CN114419555A - 一种基于深度卷积神经网络的道路交通目标跟踪方法 - Google Patents
一种基于深度卷积神经网络的道路交通目标跟踪方法 Download PDFInfo
- Publication number
- CN114419555A CN114419555A CN202210062436.8A CN202210062436A CN114419555A CN 114419555 A CN114419555 A CN 114419555A CN 202210062436 A CN202210062436 A CN 202210062436A CN 114419555 A CN114419555 A CN 114419555A
- Authority
- CN
- China
- Prior art keywords
- neural network
- convolutional neural
- target
- road
- monitoring terminal
- 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
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 52
- 238000000034 method Methods 0.000 title claims abstract description 43
- 238000012544 monitoring process Methods 0.000 claims abstract description 45
- 230000005540 biological transmission Effects 0.000 claims abstract description 4
- 238000001514 detection method Methods 0.000 claims description 14
- 230000000694 effects Effects 0.000 abstract description 2
- 230000033001 locomotion Effects 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 206010000117 Abnormal behaviour Diseases 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 239000010410 layer Substances 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
Images
Classifications
-
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
- H04N7/181—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast for receiving images from a plurality of remote sources
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Multimedia (AREA)
- Signal Processing (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明公开的属于道路交通技术领域,具体为一种基于深度卷积神经网络的道路交通目标跟踪方法,包括以下操作步骤:S1:通过监控终端对需要查找的目标车辆进行车牌和特征输入,S2:监控终端通过内部卷积神经网络传输模块对道路摄像头进行多角度和多位置筛选和排查,本发明达到能够在流量巨大道路交通中对目标车辆进行查找和精准捕捉,且通过卷积神经网络的智能性能够对目标车辆进行快速有效的捕捉和追踪,增加锁定的及时性和速率,防止目标车辆丢失的效果,且达到对道路摄像头和各个模块进行检测,确保装置的正常运行,防止设备损坏无法及时对道路情况进行监控,且方便及时对设备进行维修的效果。
Description
技术领域
本发明涉及道路交通技术领域,具体为一种基于深度卷积神经网络的道路交通目标跟踪方法。
背景技术
道路交通是指简称交通,车辆和行人在道路上的流动和滞留,有时还包括停放车,企业对人的流动的服务和 人对货物的移动,有时还包括货物的储存,则称为运输,如旅客运输、货物运输、公路运输、铁路运 输、航空运输、水路运输等,以上两者总称交通运输或交通与运输,在中国也常简称为交通,或简称为运输。
卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络,是深度学***移不变分类,因此也被称为平移不变人工神经网络。
卷积神经网络仿造生物的视知觉机制构建,可以进行监督学习和非监督学习,其隐含层内的卷积核参数共享和层间连接的稀疏性使得卷积神经网络能够以较小的计算量对格点化特征,例如像素和音频进行学习、有稳定的效果且对数据没有额外的特征工程。
