CN112966636A - 一种用于民航机场飞行区客梯车靠接航空器的自动识别方法 - Google Patents
一种用于民航机场飞行区客梯车靠接航空器的自动识别方法 Download PDFInfo
- Publication number
- CN112966636A CN112966636A CN202110299915.7A CN202110299915A CN112966636A CN 112966636 A CN112966636 A CN 112966636A CN 202110299915 A CN202110299915 A CN 202110299915A CN 112966636 A CN112966636 A CN 112966636A
- Authority
- CN
- China
- Prior art keywords
- aircraft
- elevator car
- passenger elevator
- passenger
- approach
- 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
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000013459 approach Methods 0.000 title claims abstract description 18
- 238000001514 detection method Methods 0.000 claims description 15
- 238000013528 artificial neural network Methods 0.000 claims description 6
- 238000013527 convolutional neural network Methods 0.000 claims description 6
- 238000010801 machine learning Methods 0.000 claims description 6
- 238000003032 molecular docking Methods 0.000 claims description 6
- 238000003062 neural network model Methods 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 4
- 238000011176 pooling Methods 0.000 claims description 4
- 238000013145 classification model Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 abstract description 4
- 210000001503 joint Anatomy 0.000 abstract 2
- 238000011161 development Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000010006 flight Effects 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000000149 penetrating effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种用于民航机场飞行区客梯车靠接航空器的自动识别方法，通过视频和算法识别航空器和客梯车之间的靠接是否符合规范，其具体包括以下几个流程节点：航空器出现、航空器入位停止、客梯车位置判读、客梯车移动状态、客梯车停止移动、距离判断，具体步骤如下：S1、对停机坪区域的识别，包括安全区和停止线；S2、对航空器和客梯车的识别；S3、对航空器和客梯车的位置定位；S4、对航空器和客梯车的状态进行判断；S5、识别是否正常对接，若有违规对接进行报警和记录，内容为相应的截图和视频。本发明通过摄像头结合视频分析算法来判断整个客梯车靠接航空器的过程是否符合规范。
Description
技术领域
本发明涉及一种自动识别方法，具体涉及一种用于民航机场飞行区客梯车靠接航空器的自动识别方法。
背景技术
近几年来人工智能的蓬勃发展使得AI技术越来越接入到实际生活中，AI的自动识别技术在各个领域都有广泛的应用，它提高的生活生产效率，可以节约大量的人力物力成本。伴随着全球经济的高速发展人们对高效出行的要求越来越高，民航业在这样的背景下变得越来越繁荣。如今，各个机场每天都有大量的航班起飞降落，为了保障航空器的安全以及进出港规范，机场需要花费大量的资源监控航空器的状态，目前主要是采取传统的人工监督方式来记录航空器当前的状态。
发明内容
本发明所要解决的技术问题是提供一种用于民航机场飞行区客梯车靠接航空器的自动识别方法，通过摄像头结合视频分析算法来判断整个客梯车靠接航空器的过程是否符合规范。
本发明用于民航机场飞行区客梯车靠接航空器的自动识别方法是通过以下技术方案来实现的：通过视频和算法识别航空器和客梯车之间的靠接是否符合规范，其具体包括以下几个流程节点：航空器出现、航空器入位停止、客梯车位置判读、客梯车移动状态、客梯车停止移动、距离判断，具体步骤如下：
S1、对停机坪区域的识别，包括安全区和停止线；
S2、对航空器和客梯车的识别；
S3、对航空器和客梯车的位置定位；
S4、对航空器和客梯车的状态进行判断；
S5、识别是否正常对接，若有违规对接进行报警和记录，内容为相应的截图和视频；
其进行目标检测包括对航空器和客梯车的识别，航空器和客梯车的识别方法为应用Tensorflow机器学习框架和神经网络算法搭建分类模型，识别当前物体是否是航空器，在这一过程中用到的是目标检测模型。
作为优选的技术方案，对于目标检测使用目标检测模型算法为SSD-Mobilenet模型，在使用前将这些数据转化为特定格式的压缩数据，然后将其作为SSD-Mobilenet的输入，通过机器学习的方式不断的调整神经网络模型的参数，对其结构做出相应的改变。
作为优选的技术方案，对于航空器和客梯车的分类识别，使用模型的核心是运用卷积神经网络，采用openCV读取监控视频，将视频中的某一帧以图片的形式输入到神经网络中，卷积神经网络对输入的图片做卷积操作；经过多次的卷积和池化后，提取到的高维特征图的尺寸越来越小，此是会将这些高维向量拉直成一维向量输入到全连接层中，然后通过softmax函数的计算输出这些物品的类别的概率。
作为优选的技术方案，进行物体识别包括对客梯车作业识别，通过建立了一个空间内的判断模型，在客机车与航空器之间画一个三角形的区域，在该区域中判断是否有人。
作为优选的技术方案，对停机坪区域，安全区和停止线的识别：摄像头角度和位置固定，停机坪安全区定制线固定，通过预设值参数的形式获得视频中各个区域的位置，航空器是否正常停靠通过预先绘制的安全点和航空器当前的位置来判断。
本发明的有益效果是：本发明通过摄像头结合视频分析算法来判断整个客梯车靠接航空器的过程是否符合规范。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明的停机流程图。
具体实施方式
本说明书中公开的所有特征，或公开的所有方法或过程中的步骤，除了互相排斥的特征和/或步骤以外，均可以以任何方式组合。
本说明书(包括任何附加权利要求、摘要和附图)中公开的任一特征，除非特别叙述，均可被其他等效或具有类似目的的替代特征加以替换。即，除非特别叙述，每个特征只是一系列等效或类似特征中的一个例子而已。
在本发明的描述中，需要理解的是，术语“一端”、“另一端”、“外侧”、“上”、“内侧”、“水平”、“同轴”、“中央”、“端部”、“长度”、“外端”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
此外，在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
本发明使用的例如“上”、“上方”、“下”、“下方”等表示空间相对位置的术语是出于便于说明的目的来描述如附图中所示的一个单元或特征相对于另一个单元或特征的关系。空间相对位置的术语可以旨在包括设备在使用或工作中除了图中所示方位以外的不同方位。例如，如果将图中的设备翻转，则被描述为位于其他单元或特征“下方”或“之下”的单元将位于其他单元或特征“上方”。因此，示例性术语“下方”可以囊括上方和下方这两种方位。设备可以以其他方式被定向，并相应地解释本文使用的与空间相关的描述语。
在本发明中，除非另有明确的规定和限定，术语“设置”、“套接”、“连接”、“贯穿”、“插接”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
如图1所示，本发明的一种用于民航机场飞行区客梯车靠接航空器的自动识别方法，在客梯车靠接航空器过程中会出现以下几个流程节点：航空器出现、航空器入位停止、客梯车位置判读、客梯车移动状态、客梯车停止移动、距离判断；
根据该流程，通过视频算法对每个作业节点进行识别，记录下该节点的时刻，形成一个完整的靠接过程，如对应的节点有违规事件，即时进行报警，并同时在流程节点报表中进行记录，如下表1：
具体步骤如下：
S1、对停机坪区域的识别，包括安全区和停止线
S2、对航空器和客梯车的识别
S3、对航空器和客梯车的位置定位
S4、对航空器和客梯车的状态进行判断
S5、识别是否正常对接，若有违规对接进行报警和记录，内容为相应的截图和视频；
其物体的识别主要是航空器和客梯车的识别，航空器的识别方法为应用Tensorflow机器学习框架和神经网络算法搭建分类模型，识别当前物体是否是航空器，在这一过程中用到的是目标检测模型。
本实施例中对于物体的检测使用目标检测模型算法为SSD-Mobilenet模型，以机场的实时监控视频作为目标检测算法SSD-Mobilenet模型的训练数据，在使用前将这些数据转化为特定格式的压缩数据，然后将其作为SSD-Mobilenet的输入，通过机器学习的方式不断的调整神经网络模型的参数，对其结构做出相应的改变，使得这一模型可以更好的完成在机场这一特定场景下的目标检测任务。
对于航空器和客梯车的分类识别，目标检测模型的核心是运用卷积神经网络，采用openCV读取监控视频，将视频中的某一帧以图片的形式输入到神经网络中，卷积神经网络对输入的图片做卷积操作，目的是为了提取图片中物体的特征图，通过一次或多次卷积后，对卷积层输出的特征图进行池化操作，目的是为了缩小特征图的尺寸，去除特征图中无关的背景，为后续的算法计算减少参数和提高算法的运行效率；经过多次的卷积和池化后，提取到的高维特征图的尺寸越来越小，此是会将这些高维向量拉直成一维向量输入到全连接层中，然后通过sofmax函数的计算输出这些物品的类别的概率，以此来判断当前物体是航空器还是客梯车，方便后续的判断；舱门图像的提取是整个过程的难点，只有准确的提取到航空器舱门的图像，才能够保证后续处理过程中计算出的定位信息的准确性。
本实施例中，进行物体的识别包括对客梯车的作业识别，通过建立一个空间内的判断模型，在客梯车和航空器之间绘制一个三角形区域，在所绘制的三角区域中判断是否有人。
本实施例中，对停机坪区域，安全区和停止线的识别：摄像头角度位置固定，停机坪安全区定制线固定，可以通过预设值参数的形式获得视频中各个区域的位置，航空器是否正常停靠可以通过预先绘制的安全点和航空器当前的位置来判断；在航空器正常停靠后，航空器的位置固定，此时客梯车将会靠接航空器舱门处，在实时的监控视频流当中，可以识别当前帧与下一帧中客梯车的相对位置来记录客梯车在当前的运动轨迹，通过算法对轨迹的分析可以判断客梯车是否在正常的靠近航空器客舱口；对于客梯车的停靠是否在正常的范围内也可以通过客梯车当前位置和地面预标记的安全点之间的相对距离来确定。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何不经过创造性劳动想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书所限定的保护范围为准。
Claims (5)
1.一种用于民航机场飞行区客梯车靠接航空器的自动识别方法，其特征在于，通过视频和算法识别航空器和客梯车之间的靠接是否符合规范，其具体包括以下几个流程节点：航空器出现、航空器入位停止、客梯车位置判读、客梯车移动状态、客梯车停止移动、距离判断，具体步骤如下：
S1、对停机坪区域的识别，包括安全区和停止线；
S2、对航空器和客梯车的识别；
S3、对航空器和客梯车的位置定位；
S4、对航空器和客梯车的状态进行判断；
S5、识别是否正常对接，若有违规对接进行报警和记录，内容为相应的截图和视频；
其进行目标检测包括对航空器和客梯车的识别，航空器和客梯车的识别方法为应用Tensorflow机器学习框架和神经网络算法搭建分类模型，识别当前物体是否是航空器，在这一过程中用到的是目标检测模型。
2.根据权利要求1所述的用于民航机场飞行区客梯车靠接航空器的自动识别方法，其特征在于：对于目标检测使用目标检测模型算法为SSD-Mobilenet模型，在使用前将这些数据转化为特定格式的压缩数据，然后将其作为SSD-Mobilenet的输入，通过机器学习的方式不断的调整神经网络模型的参数，对其结构做出相应的改变。
3.根据权利要求1所述的用于民航机场飞行区客梯车靠接航空器的自动识别方法，其特征在于：对于航空器和客梯车的分类识别，使用模型的核心是运用卷积神经网络，采用openCV读取监控视频，将视频中的某一帧以图片的形式输入到神经网络中，卷积神经网络对输入的图片做卷积操作；经过多次的卷积和池化后，提取到的高维特征图的尺寸越来越小，此是会将这些高维向量拉直成一维向量输入到全连接层中，然后通过softmax函数的计算输出这些物品的类别的概率。
4.根据权利要求1所述的用于民航机场飞行区客梯车靠接航空器的自动识别方法，其特征在于：进行物体识别包括对客梯车作业识别，通过建立了一个空间内的判断模型，在客机车与航空器之间画一个三角形的区域，在该区域中判断是否有人。
5.根据权利要求1所述的用于民航机场飞行区客梯车靠接航空器的自动识别方法，其特征在于：对停机坪区域，安全区和停止线的识别：摄像头角度和位置固定，停机坪安全区定制线固定，通过预设值参数的形式获得视频中各个区域的位置，航空器是否正常停靠通过预先绘制的安全点和航空器当前的位置来判断。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110299915.7A CN112966636A (zh) | 2021-03-19 | 2021-03-19 | 一种用于民航机场飞行区客梯车靠接航空器的自动识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110299915.7A CN112966636A (zh) | 2021-03-19 | 2021-03-19 | 一种用于民航机场飞行区客梯车靠接航空器的自动识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112966636A true CN112966636A (zh) | 2021-06-15 |
Family
ID=76277983
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110299915.7A Pending CN112966636A (zh) | 2021-03-19 | 2021-03-19 | 一种用于民航机场飞行区客梯车靠接航空器的自动识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112966636A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115826464A (zh) * | 2022-11-29 | 2023-03-21 | 航科院中宇（北京）新技术发展有限公司 | 一种远机位节点采集***及其采集方法 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH072191A (ja) * | 1993-06-18 | 1995-01-06 | Unyusho Senpaku Gijutsu Kenkyusho | 駐機位置計測方法 |
| US20170263139A1 (en) * | 2014-08-01 | 2017-09-14 | Shenzhen Cimc-Tianda Airport Support Ltd. | Machine vision-based method and system for aircraft docking guidance and aircraft type identification |
| CN108427920A (zh) * | 2018-02-26 | 2018-08-21 | 杭州电子科技大学 | 一种基于深度学习的边海防目标检测方法 |
| CN110379209A (zh) * | 2019-07-22 | 2019-10-25 | 捻果科技(深圳)有限公司 | 一种航班作业流程节点规范监控报警方法 |
| CN110662007A (zh) * | 2019-12-02 | 2020-01-07 | 杭州云视通互联网科技有限公司 | 航班地面保障作业流程的监控方法、装置及监控*** |
| CN111191626A (zh) * | 2020-01-02 | 2020-05-22 | 北京航空航天大学 | 一种多类别交通工具的精细识别方法 |
| CN111709341A (zh) * | 2020-06-09 | 2020-09-25 | 杭州云视通互联网科技有限公司 | 客梯车作业状态的检测方法与*** |
| CN112420170A (zh) * | 2020-12-10 | 2021-02-26 | 北京理工大学 | 一种提高计算机辅助诊断***图片分类准确度的方法 |
-
2021
- 2021-03-19 CN CN202110299915.7A patent/CN112966636A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPH072191A (ja) * | 1993-06-18 | 1995-01-06 | Unyusho Senpaku Gijutsu Kenkyusho | 駐機位置計測方法 |
| US20170263139A1 (en) * | 2014-08-01 | 2017-09-14 | Shenzhen Cimc-Tianda Airport Support Ltd. | Machine vision-based method and system for aircraft docking guidance and aircraft type identification |
| CN108427920A (zh) * | 2018-02-26 | 2018-08-21 | 杭州电子科技大学 | 一种基于深度学习的边海防目标检测方法 |
| CN110379209A (zh) * | 2019-07-22 | 2019-10-25 | 捻果科技(深圳)有限公司 | 一种航班作业流程节点规范监控报警方法 |
| CN110662007A (zh) * | 2019-12-02 | 2020-01-07 | 杭州云视通互联网科技有限公司 | 航班地面保障作业流程的监控方法、装置及监控*** |
| CN111191626A (zh) * | 2020-01-02 | 2020-05-22 | 北京航空航天大学 | 一种多类别交通工具的精细识别方法 |
| CN111709341A (zh) * | 2020-06-09 | 2020-09-25 | 杭州云视通互联网科技有限公司 | 客梯车作业状态的检测方法与*** |
| CN112420170A (zh) * | 2020-12-10 | 2021-02-26 | 北京理工大学 | 一种提高计算机辅助诊断***图片分类准确度的方法 |
Non-Patent Citations (2)
| Title |
|---|
| 陈宇;: "飞机客梯车:应增加与改进的安全设施", 民航管理, no. 08 * |
| 陈宇;: "飞机客梯车:应增加与改进的安全设施", 民航管理, no. 08, 15 August 2013 (2013-08-15) * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115826464A (zh) * | 2022-11-29 | 2023-03-21 | 航科院中宇（北京）新技术发展有限公司 | 一种远机位节点采集***及其采集方法 |
| CN115826464B (zh) * | 2022-11-29 | 2024-03-22 | 航科院中宇（北京）新技术发展有限公司 | 一种远机位节点采集***的采集方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Automatic bridge crack detection using Unmanned aerial vehicle and Faster R-CNN | |
| KR102462572B1 (ko) | 기계 학습에 의해 객체 분류기를 훈련시키는 시스템 및 방법 | |
| CN105447459A (zh) | 一种无人机自动检测目标和跟踪方法 | |
| CN110610592B (zh) | 一种视频分析和深度学习的机坪安全运行监控方法 | |
| CN108230254B (zh) | 一种自适应场景切换的高速交通全车道线自动检测方法 | |
| CN108446630A (zh) | 机场跑道智能监控方法、应用服务器及计算机存储介质 | |
| Zhang et al. | Application of deep learning and unmanned aerial vehicle technology in traffic flow monitoring | |
| CN107886055A (zh) | 一种用于车辆运动方向判定的逆行检测方法 | |
| CN110602449A (zh) | 一种基于视觉的大场景下施工安全智能监控***方法 | |
| CN102710928A (zh) | 融合rfid识别的地铁闭路电视监控方法 | |
| CN106096504A (zh) | 一种基于无人机机载平台的车型识别方法 | |
| CN111723706A (zh) | 基于树莓派的厢式货车厢门开度监控装置及*** | |
| CN106710228B (zh) | 一种客货分道交通参数监测***的实现方法 | |
| CN111723704A (zh) | 基于树莓派的厢式货车厢门开度监控方法 | |
| Mammeri et al. | UAV-assisted railway track segmentation based on convolutional neural networks | |
| CN114926422B (zh) | 一种上下车客流量检测方法及*** | |
| CN112966636A (zh) | 一种用于民航机场飞行区客梯车靠接航空器的自动识别方法 | |
| CN111738109A (zh) | 一种基于深度学习的厢式货车厢门状态识别方法 | |
| CN111723708A (zh) | 一种基于深度学习的厢式货车厢门状态识别装置与*** | |
| Li et al. | Application research of artificial intelligent technology in substation inspection tour | |
| CN108184096B (zh) | 一种机场跑滑区全景监控装置、***及方法 | |
| Liu et al. | Research on security of key algorithms in intelligent driving system | |
| WO2011124483A1 (de) | Verfahren und vorrichtung zur lokalisierung von personen in einem vorgegebenen bereich | |
| Kim | Automated decision making in road traffic monitoring by on-board unmanned aerial vehicle system | |
| CN116242833A (zh) | 机场跑道病害检测与预警*** |
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 |