CN110702648A - 基于非下采样轮廓波变换的荧光光谱污染物分类方法 - Google Patents
基于非下采样轮廓波变换的荧光光谱污染物分类方法 Download PDFInfo
- Publication number
- CN110702648A CN110702648A CN201910857676.5A CN201910857676A CN110702648A CN 110702648 A CN110702648 A CN 110702648A CN 201910857676 A CN201910857676 A CN 201910857676A CN 110702648 A CN110702648 A CN 110702648A
- Authority
- CN
- China
- Prior art keywords
- fluorescence spectrum
- gray level
- dimensional fluorescence
- pollutant
- subgraph
- 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.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/64—Fluorescence; Phosphorescence
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/62—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light
- G01N21/63—Systems in which the material investigated is excited whereby it emits light or causes a change in wavelength of the incident light optically excited
- G01N21/64—Fluorescence; Phosphorescence
- G01N2021/6417—Spectrofluorimetric devices
Landscapes
- Health & Medical Sciences (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Investigating, Analyzing Materials By Fluorescence Or Luminescence (AREA)
Abstract
本发明公开了一种基于非下采样轮廓波变换的荧光光谱污染物分类方法,该方法通过采集三维荧光光谱数据,并对原始光谱数据进行预处理,得到各个滤波图像的灰度共生矩阵,进而得到对应的灰度特征;整合这些灰度特征得到三维荧光光谱的最终特征。本发明提出的基于NSCT对三维荧光光谱进行特征提取的方法对管网水有机污染物识别的准确率较高;本发明的方法对于有机污染物三维荧光光谱荧光峰接近的物质识别效果较好,在城市管网水水质监测和污染物识别领域可以发挥较好的作用。
Description
技术领域
本发明涉及一种三维荧光光谱的特征提取方法,尤其涉及一种基于非下采样轮廓波变换(Nonsubsampled Contourlet Transform,NSCT)的荧光光谱污染物分类方法。
背景技术
三维荧光光谱是由激发波长(y轴)、发射波长(x轴)、荧光强度(z轴)三维坐标所表征的矩阵光谱,也叫总发光光谱。不同有机物产生的三维荧光光谱谱图在响应波长范围和强度上存在差异,因而三维荧光可以用于异常检测和有机物分类。与普通荧光光谱相比,三维荧光光谱图由于比二维的平面图多了一个坐标,所得的总荧光数据又比普通荧光谱多得多,故其具有高选择性。但是由于光谱维数较高,计算量庞大,全谱分析的模型学习和计算方法费事并且效果欠佳,不适宜用于三维荧光光谱。需要更有效的特征提取方法来提取光谱特征,进而用于有机物种类的区分。
目前用于提取三维荧光光谱特征的常用方法有平行因子分析法(Parallelfactor analysis,PARAFAC)和主成分分析法(Principal Component Analysis,PCA)。这些方法在很多场景下有着较好的应用,但是在某些场景下有一定的局限性。例如,PARAFAC建模时需要知道组分数等多个因素,对于未知污染物的场景不太适用,并且对于荧光峰重叠的物质,较难区分。PCA则将荧光数据从二维变换为一维,丢失了原先相邻点的信息,对一些荧光光谱比较相近的物质的分类问题不能进行有效区分。
发明内容
本发明的目的在于针对现有技术的不足,提供一种基于非下采样轮廓波变换的荧光光谱污染物分类方法。
本发明的目的是通过以下技术方案来实现的:一种基于非下采样轮廓波变换的荧光光谱污染物分类方法,包括以下步骤:
(1)获取污染物样本溶液,采集样本的三维荧光光谱数据;
(2)预处理步骤(1)采集的三维荧光光谱数据;
(3)提取步骤(2)预处理后三维荧光光谱数据的灰度特征,包括以下子步骤:
(3.1)采用非下采样轮廓波变换对步骤(2)预处理后三维荧光光谱进行滤波,得到滤波子图;所述非下采样轮廓波变换采用三层非下采样金字塔分解,并对最高频滤波子图采用16通道方向滤波,对其它滤波子图采用8通道方向滤波;
(3.2)提取步骤(3.1)得到的滤波子图在0度、45度、90度、135度四个方向下的灰度共生矩阵;
(3.3)计算步骤(3.2)得到的灰度共生矩阵对应的灰度特征,具体为:对最高频滤波子图的灰度共生矩阵,计算其四个方向下能量的均值和方差作为最高频滤波子图的灰度共生矩阵对应的灰度特征;对除最高频滤波子图外的其它滤波子图的灰度共生矩阵,分别计算其对比度、相关性、能量和同质性这四个参数,并将四个方向下各参数的均值和方差作为对应滤波子图最后的灰度特征;将同一样本各滤波子图的灰度特征整合成一个新的特征向量作为该样本三维荧光光谱的最终特征;
(4)采用支持向量机分类模型进行分类,包括以下子步骤:
(4.1)将步骤(3.3)得到的三维荧光光谱的最终特征和其对应的污染物类别输入支持向量机分类模型,训练模型得到分类器;
(4.2)将未知污染物溶液的三维荧光光谱数据经过步骤(2)~(3)的数据处理后,输入步骤(4.1)得到的分类器,得到未知污染物溶液的污染物类别。
进一步地,所述步骤(2)中的预处理具体为采用三次多项式插值法、扣除空白溶剂背景和平滑的方法对步骤(1)采集的三维荧光光谱数据进行预处理。
进一步地,所述步骤(3.3)中对比度Contrast通过下式计算得到:
Contrast=∑i∑j(i-j)2P(i,j)
其中,P(i,j)表示步骤(3.2)得到的灰度共生矩阵在坐标为(i,j)处的值。
进一步地,所述步骤(3.3)中相关性Correlation通过下式计算得到:
进一步地,所述步骤(3.3)中能量Energy通过下式计算得到:
Energy=∑i∑jP(i,j)
其中,P(i,j)表示步骤(3.2)得到的灰度共生矩阵在坐标为(i,j)处的值。
进一步地,所述步骤(3.3)中同质性Homogeneity通过下式计算得到:
其中,P(i,j)表示步骤(3.2)得到的灰度共生矩阵在坐标为(i,j)处的值。
本发明的有益效果是:本发明的方法结合NSCT算法和灰度共生矩阵进行特征提取;本发明提出的基于NSCT对三维荧光光谱进行特征提取的方法对管网水有机污染物识别的准确率较高;本发明的方法对于有机污染物三维荧光光谱荧光峰接近的物质识别效果较好,在城市管网水水质监测和污染物识别领域可以发挥较好的作用。
附图说明
图1为基于NSCT的三维荧光光谱分类识别的流程图;
图2为采用NSCT和灰度共生矩阵进行特征提取的流程图;
图3为实验例的五种污染物三维荧光光谱预处理之后的结果图;
图4为苯酚在NSCT下的部分滤波结果子图;
图5为测试数据在两种特征提取下的识别比较结果图;其中,(a)为采用平行因子提取特征的分类结果图,(b)为采用NSCT提取特征的分类结果图。
具体实施方案
以下结合附图和实施例,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仅用以解释本发明,并不用于限定本发明。
一种基于非下采样轮廓波变换的荧光光谱污染物分类方法的基本步骤如图1所示,首先预处理三维荧光光谱数据,然后采用NSCT方法特征提取,再利用灰度共生矩阵及灰度特征进行特征二次描述,最后将特征输入分类器进行分类识别,具体包括以下步骤:
S1:获取污染物样本溶液,采集样本的三维荧光光谱数据得到原始光谱数据,作为训练集数据;
S2:预处理三维荧光光谱数据,包括以下子步骤:
S2.1:采用三次多项式插值法对步骤S1得到的原始光谱数据进行预处理,来减少瑞利散射对检测的影响;
S2.2:采用扣除空白溶剂背景的方法来消除拉曼散射的影响;
S2.3:采用Savitzky-Golay(S-G)平滑,来减弱噪声的影响;
S3:NSCT提取灰度特征,包括以下子步骤:
S3.1:采用NSCT对步骤S2预处理后三维荧光光谱进行滤波;得到不同分辨率、不同方向下的滤波子图。其中,进行NSCT变换时,采用三层非下采样金字塔分解,并对最高频滤波子图采用16通道方向滤波,对其它滤波子图采用8通道方向滤波来对三维荧光光谱进行变换。
S3.2:提取步骤S3.1得到的各滤波子图在0度、45度、90度、135度四个方向下的灰度共生矩阵。
S3.3:计算步骤S3.2得到的灰度共生矩阵对应的灰度特征,具体为:对最高频滤波子图的灰度共生矩阵,计算其4个方向下能量的均值和方差作为最高频滤波子图的灰度共生矩阵对应的灰度特征;对除最高频滤波子图外的其它滤波子图的灰度共生矩阵,分别计算其对比度、相关性、能量和同质性这四个参数,并将4个方向下各参数的均值和方差作为对应滤波子图最后的灰度特征;将同一样本不同子图的灰度特征整合成一个新的特征向量作为该样本的最终特征,此时得到三维荧光光谱的最终特征。
对比度、相关性、能量和同质性的计算过程如下:
对比度Contrast:
Contrast=∑i∑j(i-j)2P(i,j)
相关性Correlation:
能量Energy:
Energy=∑i∑jP(i,j)
同质性Homogeneity:
其中,P(i,j)表示原始图像经过NSCT滤波后系数矩阵的灰度共生矩阵在坐标为(i,j)处的值;μx和δx为Px(i)的均值和方差;μy和δy为Py(j)的均值和方差;
S4:采用支持向量机(Support Vector Machine,SVM)分类模型进行分类,包括以下子步骤:
S4.1:将步骤S3得到的三维荧光光谱的最终特征和其对应的污染物类别输入SVM分类模型,训练模型,得到分类器;
S4.2:将未知污染物溶液的三维荧光光谱数据经过步骤S2~S3的数据处理后,输入步骤S4.1得到的分类器,最后得到对应的类别输出。
实施例
本实施例包括以下步骤:
S1.采集样本的三维荧光光谱数据:将苯酚、对苯二酚、间苯二酚、罗丹明B和水杨酸等5种污染物分别溶于实验室管网采集的饮用水中配置成浓度为1mg/L的样本溶液;将上述高浓度的样本溶液分别稀释成8个不同浓度梯度的样本溶液;重复3天进行相同的实验,获得120份样品溶液;取相同体积的样品溶液,采用日立F4600光谱仪采集光谱,共获得120组实验数据;
S2.三维荧光光谱数据预处理:本发明的实施例中5种污染物预处理之后的结果如图2。
S2.1:采用三次多项式插值法对原始光谱数据进行预处理,来减少瑞利散射对检测的影响;
S2.2:采用扣除空白溶剂背景的方法来消除拉曼散射的影响;
S2.3:采用Savitzky-Golay(S-G)平滑来减弱噪声的影响;
S3.提取NSCT结果的的灰度特征,特征提取流程图如图3:
S3.1:采用NSCT对预处理之后的三维荧光光谱进行滤波;本发明的实施例中,进行滤波后得到与原始光谱尺寸相同的33幅子图。本发明的实施例中苯酚经过滤波之后的部分子图如图4;其中,进行NSCT变换时,采用三层非下采样金字塔分解,并对最高频子图采用16通道方向滤波、其他的高频子图采用8通道方向滤波来对三维荧光光谱进行变换。
S3.2:得到S3.1中各个滤波图像的灰度共生矩阵。本发明的实施例中,分别采用0度、45度、90度、135度四个方向得到对应的灰度共生矩阵;
S3.3:计算得到S3.2对应的各个灰度共生矩阵的灰度特征。整合这些灰度特征得到三维荧光光谱的最终特征;本发明的实施例中,采用对比度、相关性、能量和同质性这四个灰度特征;采用滤波子图对应的灰度共生矩阵的特征作为该子图的特征。将同一样本不同子图的特征拼接成一个新的特征向量作为该样本的最终特征。
S4.将S3中提取的特征输入多分类SVM模型中,用于进行污染物分类识别:
S4.1:将S1中前两天采集的数据作为训练集数据,最后一天采集的数据作为测试集数据;将S3中得到的特征输入SVM分类模型,采用训练集训练模型;
S4.2:将测试集数据输入得到对应的类别输出。本发明的实施例中,分类准确率约为97%。分别采用NSCT和平行因子分布进行特征提取得到的分类结果如图5。
本领域普通技术人员可以理解,以上所述仅为发明的优选实例而已,并不用于限制发明,尽管参照前述实例对发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述实例记载的技术方案进行修改,或者对其中部分技术特征进行等同替换。凡在发明的精神和原则之内,所做的修改、等同替换等均应包含在发明的保护范围之内。
Claims (6)
1.一种基于非下采样轮廓波变换的荧光光谱污染物分类方法,其特征在于,包括以下步骤:
(1)获取污染物样本溶液,采集样本的三维荧光光谱数据。
(2)预处理步骤(1)采集的三维荧光光谱数据。
(3)提取步骤(2)预处理后三维荧光光谱数据的灰度特征,包括以下子步骤:
(3.1)采用非下采样轮廓波变换对步骤(2)预处理后三维荧光光谱进行滤波,得到滤波子图;所述非下采样轮廓波变换采用三层非下采样金字塔分解,并对最高频滤波子图采用16通道方向滤波,对其它滤波子图采用8通道方向滤波。
(3.2)提取步骤(3.1)得到的滤波子图在0度、45度、90度、135度四个方向下的灰度共生矩阵;
(3.3)计算步骤(3.2)得到的灰度共生矩阵对应的灰度特征,具体为:对最高频滤波子图的灰度共生矩阵,计算其四个方向下能量的均值和方差作为最高频滤波子图的灰度共生矩阵对应的灰度特征;对除最高频滤波子图外的其它滤波子图的灰度共生矩阵,分别计算其对比度、相关性、能量和同质性这四个参数,并将四个方向下各参数的均值和方差作为对应滤波子图最后的灰度特征;将同一样本各滤波子图的灰度特征整合成一个新的特征向量作为该样本三维荧光光谱的最终特征;
(4)采用支持向量机分类模型进行分类,包括以下子步骤:
(4.1)将步骤(3.3)得到的三维荧光光谱的最终特征和其对应的污染物类别输入支持向量机分类模型,训练模型得到分类器;
(4.2)将未知污染物溶液的三维荧光光谱数据经过步骤(2)~(3)的数据处理后,输入步骤(4.1)得到的分类器,得到未知污染物溶液的污染物类别。
2.根据权利要求1所述基于非下采样轮廓波变换的荧光光谱污染物分类方法,其特征在于,所述步骤(2)中的预处理具体为采用三次多项式插值法、扣除空白溶剂背景和平滑的方法对步骤(1)采集的三维荧光光谱数据进行预处理。
3.根据权利要求1所述基于非下采样轮廓波变换的荧光光谱污染物分类方法,其特征在于,所述步骤(3.3)中对比度Contrast通过下式计算得到:
Contrast=∑i∑j(i-j)2P(i,j)
其中,P(i,j)表示步骤(3.2)得到的灰度共生矩阵在坐标为(i,j)处的值。
5.根据权利要求1所述基于非下采样轮廓波变换的荧光光谱污染物分类方法,其特征在于,所述步骤(3.3)中能量Energy通过下式计算得到:
Energy=∑i∑jP(i,j)
其中,P(i,j)表示步骤(3.2)得到的灰度共生矩阵在坐标为(i,j)处的值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910857676.5A CN110702648B (zh) | 2019-09-09 | 2019-09-09 | 基于非下采样轮廓波变换的荧光光谱污染物分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910857676.5A CN110702648B (zh) | 2019-09-09 | 2019-09-09 | 基于非下采样轮廓波变换的荧光光谱污染物分类方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110702648A true CN110702648A (zh) | 2020-01-17 |
CN110702648B CN110702648B (zh) | 2020-11-13 |
Family
ID=69196257
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910857676.5A Active CN110702648B (zh) | 2019-09-09 | 2019-09-09 | 基于非下采样轮廓波变换的荧光光谱污染物分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110702648B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112084382A (zh) * | 2020-09-04 | 2020-12-15 | 安徽思环科技有限公司 | 用于工业园区污染源水质三维荧光数据的预处理方法 |
CN112986169A (zh) * | 2021-03-11 | 2021-06-18 | 广东新一代工业互联网创新技术有限公司 | 一种基于采样轮廓波变换的紫外光谱污染物分类检测方法 |
CN113281323A (zh) * | 2021-06-29 | 2021-08-20 | 集美大学 | 一种复杂体系中有机污染物特征信息提取方法及其快速检测方法、系统 |
CN115963092A (zh) * | 2022-12-07 | 2023-04-14 | 浙江大学 | 基于浊度补偿和散射宽度估计的自适应瑞利散射处理方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106651856A (zh) * | 2016-12-31 | 2017-05-10 | 湖南文理学院 | 一种泡沫镍表面缺陷的检测方法 |
CN107122733A (zh) * | 2017-04-25 | 2017-09-01 | 西安电子科技大学 | 基于nsct和sae的高光谱图像分类方法 |
CN107239751A (zh) * | 2017-05-22 | 2017-10-10 | 西安电子科技大学 | 基于非下采样轮廓波全卷积网络的高分辨sar图像分类方法 |
CN107976428A (zh) * | 2017-11-17 | 2018-05-01 | 中国计量大学 | 水产品化学污染物的无损实时检测方法与装置 |
-
2019
- 2019-09-09 CN CN201910857676.5A patent/CN110702648B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106651856A (zh) * | 2016-12-31 | 2017-05-10 | 湖南文理学院 | 一种泡沫镍表面缺陷的检测方法 |
CN107122733A (zh) * | 2017-04-25 | 2017-09-01 | 西安电子科技大学 | 基于nsct和sae的高光谱图像分类方法 |
CN107239751A (zh) * | 2017-05-22 | 2017-10-10 | 西安电子科技大学 | 基于非下采样轮廓波全卷积网络的高分辨sar图像分类方法 |
CN107976428A (zh) * | 2017-11-17 | 2018-05-01 | 中国计量大学 | 水产品化学污染物的无损实时检测方法与装置 |
Non-Patent Citations (2)
Title |
---|
Y. K. CHANG ET AL: "DEVELOPMENT OF COLOR CO-OCCURRENCE MATRIX BASED MACHINE VISION ALGORITHMS FOR WILD BLUEBERRY FIELDS", 《APPLIED ENGINEERING IN AGRICULTURE》 * |
陈方等: "饮用水有机污染物的三维荧光光谱检测与分析方法", 《浙江大学学报》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112084382A (zh) * | 2020-09-04 | 2020-12-15 | 安徽思环科技有限公司 | 用于工业园区污染源水质三维荧光数据的预处理方法 |
CN112986169A (zh) * | 2021-03-11 | 2021-06-18 | 广东新一代工业互联网创新技术有限公司 | 一种基于采样轮廓波变换的紫外光谱污染物分类检测方法 |
CN113281323A (zh) * | 2021-06-29 | 2021-08-20 | 集美大学 | 一种复杂体系中有机污染物特征信息提取方法及其快速检测方法、系统 |
CN113281323B (zh) * | 2021-06-29 | 2024-01-26 | 集美大学 | 一种复杂体系中有机污染物特征信息提取方法及其快速检测方法、系统 |
CN115963092A (zh) * | 2022-12-07 | 2023-04-14 | 浙江大学 | 基于浊度补偿和散射宽度估计的自适应瑞利散射处理方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110702648B (zh) | 2020-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110702648B (zh) | 基于非下采样轮廓波变换的荧光光谱污染物分类方法 | |
Zhong et al. | Iterative support vector machine for hyperspectral image classification | |
CN109615008B (zh) | 基于堆叠宽度学习的高光谱图像分类方法和系统 | |
CN109472287A (zh) | 基于二维Gabor小波的三维荧光光谱特征提取方法 | |
CN109858477A (zh) | 用深度森林在复杂环境中识别目标物的拉曼光谱分析方法 | |
CN116363440B (zh) | 基于深度学习的土壤中有色微塑料的识别检测方法及系统 | |
CN109376753A (zh) | 一种稠密连接的三维空谱分离卷积深度网络及构建方法 | |
CN111597848A (zh) | 一种批量qr码图像提取方法及系统 | |
Liu et al. | Laser tweezers Raman spectroscopy combined with deep learning to classify marine bacteria | |
CN116664944A (zh) | 一种基于属性特征知识图谱的葡萄园害虫识别方法 | |
CN111242056B (zh) | 一种最大-最小距离嵌入的无监督高光谱图像分类方法 | |
CN111563577B (zh) | 基于Unet的跳跃层分频和多尺度鉴别的本征图像分解方法 | |
CN111046838A (zh) | 一种湿地遥感信息的识别方法及装置 | |
CN116612472A (zh) | 基于图像的单分子免疫阵列分析仪及其方法 | |
CN114399763B (zh) | 一种单样本与小样本微体古生物化石图像识别方法及系统 | |
CN113408616B (zh) | 基于pca-uve-elm的光谱分类方法 | |
CN111222545A (zh) | 基于线性规划增量学习的图像分类方法 | |
Yadav et al. | Performance analysis of discrete wavelet transform based first-order statistical texture features for hardwood species classification | |
Yadav et al. | Analysis and classification of hardwood species based on Coiflet DWT feature extraction and WEKA workbench | |
CN112614113A (zh) | 一种基于深度学习的带钢缺陷检测方法 | |
CN114863189B (zh) | 一种基于大数据的图像智能识别方法 | |
CN115496950A (zh) | 邻域信息嵌入的半监督判别字典对学习的图像分类方法 | |
CN110807387A (zh) | 一种基于高光谱图像特征的对象分类方法及系统 | |
CN113901947A (zh) | 一种小样本下的轮胎表面瑕疵智能识别方法 | |
CN110852175A (zh) | 一种基于混合受限玻尔兹曼机的深度网络高光谱遥感分类方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |