099247 A CN 201911099247A CN 110827309 B CN110827309 B CN 110827309B
- Authority
- CN
- China
- Prior art keywords
- pixel
- super
- gray
- polaroid
- defect image
- 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
- 230000007547 defect Effects 0.000 title claims abstract description 84
- 230000011218 segmentation Effects 0.000 title claims abstract description 44
- 238000000034 method Methods 0.000 title claims abstract description 34
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 13
- 239000011159 matrix material Substances 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 3
- 230000002401 inhibitory effect Effects 0.000 abstract description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 6
- 238000004519 manufacturing process Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/90—Dynamic range modification of images or parts thereof
- G06T5/92—Dynamic range modification of images or parts thereof based on global image properties
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30121—CRT, LCD or plasma display
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明属于机器视觉检测技术领域,具体涉及一种基于超像素的偏光片外观缺陷分割方法,解决了背景技术中所述的技术问题。采用如下技术方案:1.载入待分割的偏光片缺陷图像;2.进行灰度化;3.对偏光片缺陷图像进行超像素分割;4.提取超像素的灰度特征;5.使用OSTU算法计算灰度阈值;6.根据最优分割阈值,对超像素进行合并,得到最终的分割结果;本发明以超像素作为后续图像处理的基本单位的分割方法,减少了计算量,降低了算法的时间复杂度,同时对偏光片缺陷图像中的背景纹理和噪声起到了抑制作用,减少了像素的冗余信息,提高了处理效率和抗噪性能,该方法能够在边界模糊的含噪偏光片缺陷图像中有理想的分割效果。
Description
技术领域
本发明属于机器视觉检测技术领域,具体涉及一种基于超像素的偏光片外观缺陷分割方法。
背景技术
随着科技与工业水平的突飞猛进,液晶屏类电子产品逐渐成为我们生活和生产中不可或缺的要素。液晶屏已经存在于我们生活的各个角落,液晶显示器的成像必须依靠偏振光,所有的液晶都有前后两片偏光片紧贴在液晶玻璃,偏光片是液晶显示器的重要材料之一。在偏光片生产过程中由于原材料和生产过程的技术原因,都不可避免地会产生多种缺陷(如偏光片划伤、污点和污渍等)。在获取到的偏光片图像中,许多缺陷与背景之间的差异是非常微小的,在灰度上是逐渐过渡的,这给边界模糊的缺陷检测带来了困难。
机器视觉就是用机器代替人眼来做测量和判断,通过图像摄取装置将被摄取目标转换成图像信号,传送给图像处理***,图像处理***根据像素分布、灰度和颜色等信息,进行各种运算,来得到判别结果。而所获取偏光片图像分别率较高,传统的图像处理方法已经无法满足生产过程中快速准确分割缺陷的要求。
发明内容
本发明旨在解决背景技术中的技术问题。为此,本发明提出一种基于超像素的偏光片外观缺陷分割方法。
本发明解决其技术问题所采用的技术方案是:
一种基于超像素的偏光片外观缺陷分割方法,包括以下步骤:
步骤一、载入待分割的偏光片缺陷图像;
步骤二、对待分割的偏光片缺陷图像进行灰度化处理;
步骤三、初始化超像素算法SLIC的超像素尺寸S、最大迭代次数,紧密度参数m,对偏光片缺陷图像进行超像素处理,计算得到由偏光片缺陷图像中的每个超像素标签组成的标签矩阵;
步骤四、提取每个超像素的灰度特征;
步骤五、使用OSTU算法根据每个超像素的灰度特征计算出偏光片缺陷图像的最优分割阈值;
步骤六、根据步骤五计算所得最优分割阈值,对步骤三最终得到的标签矩阵进行合并,最终分割出偏光片缺陷图像的缺陷。
优选的,一种基于超像素的偏光片外观缺陷分割方法的步骤三包括以下步骤:
3a)统计偏光片缺陷图像中的缺陷面积,根据缺陷面积设定预分割的超像素尺寸S;
3b)初始化种子点k,偏光片缺陷图像的像素i数目为N,根据预分割的超像素尺寸S计算得到偏光片缺陷图像中超像素个数为K=N/S;将偏光片缺陷图像分成K个方格,在每个方格的中心放置一个种子点k;
3c)以种子点k为中心,在2S×2S的正方形范围内计算各像素i与种子点k的距离,将与该像素i距离最近的种子点k的标签分配给该像素i;
3d)重新计算种子点k位置;
3e)重复步骤3c)和步骤3d),直到种子点k收敛,超像素分割完成,最终得到由待分割的偏光片缺陷图像中的每个超像素标签组成的标签矩阵。
优选的,一种基于超像素的偏光片外观缺陷分割方法的步骤五包括以下步骤:
5a)根据步骤四提取的每个超像素的灰度特征,建立偏光片缺陷图像中每个超像素的灰度直方图;
5b)根据每个超像素的灰度直方图选取灰度阈值,再根据所选的灰度阈值将每个超像素分为背景像素和目标像素,计算每个超像素中背景像素和目标像素出现的概率;
本发明的有益效果是:本发明在超像素分割前,将待分割的偏光片缺陷图像转化为灰度图像,在后续的超像素分割步骤中,不再需要颜色空间转换,由灰度差代替原先的颜色距离,减少了计算量,提高了运行效率;本发明将偏光片缺陷图像进行超像素分割,将偏光片缺陷图像分割成具有相似特征的区域,相较于以像素为单位的分割方法,以超像素作为后续图像处理的基本单位的分割方法,大大减少了计算量,降低了算法的时间复杂度,同时对偏光片缺陷图像中的背景纹理和噪声起到了抑制作用,减少了像素的冗余信息,提高了偏光片缺陷图像的处理效率和抗噪性能,本发明所述方法能够在边界模糊的含噪偏光片缺陷图像中有理想的分割效果;本发明在寻求最优阈值过程中采用了OSTU算法,该算法的阈值选择不需要人为设定参数,它是针对偏光片缺陷图像的灰度进行聚类,OSTU算法简单,不易受偏光片缺陷图像对比度和亮度的影响,扩大了算法的适用范围。
附图说明
图1是本发明的一种基于超像素的偏光片外观缺陷分割方法的整体流程图;
图2是仿真实验中,基于超像素的偏光片外观缺陷分割方法和OSTU阈值分割方法对偏光片图像分割的分割结果对比图。
具体实施方式
参照图1至图2,对本发明的一种基于超像素的偏光片外观缺陷分割方法进行说明。
实施例1:
一种基于超像素的偏光片外观缺陷分割方法,包括以下步骤:
步骤一、载入待分割的偏光片缺陷图像;
步骤二、对待分割的偏光片缺陷图像进行灰度化处理;
步骤三、初始化超像素算法SLIC的超像素尺寸S为1100、最大迭代次数为6,紧密度参数m为5,对偏光片缺陷图像进行超像素处理,计算得到由偏光片缺陷图像中的每个超像素标签组成的标签矩阵;
步骤四、提取每个超像素的灰度特征;
步骤五、使用OSTU算法根据每个超像素的灰度特征计算出偏光片缺陷图像的最优分割阈值;
步骤六、根据步骤五计算所得最优分割阈值,对步骤三最终得到的标签矩阵进行合并,最终分割出偏光片缺陷图像的缺陷。
进一步的,作为本发明所述的一种基于超像素的偏光片外观缺陷分割方法的具体实施方式,步骤三包括以下步骤:
3a)统计偏光片缺陷图像中的缺陷面积,根据缺陷面积设定预分割的超像素尺寸S为1100;
3b)初始化种子点k,偏光片缺陷图像的像素i数目为N,根据预分割的超像素尺寸S计算得到偏光片缺陷图像中超像素个数为K=N/S;将偏光片缺陷图像分成K个方格,在每个方格的中心放置一个种子点k;
3c)以种子点k为中心,在2S×2S的正方形范围内计算各像素i与种子点k的距离,将与该像素i距离最近的种子点k的标签分配给该像素i;
3d)重新计算种子点k位置;
3e)重复步骤3c)和步骤3d),直到种子点k收敛,超像素分割完成,最终得到由待分割的偏光片缺陷图像中的每个超像素标签组成的标签矩阵。
进一步的,作为本发明所述的一种基于超像素的偏光片外观缺陷分割方法的具体实施方式,步骤3c)中,像素与种子点的距离d为其中所述dg为2S×2S的正方形范围内各像素i与种子点k的灰度值差值,dxy为2S×2S的正方形范围内各像素i与种子点k的空间距离,/>
进一步的,作为本发明所述的一种基于超像素的偏光片外观缺陷分割方法的具体实施方式,步骤五包括以下步骤:
5a)根据步骤四提取的每个超像素的灰度特征,建立偏光片缺陷图像中每个超像素的灰度直方图;
5b)根据每个超像素的灰度直方图选取灰度阈值,再根据所选的灰度阈值将每个超像素分为背景像素和目标像素,计算每个超像素中背景像素和目标像素出现的概率;
进一步的,作为本发明所述的一种基于超像素的偏光片外观缺陷分割方法的具体实施方式,步骤5a)中提取的每个超像素的灰度特征的步骤为:按照超像素标签的顺序,建立灰度特征矩阵,灰度特征矩阵中存储着每个超像素的灰度均值,以灰度特征矩阵来代表超像素图像。使用灰度特征来表示超像素可以减少计算量,步骤5的操作都是对灰度特征矩阵来进行操作。
进一步的,作为本发明所述的一种基于超像素的偏光片外观缺陷分割方法的具体实施方式,步骤六中根据步骤五计算所得最优分割阈值,对步骤三最终得到的标签矩阵进行合并的步骤为:根据步骤五得到的最优分割阈值,将灰度特征矩阵分割为背景超像素和目标超像素,再根据灰度特征矩阵中对应的超像素的标签,对标签矩阵赋值,背景超像素赋值为255,目标超像素赋值为0,完成超像素合并。完成超像素合并代表着完成对缺陷的分割。
下面结合具体的实验图对本发明作进一步的阐述。仿真条件为:操作***Windows10 64位,处理器Intel Core [email protected],内存4GB,软件MATLAB R2016a。
本次实验采用OSTU阈值分割法和本发明的一种基于超像素的偏光片外观缺陷分割方法对偏光片图像进行分割对比。图2(a)为原图,图2(b)为超像素处理过后的超像素图像,缺陷已经被分割成为了具有一定相似度的小块。图2(c)为OSTU阈值分割法处理后的缺陷图像,OSTU阈值分割法没有考虑像素的空间信息,因此对含有噪声的偏光片分割不理想,把背景区域大量的噪声像素当作缺陷进行了分割,分割后的缺陷边界不清晰。图2(d)为本发明的一种基于超像素的缺陷分割方法处理后的图像,可以看出在边界和背景出有良好的分割性能。对比图2(c)和图2(d)可以看出,本发明所提出的分割方法可以在有噪声的区域正确分类,分割效果与理想结果十分接近。
通过对比OSTU阈值分割结果与本发明的分割结果,能够看出本发明能够在边界模糊的含噪图像中有理想的分割效果。
以上具体结构和尺寸数据是对本发明的较佳实施例进行了具体说明,但本发明创造并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可做出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (2)
1.一种基于超像素的偏光片外观缺陷分割方法,其特征在于,包括以下步骤:
步骤一、载入待分割的偏光片缺陷图像;
步骤二、对待分割的偏光片缺陷图像进行灰度化处理;
步骤三、初始化超像素算法SLIC的超像素尺寸S、最大迭代次数,紧密度参数m,对偏光片缺陷图像进行超像素处理,计算得到由偏光片缺陷图像中的每个超像素标签组成的标签矩阵,包括以下子步骤:
3a)统计偏光片缺陷图像中的缺陷面积,根据缺陷面积设定预分割的超像素尺寸S;
3b)初始化种子点k,偏光片缺陷图像的像素i数目为N,根据预分割的超像素尺寸S计算得到偏光片缺陷图像中超像素个数为K=N/S;将偏光片缺陷图像分成K个方格,在每个方格的中心放置一个种子点k;
3c)以种子点k为中心,在2S×2S的正方形范围内计算各像素i与种子点k的距离,将与该像素i距离最近的种子点k的标签分配给该像素i,像素与种子点的距离d为其中所述dg为2S×2S的正方形范围内各像素i与种子点k的灰度值差值,dxy为2S×2S的正方形范围内各像素i与种子点k的空间距离,
3d)重新计算种子点k位置;
3e)重复步骤3c)和步骤3d),直到种子点k收敛,超像素分割完成,最终得到由待分割的偏光片缺陷图像中的每个超像素标签组成的标签矩阵;
步骤四、提取每个超像素的灰度特征;
步骤五、使用OSTU算法根据每个超像素的灰度特征计算出偏光片缺陷图像的最优分割阈值,包括以下子步骤:
5a)根据步骤四提取的每个超像素的灰度特征,建立偏光片缺陷图像中每个超像素的灰度直方图,按照超像素标签的顺序,建立灰度特征矩阵,灰度特征矩阵中存储着每个超像素的灰度均值,以灰度特征矩阵来代表超像素图像;
5b)根据每个超像素的灰度直方图选取灰度阈值,再根据所选的灰度阈值将每个超像素分为背景像素和目标像素,计算每个超像素中背景像素和目标像素出现的概率;
步骤六、根据步骤五计算所得最优分割阈值,对步骤三最终得到的标签矩阵进行合并,最终分割出偏光片缺陷图像的缺陷。
2.根据权利要求1所述的一种基于超像素的偏光片外观缺陷分割方法,其特征在于,步骤六中根据步骤五计算所得最优分割阈值,对步骤三最终得到的标签矩阵进行合并的步骤为:根据步骤五得到的最优分割阈值,将灰度特征矩阵分割为背景超像素和目标超像素,再根据灰度特征矩阵中对应的超像素的标签,对标签矩阵赋值,背景超像素赋值为255,目标超像素赋值为0,完成超像素合并。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911099247.2A CN110827309B (zh) | 2019-11-12 | 2019-11-12 | 一种基于超像素的偏光片外观缺陷分割方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911099247.2A CN110827309B (zh) | 2019-11-12 | 2019-11-12 | 一种基于超像素的偏光片外观缺陷分割方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110827309A CN110827309A (zh) | 2020-02-21 |
CN110827309B true CN110827309B (zh) | 2023-06-23 |
Family
ID=69554308
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911099247.2A Active CN110827309B (zh) | 2019-11-12 | 2019-11-12 | 一种基于超像素的偏光片外观缺陷分割方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110827309B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114943736B (zh) * | 2022-07-21 | 2022-10-25 | 山东嘉翔汽车散热器有限公司 | 一种汽车散热翅片生产质量检测方法及*** |
CN116577351B (zh) * | 2023-07-14 | 2023-09-19 | 深圳市深卓越光电有限公司 | 基于图像数据的液晶玻璃基板偏光片质量检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102254326A (zh) * | 2011-07-22 | 2011-11-23 | 西安电子科技大学 | 利用核传递进行图像分割的方法 |
CN106407927A (zh) * | 2016-09-12 | 2017-02-15 | 河海大学常州校区 | 基于偏振成像的适用于水下目标检测的显著性视觉方法 |
Family Cites Families (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8638993B2 (en) * | 2010-04-05 | 2014-01-28 | Flashfoto, Inc. | Segmenting human hairs and faces |
CN102855622B (zh) * | 2012-07-18 | 2015-10-28 | 中国科学院自动化研究所 | 一种基于显著性分析的红外遥感图像海面船只检测方法 |
US9025880B2 (en) * | 2012-08-29 | 2015-05-05 | Disney Enterprises, Inc. | Visual saliency estimation for images and video |
JP5875637B2 (ja) * | 2013-12-19 | 2016-03-02 | キヤノン株式会社 | 画像処理装置、画像処理方法 |
US10089740B2 (en) * | 2014-03-07 | 2018-10-02 | Fotonation Limited | System and methods for depth regularization and semiautomatic interactive matting using RGB-D images |
CN105761238B (zh) * | 2015-12-30 | 2018-11-06 | 河南科技大学 | 一种通过灰度统计数据深度信息提取显著目标的方法 |
CN105528794B (zh) * | 2016-01-15 | 2019-01-25 | 上海应用技术学院 | 基于混合高斯模型与超像素分割的运动目标检测方法 |
