CN112016638A - 一种钢筋簇的识别方法、装置、设备及存储介质 - Google Patents
一种钢筋簇的识别方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN112016638A CN112016638A CN202011151752.XA CN202011151752A CN112016638A CN 112016638 A CN112016638 A CN 112016638A CN 202011151752 A CN202011151752 A CN 202011151752A CN 112016638 A CN112016638 A CN 112016638A
- Authority
- CN
- China
- Prior art keywords
- steel bar
- measured
- cluster
- network model
- dimensional image
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Medical Informatics (AREA)
- Multimedia (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种钢筋簇的识别方法、装置、设备及存储介质。该方法包括:获取被测钢筋簇的三维点云数据,并基于所述三维点云数据确定被测二维图像;将所述被测二维图像输入到预先训练完成的目标神经网络模型中,得到输出的所述被测钢筋簇对应的钢筋类别。本发明实施例通过采集钢筋簇的三维点云数据,基于三维点云数据确定被测二维图像,并对被测二维图像通过目标神经网络模型进行分类,得到钢筋簇所属的钢筋类别,解决了现有技术识别钢筋簇类别的分类效果差的问题,提高了对钢筋簇所属类别的识别结果的准确度,进而有助于后续的自动化施工操作的执行,提高了建筑工程的工作效率。
Description
技术领域
本发明实施例涉及建筑工程技术领域,尤其涉及一种钢筋簇的识别方法、装置、设备及存储介质。
背景技术
当前智能制造技术日益成熟,各行各业对自动化的需求也日益旺盛。尤其像建筑施工这种高危领域,对建筑施工自动化的需求更为迫切。实现施工自动化首要步骤就是实现对施工现场的测绘,使用各种传感器尽可能全面的获取施工现场的二维或者三维测绘数据,以便于后续施工机器人对在该施工现场进行安全作业和施工成果验收等工作。
钢筋簇是施工现场中的主要部件之一,通过对钢筋簇类型的判断,可以定位出建筑机器人的工作范围的边界,进而有助于自动化施工的实施。目前已知相关技术可以实现对建筑场景中的物体,如桌子、椅子等,以及室外道路、房屋等物体进行分割和识别。但其所用技术大都是语义分割、形状拟合和轮廓提取等技术手段。而对于建筑施工场景中的钢筋簇等外形细长的建筑材料,难以构成规则的几何形状,因此这些方法难以适用。
发明内容
本发明实施例提供了一种钢筋簇的识别方法、装置、设备及存储介质,提高对钢筋簇所属类别的识别结果的准确度,进而有助于后续的自动化施工操作的执行,提高建筑工程的工作效率。
第一方面,本发明实施例提供了一种钢筋簇的识别方法,该方法包括:
获取被测钢筋簇的三维点云数据,并基于所述三维点云数据确定被测二维图像;
将所述被测二维图像输入到预先训练完成的目标神经网络模型中,得到输出的所述被测钢筋簇对应的钢筋类别。
进一步地,所述基于所述三维点云数据确定被测二维图像,包括:
将所述三维点云数据所在的相机坐标系与预设角度下的被测钢筋簇所在的世界坐标系对齐,以使所述相机坐标系的坐标轴与所述世界坐标系的坐标轴平行;
将对齐后的三维点云数据投影到图像坐标系中,并对投影得到的投影图像进行缩放处理得到被测二维图像。
这样设置的好处在于,将三维点云数据所在的相机坐标系与预设角度下的被测钢筋簇所在的世界坐标系对齐,可以增加被测二维图像中的图像信息,进而提高分类结果的准确度。对投影图像进行缩放处理,可以统一二维图像的大小,从而有助于提高目标神经网络模型的训练效率。
进一步地,所述目标神经网络模型的训练方法,包括:
获取样本钢筋簇的至少一个三维点云数据,并基于各所述三维点云数据确定至少一个样本二维图像;
基于所述样本二维图像及与各所述样本二维图像分别对应的真实钢筋类别构建样本数据集;其中,所述样本数据集包括训练样本集;
基于训练样本集对初始神经网络模型进行训练,当满足预设条件时,得到训练完成的目标神经网络模型。
进一步地,所述样本数据集还包括测试样本集,相应的,在得到训练完成的目标神经网络模型之后,还包括:
基于测试样本集对所述目标神经网络模型进行测试,如果测试结果不满足预设分类标准,则继续对所述目标神经网络模型进行训练。
进一步地,所述目标神经网络模型包括目标特征提取模型和目标分类模型,相应的,所述将所述被测二维图像输入到预先训练完成的目标神经网络模型中,得到输出的所述被测钢筋簇对应的钢筋类别,包括:
将所述被测二维图像输入到所述目标特征提取模型中,得到输出的所述被测二维图像的被测特征向量;
将所述被测特征向量输入到目标分类模型中,得到输出的所述被测钢筋簇对应的钢筋类别。
进一步地,所述目标分类模型,用于:
将所述被测特征向量对应的高斯分布与已保存的至少一个参考特征向量对应的高斯分布进行欧式距离匹配,得到至少一个匹配距离;
将满足预设匹配条件的匹配距离对应的参考特征向量作为目标特征向量,并将所述目标特征向量对应的钢筋类别作为被测钢筋簇对应的钢筋类别;其中,所述预设匹配条件包括匹配距离最小且匹配距离小于被测钢筋簇的实际长度。
进一步地,所述目标分类模型,还用于:
如果目标分类模型中不存在已保存的参考特征向量,或各所述匹配距离均不满足预设匹配条件,则将所述被测特征向量作为参考特征向量保存在目标分类模型中。
这样设置的好处在于,可以实现对不属于训练样本集中的钢筋类别的识别,提高钢筋簇识别的适应性。
进一步地,所述基于训练样本集对初始神经网络模型进行训练,当满足预设条件时,得到训练完成的目标神经网络模型,包括:
基于训练样本集中的样本二维图像对初始特征提取模型进行训练,得到训练完成的目标特征提取模型;
基于训练样本集中的样本二维图像、真实钢筋类别以及所述目标特征提取模型,对初始分类模型进行训练,得到训练完成的目标分类模型。
进一步地,所述初始特征提取模型包括初始编码网络模型和初始解码网络模型,所述目标特征提取模型包括训练完成的目标编码网络模型。
进一步地,所述目标编码网络模型为基于预设网络结构构建的网络模型,其中,所述预设网络结构包括Alexnet网络结构、VGG网络结构或Resnet网络结构。
第二方面,本发明实施例还提供了一种钢筋簇的识别装置,该装置包括:
被测二维图像确定模块,用于获取被测钢筋簇的三维点云数据,并基于所述三维点云数据确定被测二维图像;
钢筋类别输出模块,用于将所述被测二维图像输入到预先训练完成的目标神经网络模型中,得到输出的所述被测钢筋簇对应的钢筋类别。
第三方面,本发明实施例还提供了一种电子设备,该电子设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行时,使得所述一个或多个处理器实现上述所涉及的任一所述的钢筋簇的识别方法。
第四方面,本发明实施例还提供了一种包含计算机可执行指令的存储介质,所述计算机可执行指令在由计算机处理器执行时用于执行上述所涉及的任一所述的钢筋簇的识别方法。
本发明实施例通过采集钢筋簇的三维点云数据,基于三维点云数据确定被测二维图像,并对被测二维图像通过目标神经网络模型进行分类,得到钢筋簇所属的钢筋类别,解决了现有技术识别钢筋簇类别的分类效果差的问题,提高了对钢筋簇所属类别的识别结果的准确度,进而有助于后续的自动化施工操作的执行,提高了建筑工程的工作效率。
附图说明
图1是本发明实施例一提供的一种钢筋簇的识别方法的流程图;
图2是本发明实施例一提供的一种样本二维图像的示意图;
图3是本发明实施例二提供的一种钢筋簇的识别方法的流程图;
图4是本发明实施例二提供的一种钢筋簇的识别方法的具体实例的示意图;
图5是本发明实施例二提供的一种特征提取模型的示意图;
图6是本发明实施例三提供的一种钢筋簇的识别装置的示意图;
图7是本发明实施例四提供的一种电子设备的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
图1是本发明实施例一提供的一种钢筋簇的识别方法的流程图,本实施例可适用于对建筑场景中的钢筋簇进行分类识别的情况,该方法可以由钢筋簇的识别装置来执行,该装置可采用软件和/或硬件的方式实现,该装置可以配置于终端设备中,示例性的,终端设备可以是移动终端、服务器、台式机和平板电脑等智能终端。具体包括如下步骤:
S110、获取被测钢筋簇的三维点云数据,并基于三维点云数据确定被测二维图像。
其中,钢筋簇是指钢筋在建筑施工过程中被扎成一簇一簇的各种不同形态。其中,三维点云数据包括表达物体在空间分布和表面特征的三维点集合,点云数据通常包括位置信息、物体颜色和反射强度等信息。其中,示例性的,采用三维激光扫描仪采集被测钢筋簇的三维点云数据。
在一个实施例中,可选的,将三维点云数据所在的相机坐标系与预设角度下的被测钢筋簇所在的世界坐标系对齐,以使相机坐标系的坐标轴与世界坐标系的坐标轴平行;将对齐后的三维点云数据投影到图像坐标系中,并对投影得到的投影图像进行缩放处理得到被测二维图像。
当钢筋簇的扫描平面与钢筋簇的正面平行时,三维点云数据会更密集,从而会包含更多的点云信息。其中,具体的,预设角度下的被测钢筋簇对应正面角度的被测钢筋簇。示例性的,将包含最多图像信息的角度作为正面角度。由于三维激光扫描仪在扫描建筑工地中的钢筋簇时,并不能保证扫描平面为平行于钢筋簇的正面,因此,采集到的三维点云数据所在的相机坐标系与预设角度下的被测钢筋簇所在的世界坐标系之间会存在一定的夹角。其中,示例性的,将三维点云数据中的点云坐标进行旋转和/或平移,直到相机坐标系的坐标轴与世界坐标系的坐标轴平行,也就是三维点云数据的外接椭圆的三个相互垂直的轴线与世界坐标系的坐标轴对齐。具体的,对三维点云数据进行椭圆拟合得到外接椭圆。这样设置的好处在于,使得投影到图像坐标系中的投影图像包含更多的图像信息,从而提高后续的分类结果的准确度。
其中,示例性的,图像坐标系包括世界坐标系的任一平面,示例性的,图像坐标系也可以是世界坐标系的XOY平面、YOZ平面或XOZ平面。其中,具体的,当三维点云数据投影的图像坐标系为世界坐标系的XOY平面时,被测二维图像的像素点坐标满足公式:
其中,表示缩放比例,和分别表示三维点云数据的横坐标和纵坐标,和分别表示三维点云数据的最小横坐标和最大横坐标,和分别表示三维点云
数据的最小纵坐标和最大纵坐标。示例性的,缩放后的被测二维图像的分辨率为300400。
这样设置的好处在于,可以统一被测二维图像的图像大小,从而有助于提高对目标神经网
络模型的训练效率。
S120、将被测二维图像输入到预先训练完成的目标神经网络模型中,得到输出的被测钢筋簇对应的钢筋类别。
在一个实施例中,可选的,目标神经网络模型的训练方法,包括:获取样本钢筋簇的至少一个三维点云数据,并基于各三维点云数据确定至少一个样本二维图像;基于样本二维图像及与各样本二维图像分别对应的真实钢筋类别构建样本数据集;其中,样本数据集包括训练样本集;基于训练样本集对初始神经网络模型进行训练,当满足预设条件时,得到训练完成的目标神经网络模型。
其中,基于各三维点云数据确定至少一个样本二维图像,具体的,针对每个三维点云数据,确定该三维点云数据在至少一个图像坐标系上的投影图像,基于各投影图像进行缩放处理,得到至少一个样本二维图像。其中,示例性的,投影图像包括正面投影图像和侧面投影图像,投影图像还包括三维点云数据在任一投影角度下的投影图像。这样设置的好处在于既可以增加样本量,也可以提高训练得到的目标神经网络模型的泛化能力。