智能多目标跟踪***采用了先进的图像检测、识别和跟踪技术,配合精密运动控制***,实现对大场景中多个运动目标的连续快速跟踪捕捉;
它将大场景内多目标的跟踪检测和视频分析功能集成在一个独立的***中,通过对前端摄像头采集的视频信息进行智能化分析,自动对异常行为和事件进行数据采集分类并联动报警,同时后台可以实时看到分析数据和视频录像,在事后可以通过事件检索进行视频提取和取证。
该***最大的优点之一是能同时识别和监测同一场景里多个目标的不同行为模式,可广泛应用于各种大型公共场所,包括机场、车站、监狱、港口、矿山、油田、养老院、街道、小区、商场等重要场所,用于检测、分类、跟踪和记录过往行人、车辆及其它可疑物体,并判断是否存在异常行为并发出警报。
现有的道路交通中车辆流量巨大,当需要对车辆进行查找时,通过智能多目标跟踪***无法精准和快速有效的对车辆进行捕捉和追踪,导致不能及时对车辆进行锁定,为此,我们提出一种基于深度卷积神经网络的道路交通目标跟踪方法。
发明内容
鉴于上述和/或现有一种基于深度卷积神经网络的道路交通目标跟踪方法中存在的问题,提出了本发明。
因此,本发明的目的是提供一种基于深度卷积神经网络的道路交通目标跟踪方法,通过监控终端对需要查找的目标车辆进行车牌和特征输入,使卷积神经网络对道路摄像头进行捕捉命令,通过多组道路摄像头相互配合,将目标车辆的实时定位和实时图像和视频传输给监控终端进行追踪显示,能够解决上述提出现有的问题。
为解决上述技术问题,根据本发明的一个方面,本发明提供了如下技术方案:
一种基于深度卷积神经网络的道路交通目标跟踪方法,其包括:以下操作步骤:
S1:通过监控终端对需要查找的目标车辆进行车牌和特征输入;
S2:监控终端通过内部卷积神经网络传输模块对道路摄像头进行多角度和多位置筛选和排查;
S3:通过卷积神经网络对道路摄像头进行目标车辆识别,将与目标车辆相似特征和相似车牌的车辆进行读取和排查;
S4:将排查后的目标车辆传输至监控终端进行判定;
S5:确定目标车辆后,通过目标捕捉模块和多组道路摄像头,对目标车辆进行捕捉和锁定,确保目标车辆锁定在道路摄像头视野内;
S6:当捕捉到目标车辆后,通过追踪切换模块,使道路摄像头的捕捉图像在监控终端显示,且通过车辆的行驶,呈现多组图像和多组不同位置的图像,并对图像进行实时切换;
S7:通过捕捉和追踪到目标车辆的同时,通过卷积神经网络将此时道路摄像头的实时定位发送给监控终端,使监控终端上显示出车辆移动轨迹;
S8:当追踪捕捉任务结束后,通过卷积神经网络和检测模块对各个模块和摄像头进行常规检测,确保下次任务能够顺利实施。
作为本发明所述的一种基于深度卷积神经网络的道路交通目标跟踪方法的一种优选方案,其中:所述S1中监控终端是对车辆信息进行输入和对目标车辆进行显示。
作为本发明所述的一种基于深度卷积神经网络的道路交通目标跟踪方法的一种优选方案,其中:所述S2中卷积神经网络是通过智能网络对设备进行传输和命令。
作为本发明所述的一种基于深度卷积神经网络的道路交通目标跟踪方法的一种优选方案,其中:所述S4中若监控终端进行判定为是,则继续步骤S5,若监控终端进行判定为否,则返回S1继续对车辆进行筛选,且对第一遍筛选出的目标车辆进行智能排出。
作为本发明所述的一种基于深度卷积神经网络的道路交通目标跟踪方法的一种优选方案,其中:所述S5目标捕捉模块为动态视角捕捉,所述目标捕捉模块对目标车辆进行动态捕捉,确定车辆行经路线。
作为本发明所述的一种基于深度卷积神经网络的道路交通目标跟踪方法的一种优选方案,其中:所述S6中追踪切换模块为视频图像切换,所述追踪切换模块通过多组道路摄像头对目标车辆进行锁定,并将画面传输给监控终端。
作为本发明所述的一种基于深度卷积神经网络的道路交通目标跟踪方法的一种优选方案,其中:所述S7中定位设置为GPS/北斗卫星,所述定位能够针对道路摄像头的位置反馈,将目标车辆的位置信息传输给监控终端。
作为本发明所述的一种基于深度卷积神经网络的道路交通目标跟踪方法的一种优选方案,其中:所述检测模块将摄像头和各个模块的运行数据通过积神经网络与正常的运行数据进行对比,并将检测结果发送给监控终端。
与现有技术相比:通过监控终端对需要查找的目标车辆进行车牌和特征输入,使卷积神经网络对道路摄像头进行捕捉命令,通过道路摄像头对特征车辆进行筛选和排查确定出目标车辆,再通过多组道路摄像头相互配合,将目标车辆的实时定位和实时图像和视频传输给监控终端进行追踪显示,且监控终端能够对目标车辆进行确定和否定,增加定位和追踪的精准度,进而达到能够在流量巨大道路交通中对目标车辆进行查找和精准捕捉,且通过卷积神经网络的智能性能够对目标车辆进行快速有效的捕捉和追踪,增加锁定的及时性和速率,防止目标车辆丢失的效果;
当任务结束后通过检测模块和卷积神经网络对摄像头和各个模块的运行数据与正常的运行数据进行对比,对道路摄像头和各个模块进行检测,确保装置的正常运行,防止设备损坏无法及时对道路情况进行监控,且方便及时对设备进行维修的效果。
附图说明
图1为本发明提供的整体流程结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚,下面将结合附图对本发明的实施方式作进一步地详细描述。
本发明提供一种基于深度卷积神经网络的道路交通目标跟踪方法,具有能够在流量巨大道路交通中对目标车辆进行查找和精准捕捉,且通过卷积神经网络的智能性能够对目标车辆进行快速有效的捕捉和追踪,增加锁定的及时性和速率,防止目标车辆丢失的优点,请参阅图1,包括以下操作步骤:
S1:通过监控终端对需要查找的目标车辆进行车牌和特征输入;
其中监控终端是对车辆信息进行输入和对目标车辆进行显示,监控终端设置为计算机;
S2:监控终端通过内部卷积神经网络传输模块对道路摄像头进行多角度和多位置筛选和排查;
其中卷积神经网络是通过智能网络对设备进行传输和命令;
S3:通过卷积神经网络对道路摄像头进行目标车辆识别,将与目标车辆相似特征和相似车牌的车辆进行读取和排查;
S4:将排查后的目标车辆传输至监控终端进行判定,若监控终端进行判定为是,则继续步骤S5,若监控终端进行判定为否,则返回S1继续对车辆进行筛选,且对第一遍筛选出的目标车辆进行智能排出;
S5:确定目标车辆后,通过目标捕捉模块和多组道路摄像头,对目标车辆进行捕捉和锁定,确保目标车辆锁定在道路摄像头视野内;
其中目标捕捉模块为动态视角捕捉,目标捕捉模块对目标车辆进行动态捕捉,确定车辆行经路线;
其中目标捕捉模块为动态捕捉仪,动态捕捉仪又可以叫做动态捕捉***。通常的动捕***硬件包含捕捉摄像机、连接缆线、供电及数据交流用的集线器硬件、***校准套件、专用捕捉衣服和捕捉反光球,通常***配有专门的运动捕捉软件,进行***设定、捕捉过程控制、捕捉数据的编辑处理、输出等;
S6:当捕捉到目标车辆后,通过追踪切换模块,使道路摄像头的捕捉图像在监控终端显示,且通过车辆的行驶,呈现多组图像和多组不同位置的图像,并对图像进行实时切换;
其中追踪切换模块为视频图像切换,追踪切换模块通过多组道路摄像头对目标车辆进行锁定,并将画面传输给监控终端;
S7:通过捕捉和追踪到目标车辆的同时,通过卷积神经网络将此时道路摄像头的实时定位发送给监控终端,使监控终端上显示出车辆移动轨迹;
其中定位设置为GPS/北斗卫星,定位能够针对道路摄像头的位置反馈,将目标车辆的位置信息传输给监控终端;
S8:当追踪捕捉任务结束后,通过卷积神经网络和检测模块对各个模块和摄像头进行常规检测,确保下次任务能够顺利实施;
其中检测模块将摄像头和各个模块的运行数据通过积神经网络与正常的运行数据进行对比,并将检测结果发送给监控终端;
通过监控终端对需要查找的目标车辆进行车牌和特征输入,使卷积神经网络对道路摄像头进行捕捉命令,通过道路摄像头对特征车辆进行筛选和排查确定出目标车辆,再通过多组道路摄像头相互配合,将目标车辆的实时定位和实时图像和视频传输给监控终端进行追踪显示,且监控终端能够对目标车辆进行确定和否定,增加定位和追踪的精准度,进而达到能够在流量巨大道路交通中对目标车辆进行查找和精准捕捉,且通过卷积神经网络的智能性能够对目标车辆进行快速有效的捕捉和追踪,增加锁定的及时性和速率,防止目标车辆丢失的效果,且当任务结束后通过检测模块和卷积神经网络对摄像头和各个模块的运行数据与正常的运行数据进行对比,对道路摄像头和各个模块进行检测,确保装置的正常运行,防止设备损坏无法及时对道路情况进行监控,且方便及时对设备进行维修的效果。
虽然在上文中已经参考实施方式对本发明进行了描述,然而在不脱离本发明的范围的情况下,可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是,只要不存在结构冲突,本发明所披露的实施方式中的各项特征均可通过任意方式相互结合起来使用,在本说明书中未对这些组合的情况进行穷举性的描述仅仅是出于省略篇幅和节约资源的考虑。因此,本发明并不局限于文中公开的特定实施方式,而是包括落入权利要求的范围内的所有技术方案。
Claims (8)
1.一种基于深度卷积神经网络的道路交通目标跟踪方法,其特征在于:包括以下操作步骤:
S1:通过监控终端对需要查找的目标车辆进行车牌和特征输入;
S2:监控终端通过内部卷积神经网络传输模块对道路摄像头进行多角度和多位置筛选和排查;
S3:通过卷积神经网络对道路摄像头进行目标车辆识别,将与目标车辆相似特征和相似车牌的车辆进行读取和排查;
S4:将排查后的目标车辆传输至监控终端进行判定;
S5:确定目标车辆后,通过目标捕捉模块和多组道路摄像头,对目标车辆进行捕捉和锁定,确保目标车辆锁定在道路摄像头视野内;
S6:当捕捉到目标车辆后,通过追踪切换模块,使道路摄像头的捕捉图像在监控终端显示,且通过车辆的行驶,呈现多组图像和多组不同位置的图像,并对图像进行实时切换;
S7:通过捕捉和追踪到目标车辆的同时,通过卷积神经网络将此时道路摄像头的实时定位发送给监控终端,使监控终端上显示出车辆移动轨迹;
S8:当追踪捕捉任务结束后,通过卷积神经网络和检测模块对各个模块和摄像头进行常规检测,确保下次任务能够顺利实施。
2.根据权利要求1所述的一种基于深度卷积神经网络的道路交通目标跟踪方法,其特征在于,所述S1中监控终端是对车辆信息进行输入和对目标车辆进行显示。
3.根据权利要求1所述的一种基于深度卷积神经网络的道路交通目标跟踪方法,其特征在于,所述S2中卷积神经网络是通过智能网络对设备进行传输和命令。
4.根据权利要求1所述的一种基于深度卷积神经网络的道路交通目标跟踪方法,其特征在于,所述S4中若监控终端进行判定为是,则继续步骤S5,若监控终端进行判定为否,则返回S1继续对车辆进行筛选,且对第一遍筛选出的目标车辆进行智能排出。
5.根据权利要求1所述的一种基于深度卷积神经网络的道路交通目标跟踪方法,其特征在于,所述S5目标捕捉模块为动态视角捕捉,所述目标捕捉模块对目标车辆进行动态捕捉,确定车辆行经路线。
6.根据权利要求1所述的一种基于深度卷积神经网络的道路交通目标跟踪方法,其特征在于,所述S6中追踪切换模块为视频图像切换,所述追踪切换模块通过多组道路摄像头对目标车辆进行锁定,并将画面传输给监控终端。
7.根据权利要求1所述的一种基于深度卷积神经网络的道路交通目标跟踪方法,其特征在于,所述S7中定位设置为GPS/北斗卫星,所述定位能够针对道路摄像头的位置反馈,将目标车辆的位置信息传输给监控终端。
8.根据权利要求1所述的一种基于深度卷积神经网络的道路交通目标跟踪方法,其特征在于,所述检测模块将摄像头和各个模块的运行数据通过积神经网络与正常的运行数据进行对比,并将检测结果发送给监控终端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210062436.8A CN114419555A (zh) | 2022-01-19 | 2022-01-19 | 一种基于深度卷积神经网络的道路交通目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210062436.8A CN114419555A (zh) | 2022-01-19 | 2022-01-19 | 一种基于深度卷积神经网络的道路交通目标跟踪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114419555A true CN114419555A (zh) | 2022-04-29 |
Family
ID=81274849
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210062436.8A Pending CN114419555A (zh) | 2022-01-19 | 2022-01-19 | 一种基于深度卷积神经网络的道路交通目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114419555A (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1897015A (zh) * | 2006-05-18 | 2007-01-17 | 王海燕 | 基于机器视觉的车辆检测和跟踪方法及*** |
CN107105207A (zh) * | 2017-06-09 | 2017-08-29 | 北京深瞐科技有限公司 | 目标监控方法、目标监控装置及摄像机 |
CN108417047A (zh) * | 2018-05-10 | 2018-08-17 | 杭州盈蝶科技有限公司 | 一种车辆定位追踪方法及其*** |
CN111696365A (zh) * | 2019-03-11 | 2020-09-22 | 杭州海康威视数字技术股份有限公司 | 一种车辆跟踪*** |
CN112132866A (zh) * | 2020-09-22 | 2020-12-25 | 厦门大学 | 目标对象跟踪方法、装置、设备及计算机可读存储介质 |
CN112418213A (zh) * | 2020-11-06 | 2021-02-26 | 北京航天自动控制研究所 | 一种车辆行驶轨迹识别方法、装置及存储介质 |
CN112752067A (zh) * | 2019-10-30 | 2021-05-04 | 杭州海康威视***技术有限公司 | 目标追踪方法、装置、电子设备及存储介质 |
-
2022
- 2022-01-19 CN CN202210062436.8A patent/CN114419555A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1897015A (zh) * | 2006-05-18 | 2007-01-17 | 王海燕 | 基于机器视觉的车辆检测和跟踪方法及*** |
CN107105207A (zh) * | 2017-06-09 | 2017-08-29 | 北京深瞐科技有限公司 | 目标监控方法、目标监控装置及摄像机 |
CN108417047A (zh) * | 2018-05-10 | 2018-08-17 | 杭州盈蝶科技有限公司 | 一种车辆定位追踪方法及其*** |
CN111696365A (zh) * | 2019-03-11 | 2020-09-22 | 杭州海康威视数字技术股份有限公司 | 一种车辆跟踪*** |
CN112752067A (zh) * | 2019-10-30 | 2021-05-04 | 杭州海康威视***技术有限公司 | 目标追踪方法、装置、电子设备及存储介质 |
CN112132866A (zh) * | 2020-09-22 | 2020-12-25 | 厦门大学 | 目标对象跟踪方法、装置、设备及计算机可读存储介质 |
CN112418213A (zh) * | 2020-11-06 | 2021-02-26 | 北京航天自动控制研究所 | 一种车辆行驶轨迹识别方法、装置及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110428522B (zh) | 一种智慧新城的智能安防*** | |
KR101942491B1 (ko) | 도로교통 상황 모니터링 관제·실시간 교통정보 분석·교통신호제어로 이루어진 인공지능형 cctv통합관제중개제어모듈을 갖는 cctv통합관제센터시스템 | |
US11182598B2 (en) | Smart area monitoring with artificial intelligence | |
US10692175B1 (en) | Systems and methods for dewarping images | |
US10565680B2 (en) | Systems and methods for dewarping images | |
EP4105101A1 (en) | Monitoring system, monitoring method, and monitoring device for railway train | |
US10438071B2 (en) | Distributed system for mining, correlating, and analyzing locally obtained traffic data including video | |
KR102282800B1 (ko) | 라이다와 영상카메라를 이용한 멀티 표적 추적 방법 | |
Kulkarni et al. | Real time vehicle detection, tracking and counting using Raspberry-Pi | |
Sabri et al. | Low-cost intelligent surveillance system based on fast CNN | |
US20220351515A1 (en) | Method for perceiving event tagging-based situation and system for same | |
CN117319609A (zh) | 一种物联网大数据智能视频监控***及方法 | |
CN112257683A (zh) | 一种面向车辆运行轨迹监测的跨镜追踪方法 | |
CN1960479A (zh) | 利用单个摄像机进行主从视频跟踪的方法 | |
Rezaee et al. | Deep-Transfer-learning-based abnormal behavior recognition using internet of drones for crowded scenes | |
WO2023241536A1 (en) | A system and method for detecting traffic events | |
CN114419555A (zh) | 一种基于深度卷积神经网络的道路交通目标跟踪方法 | |
CN115272816A (zh) | 基于深度卷积神经网络的道路交通目标跟踪方法 | |
CN115205781A (zh) | 一种基于transformer的跨尺度目标检测方法及*** | |
ElHakim et al. | Traffisense: A smart integrated visual sensing system for traffic monitoring | |
Pavlidis et al. | Two examples of indoor and outdoor surveillance systems: motivation, design, and testing | |
CN113076821A (zh) | 一种事件的检测方法及装置 | |
CN112686136A (zh) | 一种对象检测方法、装置及*** | |
Catani et al. | A framework based on vision sensors for the automatic management of exchange parking areas | |
Yang et al. | Real-time automated deep learning based railroad trespassing violation detection and tracking at highway-rail grade crossing |
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 |
Application publication date: 20220429 |
|
RJ01 | Rejection of invention patent application after publication |