CN111612028A - 一种基于深度学习的船只特征优化方法、装置和电子设备 - Google Patents
一种基于深度学习的船只特征优化方法、装置和电子设备 Download PDFInfo
- Publication number
- CN111612028A CN111612028A CN201911282577.5A CN201911282577A CN111612028A CN 111612028 A CN111612028 A CN 111612028A CN 201911282577 A CN201911282577 A CN 201911282577A CN 111612028 A CN111612028 A CN 111612028A
- Authority
- CN
- China
- Prior art keywords
- feature
- ship
- deep learning
- features
- image data
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及深度学习技术领域,具体涉及一种基于深度学习的船只特征优化方法。包括:获取船只图像数据集;通过卷积网络对所述船只图像数据集进行特征提取,得到第一特征;根据所述船只图像数据集预设船只特征,得到第二特征;其中,所述第二特征包括船只形状、纹理和颜色;利用深度学习网络将所述第一特征和所述第二特征进行结合,以获得优化船只特征。利用第一特征和第二特征联合,使得通过提取的第一特征信息通过第二特征信息进行互补,从而保证特征提取的准确性并实现对船只特征优化,提升在遮挡情况下提取特征的准确度。
Description
技术领域
本发明涉及深度学习技术领域,具体涉及一种基于深度学习的船只特征优化方法。
背景技术
在现有技术中,人们对海防检测是通过人工和监控设备进行海防巡检,但是在传统的海防巡检中,通过人工和监控设备对海域范围内的船只进行检测,在检测目标船只时会因为目标船只发生重叠和遮挡情况,因此会使人们在识别目标船只时产生了一定的困难或是无法识别的问题,因这些问题也使得在进行目标船只检测和识别时出现误检现象。
发明内容
有鉴于此,本发明实施例提供了一种基于深度学习的船只特征优化方法,以解决目标船只存在重叠、遮挡情况下能够准确提取船只特征的问题。
根据第一方面,本发明实施例提供了一种基于深度学习的船只特征优化方法,包括:
获取船只图像数据集;
通过卷积网络对所述船只图像数据集进行特征提取,得到第一特征;
根据所述船只图像数据集预设船只特征,得到第二特征;其中,所述第二特征包括船只形状、纹理和颜色;
利用深度学习网络将所述第一特征和所述第二特征进行结合,以获得优化船只特征。
利用第一特征和第二特征结合,使通过自动提取的第一特征没能考虑的特征信息通过第二特征进行互补,保证特征提取的准确性从而实现对船只特征优化,并提升在遮挡情况下提取特征的准确度。
结合第一方面,在第一方面第一实施方式中,获取船只图像数据包括重叠、被遮挡的船只图片。
通过从重叠。被遮挡的船只图片中提取船只特征,从保证所提取特征的准确性。
结合第一方面,在第一方面第二实施方式中,通过卷积网络对所述船只图像数据进行特征提取,得到第一特征;包括:
提取所述船只数据集中预设目标的图像;
对所述预设目标的图像进行特征提取,以得到第一特征。
利用卷积网络对船只数据进行提取,从而保证能够获取的第一特征信息是通过深度学习输出的特征,以实现自动提取船只特征的功能。
结合第一方面,在第一方面第三实施方式中,通过深度学习网络将所述第一特征和所述第二特征进行结合,包括:
获取第一特征和第二特征,从第一特征和第二特征中提取部分特征数据为训练数据;
将所述训练数据输入特征训练模型中进行训练,生成特征模型;
通过把所述第一特征和所述第二特征输入特征模型,输出第三特征;所述第三特征为优化船只特征。
利用所获取的迪第一特征和第二特征和深度学习网路,构建特征模型,输出第三特征,通过第三特征能够更全面的把被遮挡船只图像进行快速准确提取。
结合第一方面,在第一方面第四实施方式中,将所述训练数据输入特征训练模型中进行训练,生成特征模型,包括:使用传统特征约束卷积神经网络进行后向传播。。
利用传统特征约束卷积神经网络进行后向传播从而保证能够使第一特征和第二特征进行联合,实现船只特征优化,和,在遮挡情况下够准确提取船只特征,以提高在遮挡情况下船只识别、检测的效率。
根据第二方面,本发明实施例提供了一种基于深度学习的船只特征优化装置,包括:
获取模块,用于获取船只图像数据;
第一模块,用于通过卷积网络对所述船只图像数据进行特征提取,得到第一特征;
第二模块,根据所述船只图像数据预设船只特征,得到第二特征;
第三模块,用于利用深度学习网络将所述第一特征和所述第二特征进行结合,以获得优化船只特征。