图2是本发明实施例一提供的一种样本二维图像的示意图。图2中的A图表示正面投影得到的样本二维图像,B图表示同一三维点云数据侧面投影得到的样本二维图像,具体的,正面投影和侧面投影的角度差为90°。需要说明的是,图2是对样本二维图像进行示例性说明,样本二维图像可以为灰度图像,也可以是彩色图像。此处对样本二维图像中的背景颜色和样本钢筋簇图像的颜色不作限定。
其中,具体的,对样本二维图像进行标注,得到样本二维图像的真实钢筋类别。示例性的,真实钢筋类别可以是立方体、三角形的、两边高中间低的、稀疏的和稠密的等类别,也可以是数字类别,如0、1、2、3和4等自然数。设置成数字类别的好处在于,由于样本数据集中的真实钢筋类别可能并不包含被测钢筋簇的钢筋类别,在实际应用过程中,会出现目标神经网络模型无法分类的情况。将真实钢筋类别设置为自然数,当实际应用中出现未知钢筋类别时,目标神经网络模型可以产生一个新的自然数,以对被测钢筋簇的钢筋类别进行标注,后续可以再根据该类别中的被测二维图像进行对应命名分类。
在一个实施例中,可选的,样本数据集还包括测试样本集,相应的,在得到训练完成的目标神经网络模型之后,还包括:基于测试样本集对目标神经网络模型进行测试,如果测试结果不满足预设分类标准,则继续对目标神经网络模型进行训练。
其中,示例性的,预设分类标准包括正确率、海明距离、杰卡德相似系数和Kappa系数中至少一种。其中,具体的,正确率是指分类正确的样本占总样本的比例。海明距离表示输出的预测钢筋类别与真实钢筋类别之间的距离,取值在0-1之间,0表示预测结果与真实结果完全相同,1表示预测结果与真实结果完全不同。杰卡德相似系数与海明距离相反,1表示预测结果与真实结果完全相同,0表示预测结果与真实结果完全不同。Kappa系数的系数越高,表示模型的分类准确率越高。
其中,具体的,如果测试结果不满足预设分类标准,则继续对目标神经网络模型进行训练,直到测试结果满足预设分类标准。如果测试结果满足预设分类标准,则将当前的目标神经网络模型作为最终训练完成的目标神经网络模型。
本实施例的技术方案,通过采集钢筋簇的三维点云数据,基于三维点云数据确定被测二维图像,并对被测二维图像通过目标神经网络模型进行分类,得到钢筋簇所属的钢筋类别,解决了现有技术识别钢筋簇类别的分类效果差的问题,提高了对钢筋簇所属类别的识别结果的准确度,进而有助于后续的自动化施工操作的执行,提高了建筑工程的工作效率。
实施例二
图3是本发明实施例二提供的一种钢筋簇的识别方法的流程图,本实施例的技术方案是上述实施例的基础上的进一步细化。可选的,所述目标神经网络模型包括目标特征提取模型和目标分类模型,相应的,所述将所述被测二维图像输入到预先训练完成的目标神经网络模型中,得到输出的所述被测钢筋簇对应的钢筋类别,包括:将所述被测二维图像输入到所述目标特征提取模型中,得到输出的所述被测二维图像的被测特征向量;将所述被测特征向量输入到目标分类模型中,得到输出的所述被测钢筋簇对应的钢筋类别。
本实施例的具体实施步骤包括:
S210、获取被测钢筋簇的三维点云数据,并基于三维点云数据确定被测二维图像。
S220、将被测二维图像输入到目标特征提取模型中,得到输出的被测二维图像的被测特征向量。
在一个实施例中,可选的,目标特征提取模型,用于:对被测二维图像进行降维处理,得到被测钢筋簇的被测特征向量。其中,示例性的,目标特征提取模型将被测二维图像的维度降到512维。
S230、将被测特征向量输入到目标分类模型中,得到输出的被测钢筋簇对应的钢筋类别。
在一个实施例中,可选的,目标分类模型的类型为聚类模型。其中,示例性的,目标分类模型采用的聚类算法包括但不限于最大期望聚类(ExpectationMaxmization,EM)和K均值聚类(k-MeansClustering,k-Means)。
在一个实施例中,可选的,目标分类模型,用于:将被测特征向量对应的高斯分布与已保存的至少一个参考特征向量对应的高斯分布进行欧式距离匹配,得到至少一个匹配距离;将满足预设匹配条件的匹配距离对应的参考特征向量作为目标特征向量,并将目标特征向量对应的钢筋类别作为被测钢筋簇对应的钢筋类别。
在本实施例中,将二维图像的特征向量定义为符合某一高斯分布的特征向量。具体的,将样本特征向量和参考特征向量分别进行高斯分布拟合,得到样本高斯分布和参考高斯分布,计算样本高斯分布与参考高斯分布之间的欧氏距离,即匹配距离。在本实施例中,预设匹配条件包括匹配距离最小且匹配距离小于被测钢筋簇的实际长度。
在一个实施例中,可选的,目标分类模型,还用于:如果目标分类模型中不存在已保存的参考特征向量,或各匹配距离均不满足预设匹配条件,则将被测特征向量作为参考特征向量保存在目标分类模型中。
其中,具体的,当训练目标分类模型时使用的训练样本集中不包含与被测钢筋簇对应的钢筋类别时,训练得到的目标分类模型中可能不包含与被测钢筋簇的钢筋类别对应的参考特征向量,将被测特征向量作为参考特征向量保存在目标分类模型中,即得到一个新的钢筋类别。这样设置的好处在于,由于真实建筑环境中的钢筋簇的钢筋类别多种多样,目标神经网络模型对应的训练样本无法涵盖所有的钢筋类别。基于聚类算法的目标分类模型可以实现对未标注过的钢筋类别进行识别,从而提高目标分类模型的适应性和钢筋簇的识别结果的准确度。
图4是本发明实施例二提供的一种钢筋簇的识别方法的具体实例的示意图。如图4所示,获取建筑工地中采集到的钢筋簇的三维点云数据,对三维点云数据进行方向校正,并对校正后的三维点云数据进行投影得到投影图像。对投影图像进行缩放处理得到被测二维图像,图4中示出了5张被测二维图像。将5张被测二维图像输入到目标神经网络模型中,目标神经网络模型中的目标特征提取模型对被测二维图像进行降维处理,输出各被测二维图像对应的被测特征向量。目标神经网络模型中的目标分类模型对被测特征向量进行聚类分类,输出各被测二维图像对应的钢筋类别。在本实施例中,钢筋类别用类别数字表示。
