CN112465794A - 一种基于YOLOv4和嵌入式平台的高尔夫球检测方法 - Google Patents
一种基于YOLOv4和嵌入式平台的高尔夫球检测方法 Download PDFInfo
- Publication number
- CN112465794A CN112465794A CN202011425522.8A CN202011425522A CN112465794A CN 112465794 A CN112465794 A CN 112465794A CN 202011425522 A CN202011425522 A CN 202011425522A CN 112465794 A CN112465794 A CN 112465794A
- Authority
- CN
- China
- Prior art keywords
- golf ball
- yolov4
- data set
- detection method
- ball detection
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 26
- 238000013135 deep learning Methods 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims abstract description 6
- 238000012549 training Methods 0.000 claims description 8
- 244000025254 Cannabis sativa Species 0.000 claims description 6
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000011161 development Methods 0.000 claims description 5
- 239000003086 colorant Substances 0.000 claims description 3
- 238000013136 deep learning model Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims 1
- 238000012545 processing Methods 0.000 abstract description 4
- 238000003672 processing method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 238000012795 verification Methods 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
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理领域和深度学***台的高尔夫球检测方法。它先制作高尔夫球数据集;接着,在电脑端搭建Darknet框架所需软件环境,嵌入式设备烧录***镜像必需软件;然后,对数据集的高尔夫球目标框运行K‑means++聚类;接着,使用YOLOv4模型对高尔夫数据集进行训练;之后,将电脑端训练好的YOLOv4权重转化为ONNX格式;之后,将ONNX格式文件转换为TensorRT引擎文件;最后,使用引擎文件对高尔夫球进行识别即可。采用该方法可基本避免漏检的情况,模型部署的难度较小,较Darknet框架运行的速度更快。
Description
技术领域
本发明涉及图像处理领域和深度学***台的高尔夫球检测方法。
背景技术
随着人工智能的发展,基于深度学习的图像处理已逐渐走入人们的生活,机场、车站的人脸验证,无人驾驶的目标检测,都是基于多块高端显卡搭建的图形处理工作站进行计算,再通过网络将检测结果传回。虽然识别准确率高,误差小,但费用昂贵,受限于网络传输质量,在现实生活中存在着部署困难、延迟高的问题。高尔夫球场在短时间内会积累大量的高尔夫球,主要通过人工方式捡球,球场面积大,捡球工作效率低下,同时捡球影响到球场的持续运行。为了提高捡球效率,高尔夫球场会采用图形处理方法来对高尔夫球进行检测。
目前,由于高尔夫球体积小,同时存在着草坪遮挡等问题,传统图形处理方法如颜色、模板匹配等会出现严重的误检、漏检情况。现有技术中提出的改进是采用基于深度学***台的运行速度较慢。
发明内容
本发明要解决的技术问题是提供一种基于YOLOv4和嵌入式平台的高尔夫球检测方法,采用该方法可基本避免漏检的情况,模型部署的难度较小,较Darknet框架运行的速度更快。
为解决上述问题,提供以下技术方案:
本发明的基于YOLOv4和嵌入式平台的高尔夫球检测方法的特点是包括如下步骤:
第一步,制作高尔夫球数据集,添加负样本。
第二步,在电脑端搭建Darknet框架所需软件环境,嵌入式设备烧录***镜像必需软件。
第三步,对高尔夫球数据集目标框运行K-means++聚类。