CN106991682B (zh) * | 2016-01-21 | 2019-12-20 | 深圳力维智联技术有限公司 | 自动港口货船的提取方法及装置 |
CN105869175A (zh) * | 2016-04-21 | 2016-08-17 | 北京邮电大学 | 一种图像分割方法及*** |
CN106203430B (zh) * | 2016-07-07 | 2017-11-03 | 北京航空航天大学 | 一种基于前景聚集度和背景先验的显著性物体检测方法 |
CN109461148A (zh) * | 2018-10-30 | 2019-03-12 | 兰州交通大学 | 基于二维Otsu的钢轨缺陷分割自适应快速算法 |
-
2019
- 2019-11-12 CN CN201911099247.2A patent/CN110827309B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102254326A (zh) * | 2011-07-22 | 2011-11-23 | 西安电子科技大学 | 利用核传递进行图像分割的方法 |
CN106407927A (zh) * | 2016-09-12 | 2017-02-15 | 河海大学常州校区 | 基于偏振成像的适用于水下目标检测的显著性视觉方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110827309A (zh) | 2020-02-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107194872B (zh) | 基于内容感知深度学习网络的遥感图像超分辨率重建方法 | |
CN105354865B (zh) | 多光谱遥感卫星影像自动云检测方法及*** | |
CN111462120B (zh) | 一种基于语义分割模型缺陷检测方法、装置、介质及设备 | |
CN111833306A (zh) | 缺陷检测方法和用于缺陷检测的模型训练方法 | |
CN112215795B (zh) | 一种基于深度学习的服务器部件智能检测方法 | |
CN110827309B (zh) | 一种基于超像素的偏光片外观缺陷分割方法 | |
CN110175506B (zh) | 基于并行降维卷积神经网络的行人重识别方法及装置 | |
CN109977834B (zh) | 从深度图像中分割人手与交互物体的方法和装置 | |
CN115205672A (zh) | 一种基于多尺度区域注意力的遥感建筑物语义分割方法及*** | |
CN113139557B (zh) | 一种基于二维多元经验模态分解的特征提取方法 | |
CN113449784A (zh) | 基于先验属性图谱的图像多分类方法、装置、设备及介质 | |
CN113486894A (zh) | 一种卫星图像特征部件语义分割方法 | |
Yuan et al. | A confidence prior for image dehazing | |
CN111462164A (zh) | 一种前景分割方法以及基于图像合成的数据增强方法 | |
CN114444565A (zh) | 一种图像篡改检测方法、终端设备及存储介质 | |
Feng et al. | Low-light image enhancement algorithm based on an atmospheric physical model | |
CN113421210A (zh) | 一种基于双目立体视觉的表面点云重建方法 | |
CN112907461A (zh) | 一种红外雾天降质图像去雾增强方法 | |
CN115294392B (zh) | 基于生成网络模型的可见光遥感图像云去除方法及*** | |
CN111814884A (zh) | 一种基于可变形卷积的目标检测网络模型的升级方法 | |
CN116403200A (zh) | 基于硬件加速的车牌实时识别*** | |
CN110633705A (zh) | 一种低照度成像车牌识别方法及装置 | |
CN112532938B (zh) | 一种基于大数据技术的视频监控*** | |
Narayan et al. | Optimized color models for high-quality 3d scanning | |
CN115205155A (zh) | 一种畸变图像的矫正方法、装置及终端设备 |
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 |