利用第一模块获取数据,第一模块和第二模块用于提取第一特征和第二特征,第三模块用于对所提取的特征信息进行联合,以实现对船只特征优化,实现在遮挡情况下能够准确识别目标船只。
根据第三方面,本发明实施例提供了一种电子设备,包括:存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行第一方面或者第一方面的任意一种实施方式中所述的基于深度学习的船只特征优化方法。
根据第四方面,本发明实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储计算机指令,所述计算机指令用于使所述计算机执行第一方面或者第一方面的任意一种实施方式中所述的基于深度学习的船只特征优化方法。
附图说明
通过参考附图会更加清楚的理解本发明的特征和优点,附图是示意性的而不应理解为对本发明进行任何限制,在附图中:
图1是根据本发明实施例的一种基于深度学习的船只特征优化方法的流程图;
图2是根据本发明实施例的一种基于深度学习的船只特征优化方法的特征提取流程图;
图3是根据本发明实施例的一种基于深度学习的船只特征优化方法的特征联合流程图;
图4是根据本发明实施例的一种基于深度学习的船只特征优化装置的结构框图;
图5是根据本发明实施例的一种电子设备的结构示意图;
附图标记
10-获取模块;20-第一模块;30-第二模块;40-第三模块;
51-处理器;52-存储器;53-总线。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例提供了一种基于深度学习的船只特征优化方法,如图1所示,包括:
获取船只图像数据集;所获取的船只数据集包括:采集预设时间内的预设范围内的海上船只视频数据,或是使用现有的开源海上船只数据,或是自制是视频数据集。
通过卷积网络对所述船只图像数据集进行特征提取,得到第一特征;其中第一特征是通过卷积网络通过数据卷积获得的。其卷积网络为深度学习网络,可以通过设置卷积次数改变第一特征获取的结果。
根据所述船只图像数据集预设船只特征,得到第二特征;其中,所述第二特征包括船只形状、纹理和颜色;第二特征是通过用户需求而设定。
利用深度学习网络将所述第一特征和所述第二特征进行结合,以获得优化船只特征。再次利用卷积网络对第一特征和第二特征进行联合,但是在进行第一特征和第二特征联合前,需要对第一特征和第二特征进行降维处理,以使得第一特征和第二特征能够进行卷积联合,从而保证进行联合后的特征能够更好的体现目标船只数据。
利用第一特征和第二特征联合,使得通过提取的第一特征信息通过第二特征信息进行互补,从而保证特征提取的准确性并实现对船只特征优化,提升在遮挡情况下提取特征的准确度。
如图2所示,通过卷积网络对所述船只图像数据进行特征提取,得到第一特征,包括:
提取所述船只数据集中预设目标的图像;在提取所述船只数据集中预设目标的图像之前需要对预设目标图像进行标记,包括通过利用选区工具进行框选预设目标图像。其中,预设目标图像可以是单张图像,也可以是是多张图像中的指定图像。
对所述预设目标的图像进行特征提取,以得到第一特征。通过对被框选出的目标图像进行提取,从而减少不必要的运算,从而提高提取第一特征的效率,其中第一特征可以是特征直方图。其中,在进行特征提取中,可以是提取多张图像中的目标图像,也可以多张图像中的单张图像。
和,如图3所示,通过深度学习网络将所述第一特征和所述第二特征进行联合,包括:
获取第一特征和第二特征,从第一特征和第二特征中提取部分特征数据为训练数据;把第一特征和第二特征形成特征合集,从中提取部分特征数据进行训练,在对特征机进行训练前还需要对第一特征和第二特征进行标准化处理,使其第一特征和第二特征能够进行结合。
将所述训练数据输入特征训练模型中进行训练,生成特征模型;利用卷积神经网络对标准化后的第一特征和第二特征进行卷积整合。也可以是通过叠加方式把第一特征和第二特征进行集合。
通过把所述第一特征和所述第二特征输入特征模型,输出第三特征;所述第三特征为优化船只特征。通过结合获得第三特征,第三特征是优化船只特征,通过利用卷积网络得到第一特征,是自动生成的特征数据,在和用户自定义的特征数据进行结合,同伙叠加或卷积相互补充数据,从而使输出的第三特征更接近真实数据,且也能凸显被遮挡的目标。
可选的,将所述训练数据输入特征训练模型中进行训练,生成特征模型,包括:使用传统特征约束卷积神经网络进行后向传播。利用现有卷积网络进行深度学习,以保证所能够对采集的数据根据需求进行自动目标检测或识别,在通过加入用户设定的特征数据从而实现精确识别。
可选的,获取船只图像数据包括重叠、被遮挡的船只图片。
利用所获取的第一特征和第二特征构建训练网络生成识别网络,把通过深度学习的特征和预设提取的特征进行结合实现特征互补,能够更全面的把被遮挡船只图像进行快速准确提取。
根据第二方面,本发明实施例提供了一种一种基于深度学习的船只特征优化装置,如图4所示,包括:
获取模块10,用于获取船只图像数据;其中,图像数据可以是开源船只数据集,或是检测范围内海域日常监控的视频数据集。