第四步,使用YOLOv4模型对高尔夫数据集进行训练,Loss损失降低到0.1或者训练6000个batch自动结束。
第五步,将电脑端训练好的YOLOv4权重转化为ONNX(Open Neural NetworkExchange)格式。
第六步,将ONNX格式文件转换为TensorRT引擎文件。
第七步,使用引擎文件对高尔夫球进行识别,即可直接检测出高尔夫球在图片中的位置坐标、类别和置信度。
其中,第一步中,通过摄像头采集高尔夫球在草坪上的视频,将采集的视频转化为图片格式,利用Labelimg软件标注成VOC格式得到高尔夫球数据集,同时,采集不包含高尔夫球的图片,做数据集负样本;采集的视频包括浅草、深草处,保证采集到的图片包含无遮挡和有遮挡的情况,将白色石块、花朵以及形状和颜色类似高尔夫球的杂物一同拍摄,提升数据集的质量。
第二步中,在电脑端安装Ubuntu16.04***,选择OpenCV3.3.1、CUDA10.0和cuDNN7.0软件,同时,下载Darknet文件夹,修改配置文件并进行编译。
嵌入式设备根据NVIDIA官方教程,利用SD卡烧录***镜像。其中,选择的JetPack版本为4.4,包含CUDA10.2、cuDNN8、TensorRT7,通过PIP方式安装开放神经网络交换工具(ONNX1.4.1)。
第三步中,所述高尔夫球目标框为Bounding Box,它是由目标左上角、右上角、左下角、右下角四个坐标点组成,聚类时转换成目标框的长和宽。
第四步中,使用YOLOv4模型对高尔夫数据集进行训练,根据batch数量大于2000*类别数的原则,将batch数量设置为6000,Loss损失降低到0.1或者达到6000个batch自动结束训练;所述batch为每一轮训练的图片数量,由人为决定,设置为64。
第五步中,所述ONNX是用于表示深度学习模型的标准。
第六步中,所述TensorRT为NVIDIA 设备用于高性能深度学习推理的SDK。
所述嵌入式设备为Jetson Nano嵌入式开发板。
采取以上方案,具有以下优点:
由于本发明的基于YOLOv4和嵌入式平台的高尔夫球检测方法先制作高尔夫球数据集,添加负样本;接着,在电脑端搭建Darknet框架所需软件环境,嵌入式设备烧录***镜像必需软件;然后,对数据集的高尔夫球目标框运行K-means++聚类;接着,使用YOLOv4模型对高尔夫数据集进行训练,Loss损失降低到0.1或者训练6000个batch自动结束;之后,将电脑端训练好的YOLOv4权重转化为ONNX格式;之后,将ONNX格式文件转换为TensorRT引擎文件;最后,使用引擎文件对高尔夫球进行识别,即可直接检测出高尔夫球在图片中的位置坐标、类别和置信度。这种方式基于YOLOv4算法对目标进行检测,有效地解决了小目标检测的问题。而且,这方式在嵌入式设备上运行YOLOv4不依赖Darknet框架,降低了模型部署的难度,只需使用TensorRT引擎便可实现推理。另外,对应Darknet框架在嵌入式设备上实现了3.1倍的速度提升。
附图说明
图1是本发明的基于YOLOv4和嵌入式平台的高尔夫球检测方法的流程框架图。
具体实施方式
以下结合附图对本发明做进一步详细说明。
如图1所示,本发明的基于YOLOv4和嵌入式平台的高尔夫球检测方法的包括如下步骤:
第一步,制作高尔夫球数据集,添加负样本。
通过摄像头采集高尔夫球在草坪上的视频,将采集的视频转化为图片格式,利用Labelimg软件标注成VOC格式得到高尔夫球数据集,同时,采集不包含高尔夫球的图片,做数据集负样本。采集的视频包括浅草、深草处,保证采集到的图片包含无遮挡和有遮挡的情况,将白色石块、花朵以及形状和颜色类似高尔夫球的杂物一同拍摄,提升数据集的质量。
第二步,在电脑端搭建Darknet框架所需软件环境,嵌入式设备烧录***镜像必需软件。
在电脑端安装Ubuntu16.04***,选择OpenCV3.3.1、CUDA10.0和cuDNN7.0软件,同时,下载Darknet文件夹,修改配置文件并进行编译。
所述嵌入式设备为Jetson Nano嵌入式开发板。Jetson Nano嵌入式开发板根据NVIDIA官方教程,利用SD卡烧录***镜像。其中,选择的JetPack版本为4.4,包含CUDA10.2、cuDNN8、TensorRT7,通过PIP方式安装开放神经网络交换工具(ONNX1.4.1)。
第三步,对标注后的高尔夫球目标框运行K-means++聚类。高尔夫球相较于人、座椅等常见物体体积很小,原有K-means聚类产生的anchor不适用于高尔夫球。K-means++聚类算法能够改善分类结果的误差,计算出9组锚点代替原网络结构(yolov4.cfg)文件中的anchor。
所述高尔夫球目标框为Bounding Box,它是由目标左上角、右上角、左下角、右下角四个坐标点组成,聚类时转换成目标框的长和宽。
第四步,使用YOLOv4模型对高尔夫数据集进行训练,Loss损失降低到0.1或者训练6000个batch自动结束。
使用YOLOv4模型对高尔夫数据集进行训练,根据batch数量大于2000*类别数的原则,将batch数量设置为6000,loss损失降低到0.1或者达到6000个batch自动结束训练。所述batch为每一轮训练的图片数量,由人为决定,设置为64。
第五步,将电脑端训练好的yolov4.weights权重转化为ONNX(Open NeuralNetwork Exchange)格式。ONNX是用于表示深度学习模型的标准。
ONNX可以方便在主流深度学习框架中迁移模型,是一种中间表达格式框架。
第六步,将ONNX中间格式文件通过TensorRT转化为yolov4.trt的引擎文件。
推理时直接加载yolov4.trt,无需原始yolov4.weights或yolov4.onnx。TensorRT为NVIDIA 设备用于高性能深度学习推理的SDK。
第七步,使用引擎文件对高尔夫球进行识别,即可直接检测出高尔夫球在图片中的位置坐标、类别和置信度。
Claims (8)
1.一种基于YOLOv4和嵌入式平台的高尔夫球检测方法,其特征在于包括如下步骤:
第一步,制作高尔夫球数据集,添加负样本;
第二步,在电脑端搭建Darknet框架所需软件环境,嵌入式设备烧录***镜像必需软件;
第三步,对高尔夫球数据集目标框运行K-means++聚类;
第四步,使用YOLOv4模型对高尔夫数据集进行训练,Loss损失降低到0.1或者训练6000个batch自动结束;
第五步,将电脑端训练好的YOLOv4权重转化为ONNX(Open Neural Network Exchange)格式;
第六步,将ONNX格式文件转换为TensorRT引擎文件;
第七步,使用引擎文件对高尔夫球进行识别,即可直接检测出高尔夫球在图片中的位置坐标、类别和置信度。
2.如权利要求1所述的基于YOLOv4和嵌入式平台的高尔夫球检测方法,其特征在于第一步中,通过摄像头采集高尔夫球在草坪上的视频,将采集的视频转化为图片格式,利用Labelimg软件标注成VOC格式得到高尔夫球数据集,同时,采集不包含高尔夫球的图片,做数据集负样本;采集的视频包括浅草、深草处,保证采集到的图片包含无遮挡和有遮挡的情况,将白色石块、花朵以及形状和颜色类似高尔夫球的杂物一同拍摄,提升数据集的质量。
3.如权利要求1所述的基于YOLOV4和嵌入式平台的高尔夫球检测方法,其特征在于第二步中,在电脑端安装Ubuntu16.04***,选择OpenCV3.3.1、CUDA10.0和cuDNN7.0软件,同时,下载Darknet文件夹,修改配置文件并进行编译;
嵌入式设备根据NVIDIA官方教程,利用SD卡烧录***镜像;其中,选择的JetPack版本为4.4,包含CUDA10.2、cuDNN8、TensorRT7,通过PIP方式安装开放神经网络交换工具(ONNX1.4.1)。
4.如权利要求1所述的基于YOLOv4和嵌入式平台的高尔夫球检测方法,其特征在于第三步中,所述高尔夫球目标框为Bounding Box,它是由目标左上角、右上角、左下角、右下角四个坐标点组成,聚类时转换成目标框的长和宽。
5.如权利要求1所述的基于YOLOv4和嵌入式平台的高尔夫球检测方法,其特征在于第四步中,使用YOLOv4模型对高尔夫数据集进行训练,根据batch数量大于2000*类别数的原则,将batch数量设置为6000,loss损失降低到0.1或者达到6000个batch自动结束训练;所述batch为每一轮训练的图片数量,由人为决定,设置为64。
6.如权利要求1所述的基于YOLOv4和嵌入式平台的高尔夫球检测方法,其特征在于第五步中,所述ONNX是用于表示深度学习模型的标准。
7.如权利要求1所述的基于YOLOv4和嵌入式平台的高尔夫球检测方法,其特征在于第六步中,所述TensorRT为NVIDIA 设备用于高性能深度学习推理的SDK。
8.如权利要求1~7中任一项所述的基于YOLOv4和嵌入式平台的高尔夫球检测方法,其特征在于所述嵌入式设备为Jetson Nano嵌入式开发板。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011425522.8A CN112465794A (zh) | 2020-12-10 | 2020-12-10 | 一种基于YOLOv4和嵌入式平台的高尔夫球检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011425522.8A CN112465794A (zh) | 2020-12-10 | 2020-12-10 | 一种基于YOLOv4和嵌入式平台的高尔夫球检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112465794A true CN112465794A (zh) | 2021-03-09 |
Family
ID=74800163
