CN111445434B - 一种金属工件等级分选系统的图像处理方法 - Google Patents
一种金属工件等级分选系统的图像处理方法 Download PDFInfo
- Publication number
- CN111445434B CN111445434B CN201910986762.6A CN201910986762A CN111445434B CN 111445434 B CN111445434 B CN 111445434B CN 201910986762 A CN201910986762 A CN 201910986762A CN 111445434 B CN111445434 B CN 111445434B
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- gray
- noise
- pixels
- 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
- 239000002184 metal Substances 0.000 title claims abstract description 26
- 238000003672 processing method Methods 0.000 title claims abstract description 8
- 238000001514 detection method Methods 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000010521 absorption reaction Methods 0.000 claims abstract description 12
- 238000000034 method Methods 0.000 claims abstract description 9
- 230000000694 effects Effects 0.000 claims abstract description 7
- 238000001914 filtration Methods 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims abstract description 4
- 239000000463 material Substances 0.000 claims abstract description 4
- 230000005855 radiation Effects 0.000 claims description 11
- 238000012937 correction Methods 0.000 claims description 7
- 230000002950 deficient Effects 0.000 claims description 6
- 230000007547 defect Effects 0.000 claims description 3
- 230000002401 inhibitory effect Effects 0.000 claims description 3
- 238000000926 separation method Methods 0.000 claims description 3
- 230000009286 beneficial effect Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 208000027418 Wounds and injury Diseases 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000006378 damage Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 208000014674 injury Diseases 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- 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
- G06T2207/10—Image acquisition modality
- G06T2207/10116—X-ray image
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
- G06T2207/30136—Metal
-
- 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
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30168—Image quality inspection
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
Abstract
本发明公开了一种金属工件等级分选系统的图像处理方法。主要包括:A.用X射线透射金属工件,利用材料属性对X射线吸收程度的差异形成工件的灰度图像;B.构建灰度图像滤波器,并根据滤波器中各像素的灰度值和加权系数获得图像中心像素的灰度值的计算方法;C.以图像中心像素和邻域像素的灰度差为基础,自适应计算反映各像素噪声污染程度的加权系数,有效改善滤波效果,增强图像信息;D.输入去噪图像,根据金属工件X射线图像的质量等级检测完成图像识别,从而完成X射线探伤等级分选系统的图像处理任务。该方法具有自适应性和普遍性,利用模糊增强方法消除图像噪声并保护图像的细节信息,识别工件质量等级,稳定地完成金属工件的图像处理任务。
