CN109389146A - 基于神经网络图像分类算法的设备状态反馈方法及系统 - Google Patents

基于神经网络图像分类算法的设备状态反馈方法及系统 Download PDF

Info

Publication number
CN109389146A
CN109389146A CN201810960128.0A CN201810960128A CN109389146A CN 109389146 A CN109389146 A CN 109389146A CN 201810960128 A CN201810960128 A CN 201810960128A CN 109389146 A CN109389146 A CN 109389146A
Authority
CN
China
Prior art keywords
equipment
verifying
original image
equipment state
picture
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.)
Withdrawn
Application number
CN201810960128.0A
Other languages
English (en)
Inventor
邵焕新
赵宪
黄龙
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhongxiang Science And Technology (hangzhou) Co Ltd
Original Assignee
Zhongxiang Science And Technology (hangzhou) Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhongxiang Science And Technology (hangzhou) Co Ltd filed Critical Zhongxiang Science And Technology (hangzhou) Co Ltd
Priority to CN201810960128.0A priority Critical patent/CN109389146A/zh
Publication of CN109389146A publication Critical patent/CN109389146A/zh
Withdrawn legal-status Critical Current

Links

Classifications

    • 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
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供的基于神经网络图像分类算法的设备状态反馈方法，包括获取原始图片集和待检测设备图片，原始图片集为含有若干不同状态的设备图片；原始图片集划分，将原始图片集划分为训练集和验证集；将训练集输入至神经网络图像分类算法进行训练并得到训练模型；将待检测设备图片输入至训练模型，训练模型输出分类结果；根据分类结果判断待检测设备图片对应的待检测设备的设备状态，并将设备状态发送至运维管理平台；本发明的基于神经网络图像分类算法的设备状态反馈方法，可以同时对数以万计的交通监控设备进行状态检测，使对于交通监控设备的检测不再有局限性，同时也提高了检测结果的精准率，节省了大量的人力成本。

Description

基于神经网络图像分类算法的设备状态反馈方法及系统
技术领域
本发明涉及设备状态反馈领域，尤其涉及基于神经网络图像分类算法的设备状态反馈方法及系统。
背景技术
随着经济的发展，每个城市的车辆保有量也在逐年增加，因此对于车辆的监控也比较重要，目前交通部门在各个路段都安装有交通监控设备，对于如此多的交通监控设备日常的运行状态的监控是交通部门所要做的重要工作之一，目前对于交通部门投放的交通监控设备的监控还是处于人工根据得到的监控图片对交通监控设备进行判断是否发生故障。传统的对于交通监控设备的监控判断具有很大局限性，而且增加了很大的人力成本，而且监控判断的结果的准确性也不够高。
发明内容
为了克服现有技术的不足，本发明的目的之一在于提供基于神经网络图像分类算法的设备状态反馈方法，其能解决传统的对于交通监控设备的监控判断具有很大局限性，而且增加了很大的人力成本，而且监控判断的结果的准确性也不够高的问题。
本发明的目的之二在于提供基于神经网络图像分类算法的设备状态反馈系统，其能解决传统的对于交通监控设备的监控判断具有很大局限性，而且增加了很大的人力成本，而且监控判断的结果的准确性也不够高的问题。
本发明提供目的之一采用以下技术方案实现：
基于神经网络图像分类算法的设备状态反馈方法，所述设备状态反馈方法应用在交通监控系统，包括：
图片获取，获取原始图片集和待检测设备图片，所述原始图片集为含有若干不同状态的设备图片；
原始图片集划分，将所述原始图片集划分为训练集和验证集；
生成训练模型，将所述训练集输入至神经网络图像分类算法进行训练并得到训练模型；
设备图片检测，将所述待检测设备图片输入至所述训练模型，所述训练模型输出分类结果；
设备状态判断，根据所述分类结果判断所述待检测设备图片对应的待检测设备的设备状态，并将所述设备状态发送至运维管理平台。
进一步地，所述神经网络图像分类算法采用采用Inception V1架构。
进一步地，当所述设备状态为发生故障时，所述运维管理平台将所述设备状态采用短信方式发送至维保单位。
进一步地，所述原始图片集划分之前还包括图像预处理，对所述原始图片集进行旋转处理、随机剪裁处理以及添加噪声处理。
进一步地，在所述设备图片检测之前还包括模型验证，将所述验证集输入值所述训练模型中，所述训练模型输出验证分类结果，若所述验证分类结果与所述验证集对应的预设验证集分类结果相同，则为验证合格，若所述验证分类结果与所述验证集对应的预设验证集分类结果不相同，则为验证不合格。
进一步地，当所述分类结果为角度异常或色偏或树叶遮挡或黑屏时，所述设备状态为发生故障。
进一步地，所述原始图片集包括若干原始图片，随机选取所述原始图片集中的80％的原始图片作为训练集，将所述原始图片集中的剩余20％的原始图片作为验证集。
本发明提供目的之二采用以下技术方案实现：
基于神经网络图像分类算法的设备状态反馈系统，所述设备状态反馈系统应用在交通监控系统，其特征在于包括：
图片获取模块，所述图片获取模块用于获取原始图片集和待检测设备图片，所述原始图片集为含有若干不同状态的设备图片；
原始图片集划分模块，所述原始图片集划分模块用于将所述原始图片集划分为训练集和验证集；
训练模型生成模块，所述训练模型生成模块用于将所述原始图片集划分为训练集和验证集；
设备图片检测模块，所述设备图片检测模块用于将所述待检测设备图片输入至所述训练模型，所述训练模型输出分类结果；
设备状态判断模块，所述设备状态判断模块用于根据所述分类结果判断所述待检测设备图片对应的待检测设备的设备状态，并将所述设备状态发送至运维管理平台。
进一步地，还包括图像预处理模块，所述图像预处理模块用于对所述原始图片集进行旋转处理、随机剪裁处理以及添加噪声处理。
进一步地，还包括模型验证模块，所述模型验证模块用于将所述验证集输入值所述训练模型中，所述训练模型输出验证分类结果，若所述验证分类结果与所述验证集对应的预设验证集分类结果相同，则为验证合格，若所述验证分类结果与所述验证集对应的预设验证集分类结果不相同，则为验证不合格。
相比现有技术，本发明的有益效果在于：本发明的基于神经网络图像分类算法的设备状态反馈方法，包括图片获取，获取原始图片集和待检测设备图片，原始图片集为含有若干不同状态的设备图片；原始图片集划分，将原始图片集划分为训练集和验证集；生成训练模型，将训练集输入至神经网络图像分类算法进行训练并得到训练模型；设备图片检测，将待检测设备图片输入至训练模型，训练模型输出分类结果；设备状态判断，根据分类结果判断待检测设备图片对应的待检测设备的设备状态，并将设备状态发送至运维管理平台；通过对神经网络图像分类模型进行训练得到训练模型，使用训练模型对待检测设备图像进行检测，最终得到比较精准的分类结果，根据分类结果判断待检测设备的设备状态，并将设备状态反馈到运维管理平台；可以同时对数以万计的交通监控设备进行状态检测，使对于交通监控设备的检测不再有局限性，同时也提高了检测结果的精准率，节省了大量的人力成本。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。本发明的具体实施方式由以下实施例及其附图详细给出。
附图说明
此处所说明的附图用来提供对本发明的进一步理解，构成本申请的一部分，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：
图1为本发明的基于神经网络图像分类算法的设备状态反馈方法的流程图；
具体实施方式
下面，结合附图以及具体实施方式，对本发明做进一步描述，需要说明的是，在不相冲突的前提下，以下描述的各实施例之间或各技术特征之间可以任意组合形成新的实施例。
如图1所示，本发明的基于神经网络图像分类算法的设备状态反馈方法，应用于交通部门的交通监控系统上，具体包括以下步骤：
图片获取，获取预先存储的原始图片集和待检测设备图片，原始图片集包括若干原始图片，本实施例中的原始图片主要为监控摄像头的图片，原始图片集中为不同状态下的监控摄像头的图片，例如：角度异常、色偏、树叶遮挡、黑屏、位置正常等二十多类的图片；待检测设备图片为需要检测的监控摄像有的工作状态是的图片；
图像预处理，对原始图片集中的原始图片采用旋转处理、随机剪裁处理以及添加噪声处理等方式进行扩增，最终图像的像素为224×224。
原始图片集划分，将原始图片集划分为训练集和验证集；本实施例中的原始图片集划分只是对于训练量的随机比例选取，并无特定性，随机选取原始图片集中的80％的原始图片作为训练集，将原始图片集中的剩余20％的原始图片作为验证集。
生成训练模型，将训练集输入至神经网络图像分类算法进行训练并得到训练模型；将上述的80％的原始图片作为训练集，并输入至神经网络图像分类算法进行训练，本实施例中在模型训练过程中，设定网络迭代次数为400000万次，经过10个小时的训练，得到了属性为42MB大小的训练模型；本实施例中的神经网络图像分类算法采用Inception V1架构，Inception V1为GoogleNet研发的一种卷积神经网络架构，Inception V采用了模块化的结构，方便增添和修改；2012年，Alex等人将卷积神经网络应用到图像识别领域最大的数据库ImageNet上，将错误率降低为17％，使得神经网络在计算机视觉领域飞速发展，神经网络应用在图像分类显示出强大的分析能力。卷积神经网络最早是科学家通过观察猫的视觉神经细胞感知外界提出的，神经元细胞只会处理一小块区域的视觉图像，是卷积神经网络感受野的生物机制。神经网络包含卷积层、池化层、Softmax层、激活函数等操作，通过卷积层对图像特征进行提取，池化层减少参数量和冗余信息，激活函数层增加非线性映射，Softmax层最后输出分类类别；GoogleNet研发出了Inception V1架构。
模型验证，将验证集输入值训练模型中，训练模型输出验证分类结果，若验证分类结果与验证集对应的预设验证集分类结果相同，则为验证合格，若验证分类结果与验证集对应的预设验证集分类结果不相同，则为验证不合格，当验证为不合格时，此时，训练模型还得重新被训练，即采用新的预设原始图片集，并输入至神经网络图像分类算法中进行训练，然后再进行模型验证，直到验证合格为止。
设备图片检测，将待检测设备图片输入至训练模型，训练模型输出分类结果；本实施例中的待检测设备图片即为检测区域内的12万路监控摄像设备的实时监测图片；本实施例中，训练模型还输出与分类结果对应的概率值；分类结果为两类，一类为发生故障，另一类为未发生故障，发生故障的可为角度异常或色偏或树叶遮挡或黑屏，未发生故障即待检测设备(监控摄像头一切正常)。
设备状态判断，根据分类结果判断待检测设备图片对应的待检测设备的设备状态，并将设备状态发送至运维管理平台。本实施例中根据分类结果判断待检测设备图片对应的待检测设备的设备状态，并根据概率值作为辅助判断依据之一，例如，当分类结果为树叶遮挡，但是此时对应的概率值低于预设最低阈值时，此时就不能直接将待检测设备图片的分类结果最为判定待检测设备的设备状态的依据，需要对待检测设备图片进行重新检测，当概率值低于预设最低阈值时，可以根据分类结果直接判断待检测设备的设备状态。本实施例中，当设备状态为发生故障时，运维管理平台将设备状态发送至对应的维保平台，维保平台对设备状态对应的监控摄像头进行维修。运维平台会对维保单位维修完的监控摄像头进行复检，复检如果未通过，则通知维保单位进行再次维修。
本发明还提供基于神经网络图像分类算法的设备状态反馈系统，设备状态反馈系统应用在交通监控系统，包括：图片获取模块，图片获取模块用于获取原始图片集和待检测设备图片，原始图片集为含有若干不同状态的设备图片；原始图片集划分模块，原始图片集划分模块用于将原始图片集划分为训练集和验证集；训练模型生成模块，训练模型生成模块用于将原始图片集划分为训练集和验证集；设备图片检测模块，设备图片检测模块用于将待检测设备图片输入至训练模型，训练模型输出分类结果；设备状态判断模块，设备状态判断模块用于根据分类结果判断待检测设备图片对应的待检测设备的设备状态，并将设备状态发送至运维管理平台。
在本实施例中还包括图像预处理模块和模型验证模块，图像预处理模块用于对原始图片集进行旋转处理、随机剪裁处理以及添加噪声处理。模型验证模块用于将验证集输入值训练模型中，训练模型输出验证分类结果，若验证分类结果与验证集对应的预设验证集分类结果相同，则为验证合格，若验证分类结果与验证集对应的预设验证集分类结果不相同，则为验证不合格。
本发明的基于神经网络图像分类算法的设备状态反馈方法，包括图片获取，获取原始图片集和待检测设备图片，原始图片集为含有若干不同状态的设备图片；原始图片集划分，将原始图片集划分为训练集和验证集；生成训练模型，将训练集输入至神经网络图像分类算法进行训练并得到训练模型；设备图片检测，将待检测设备图片输入至训练模型，训练模型输出分类结果；设备状态判断，根据分类结果判断待检测设备图片对应的待检测设备的设备状态，并将设备状态发送至运维管理平台；通过对神经网络图像分类模型进行训练得到训练模型，使用训练模型对待检测设备图像进行检测，最终得到比较精准的分类结果，根据分类结果判断待检测设备的设备状态，并将设备状态反馈到运维管理平台；可以同时对数以万计的交通监控设备进行状态检测，使对于交通监控设备的检测不再有局限性，同时也提高了检测结果的精准率，节省了大量的人力成本。
以上，仅为本发明的较佳实施例而已，并非对本发明作任何形式上的限制；凡本行业的普通技术人员均可按说明书附图所示和以上而顺畅地实施本发明；但是,凡熟悉本专业的技术人员在不脱离本发明技术方案范围内，利用以上所揭示的技术内容而做出的些许更动、修饰与演变的等同变化，均为本发明的等效实施例；同时,凡依据本发明的实质技术对以上实施例所作的任何等同变化的更动、修饰与演变等，均仍属于本发明的技术方案的保护范围之内。

Claims (10)

1.基于神经网络图像分类算法的设备状态反馈方法，所述设备状态反馈方法应用在交通监控系统，其特征在于包括：
图片获取，获取原始图片集和待检测设备图片，所述原始图片集为含有若干不同状态的设备图片；
原始图片集划分，将所述原始图片集划分为训练集和验证集；
生成训练模型，将所述训练集输入至神经网络图像分类算法进行训练并得到训练模型；
设备图片检测，将所述待检测设备图片输入至所述训练模型，所述训练模型输出分类结果；
设备状态判断，根据所述分类结果判断所述待检测设备图片对应的待检测设备的设备状态，并将所述设备状态发送至运维管理平台。
2.如权利要求1所述的基于神经网络图像分类算法的设备状态反馈方法，其特征在于：所述神经网络图像分类算法采用采用Inception V1架构。
3.如权利要求1所述的基于神经网络图像分类算法的设备状态反馈方法，其特征在于：当所述设备状态为发生故障时，所述运维管理平台将所述设备状态采用短信方式发送至维保单位。
4.如权利要求1所述的基于神经网络图像分类算法的设备状态反馈方法，其特征在于：所述原始图片集划分之前还包括图像预处理，对所述原始图片集进行旋转处理、随机剪裁处理以及添加噪声处理。
5.如权利要求1所述的基于神经网络图像分类算法的设备状态反馈方法，其特征在于：在所述设备图片检测之前还包括模型验证，将所述验证集输入值所述训练模型中，所述训练模型输出验证分类结果，若所述验证分类结果与所述验证集对应的预设验证集分类结果相同，则为验证合格，若所述验证分类结果与所述验证集对应的预设验证集分类结果不相同，则为验证不合格。
6.如权利要求1所述的基于神经网络图像分类算法的设备状态反馈方法，其特征在于：当所述分类结果为角度异常或色偏或树叶遮挡或黑屏时，所述设备状态为发生故障。
7.如权利要求1所述的基于神经网络图像分类算法的设备状态反馈方法，其特征在于：所述原始图片集包括若干原始图片，随机选取所述原始图片集中的80％的原始图片作为训练集，将所述原始图片集中的剩余20％的原始图片作为验证集。
8.基于神经网络图像分类算法的设备状态反馈系统，所述设备状态反馈系统应用在交通监控系统，其特征在于包括：
图片获取模块，所述图片获取模块用于获取原始图片集和待检测设备图片，所述原始图片集为含有若干不同状态的设备图片；
原始图片集划分模块，所述原始图片集划分模块用于将所述原始图片集划分为训练集和验证集；
训练模型生成模块，所述训练模型生成模块用于将所述原始图片集划分为训练集和验证集；
设备图片检测模块，所述设备图片检测模块用于将所述待检测设备图片输入至所述训练模型，所述训练模型输出分类结果；
设备状态判断模块，所述设备状态判断模块用于根据所述分类结果判断所述待检测设备图片对应的待检测设备的设备状态，并将所述设备状态发送至运维管理平台。
9.如权利要求8所述的基于神经网络图像分类算法的设备状态反馈系统，其特征在于：还包括图像预处理模块，所述图像预处理模块用于对所述原始图片集进行旋转处理、随机剪裁处理以及添加噪声处理。
10.如权利要求8所述的基于神经网络图像分类算法的设备状态反馈系统，其特征在于：还包括模型验证模块，所述模型验证模块用于将所述验证集输入值所述训练模型中，所述训练模型输出验证分类结果，若所述验证分类结果与所述验证集对应的预设验证集分类结果相同，则为验证合格，若所述验证分类结果与所述验证集对应的预设验证集分类结果不相同，则为验证不合格。
CN201810960128.0A 2018-08-22 2018-08-22 基于神经网络图像分类算法的设备状态反馈方法及系统 Withdrawn CN109389146A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810960128.0A CN109389146A (zh) 2018-08-22 2018-08-22 基于神经网络图像分类算法的设备状态反馈方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810960128.0A CN109389146A (zh) 2018-08-22 2018-08-22 基于神经网络图像分类算法的设备状态反馈方法及系统

Publications (1)

Publication Number Publication Date
CN109389146A true CN109389146A (zh) 2019-02-26

Family

ID=65418551

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810960128.0A Withdrawn CN109389146A (zh) 2018-08-22 2018-08-22 基于神经网络图像分类算法的设备状态反馈方法及系统

Country Status (1)

Country Link
CN (1) CN109389146A (zh)

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110188593A (zh) * 2019-04-11 2019-08-30 浙江工业大学 一种用于提高人脸识别深度神经网络训练效率和效果的验证集反馈方法
CN110503215A (zh) * 2019-08-28 2019-11-26 国网天津市电力公司 基于图像识别技术识别设备状态、故障及处理异常的方法
CN110765297A (zh) * 2019-11-01 2020-02-07 广东三维家信息科技有限公司 图片数据管理方法、装置和电子设备
CN112381054A (zh) * 2020-12-02 2021-02-19 东方网力科技股份有限公司 摄像机的工作状态检测方法及相关设备、系统
CN113705606A (zh) * 2021-07-21 2021-11-26 中盈优创资讯科技有限公司 基于目标检验的智慧机房设备交维质量检验方法及装置
CN114330596A (zh) * 2022-01-12 2022-04-12 中翔科技（杭州）有限公司 一种基于神经网络图像分类算法的设备状态反馈方法及系统

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110188593A (zh) * 2019-04-11 2019-08-30 浙江工业大学 一种用于提高人脸识别深度神经网络训练效率和效果的验证集反馈方法
CN110188593B (zh) * 2019-04-11 2021-05-18 浙江工业大学 提高人脸识别深度网络训练效率和效果的验证集反馈方法
CN110503215A (zh) * 2019-08-28 2019-11-26 国网天津市电力公司 基于图像识别技术识别设备状态、故障及处理异常的方法
CN110765297A (zh) * 2019-11-01 2020-02-07 广东三维家信息科技有限公司 图片数据管理方法、装置和电子设备
CN112381054A (zh) * 2020-12-02 2021-02-19 东方网力科技股份有限公司 摄像机的工作状态检测方法及相关设备、系统
CN113705606A (zh) * 2021-07-21 2021-11-26 中盈优创资讯科技有限公司 基于目标检验的智慧机房设备交维质量检验方法及装置
CN114330596A (zh) * 2022-01-12 2022-04-12 中翔科技（杭州）有限公司 一种基于神经网络图像分类算法的设备状态反馈方法及系统

Similar Documents

Publication Publication Date Title
CN109389146A (zh) 基于神经网络图像分类算法的设备状态反馈方法及系统
CN110110613B (zh) 一种基于动作识别的轨道交通异常人员检测方法
CN108537154A (zh) 基于hog特征和机器学习的输电线路鸟巢识别方法
CN110287805A (zh) 基于三流卷积神经网络的微表情识别方法及系统
CN107194396A (zh) 国土资源视频监控系统中基于特定违章建筑识别预警方法
CN109324604A (zh) 一种基于多源信号的智能列车综合故障分析方法
CN106778833A (zh) 一种复杂背景下小目标丢失故障的自动识别方法
CN108197575A (zh) 一种基于目标检测和骨点检测的异常行为识别方法及装置
CN112183313A (zh) 一种基于SlowFast的电力作业现场动作识别方法
CN112541393A (zh) 一种基于深度学习的变电站人员检测方法及装置
CN103345637A (zh) 输电线路复合绝缘子憎水性在线检测系统及方法
CN108182416A (zh) 一种无人机监控场景下的人体行为识别方法、系统及装置
CN112257500A (zh) 一种基于云边协同技术的电力设备智能图像识别系统及识别方法
CN111091110A (zh) 一种基于人工智能的反光背心穿戴识别方法
CN107977686A (zh) 一种工业x光图像的分类方法
CN108334902A (zh) 一种基于深度学习的轨道列车设备间烟雾防火监测方法
CN111563468B (zh) 一种基于神经网络注意力的驾驶员异常行为检测方法
CN113298077A (zh) 一种基于深度学习的变电站异物识别定位方法及装置
CN113688759A (zh) 一种基于深度学习的安全帽识别方法
CN116485802B (zh) 一种绝缘子闪络缺陷检测方法、装置、设备及存储介质
CN111753653B (zh) 基于注意力机制的高铁接触网紧固件识别与定位方法
CN113191977A (zh) 一种用于恶劣环境条件下目标检测识别的图像增强系统
CN113077423A (zh) 基于卷积神经网络的激光选区熔化熔池图像分析系统
CN116862867A (zh) 基于改进AnoGAN的小样本变电站设备视觉缺陷检测方法及系统
CN109344705A (zh) 一种行人行为检测方法和系统

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20190226