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011425522.8A Pending CN112465794A (zh) | 2020-12-10 | 2020-12-10 | 一种基于YOLOv4和嵌入式平台的高尔夫球检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112465794A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112668672A (zh) * | 2021-03-16 | 2021-04-16 | 深圳市安软科技股份有限公司 | 基于TensorRT的目标检测模型加速方法及装置 |
CN113362299A (zh) * | 2021-06-03 | 2021-09-07 | 南通大学 | 一种基于改进YOLOv4的X光安检图像检测方法 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109829428A (zh) * | 2019-01-31 | 2019-05-31 | 兰州交通大学 | 基于改进YOLOv2的视频图像行人检测方法及*** |
CN110503098A (zh) * | 2019-08-29 | 2019-11-26 | 西安电子科技大学 | 一种快速实时性轻量级的目标检测方法及设备 |
CN110782435A (zh) * | 2019-10-17 | 2020-02-11 | 浙江中烟工业有限责任公司 | 一种基于深度学习模型的烟虫检测方法 |
CN110990658A (zh) * | 2019-11-15 | 2020-04-10 | 西安交通大学 | 一种输电线路图像处理算法在嵌入式***上实现的方法 |
US20200117952A1 (en) * | 2018-10-11 | 2020-04-16 | James Carroll | Target object position prediction and motion tracking |
CN111080620A (zh) * | 2019-12-13 | 2020-04-28 | 中远海运科技股份有限公司 | 一种基于深度学习的道路病害检测方法 |
CN111126251A (zh) * | 2019-12-20 | 2020-05-08 | 深圳市商汤科技有限公司 | 图像处理方法、装置、设备和存储介质 |
CN111476756A (zh) * | 2020-03-09 | 2020-07-31 | 重庆大学 | 一种基于改进YOLOv3网络模型识别铸件DR图像疏松缺陷的方法 |
CN111581679A (zh) * | 2020-05-06 | 2020-08-25 | 台州智必安科技有限责任公司 | 一种基于深度网络的防范屏幕拍照方法 |
CN111881984A (zh) * | 2020-07-30 | 2020-11-03 | 北京环境特性研究所 | 一种基于深度学习的目标检测方法和装置 |
CN111985451A (zh) * | 2020-09-04 | 2020-11-24 | 南京航空航天大学 | 一种基于YOLOv4的无人机场景检测方法 |
KR102185907B1 (ko) * | 2020-02-21 | 2020-12-02 | (유)아홉 | 골프 가이드 장치 |
-
2020
- 2020-12-10 CN CN202011425522.8A patent/CN112465794A/zh active Pending
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20200117952A1 (en) * | 2018-10-11 | 2020-04-16 | James Carroll | Target object position prediction and motion tracking |
CN109829428A (zh) * | 2019-01-31 | 2019-05-31 | 兰州交通大学 | 基于改进YOLOv2的视频图像行人检测方法及*** |
CN110503098A (zh) * | 2019-08-29 | 2019-11-26 | 西安电子科技大学 | 一种快速实时性轻量级的目标检测方法及设备 |
CN110782435A (zh) * | 2019-10-17 | 2020-02-11 | 浙江中烟工业有限责任公司 | 一种基于深度学习模型的烟虫检测方法 |
CN110990658A (zh) * | 2019-11-15 | 2020-04-10 | 西安交通大学 | 一种输电线路图像处理算法在嵌入式***上实现的方法 |
CN111080620A (zh) * | 2019-12-13 | 2020-04-28 | 中远海运科技股份有限公司 | 一种基于深度学习的道路病害检测方法 |
CN111126251A (zh) * | 2019-12-20 | 2020-05-08 | 深圳市商汤科技有限公司 | 图像处理方法、装置、设备和存储介质 |
KR102185907B1 (ko) * | 2020-02-21 | 2020-12-02 | (유)아홉 | 골프 가이드 장치 |
CN111476756A (zh) * | 2020-03-09 | 2020-07-31 | 重庆大学 | 一种基于改进YOLOv3网络模型识别铸件DR图像疏松缺陷的方法 |
CN111581679A (zh) * | 2020-05-06 | 2020-08-25 | 台州智必安科技有限责任公司 | 一种基于深度网络的防范屏幕拍照方法 |
CN111881984A (zh) * | 2020-07-30 | 2020-11-03 | 北京环境特性研究所 | 一种基于深度学习的目标检测方法和装置 |
CN111985451A (zh) * | 2020-09-04 | 2020-11-24 | 南京航空航天大学 | 一种基于YOLOv4的无人机场景检测方法 |
Non-Patent Citations (4)
Title |
---|
"基于嵌入式设备与深度学习模型的智能小车的设计与研究", 数字技术与应用, vol. 38, no. 5, pages 161 - 162 * |
白士磊;殷柯欣;朱建启;: "轻量级YOLOv3的交通标志检测算法", 计算机与现代化, no. 09 * |
陆晔;孙晓凯;李梦媛;: "基于"检测+分类"模型融合的物体识别应用分析", 电信科学, no. 1 * |
陈浩: "基于深度学习的多目标识别***研究与实现", 中国优秀硕士学位论文全文数据库(信息科技辑), no. 2020, pages 29 - 42 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112668672A (zh) * | 2021-03-16 | 2021-04-16 | 深圳市安软科技股份有限公司 | 基于TensorRT的目标检测模型加速方法及装置 |
CN113362299A (zh) * | 2021-06-03 | 2021-09-07 | 南通大学 | 一种基于改进YOLOv4的X光安检图像检测方法 |
CN113362299B (zh) * | 2021-06-03 | 2023-09-12 | 南通大学 | 一种基于改进YOLOv4的X光安检图像检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110852347B (zh) | 采用改进YOLO v3的火灾检测方法 | |
CN107169435A (zh) | 一种基于雷达仿真图像的卷积神经网络人体动作分类方法 | |
CN109034044A (zh) | 一种基于融合卷积神经网络的行人再识别方法 | |
CN108154102A (zh) | 一种道路交通标志识别方法 | |
CN109643125A (zh) | 用于训练自动驾驶***的逼真的3d虚拟世界创造与模拟 | |
CN108710863A (zh) | 基于深度学习的无人机航拍场景语义分割方法及*** | |
CN107239790A (zh) | 一种基于深度学习的服务机器人目标检测与定位方法 | |
CN109949316A (zh) | 一种基于rgb-t融合的电网设备图像弱监督实例分割方法 | |
CN102053563A (zh) | 模拟机飞行训练数据采集及质量评估*** | |
CN109801265B (zh) | 一种基于卷积神经网络的实时输电设备异物检测*** | |
CN112465794A (zh) | 一种基于YOLOv4和嵌入式平台的高尔夫球检测方法 | |
CN109325495A (zh) | 一种基于深度神经网络建模的作物图像分割***及方法 | |
CN109241820A (zh) | 基于空间探索的无人机自主拍摄方法 | |
CN107665351A (zh) | 基于难样本挖掘的机场检测方法 | |
CN109045676B (zh) | 一种象棋识别学习算法和基于该算法的机器人智动化***与方法 | |
CN103810504A (zh) | 一种图像处理方法和装置 | |
CN110321956B (zh) | 一种基于人工智能的牧草病虫害治理方法及装置 | |
CN111062441A (zh) | 基于自监督机制和区域建议网络的场景分类方法及装置 | |
CN108629368A (zh) | 一种基于联合深度融合的多模态地基云分类方法 | |
CN112464766A (zh) | 一种农田地头自动识别方法及*** | |
CN104463168B (zh) | 一种基于遥感影像的空废宅基地信息自动提取方法 | |
CN110136130A (zh) | 一种检测产品缺陷的方法及装置 | |
CN107463954A (zh) | 一种模糊异谱图像的模板匹配识别方法 | |
CN107392251A (zh) | 一种使用分类图片提升目标检测网络性能的方法 | |
CN109886267A (zh) | 一种基于最优特征选择的低对比度图像显著性检测方法 |
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 |