在上述实施例的基础上,可选的,基于训练样本集对初始神经网络模型进行训练,当满足预设条件时,得到训练完成的目标神经网络模型,包括:基于训练样本集中的样本二维图像对初始特征提取模型进行训练,得到训练完成的目标特征提取模型;基于训练样本集中的样本二维图像、真实钢筋类别以及目标特征提取模型,对初始分类模型进行训练,得到训练完成的目标分类模型。
在一个实施例中,可选的,初始特征提取模型包括初始编码网络模型和初始解码网络模型,目标特征提取模型包括训练完成的目标编码网络模型。图5是本发明实施例二提供的一种特征提取模型的示意图。如图5所示,初始特征提取模型包括初始编码网络模型和初始解码网络模型。具体的,将样本二维图像输入到初始特征提取模型中,初始特征提取模型中的初始编码网络模型对输入的样本二维图像进行编码处理,输出样本特征向量。初始解码网络模型基于初始编码网络模型输出的样本特征向量进行解码处理,输出预测二维图像。基于样本二维图像和预测二维图像对初始特征提取模型进行训练,得到训练完成的目标编码网络模型和目标解码网络模型。示例性的,当基于样本二维图像和预测二维图像计算的损失函数值收敛时,得到训练完成的目标编码网络模型和目标解码网络模型。在本实施例中,目标特征提取模型为目标编码网络模型。将被测二维图像输入到目标编码网络模型中,得到输出的被测特征向量。
在一个实施例中,可选的,目标编码网络模型为基于预设网络结构构建的网络模型,其中,预设网络结构包括但不限于Alexnet网络结构、VGG网络结构或Resnet网络结构。其中,示例性的,VGG网络结构可以是VGG19网络结构或VGG16网络结构,其中,19和16表示VGG网络结构中隐藏层的层数。
本实施例的技术方案,通过将被测二维图像输入到目标特征提取模型中,得到输出的被测二维图像的被测特征向量,并将被测特征向量输入到目标分类模型中,得到输出的被测钢筋簇对应的钢筋类别,解决了钢筋簇分类过程中类别不确定的问题,实现对未知钢筋类别的钢筋簇图像进行聚类分析,得到输出的类别数字,后续可对不同类别数字对应的钢筋类别进行定义,从而得到被测钢筋簇所属的钢筋类别,进而有助于后续的自动化施工操作的执行,提高了建筑工程的工作效率。
实施例三
图6是本发明实施例三提供的一种钢筋簇的识别装置的示意图。本实施例可适用于对建筑场景中的钢筋簇进行分类识别的情况,该装置可采用软件和/或硬件的方式实现,该装置可以配置于终端设备中。该钢筋簇的识别装置包括:被测二维图像确定模块310和钢筋类别输出模块320。
其中,被测二维图像确定模块310,用于获取被测钢筋簇的三维点云数据,并基于三维点云数据确定被测二维图像;
钢筋类别输出模块320,用于将被测二维图像输入到预先训练完成的目标神经网络模型中,得到输出的被测钢筋簇对应的钢筋类别。
本实施例的技术方案,通过采集钢筋簇的三维点云数据,基于三维点云数据确定被测二维图像,并对被测二维图像通过目标神经网络模型进行分类,得到钢筋簇所属的钢筋类别,解决了现有技术识别钢筋簇类别的分类效果差的问题,提高了对钢筋簇所属类别的识别结果的准确度,进而有助于后续的自动化施工操作的执行,提高了建筑工程的工作效率。
在上述技术方案的基础上,可选的,被测二维图像确定模块310具体用于:
将所述三维点云数据所在的相机坐标系与预设角度下的被测钢筋簇所在的世界坐标系对齐,以使所述相机坐标系的坐标轴与所述世界坐标系的坐标轴平行;
将对齐后的三维点云数据投影到图像坐标系中,并对投影得到的投影图像进行缩放处理得到被测二维图像。
在上述技术方案的基础上,可选的,该装置还包括目标神经网络模型的训练模块,目标神经网络模型的训练模块包括:
样本二维图像确定单元,用于获取样本钢筋簇的至少一个三维点云数据,并基于各三维点云数据确定至少一个样本二维图像;
样本数据集构建单元,用于基于一个样本二维图像及与各样本二维图像分别对应的真实钢筋类别构建样本数据集;其中,样本数据集包括训练样本集;
目标神经网络模型训练单元,用于基于训练样本集对初始神经网络模型进行训练,当满足预设条件时,得到训练完成的目标神经网络模型。
在上述技术方案的基础上,可选的,样本数据集还包括测试样本集,目标神经网络模型的训练模块还包括:
目标神经网络模型测试单元,用于基于测试样本集对目标神经网络模型进行测试,如果测试结果不满足预设分类标准,则继续对目标神经网络模型进行训练。
在上述技术方案的基础上,可选的,目标神经网络模型包括目标特征提取模型和目标分类模型,钢筋类别输出模块320具体用于:
将被测二维图像输入到目标特征提取模型中,得到输出的被测二维图像的被测特征向量;
将被测特征向量输入到目标分类模型中,得到输出的被测钢筋簇对应的钢筋类别。
在上述技术方案的基础上,可选的,目标分类模型,用于:
将被测特征向量对应的高斯分布与已保存的至少一个参考特征向量对应的高斯分布进行欧式距离匹配,得到至少一个匹配距离;
将满足预设匹配条件的匹配距离对应的参考特征向量作为目标特征向量,并将目标特征向量对应的钢筋类别作为被测钢筋簇对应的钢筋类别;其中,预设匹配条件包括匹配距离最小且匹配距离小于被测钢筋簇的实际长度。
在上述技术方案的基础上,可选的,目标分类模型,还用于:
如果目标分类模型中不存在已保存的参考特征向量,或各匹配距离均不满足预设匹配条件,则将被测特征向量作为参考特征向量保存在目标分类模型中。
在上述技术方案的基础上,可选的,目标神经网络模型训练单元,具体用于:
基于训练样本集中的样本二维图像对初始特征提取模型进行训练,得到训练完成的目标特征提取模型;
基于训练样本集中的样本二维图像、真实钢筋类别以及目标特征提取模型,对初始分类模型进行训练,得到训练完成的目标分类模型。
在上述技术方案的基础上,可选的,初始特征提取模型包括初始编码网络模型和初始解码网络模型,目标特征提取模型包括训练完成的目标编码网络模型。
在上述技术方案的基础上,可选的,目标编码网络模型为基于预设网络结构构建的网络模型,其中,预设网络结构包括Alexnet网络结构、VGG网络结构或Resnet网络结构。
本发明实施例所提供的钢筋簇的识别装置可以用于执行本发明实施例所提供的钢筋簇的识别方法,具备执行方法相应的功能和有益效果。
值得注意的是,上述钢筋簇的识别装置的实施例中,所包括的各个单元和模块只是按照功能逻辑进行划分的,但并不局限于上述的划分,只要能够实现相应的功能即可;另外,各功能单元的具体名称也只是为了便于相互区分,并不用于限制本发明的保护范围。
实施例四
图7是本发明实施例四提供的一种电子设备的结构示意图,本发明实施例为本发明上述实施例的钢筋簇的识别方法的实现提供服务,可配置上述实施例中的钢筋簇的识别装置。图7示出了适于用来实现本发明实施方式的示例性电子设备12的框图。图7显示的电子设备12仅仅是一个示例,不应对本发明实施例的功能和使用范围带来任何限制。
如图7所示,电子设备12以通用计算设备的形式表现。电子设备12的组件可以包括但不限于:一个或者多个处理器或者处理单元16,系统存储器28,连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种,包括存储器总线或者存储器控制器、外围总线、图形加速端口、处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说,这些体系结构包括但不限于工业标准体系结构(ISA)总线、微通道体系结构(MAC)总线、增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
电子设备12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被电子设备12访问的可用介质,包括易失性和非易失性介质,可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质,例如随机存取存储器(RAM)30和/或高速缓存存储器32。电子设备12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例,存储系统34可以用于读写不可移动的、非易失性磁介质(图7未显示,通常称为“硬盘驱动器”)。尽管图7中未示出,可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器,以及对可移动非易失性光盘(例如CD-ROM,DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下,每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品,该程序产品具有一组(例如至少一个)程序模块,这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40,可以存储在例如存储器28中,这样的程序模块42包括但不限于操作系统、一个或者多个应用程序、其它程序模块以及程序数据,这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
电子设备12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信,还可与一个或者多个使得用户能与该电子设备12交互的设备通信,和/或与使得该电子设备12能与一个或多个其它计算设备进行通信的任何设备(例如网卡,调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且,电子设备12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN),广域网(WAN)和/或公共网络,例如因特网)通信。如图7所示,网络适配器20通过总线18与电子设备12的其它模块通信。应当明白,尽管图中未示出,可以结合电子设备12使用其它硬件和/或软件模块,包括但不限于:微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
处理单元16通过运行存储在系统存储器28中的程序,从而执行各种功能应用以及数据处理,例如实现本发明实施例所提供的钢筋簇的识别方法。
通过上述设备,解决了现有技术识别钢筋簇类别的分类效果差的问题,提高了对钢筋簇所属类别的识别结果的准确度,进而有助于后续的自动化施工操作的执行,提高了建筑工程的工作效率。
实施例五
本发明实施例五还提供了一种包含计算机可执行指令的存储介质,计算机可执行指令在由计算机处理器执行时用于执行一种钢筋簇的识别方法,该方法包括:
获取被测钢筋簇的三维点云数据,并基于三维点云数据确定被测二维图像;
将被测二维图像输入到预先训练完成的目标神经网络模型中,得到输出的被测钢筋簇对应的钢筋类别。
本发明实施例的计算机存储介质,可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是但不限于电、磁、光、电磁、红外线、或半导体的系统、装置或器件,或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括:具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中,计算机可读存储介质可以是任何包含或存储程序的有形介质,该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号,其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式,包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质,该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输,包括但不限于无线、电线、光缆、RF等等,或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码,程序设计语言包括面向对象的程序设计语言,诸如Java、Smalltalk、C++,还包括常规的过程式程序设计语言,诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中,远程计算机可以通过任意种类的网络包括局域网(LAN)或广域网(WAN),连接到用户计算机,或者,可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
当然,本发明实施例所提供的一种包含计算机可执行指令的存储介质,其计算机可执行指令不限于如上的方法操作,还可以执行本发明任意实施例所提供的钢筋簇的识别方法中的相关操作。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (13)
1.一种钢筋簇的识别方法,其特征在于,包括:
获取被测钢筋簇的三维点云数据,并基于所述三维点云数据确定被测二维图像;
将所述被测二维图像输入到预先训练完成的目标神经网络模型中,得到输出的所述被测钢筋簇对应的钢筋类别。
2.根据权利要求1所述的方法,其特征在于,所述基于所述三维点云数据确定被测二维图像,包括:
将所述三维点云数据所在的相机坐标系与预设角度下的被测钢筋簇所在的世界坐标系对齐,以使所述相机坐标系的坐标轴与所述世界坐标系的坐标轴平行;
将对齐后的三维点云数据投影到图像坐标系中,并对投影得到的投影图像进行缩放处理得到被测二维图像。
3.根据权利要求1所述的方法,其特征在于,所述目标神经网络模型的训练方法,包括:
获取样本钢筋簇的至少一个三维点云数据,并基于各所述三维点云数据确定至少一个样本二维图像;
基于所述样本二维图像及与各所述样本二维图像分别对应的真实钢筋类别构建样本数据集;其中,所述样本数据集包括训练样本集;
基于训练样本集对初始神经网络模型进行训练,当满足预设条件时,得到训练完成的目标神经网络模型。
4.根据权利要求3所述的方法,其特征在于,所述样本数据集还包括测试样本集,相应的,在得到训练完成的目标神经网络模型之后,还包括:
基于测试样本集对所述目标神经网络模型进行测试,如果测试结果不满足预设分类标准,则继续对所述目标神经网络模型进行训练。
5.根据权利要求3所述的方法,其特征在于,所述目标神经网络模型包括目标特征提取模型和目标分类模型,相应的,所述将所述被测二维图像输入到预先训练完成的目标神经网络模型中,得到输出的所述被测钢筋簇对应的钢筋类别,包括:
将所述被测二维图像输入到所述目标特征提取模型中,得到输出的所述被测二维图像的被测特征向量;
将所述被测特征向量输入到目标分类模型中,得到输出的所述被测钢筋簇对应的钢筋类别。
6.根据权利要求5所述的方法,其特征在于,所述目标分类模型,用于:
将所述被测特征向量对应的高斯分布与已保存的至少一个参考特征向量对应的高斯分布进行欧式距离匹配,得到至少一个匹配距离;
将满足预设匹配条件的匹配距离对应的参考特征向量作为目标特征向量,并将所述目标特征向量对应的钢筋类别作为被测钢筋簇对应的钢筋类别;其中,所述预设匹配条件包括匹配距离最小且匹配距离小于被测钢筋簇的实际长度。
7.根据权利要求6所述的方法,其特征在于,所述目标分类模型,还用于:
如果目标分类模型中不存在已保存的参考特征向量,或各所述匹配距离均不满足预设匹配条件,则将所述被测特征向量作为参考特征向量保存在目标分类模型中。
8.根据权利要求5所述的方法,其特征在于,所述基于训练样本集对初始神经网络模型进行训练,当满足预设条件时,得到训练完成的目标神经网络模型,包括:
基于训练样本集中的样本二维图像对初始特征提取模型进行训练,得到训练完成的目标特征提取模型;
基于训练样本集中的样本二维图像、真实钢筋类别以及所述目标特征提取模型,对初始分类模型进行训练,得到训练完成的目标分类模型。
9.根据权利要求8所述的方法,其特征在于,所述初始特征提取模型包括初始编码网络模型和初始解码网络模型,所述目标特征提取模型包括训练完成的目标编码网络模型。
10.根据权利要求9所述的方法,其特征在于,所述目标编码网络模型为基于预设网络结构构建的网络模型,其中,所述预设网络结构包括Alexnet网络结构、VGG网络结构或Resnet网络结构。
11.一种钢筋簇的识别装置,其特征在于,包括:
被测二维图像确定模块,用于获取被测钢筋簇的三维点云数据,并基于所述三维点云数据确定被测二维图像;
钢筋类别输出模块,用于将所述被测二维图像输入到预先训练完成的目标神经网络模型中,得到输出的所述被测钢筋簇对应的钢筋类别。
12.一种电子设备,其特征在于,所述电子设备包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1-10中任一所述的钢筋簇的识别方法。
13.一种包含计算机可执行指令的存储介质,其特征在于,所述计算机可执行指令在由计算机处理器执行时用于执行如权利要求1-10中任一所述的钢筋簇的识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011151752.XA CN112016638B (zh) | 2020-10-26 | 2020-10-26 | 一种钢筋簇的识别方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011151752.XA CN112016638B (zh) | 2020-10-26 | 2020-10-26 | 一种钢筋簇的识别方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112016638A true CN112016638A (zh) | 2020-12-01 |
CN112016638B CN112016638B (zh) | 2021-04-06 |
Family
ID=73528332
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011151752.XA Active CN112016638B (zh) | 2020-10-26 | 2020-10-26 | 一种钢筋簇的识别方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112016638B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112435331A (zh) * | 2020-12-07 | 2021-03-02 | 上海眼控科技股份有限公司 | 模型训练方法、点云生成方法、装置、设备及存储介质 |
CN113129271A (zh) * | 2021-03-26 | 2021-07-16 | 广州大学 | 一种建筑中钢筋间距的检测方法、系统、装置及存储介质 |
CN113400460A (zh) * | 2021-06-29 | 2021-09-17 | 江苏图知天下科技有限公司 | 一种钢筋的绑扎方法及绑扎装置 |
CN113450315A (zh) * | 2021-06-08 | 2021-09-28 | 北京伟景智能科技有限公司 | 棒材计数方法、装置及分钢系统 |
CN113873220A (zh) * | 2020-12-03 | 2021-12-31 | 上海飞机制造有限公司 | 一种偏差分析方法、装置、系统、设备及存储介质 |
CN114234819A (zh) * | 2021-12-23 | 2022-03-25 | 中交第二航务工程局有限公司 | 基于三维激光扫描的钢筋部品质量自动化检测方法 |
CN114972778A (zh) * | 2022-01-04 | 2022-08-30 | 上海品览数据科技有限公司 | 一种基于图像处理的结构专业板配筋属性的识别方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8059890B2 (en) * | 2005-03-04 | 2011-11-15 | Bach Klaus J | Method for implementing n-dimensional object recognition using dynamic adaptive recognition layers |
CN108734058A (zh) * | 2017-04-18 | 2018-11-02 | 百度在线网络技术(北京)有限公司 | 障碍物类型识别方法、装置、设备及存储介质 |
CN109344786A (zh) * | 2018-10-11 | 2019-02-15 | 深圳步智造科技有限公司 | 目标识别方法、装置及计算机可读存储介质 |
CN110032954A (zh) * | 2019-03-27 | 2019-07-19 | 成都数之联科技有限公司 | 一种钢筋智能识别与计数方法及系统 |
US20200005447A1 (en) * | 2018-07-02 | 2020-01-02 | Sri International | Computer aided rebar measurement and inspection system |
CN111652085A (zh) * | 2020-05-14 | 2020-09-11 | 东莞理工学院 | 基于2d与3d特征结合的物体识别方法 |
CN111695494A (zh) * | 2020-06-10 | 2020-09-22 | 上海理工大学 | 一种基于多视角卷积池化的三维点云数据分类方法 |
CN111738351A (zh) * | 2020-06-30 | 2020-10-02 | 创新奇智(重庆)科技有限公司 | 模型训练方法、装置、存储介质及电子设备 |
-
2020
- 2020-10-26 CN CN202011151752.XA patent/CN112016638B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8059890B2 (en) * | 2005-03-04 | 2011-11-15 | Bach Klaus J | Method for implementing n-dimensional object recognition using dynamic adaptive recognition layers |
CN108734058A (zh) * | 2017-04-18 | 2018-11-02 | 百度在线网络技术(北京)有限公司 | 障碍物类型识别方法、装置、设备及存储介质 |
US20200005447A1 (en) * | 2018-07-02 | 2020-01-02 | Sri International | Computer aided rebar measurement and inspection system |
CN109344786A (zh) * | 2018-10-11 | 2019-02-15 | 深圳步智造科技有限公司 | 目标识别方法、装置及计算机可读存储介质 |
CN110032954A (zh) * | 2019-03-27 | 2019-07-19 | 成都数之联科技有限公司 | 一种钢筋智能识别与计数方法及系统 |
CN111652085A (zh) * | 2020-05-14 | 2020-09-11 | 东莞理工学院 | 基于2d与3d特征结合的物体识别方法 |
CN111695494A (zh) * | 2020-06-10 | 2020-09-22 | 上海理工大学 | 一种基于多视角卷积池化的三维点云数据分类方法 |
CN111738351A (zh) * | 2020-06-30 | 2020-10-02 | 创新奇智(重庆)科技有限公司 | 模型训练方法、装置、存储介质及电子设备 |
Non-Patent Citations (1)
Title |
---|
苗文龙: "混凝土箱形梁顶板几何形态与结构状况关联的试验研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113873220A (zh) * | 2020-12-03 | 2021-12-31 | 上海飞机制造有限公司 | 一种偏差分析方法、装置、系统、设备及存储介质 |
CN112435331A (zh) * | 2020-12-07 | 2021-03-02 | 上海眼控科技股份有限公司 | 模型训练方法、点云生成方法、装置、设备及存储介质 |
CN113129271A (zh) * | 2021-03-26 | 2021-07-16 | 广州大学 | 一种建筑中钢筋间距的检测方法、系统、装置及存储介质 |
CN113450315A (zh) * | 2021-06-08 | 2021-09-28 | 北京伟景智能科技有限公司 | 棒材计数方法、装置及分钢系统 |
CN113400460A (zh) * | 2021-06-29 | 2021-09-17 | 江苏图知天下科技有限公司 | 一种钢筋的绑扎方法及绑扎装置 |
CN114234819A (zh) * | 2021-12-23 | 2022-03-25 | 中交第二航务工程局有限公司 | 基于三维激光扫描的钢筋部品质量自动化检测方法 |
CN114972778A (zh) * | 2022-01-04 | 2022-08-30 | 上海品览数据科技有限公司 | 一种基于图像处理的结构专业板配筋属性的识别方法 |
CN114972778B (zh) * | 2022-01-04 | 2024-05-24 | 上海品览数据科技有限公司 | 一种基于图像处理的结构专业板配筋属性的识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112016638B (zh) | 2021-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112016638B (zh) | 一种钢筋簇的识别方法、装置、设备及存储介质 | |
CN109858555B (zh) | 基于图像的数据处理方法、装置、设备及可读存储介质 | |
TW202207077A (zh) | 一種文本區域的定位方法及裝置 | |
CN110929802A (zh) | 基于信息熵的细分类识别模型训练、图像识别方法及装置 | |
CN113064964A (zh) | 文本分类方法、模型训练方法、装置、设备以及存储介质 | |
EP4138050A1 (en) | Table generating method and apparatus, electronic device, storage medium and product | |
US20230045715A1 (en) | Text detection method, text recognition method and apparatus | |
WO2019100348A1 (zh) | 图像检索方法和装置以及图像库的生成方法和装置 | |
CN115311469A (zh) | 图像标注方法、训练方法、图像处理方法以及电子设备 | |
CN111563429A (zh) | 一种图纸校对方法、装置、电子设备及存储介质 | |
CN111124863A (zh) | 智能设备性能测试方法、装置及智能设备 | |
CN114299366A (zh) | 一种图像检测方法、装置、电子设备及存储介质 | |
CN114694130A (zh) | 基于深度学习的铁路沿线电线杆及杆号检测方法和装置 | |
CN113793370B (zh) | 三维点云配准方法、装置、电子设备及可读介质 | |
CN114266860A (zh) | 三维人脸模型建立方法、装置、电子设备及存储介质 | |
CN111738290B (zh) | 图像检测方法、模型构建和训练方法、装置、设备和介质 | |
CN113506288A (zh) | 基于transform注意力机制的肺结节检测方法及装置 | |
CN112364821A (zh) | 一种继电保护设备电力模式数据自识别方法和自识别设备 | |
CN115482436B (zh) | 图像筛选模型的训练方法、装置以及图像筛选方法 | |
CN111753736A (zh) | 基于分组卷积的人体姿态识别方法、装置、设备和介质 | |
CN113469087B (zh) | 建筑图纸中的图框检测方法、装置、设备及介质 | |
CN115861809A (zh) | 杆状物检测及其模型的训练方法、装置、电子设备、介质 | |
CN115359468A (zh) | 一种目标网站识别方法、装置、设备及介质 | |
CN115631426A (zh) | 一种遥感图像中基于关键点定位的目标检测方法 | |
CN114821272A (zh) | 图像识别方法、系统、介质、电子设备及目标检测模型 |
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 |