第一模块20,用于通过卷积网络对所述船只图像数据进行特征提取,得到第一特征;
第二模块30,根据所述船只图像数据预设船只特征,得到第二特征;
第三模块40,用于利用深度学习网络将所述第一特征和所述第一特征进行结合,以获得优化船只特征。
利用第一模块获取数据,第一模块和第二模块用于提取第一特征和第二特征,第三模块用于对所提取的特征信息进行联合,以实现对船只特征优化,实现在遮挡情况下能够准确识别目标船只。
获取模块,对获取到的船只数据进行预处理,然后发送给第一模块,第一模块接收获取模块发送的船只图形,并利用深度学习网络对船只图像进行特征提取,此外船只数据还发给了第二模块船,在第二模块中,所需要提取的特征是通过用于设定决定的,是可以根据不同情况将更改,这样能够更好适应不同的特征提取,从而也能更快对重叠、遮挡情况下船只进行特征提取,更能快速完成特征提取,最后把获取得到的第一特征和第二特征送入第三模块,第三模块把第一特征和第二特征进行归一化降维处理使得第一特征和第二特征在于后续进行融合时能够获得优化后的船只特征。
优化后的船只特征对重叠、遮挡情况下船只进行识别时,由于第二特征的可调节性以置于能够快速进行调节且所能够对对重叠、遮挡情况下船只识别精度进行调整,从而以减少在进行目标船只检测和识别时出现误检现象。
本发明实施例还提供了一种电子设备,如图5所示,该电子设备可以包括处理器51和存储器52,其中处理器51和存储器52可以通过总线53或者其他方式连接,图5中以通过总线连接为例。
处理器51可以为中央处理器(Central Processing Unit,CPU)。处理器51还可以为其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现场可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等芯片,或者上述各类芯片的组合。
存储器52作为一种非暂态计算机可读存储介质,可用于存储非暂态软件程序、非暂态计算机可执行程序以及模块,如本发明实施例中的基于深度学习的船只特征优化装置,其执行方法对应的程序指令/模块(例如,图4所示的获取模块10、第一模块20、第二模块30、第三模块40)。处理器51通过运行存储在存储器52中的非暂态软件程序、指令以及模块,从而执行处理器的各种功能应用以及数据处理,即实现上述方法实施例中的基于深度学习的船只特征优化方法。
存储器52可以包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需要的应用程序;存储数据区可存储处理器51所创建的数据等。此外,存储器52可以包括高速随机存取存储器,还可以包括非暂态存储器,例如至少一个磁盘存储器件、闪存器件、或其他非暂态固态存储器件。在一些实施例中,存储器52可选包括相对于处理器51远程设置的存储器,这些远程存储器可以通过网络连接至处理器51。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
所述一个或者多个模块存储在所述存储器52中,当被所述处理器51执行时,执行如图1-3所示实施例中的基于深度学习的船只特征优化方法。
上述车辆终端具体细节可以对应参阅图1至图3所示的实施例中对应的相关描述和效果进行理解,此处不再赘述。
本领域技术人员可以理解,实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的程序可存储于一计算机可读取存储介质中,该程序在执行时,可包括如上述各方法的实施例的流程。其中,所述存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory,ROM)、随机存储记忆体(Random AccessMemory,RAM)、快闪存储器(Flash Memory)、硬盘(Hard Disk Drive,缩写:HDD)或固态硬盘(Solid-State Drive,SSD)等;所述存储介质还可以包括上述种类的存储器的组合。
虽然结合附图描述了本发明的实施例,但是本领域技术人员可以在不脱离本发明的精神和范围的情况下作出各种修改和变型,这样的修改和变型均落入由所附权利要求所限定的范围之内。
Claims (8)
1.一种基于深度学习的船只特征优化方法,其特征在于,包括:
获取船只图像数据集;
通过卷积神经网络对所述船只图像数据集进行特征提取,得到第一特征;
根据所述船只图像数据集预设船只特征,得到第二特征;其中,所述第二特征包括船只形状、纹理和颜色;
利用深度学习网络将所述第一特征和所述第二特征进行结合,以获得优化船只特征。
2.根据权利要求1所述的方法,其特征在于,所述获取船只图像数据包括重叠、被遮挡的船只图片。
3.根据权利要求1所述的方法,其特征在于,所述通过卷积网络对所述船只图像数据进行特征提取,得到第一特征;包括:
提取所述船只数据集中预设目标的图像;
对所述预设目标的图像进行特征提取,以得到第一特征。
4.根据权利要求3所述的方法,其特征在于,所述利用深度学习网络将所述第一特征和所述第二特征进行结合,包括:
获取第一特征和第二特征,从第一特征和第二特征中提取部分特征数据为训练数据;
将所述训练数据输入特征训练模型中进行训练,生成特征模型;
通过把所述第一特征和所述第二特征输入特征模型,输出第三特征;所述第三特征为优化船只特征。
5.根据权利要求4所述的方法,其特征在于,所述将所述训练数据输入特征训练模型中进行训练,生成特征模型,包括:使用传统特征约束卷积神经网络进行后向传播。
6.一种基于深度学习的船只特征优化装置,其特征在于,包括:
获取模块,用于获取船只图像数据;
第一模块,用于通过卷积网络对所述船只图像数据进行特征提取,得到第一特征;
第二模块,根据所述船只图像数据预设船只特征,得到第二特征;
第三模块,用于利用深度学习网络将所述第一特征和所述第二特征进行结合,以获得优化船只特征。
7.一种电子设备,其特征在于,包括:
存储器和处理器,所述存储器和所述处理器之间互相通信连接,所述存储器中存储有计算机指令,所述处理器通过执行所述计算机指令,从而执行权利要求1-5中任一项所述的基于深度学习的船只特征优化方法。
8.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质存储有计算机指令,所述计算机指令用于使所述计算机执行权利要求1-5中任一项所述的基于深度学习的船只特征优化方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911282577.5A CN111612028A (zh) | 2019-12-13 | 2019-12-13 | 一种基于深度学习的船只特征优化方法、装置和电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911282577.5A CN111612028A (zh) | 2019-12-13 | 2019-12-13 | 一种基于深度学习的船只特征优化方法、装置和电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111612028A true CN111612028A (zh) | 2020-09-01 |
Family
ID=72201128
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911282577.5A Pending CN111612028A (zh) | 2019-12-13 | 2019-12-13 | 一种基于深度学习的船只特征优化方法、装置和电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111612028A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112270326A (zh) * | 2020-11-18 | 2021-01-26 | 珠海大横琴科技发展有限公司 | 一种遮挡船只的检测优化方法、装置及电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107845390A (zh) * | 2017-09-21 | 2018-03-27 | 太原理工大学 | 一种基于pcnn语谱图特征融合的情感语音识别*** |
CN109376591A (zh) * | 2018-09-10 | 2019-02-22 | 武汉大学 | 深度学习特征与视觉特征联合训练的船只目标检测方法 |
US20190108639A1 (en) * | 2017-10-09 | 2019-04-11 | The Board Of Trustees Of The Leland Stanford Junior University | Systems and Methods for Semantic Segmentation of 3D Point Clouds |
CN109740665A (zh) * | 2018-12-29 | 2019-05-10 | 珠海大横琴科技发展有限公司 | 基于专家知识约束的遮挡图像船只目标检测方法及*** |
CN111639513A (zh) * | 2019-12-10 | 2020-09-08 | 珠海大横琴科技发展有限公司 | 一种船只遮挡识别方法、装置及电子设备 |
-
2019
- 2019-12-13 CN CN201911282577.5A patent/CN111612028A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107845390A (zh) * | 2017-09-21 | 2018-03-27 | 太原理工大学 | 一种基于pcnn语谱图特征融合的情感语音识别*** |
US20190108639A1 (en) * | 2017-10-09 | 2019-04-11 | The Board Of Trustees Of The Leland Stanford Junior University | Systems and Methods for Semantic Segmentation of 3D Point Clouds |
CN109376591A (zh) * | 2018-09-10 | 2019-02-22 | 武汉大学 | 深度学习特征与视觉特征联合训练的船只目标检测方法 |
CN109740665A (zh) * | 2018-12-29 | 2019-05-10 | 珠海大横琴科技发展有限公司 | 基于专家知识约束的遮挡图像船只目标检测方法及*** |
CN111639513A (zh) * | 2019-12-10 | 2020-09-08 | 珠海大横琴科技发展有限公司 | 一种船只遮挡识别方法、装置及电子设备 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112270326A (zh) * | 2020-11-18 | 2021-01-26 | 珠海大横琴科技发展有限公司 | 一种遮挡船只的检测优化方法、装置及电子设备 |
CN112270326B (zh) * | 2020-11-18 | 2022-03-22 | 珠海大横琴科技发展有限公司 | 一种遮挡船只的检测优化方法、装置及电子设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108710847B (zh) | 场景识别方法、装置及电子设备 | |
US11586664B2 (en) | Image retrieval method and apparatus, and electronic device | |
CN112102204B (zh) | 图像增强方法、装置及电子设备 | |
CN109492577B (zh) | 一种手势识别方法、装置及电子设备 | |
CN110532866B (zh) | 视频数据检测方法、装置、计算机设备及存储介质 | |
CN111814810A (zh) | 图像识别方法、装置、电子设备及存储介质 | |
EP2806374A1 (en) | Method and system for automatic selection of one or more image processing algorithm | |
CN111639513A (zh) | 一种船只遮挡识别方法、装置及电子设备 | |
CN109815797B (zh) | 活体检测方法和装置 | |
US20200097720A1 (en) | Image-based anomaly detection for aerial inspection using self-supervised learning | |
CN108318773B (zh) | 一种输电导线断股检测方法及*** | |
CN113688947B (zh) | 一种配电设备红外图像故障识别方法及*** | |
CN110991385A (zh) | 一种识别船只行驶轨迹的方法、装置及电子设备 | |
CN110969213A (zh) | 一种基于Faster RCNN的船只检测方法、装置及电子设备 | |
CN112580581A (zh) | 目标检测方法、装置及电子设备 | |
CN112750104A (zh) | 一种多相机监控船舶自动匹配最优相机的方法及装置 | |
CN113158773B (zh) | 一种活体检测模型的训练方法及训练装置 | |
CN111612028A (zh) | 一种基于深度学习的船只特征优化方法、装置和电子设备 | |
CN112036342A (zh) | 单证抓拍方法、设备及计算机存储介质 | |
CN112883762A (zh) | 一种活体检测方法、装置、***及存储介质 | |
CN112329729B (zh) | 小目标船只检测方法、装置及电子设备 | |
CN112395993A (zh) | 基于监控视频数据的遮挡船只检测方法、装置及电子设备 | |
CN113657283A (zh) | 视觉定位方法、装置及电子设备 | |
CN112270326B (zh) | 一种遮挡船只的检测优化方法、装置及电子设备 | |
CN114140427A (zh) | 一种物体检测方法及装置 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200901 |