Description
技术领域
本发明涉及一种金属工件等级分选系统的图像处理方法,属于无损检测、图像处理和计算机领域。
背景技术
随着数字图像处理技术的发展,X射线图像的计算机辅助评定技术已成为无损探伤领域的研究热点。目前主要采用模糊增强的方法对数字化后的X射线图像进行图像增强处理,虽然该类方法能够产生与一些经典的非线性滤波算法相同的效果,但其中的大多数算法都只是针对某一特定类型的噪声产生的,对混合噪声的去除能力较差;对于包含多种混合噪声的图像由于去噪不彻底出现识别误差,从而影响工件的等级分选;若误用了质量不合格的工件,小则影响工件的使用寿命,大则造成人身伤害。
发明内容
为解决上述问题,本发明的目的在于提供一种具有自适应能力,并且普遍性和稳定性良好的图像处理方法。
本发明解决其问题所采用的技术方案,包括以下步骤:
A.用X射线透射金属工件,利用材料属性对X射线吸收程度的差异形成工件的灰度图像;
B.构建灰度图像滤波器,并根据滤波器中各像素的灰度值和加权系数获得图像中心像素的灰度值的计算方法;
C.以图像中心像素和邻域像素的灰度差为基础,自适应计算反映各像素噪声污染程度的加权系数,有效改善滤波效果,增强图像信息;
D.输入去噪图像,根据金属工件X射线图像的质量等级检测完成图像识别,从而完成X射线探伤等级分选系统的图像处理任务。
本发明的有益效果是:
在复杂的图像处理任务中,本发明利用模糊增强方法消除图像噪声并保护图像的细节信息,有效识别工件质量等级,稳定地完成金属工件的图像处理任务,具有自适应性强,准确、有效性高的有益效果。
附图说明
图1 一种金属工件等级分选系统的图像处理方法的整体流程图
图2 X射线透射原理图
图3 十字形窗口
图4 模糊子集与差异度之间的线性关系
图5 金属工件质量等级分选。
具体实施方式
参照图1至图5,本发明所述的方法包括以下步骤:
A.用X射线透射金属工件,利用材料属性对X射线吸收程度的差异形成工件的灰度图像;
(1)当X射线穿过不同介质时,由于介质对射线有吸收和散射的作用,因此不同介质对射线的吸收程度出现差异,射线在介质中被吸收的程度呈负指数规律变化,假设一束射线的强度为,当其穿过厚度为d的介质时,则穿过该介质的射线强度为:
其中,为穿过介质后的射线强度,/>为射线初始强度,/>为射线的衰减系数,/>为介质的厚度;
(2)从X射线源发射出来的X射线透过金属工件时,由于缺陷内部介质对光线的吸收能力和工件的完好部位不同,因而透射过缺陷部位的射线强度不同于周围无缺陷的部位,从而获得灰度值不同的X射线图像;
B.构建灰度图像滤波器,并根据滤波器中各像素的灰度值和加权系数获得图像中心像素的灰度值的计算方法;
(1)构建灰度图像滤波器并计算滤波器中各像素的灰度值;
假设原始灰度图像的像素灰度值为/>,噪声图像的像素灰度值为G/>,则图像噪声模型为
其中,为X射线图像中的混合噪声,i,j表示图像的位置;
首先以噪声图像中各位置的像素灰度值为基础建立十字形滤波窗口,窗口大小为/>表示第k个像素的灰度值,然后建立以/>为中心的十字形窗口计算窗口内各像素的加权系数,窗口大小为/>,/>表示第k个窗口内第t个像素的灰度值:
(2)根据中心像素与邻域像素之间的灰度差值和加权系数,计算中心像素的灰度值;
根据步骤(1)可知,第k个窗口内中心像素与邻域像素的灰度差的计算方式为:
其中,表示第k个窗口内中心像素的灰度值;
输入中心像素与邻域像素的灰度差值,经过模糊化推理获得相应的加权系数,根据窗口中的灰度值/>和加权系数/>,通过下列算式计算出中心像素的灰度值/>:
其中,k表示第k个窗口,4N为十字形滤波窗口地窗口数量;
C.以图像中心像素和邻域像素的灰度差为基础,自适应计算反映各像素噪声污染程度的加权系数,有效抑制噪声像素对其邻域像素的影响,改善滤波效果;
(1)利用中心像素与邻域像素的灰度差估计中心像素的噪声污染程度;
通过校正度/>和未校正的差异程度/>的大小来反映中心像素的噪声污染程度,校正度与灰度差之间的关系为:
未校正的差异程度与灰度差之间的关系为:
其中,S为噪声图像的灰度级,h为校正度的校正参数,为第k个窗口内中心像素与邻域像素的灰度差,校正后中心像素与邻域像素的差异度可表示为:
当校正后的差异度/>都很大时表示中心像素的噪声污染程度较大,应减小其加权系数;相反,差异度/>都很小时应增大其加权系数;
(2)利用TS模糊模型中的If-Then模糊规则模糊化推理获得相应的加权系数,从而控制中心像素的差异度,有效抑制噪声像素对其邻域像素的影响;
令/>表示模糊系统的第m条规则,其模糊蕴含条件句可表示为:
…
对加权系数进行模糊推理的模糊规则共有条,其中/>表示两个模糊子集,表示第t个像素与中心像素之间的差异度,4M表示第k个窗口中邻域像素的数量,为第m条规则中/>隶属于模糊子集A的数量;/>中两个模糊子集的模糊隶属函数与差异度之间的关系如图4所示:
其中,a和b分别表示模糊子集的调整参数;
通过计算所有模糊规则输出/>的加权平均值求得加权系数 />:
其中,表示第m条模糊规则的真真实数值,4M表示第k个窗口中邻域像素的数量;通过调整加权系数有效抑制噪声像素对邻域像素的影响,利用各像素的加权系数和灰度值计算求得去噪后的像素值;
D.输入去噪图像,根据金属工件X射线图像的质量等级检测完成图像识别,从而完成X射线探伤等级分选系统的图像处理任务。
首先在用于检测金属工件质量的检测系统中分别输入完整工件与有缺陷工件的X射线图像,通过设定阈值对金属工件进行等级分选;获取去噪后的X射线图像,检测系统根据去噪图像与系统检测过程中的图像得对比结果,检测金属工件的质量;若工件完整则直接识别等级;若金属工件有缺陷,则根据缺陷程度所在的阈值范围识别金属工件的等级,从而完成X射线探伤等级分选系统的图像处理任务。
综上所述,便实现了一种金属工件等级分选系统的图像处理方法。在复杂的图像处理任务中,本发明利用模糊增强方法消除图像噪声并保护图像的细节信息,有效识别工件质量等级,稳定地完成金属工件的图像处理任务,具有自适应性强,准确、有效性高的有益效果。
Claims (1)
1.一种金属工件等级分选系统的图像处理方法,其特征在于:所述方法包括以下步骤:
A.用X射线透射金属工件,利用材料属性对X射线吸收程度的差异形成工件的灰度图像;
(1)当X射线穿过不同介质时,由于介质对射线有吸收和散射的作用,因此不同介质对射线的吸收程度出现差异,射线在介质中被吸收的程度呈负指数规律变化,假设一束射线的强度为Qs,当其穿过厚度为d的介质时,则穿过该介质的射线强度为:
Qo=Qsexp(-δd)
其中,Qo为穿过介质后的射线强度,Qs为射线初始强度,δ为射线的衰减系数,d为介质的厚度;
(2)从X射线源发射出来的X射线透过金属工件时,由于缺陷内部介质对光线的吸收能力和工件的完好部位不同,因而透射过缺陷部位的射线强度不同于周围无缺陷的部位,从而获得灰度值不同的X射线图像;
B.构建灰度图像滤波器,并根据滤波器中各像素的灰度值和加权系数获得图像中心像素的灰度值的计算方法;
(1)构建灰度图像滤波器并计算滤波器中各像素的灰度值;
①假设原始灰度图像的像素灰度值为Gpicture(i,j),噪声图像的像素灰度值为G(i,j),则图像噪声模型为
G(i,j)=Gpicture(i,j)+Gnoise(i,j)
其中,Gnoise(i,j)为X射线图像中的混合噪声,i,j表示图像的位置;
②首先以噪声图像中各位置的像素灰度值为基础建立十字形滤波窗口,窗口大小为2N×2N,Gk(i,j)表示第k个像素的灰度值,然后建立以Gk(i,j)为中心的十字形窗口计算窗口内各像素的加权系数,窗口大小为2M×2M(M≤N),Gk,t(i,j)表示第k个窗口内第t个像素的灰度值:
(2)根据中心像素与邻域像素之间的灰度差值和加权系数,计算中心像素的灰度值;
①根据步骤(1)可知,第k个窗口内中心像素与邻域像素的灰度差的计算方式为:
其中,Gk,0(i,j)表示第k个窗口内中心像素的灰度值;
②输入中心像素与邻域像素的灰度差值,经过模糊化推理获得相应的加权系数Wk(i,j),根据窗口中的灰度值Gk(i,j)和加权系数Wk(i,j),通过下列算式计算出中心像素的灰度值Gcenter(i,j):
其中,k表示第k个窗口,4N为十字形滤波窗口的窗口数量;
C.以图像中心像素和邻域像素的灰度差为基础,自适应计算反映各像素噪声污染程度的加权系数,有效抑制噪声像素对其邻域像素的影响,改善滤波效果;
(1)利用中心像素与邻域像素的灰度差估计中心像素的噪声污染程度;
①通过校正度checkk,t(i,j)和未校正的差异程度的大小来反映中心像素的噪声污染程度,校正度与灰度差之间的关系为:
未校正的差异程度与灰度差之间的关系为:
其中,S为噪声图像的灰度级,h为校正度的校正参数,为第k个窗口内中心像素与邻域像素的灰度差,校正后中心像素与邻域像素的差异度可表示为:
②当校正后的差异度都很大时表示中心像素的噪声污染程度较大,应减小其加权系数;相反,差异度/>都很小时应增大其加权系数;
(2)利用TS模糊模型中的If-Then模糊规则模糊化推理获得相应的加权系数Wk(i,j),从而控制中心像素的差异度,有效抑制噪声像素对其邻域像素的影响;
①令Rm表示模糊系统的第m条规则;
②通过计算所有模糊规则输出Wk,m(i,j)的加权平均值求得加权系数Wk(i,j):
其中,表示第m条模糊规则的真实数值,4M表示第k个窗口中邻域像素的数量,{A,B}表示两个模糊子集,Numm为第m条规则中/>隶属于模糊子集A的数量;通过调整加权系数有效抑制噪声像素对邻域像素的影响,利用各像素的加权系数和灰度值计算求得去噪后的像素值;
D.输入去噪图像,根据金属工件X射线图像的质量等级检测完成图像识别,从而完成X射线探伤等级分选系统的图像处理任务。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910986762.6A CN111445434B (zh) | 2019-10-17 | 2019-10-17 | 一种金属工件等级分选系统的图像处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910986762.6A CN111445434B (zh) | 2019-10-17 | 2019-10-17 | 一种金属工件等级分选系统的图像处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111445434A CN111445434A (zh) | 2020-07-24 |
CN111445434B true CN111445434B (zh) | 2023-10-13 |
Family
ID=71650608
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910986762.6A Active CN111445434B (zh) | 2019-10-17 | 2019-10-17 | 一种金属工件等级分选系统的图像处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111445434B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114986520B (zh) * | 2022-07-28 | 2022-10-28 | 广东毕要科技有限公司 | 一种基于机器视觉的四轴并联机器人分拣系统及方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6175657B1 (en) * | 1997-05-12 | 2001-01-16 | Sgs-Thomson Microelectronics S.R.L. | Adaptive intrafield reducing of Gaussian noise by fuzzy logic processing |
JP2002340820A (ja) * | 2001-05-14 | 2002-11-27 | Matsushita Electric Ind Co Ltd | デジタルx線検査装置とそれを用いた自動検査システム |
US6535860B1 (en) * | 1999-08-02 | 2003-03-18 | National Science Council | Design and hardware synthesis of adaptive weighted fuzzy mean image filter |
CN101547308A (zh) * | 2008-03-25 | 2009-09-30 | 索尼株式会社 | 图像处理装置、图像处理方法和程序 |
CN102175701A (zh) * | 2011-02-11 | 2011-09-07 | 王慧斌 | 工业x射线机在线探伤检测系统及方法 |
CN103236046A (zh) * | 2013-04-28 | 2013-08-07 | 南京理工大学 | 基于图像形态模糊隶属度的分数阶自适应相干斑滤波方法 |
CN103903224A (zh) * | 2012-12-25 | 2014-07-02 | 腾讯科技(深圳)有限公司 | 数字图像条带噪声的处理方法及装置 |
CN106910169A (zh) * | 2017-01-26 | 2017-06-30 | 苏州大学 | 一种防止边缘模糊的图像椒盐噪声去除方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2280376B1 (en) * | 2002-02-12 | 2015-10-28 | Panasonic Intellectual Property Corporation of America | Image processing apparatus and image processing method |
RU2441281C1 (ru) * | 2011-01-14 | 2012-01-27 | Закрытое Акционерное Общество "Импульс" | Способ оценки шума цифровых рентгенограмм |
-
2019
- 2019-10-17 CN CN201910986762.6A patent/CN111445434B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6175657B1 (en) * | 1997-05-12 | 2001-01-16 | Sgs-Thomson Microelectronics S.R.L. | Adaptive intrafield reducing of Gaussian noise by fuzzy logic processing |
US6535860B1 (en) * | 1999-08-02 | 2003-03-18 | National Science Council | Design and hardware synthesis of adaptive weighted fuzzy mean image filter |
JP2002340820A (ja) * | 2001-05-14 | 2002-11-27 | Matsushita Electric Ind Co Ltd | デジタルx線検査装置とそれを用いた自動検査システム |
CN101547308A (zh) * | 2008-03-25 | 2009-09-30 | 索尼株式会社 | 图像处理装置、图像处理方法和程序 |
CN102175701A (zh) * | 2011-02-11 | 2011-09-07 | 王慧斌 | 工业x射线机在线探伤检测系统及方法 |
CN103903224A (zh) * | 2012-12-25 | 2014-07-02 | 腾讯科技(深圳)有限公司 | 数字图像条带噪声的处理方法及装置 |
CN103236046A (zh) * | 2013-04-28 | 2013-08-07 | 南京理工大学 | 基于图像形态模糊隶属度的分数阶自适应相干斑滤波方法 |
CN106910169A (zh) * | 2017-01-26 | 2017-06-30 | 苏州大学 | 一种防止边缘模糊的图像椒盐噪声去除方法 |
Non-Patent Citations (1)
Title |
---|
张旭明,徐滨士,董世运,甘小明.自适应中值-加权均值混合滤波器.《光学技术》.2004,第30卷(第30期),第654-655页,图1-2. * |
Also Published As
Publication number | Publication date |
---|---|
CN111445434A (zh) | 2020-07-24 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115063404B (zh) | 基于x射线探伤的耐候钢焊缝质量检测方法 | |
Harikiran et al. | Impulse noise removal in digital images | |
CN103279931B (zh) | 基于透射率的去雾图像去噪方法 | |
Jana et al. | Pixel density based trimmed median filter for removal of noise from surface image | |
CN110047055B (zh) | 一种红外图像细节增强及去噪方法 | |
CN107038688A (zh) | 基于Hessian矩阵的图像噪点检测及去噪方法 | |
CN104318529A (zh) | 处理在恶劣环境中所拍摄低照度图像的方法 | |
CN111353968B (zh) | 一种基于盲元检测与分析的红外图像质量评价方法 | |
CN110659675A (zh) | 一种基于AdaBoost算法的焊缝缺陷检测方法 | |
CN111445434B (zh) | 一种金属工件等级分选系统的图像处理方法 | |
CN108447031A (zh) | 一种红外图像热背景噪声校正的方法 | |
Sangave et al. | Impulse noise detection and removal by modified boundary discriminative noise detection technique | |
CN115272184A (zh) | 基于优化工业图像质量的缺陷识别方法 | |
Shi et al. | Dissimilar pixel counting based impulse detector for two-phase mixed noise removal | |
Khellah | Textured image denoising using dominant neighborhood structure | |
Gupta et al. | Image noise removal with detail preservation for random valued impulse noise | |
Karthikeyan et al. | Hybrid approach of efficient decision-based algorithm and fuzzy logic for the removal of high density salt and pepper noise in images | |
Karthikeyan et al. | Efficient decision based algorithm for the removal of high density salt and pepper noise in images | |
Hsieh et al. | Estimation of pm 2.5 concentration based on support vector regression with improved dark channel prior and high frequency information in images | |
CN110533605B (zh) | 一种精确噪点标定方法 | |
Ashok et al. | Adaptive impulse detection based selective window median filter for removal of random-valued impulse noise in digital images | |
CN108537807A (zh) | 一种基于高分四号卫星影像改进的边缘增强检测方法 | |
CN113506259A (zh) | 一种基于融合网络的图像模糊判别方法及系统 | |
Chou et al. | Multi-level adaptive switching filters for highly corrupted images | |
Iqbal et al. | High density impulse noise reduction by denoising neighbor pixels |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230914 Address after: Room 102, Building 11, No. 88 Binhe Road, Qingshanhu Street, Lin'an District, Hangzhou City, Zhejiang Province, 311300 Applicant after: Hangzhou Yunbi Technology Co.,Ltd. Address before: 264000 No. 1, Lanhai Road, Laishan District, Yantai City, Shandong Province Applicant before: Yantai Aiyi New Energy Co.,Ltd. |
|
GR01 | Patent grant | ||
GR01 | Patent grant |