CN110223343B - 一种方向包围盒交叉面积确定方法 - Google Patents
一种方向包围盒交叉面积确定方法 Download PDFInfo
- Publication number
- CN110223343B CN110223343B CN201910376338.XA CN201910376338A CN110223343B CN 110223343 B CN110223343 B CN 110223343B CN 201910376338 A CN201910376338 A CN 201910376338A CN 110223343 B CN110223343 B CN 110223343B
- Authority
- CN
- China
- Prior art keywords
- rect
- small
- rect0
- envelope
- flag
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种方向包围盒交叉面积确定方法,该包括以下步骤:1)获取预测包络框rect0与实际包络框rect的形状参数和位置参数;2)根据预测包络框rect0与实际包络框rect的形状参数和位置参数确定预测包络框rect0与实际包络框rect的交叉类别;3)若预测包络框rect0与实际包络框rect无交叉,则交叉面积为0;若预测包络框rect0与实际包络框rect有交叉,且rect的中心在rect0中,转入步骤5),否则转入步骤4);4)将rect0分解成四个小rect1;5)将rect0分解成四个小rect;6)计算四个小rect形状参数和位置参数,然后计算每个小rect与rect的交叉面积,计算得到总交叉面积值。本发明提出了一种计算速度快、预测精度高的方向包围盒交叉面积确定方法。
Description
技术领域
本发明涉及图像识别技术,尤其涉及一种方向包围盒交叉面积确定方法。
背景技术
目标检测领域常用的物体包络框为AABB(轴对齐矩形边界框),对于某些细长物体的检测,AABB包络框中所包含的有效面积占比过小,不利于进行后续分析。而使用OBB方向包围盒(定向边界框)来包络目标物体可以大大提高包络框中的有效区域,OBB的交叉情况见图1。使用预测包络框与实际包络框的交叉面积比(简称IOU)来表征预测框效果是当今的一种主流方法。鉴于OBB的IOU计算的解析方程解过于复杂,且该方程式包含大量的分段函数,不利于反向传播,导致整体模型的收敛性很差。因此,需要提出一种新的IOU模型。
发明内容
本发明要解决的技术问题在于针对现有技术中的缺陷,提供一种方向包围盒交叉面积确定方法。
本发明解决其技术问题所采用的技术方案是:一种方向包围盒交叉面积确定方法,包括:
1)获取预测包络框rect0与实际包络框rect的形状参数和位置参数;所述形状参数包括包络框矩形的宽和高以及矩形旋转角度,位置参数为包络框矩形的中心点坐标;
其中,对预测包络框rect0,(x副、y副)表示中心点坐标,(w副、h副)表示矩形的宽和高,angle副表示矩形旋转角度;
2)根据预测包络框rect0与实际包络框rect的形状参数和位置参数确定预测包络框rect0与实际包络框rect的交叉类别,所述交叉类别包括:a:无交叉;b:有交叉,且rect的中心在rect0中;c:有交叉,且rect的中心不在rect0中;
3)若预测包络框rect0与实际包络框rect无交叉,则交叉面积为0;若预测包络框rect0与实际包络框rect有交叉,且rect的中心在rect0中,转入步骤5),否则转入步骤4);
4)将rect0分解成四个小rect,分解方法如下:
首先,选择rect的中心点与rect0矩形中距离rect的中心点最短的边,并记录最短距离在该边上的另一端点,然后将该边平移至rect的中心点处,获得rect0的扩展矩形;
以rect的中心点分别做四个小rect的第一角点,四个小rect的角度保持与rect0相同,以rect0的4个角点分别做四个小rect第一角点的对角角点,获得以rect0的扩展矩形为对象的四个小rect的分解中间结果;
对rect0的四个小rect的分解中间结果,取其在rect内的部分且不在rect0内的部分作为四个小rect中的两个,取其在rect内的部分作为四个小rect中的剩余两个,获得最终的rect0的四个小rect的分解结果;
获得包含四个小矩形类别的(flag,flag,flag,flag),其中flag等于-1或者1,-1和1的数量均为两个,将其设置为flag_vector;
5)将rect0分解成四个小rect,分解方法如下:
首先,以rect的中心点分别做四个小rect的第一角点,四个小rect的角度保持与rect0相同,以rect0的4个角点分别做四个小rect第一角点的对角角点,获得rect0的四个小rect的分解中间结果;
对rect0的四个小rect的分解中间结果,取其在rect内的部分,获得最终的rect0的四个小rect的分解结果;将(1,1,1,1)设置为flag_vector;
6)计算四个小rect形状参数和位置参数,然后计算每个小rect与rect的交叉面积,得到一组包含四个值的一维向量(A1,A2,A3,A4),将该向量称之为area_vector,然后用flag_vector乘以area_vector,计算得到总交叉面积值。
按上述方案,所述步骤6)中计算四个小rect形状参数和位置参数的步骤如下:
首先,根据矩形rect0的参数(x副、y副、w副、h副、angle副),求出四个顶点的坐标:(corner_x1,corner_y1)、(corner_x2,corner_y2)、(corner_x3,corner_y3)、(corner_x4,corner_y4);
然后,根据rect、rect0的坐标,计算出四个小rect的参数,计算公式如下:
对于第一个小矩形rect1,其参数为(x1,y1,w1,h1,angle1),各参数的计算公式如下:
w1=Length_1*cosα
L1=Length1*sinα
angle1=θ
其中,α=sin-1((corner_y1-Y主)/Length_1)-θ。
按上述方案,所述步骤6)中一维向量(A1,A2,A3,A4)的计算方法如下:
1)生成训练数据,随机生成多组OBB矩形框的形状参数和位置参数,利用已经有的图像软件(halcon)计算出交叉面积,并保存数据;
2)输入主rect参数、四个小rect参数,计算交叉面积值;该神经网络包括5层:输入层、隐藏层1、隐藏层2、隐藏层3、输出层。输入层包括:25节点,分别是主rect的5个参数、四个小rect的5个参数,隐藏层1包括60个节点,隐藏层2包括30个节点,隐藏层3包含30个节点,输出层包括4个节点。
按上述方案,所述步骤5)中计算得到flag_vector,通过神经网络实现。
按上述方案,所述神经网络包括4层:输入层、隐藏层1、隐藏层2、输出层;
输入层包括:25节点,分别是主rect的5个参数、四个小rect的5个参数,隐藏层1包括60个节点,隐藏层2包括30个节点,输出层包括4个节点;输出为包含四个小矩形类别的(flag,flag,flag,flag),其中flag等于-1或者1,-1和1的数量均为两个。
按上述方案,所述步骤2)中的分类模型可通过数学计算或神经网络实现。
按上述方案,所述神经网络包括4层:输入层、隐藏层1、隐藏层2、输出层;
输入层10节点为预测包络框rect0与实际包络框rect的形状参数和位置参数:(x1,y1,w1,h1,angle1,x2,y2,w2,h2,angle2),隐藏层1包括50个节点,隐藏层2包括20个节点,输出层包括3个节点。
本发明产生的有益效果是:
1.本发明提出了一种将一个副obb分解成四个以主rect中心为角点小obb,提高模型的收敛速度、预测精度。
2.本发明提出了一种使用神经网络计算IOU的方法,是神经网络在计算IOU中的首次应用。
3.本发明提出了一种IOU计算方法,该IOU共包括三个子神经网络。每个网络结点少,易于收敛,训练速度快。由于模型小,预测时候的运行速度也很快。
4.提出了一种基于halcon快速获取,OBB输入输出数据的方法。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明背景技术中OBB的交叉情况示意图;
图2是本发明实施例的方法流程图;
图3是本发明实施例的预测包络框分解示意图;
图4是本发明实施例的预测包络框分解示意图;
图5是本发明实施例的预测包络框分解示意图;
图6是本发明实施例的神经网络模型结构示意图;
图7是本发明实施例的神经网络模型结构示意图;
图8是本发明实施例的神经网络模型结构示意图.
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
如图2所示,一种方向包围盒交叉面积确定方法,包括:
1)获取预测包络框rect0与实际包络框rect的形状参数和位置参数;所述形状参数包括w副、h副、angle副,位置参数包括x副、y副;
其中,(x副、y副)表示中心点坐标,(w副、h副)表示矩形的宽和高,angle副表示矩形旋转角度;
2)根据预测包络框rect0与实际包络框rect的形状参数和位置参数确定预测包络框rect0与实际包络框rect的交叉类别,所述交叉类别包括:a:无交叉;b:有交叉,且rect的中心在rect0中;c:有交叉,且rect的中心不在rect0中;
分类模型通过数学计算或神经网络实现。
如图6,神经网络包括4层:输入层、隐藏层1、隐藏层2、输出层;
输入层10节点为预测包络框rect0与实际包络框rect的形状参数和位置参数:(x1,y1,w1,h1,angle1,x2,y2,w2,h2,angle2),隐藏层1包括50个节点,隐藏层2包括20个节点,输出层包括3个节点。
3)若预测包络框rect0与实际包络框rect无交叉,则交叉面积为0;若预测包络框rect0与实际包络框rect有交叉,且rect的中心在rect0中,转入步骤5),否则转入步骤4);
4)将rect0分解成四个小rect,分解方法如下:
首先,选择rect的中心点与rect0矩形中距离rect的中心点最短的边,并记录最短距离在该边上的另一端点,然后将该边平移至rect的中心点处,获得rect0的扩展矩形;
以rect的中心点分别做四个小rect的第一角点,四个小rect的角度保持与rect0相同,以rect0的4个角点分别做四个小rect第一角点的对角角点,获得以rect0的扩展矩形为对象的四个小rect的分解中间结果;
对rect0的四个小rect的分解中间结果,取其在rect内的部分且不在rect0内的部分作为四个小rect中的两个,取其在rect内的部分作为四个小rect中的剩余两个,获得最终的rect0的四个小rect的分解结果;
获得包含四个小矩形类别的(flag,flag,flag,flag),其中flag等于-1或者1,-1和1的数量均为两个,将其设置为flag_vector;如图5;
5)将rect0分解成四个小rect,分解方法如下:以rect的中心点分别做四个小rect的角点,以rect0的4个角点分别做四个小rect的角点另一个角点,四个小rect的角度保持与rect0相同;将(1,1,1,1)设置为flag_vector;如图3和图4;
步骤5)中计算得到flag_vector,通过神经网络实现。
如图7,神经网络包括4层:输入层、隐藏层1、隐藏层2、输出层;
输入层包括:25节点,分别是主rect的5个参数、四个小rect的5个参数,隐藏层1包括60个节点,隐藏层2包括30个节点,输出层包括4个节点;输出为包含四个小矩形类别的(flag,flag,flag,flag),其中flag等于-1或者1,-1和1的数量均为两个;
6)计算四个小rect形状参数和位置参数,然后计算每个小rect与rect的交叉面积,得到一组包含四个值的一维向量(A1,A2,A3,A4),将该向量称之为area_vector,然后用flag_vector乘以area_vector,计算得到总交叉面积值。
步骤6)中计算四个小rect形状参数和位置参数的步骤如下:
首先,根据矩形rect0的参数(x副、y副、w副、h副、angle副),求出四个顶点的坐标:(corner_x1,corner_y1)、(corner_x2,corner_y2)、(corner_x3,corner_y3)、(corner_x4,corner_y4);具体计算公式如下:
dx=w副/2
dy=h副/2
(corner_x1,corner_y1)=(X副-L*cos(β+θ),Y副+L*sin(β+θ))
(corner_x2,corner_y2)=(X副+L*cos(θ-β),Y副+L*sin(θ-β))
(corner_x3,corner_y3)=(X副-L*cos(θ-β),Y副-L*sin(θ-β))
(corner_x4,corner_y4)=(X副+L*cos(β+θ),Y副-L*sin(β+θ))
然后,根据rect、rect0的坐标,计算出四个小rect的参数,计算公式如下:
对于第一个小矩形rect1,其参数为(x1,y1,w1,h1,angle1),各参数的计算公式如下:
w1=Length_1*cosα
L1=Length1*sinα
angle1=θ
其中α=sin-1((corner_y1-Y主)/Length_1)-θ
步骤6)中一维向量(A1,A2,A3,A4)的计算方法如下:
1)生成训练数据,随机生成多组OBB矩形框的形状参数和位置参数,利用已经有的图像软件(halcon)计算出交叉面积,并保存数据;训练数据基于现有图像软件halcon生成随机数据获取;
2)输入主rect参数、四个小rect参数,计算交叉面积值;该神经网络包括5层,如图8:输入层、隐藏层1、隐藏层2、隐藏层3、输出层。输入层包括:25节点,分别是主rect的5个参数、四个小rect的5个参数,隐藏层1包括60个节点,隐藏层2包括30个节点,隐藏层3包含30个节点,输出层包括4个节点。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (7)
1.一种方向包围盒交叉面积确定方法,其特征在于,包括:
1)获取预测包络框rect0与实际包络框rect的形状参数和位置参数;所述形状参数包括包络框矩形的宽和高以及矩形旋转角度,位置参数为包络框矩形的中心点坐标;
2)根据预测包络框rect0与实际包络框rect的形状参数和位置参数确定预测包络框rect0与实际包络框rect的交叉类别,所述交叉类别包括:a:无交叉;b:有交叉,且rect的中心在rect0中;c:有交叉,且rect的中心不在rect0中;
3)若预测包络框rect0与实际包络框rect无交叉,则交叉面积为0;若预测包络框rect0与实际包络框rect有交叉,且rect的中心在rect0中,转入步骤5),否则转入步骤4);
4)将rect0分解成四个小rect,分解方法如下:
首先,选择rect的中心点与rect0矩形中距离rect的中心点最短的边,并记录最短距离在该边上的另一端点,然后将该边平移至rect的中心点处,获得rect0的扩展矩形;
以rect的中心点分别做四个小rect的第一角点,四个小rect的角度保持与rect0相同,以rect0的4个角点分别做四个小rect第一角点的对角角点,获得以rect0的扩展矩形为对象的四个小rect的分解中间结果;
对rect0的四个小rect的分解中间结果,取其在rect内的部分且不在rect0内的部分作为四个小rect中的两个,取其在rect内的部分作为四个小rect中的剩余两个,获得最终的rect0的四个小rect的分解结果;
获得包含四个小矩形类别的(flag,flag,flag,flag),其中flag等于-1或者1,-1和1的数量均为两个,将其设置为flag_vector;
转入步骤6);
5)将rect0分解成四个小rect,分解方法如下:
首先,以rect的中心点分别做四个小rect的第一角点,四个小rect的角度保持与rect0相同,以rect0的4个角点分别做四个小rect第一角点的对角角点,获得rect0的四个小rect的分解中间结果;
对rect0的四个小rect的分解中间结果,取其在rect内的部分,获得最终的rect0的四个小rect的分解结果;将(1,1,1,1)设置为flag_vector;
6)计算四个小rect形状参数和位置参数,然后计算每个小rect与rect的交叉面积,得到一组包含四个值的一维向量(A1,A2,A3,A4),将该向量称之为area_vector,然后用flag_vector乘以area_vector,计算得到总交叉面积值。
2.根据权利要求1所述的方向包围盒交叉面积确定方法,其特征在于,所述步骤6)中计算四个小rect形状参数和位置参数的步骤如下:
首先,根据矩形rect0的参数(x副、y副、w副、h副、angle副),求出四个顶点的坐标:(corner_x1,corner_y1)、(corner_x2,corner_y2)、(corner_x3,corner_y3)、(corner_x4,corner_y4);
然后,根据rect、rect0的坐标,计算出四个小rect的参数,计算公式如下:
对于第一个小矩形rect1,其参数为(x1,y1,w1,h1,angle1),各参数的计算公式如下:
w1=Length_1*cosα
L1=Length_1*sinα
angle1=θ
其中α=sin-1((corner_y1-Y主)/Length_1)-θ。
3.根据权利要求1所述的方向包围盒交叉面积确定方法,其特征在于,所述步骤6)中一维向量(A1,A2,A3,A4)的计算方法如下:
1)生成训练数据,随机生成多组OBB矩形框的形状参数和位置参数,利用已经有的图像软件halcon计算出交叉面积,并保存数据;
2)输入实际包络框rect参数、四个小rect参数,计算交叉面积值;神经网络包括5层:输入层、隐藏层1、隐藏层2、隐藏层3、输出层, 输入层包括:25节点,分别是实际包络框rect的5个参数、四个小rect的5个参数,隐藏层1包括60个节点,隐藏层2包括30个节点,隐藏层3包含30个节点,输出层包括4个节点。
4.根据权利要求1所述的方向包围盒交叉面积确定方法,其特征在于,所述步骤5)中计算得到flag_vector,通过神经网络实现。
5.根据权利要求4所述的方向包围盒交叉面积确定方法,其特征在于,所述步骤5)中计算得到flag_vector的神经网络包括4层:输入层、隐藏层1、隐藏层2、输出层;
输入层包括:25节点,分别是实际包络框rect的5个参数、四个小rect的5个参数,隐藏层1包括60个节点,隐藏层2包括30个节点,输出层包括4个节点;输出为包含四个小矩形类别的(flag,flag,flag,flag),其中flag等于-1或者1,-1和1的数量均为两个。
6.根据权利要求1所述的方向包围盒交叉面积确定方法,其特征在于,所述步骤2)中的分类模型可通过数学计算或神经网络实现。
7.根据权利要求6所述的方向包围盒交叉面积确定方法,其特征在于,所述神经网络包括4层:输入层、隐藏层1、隐藏层2、输出层;
输入层包括10节点,为预测包络框rect0与实际包络框rect的形状参数和位置参数:(x1,y1,w1,h1,angle1,x2,y2,w2,h2,angle2),隐藏层1包括50个节点,隐藏层2包括20个节点,输出层包括3个节点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910376338.XA CN110223343B (zh) | 2019-05-07 | 2019-05-07 | 一种方向包围盒交叉面积确定方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910376338.XA CN110223343B (zh) | 2019-05-07 | 2019-05-07 | 一种方向包围盒交叉面积确定方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110223343A CN110223343A (zh) | 2019-09-10 |
CN110223343B true CN110223343B (zh) | 2021-06-04 |
Family
ID=67820594
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910376338.XA Active CN110223343B (zh) | 2019-05-07 | 2019-05-07 | 一种方向包围盒交叉面积确定方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110223343B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111105411B (zh) * | 2019-12-30 | 2023-06-23 | 创新奇智(青岛)科技有限公司 | 一种磁瓦表面缺陷检测方法 |
CN111695567B (zh) * | 2020-07-10 | 2021-03-05 | 中国水利水电科学研究院 | 一种改进的倾斜矩形范围框标注方式 |
CN114266800B (zh) * | 2021-12-24 | 2023-05-05 | 中设数字技术股份有限公司 | 一种平面图形的多矩形包围盒生成方法及系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9208538B2 (en) * | 2012-11-07 | 2015-12-08 | Google Inc. | Rotated rectangle drawing on electronic devices |
US9547805B1 (en) * | 2013-01-22 | 2017-01-17 | The Boeing Company | Systems and methods for identifying roads in images |
CN106980895A (zh) * | 2017-02-22 | 2017-07-25 | 中国科学院自动化研究所 | 基于旋转区域的卷积神经网络预测方法 |
CN108960135B (zh) * | 2018-07-03 | 2021-10-12 | 西北工业大学 | 基于高分辨遥感图像的密集舰船目标精确检测方法 |
-
2019
- 2019-05-07 CN CN201910376338.XA patent/CN110223343B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110223343A (zh) | 2019-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110223343B (zh) | 一种方向包围盒交叉面积确定方法 | |
US11763168B2 (en) | Progressive modification of generative adversarial neural networks | |
JP5742275B2 (ja) | 幾何学変換を行うためのシステム、方法、コンピュータプログラム及び記憶媒体 | |
WO2021052283A1 (zh) | 处理三维点云数据的方法和计算设备 | |
CN111242122B (zh) | 一种轻量级深度神经网络旋转目标检测方法和系统 | |
WO2022017131A1 (zh) | 点云数据的处理方法、智能行驶控制方法及装置 | |
CN107566688A (zh) | 一种基于卷积神经网络的视频防抖方法及装置 | |
US20230249076A1 (en) | Collision data processing method and apparatus, storage medium, program product, and electronic device | |
JP2019159940A (ja) | 点群特徴抽出装置、点群特徴抽出方法及びプログラム | |
WO2022052750A1 (zh) | 360度图像的显著性预测方法及系统 | |
CN111738276A (zh) | 基于多核卷积神经网络的图像处理方法、装置及设备 | |
CN107707899A (zh) | 包含运动目标的多视角图像处理方法、装置及电子设备 | |
CN116188931A (zh) | 一种基于融合特征进行点云目标检测的处理方法和装置 | |
KR100956747B1 (ko) | 신경망회로와 병렬처리 프로세서를 결합한 컴퓨터구조 및그를 이용한 처리방법 | |
KR20230073751A (ko) | 레이아웃 기반의 동일 화풍 영상 생성 시스템 및 방법 | |
Qian et al. | Impdet: Exploring implicit fields for 3d object detection | |
Sun et al. | Decoupled feature pyramid learning for multi-scale object detection in low-altitude remote sensing images | |
EP4024343A1 (en) | Viewpoint image processing method and related device | |
CN105808930B (zh) | 基于服务器集群网络的预条件共轭梯度区域网平差方法 | |
WO2022017129A1 (zh) | 目标对象检测方法、装置、电子设备及存储介质 | |
CN113808006B (zh) | 一种基于二维图像重建三维网格模型的方法及装置 | |
CN113487713B (zh) | 一种点云特征提取方法、装置及电子设备 | |
CN114998496A (zh) | 一种基于场景航拍图及稀疏点云的正射影像快速生成方法 | |
CN112417958B (zh) | 一种遥感影像旋转目标检测方法 | |
JP2022547873A (ja) | 点群データ処理方法及び装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |