CN112287762A - 一种社区监控场景下车辆违停实时检测方法 - Google Patents
一种社区监控场景下车辆违停实时检测方法 Download PDFInfo
- Publication number
- CN112287762A CN112287762A CN202011029895.3A CN202011029895A CN112287762A CN 112287762 A CN112287762 A CN 112287762A CN 202011029895 A CN202011029895 A CN 202011029895A CN 112287762 A CN112287762 A CN 112287762A
- Authority
- CN
- China
- Prior art keywords
- vehicle
- community
- time
- target
- tracker
- 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- Withdrawn
Links
- 238000000034 method Methods 0.000 title claims abstract description 28
- 238000012544 monitoring process Methods 0.000 title claims abstract description 17
- 238000011897 real-time detection Methods 0.000 title claims abstract description 11
- 238000001514 detection method Methods 0.000 claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 21
- 230000006399 behavior Effects 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 238000012545 processing Methods 0.000 claims abstract description 5
- 230000000694 effects Effects 0.000 claims description 6
- 239000013598 vector Substances 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 3
- 238000013135 deep learning Methods 0.000 abstract description 5
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000013527 convolutional neural network Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 5
- 238000000605 extraction Methods 0.000 description 5
- 238000011161 development Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 235000006694 eating habits Nutrition 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000003014 reinforcing effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/047—Probabilistic or stochastic networks
-
- 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
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
- G06V20/54—Surveillance or monitoring of activities, e.g. for recognising suspicious objects of traffic, e.g. cars on the road, trains or boats
-
- G—PHYSICS
- G08—SIGNALLING
- G08G—TRAFFIC CONTROL SYSTEMS
- G08G1/00—Traffic control systems for road vehicles
- G08G1/01—Detecting movement of traffic to be counted or controlled
- G08G1/017—Detecting movement of traffic to be counted or controlled identifying vehicles
- G08G1/0175—Detecting movement of traffic to be counted or controlled identifying vehicles by photographing vehicles, e.g. when violating traffic rules
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/08—Detecting or categorising vehicles
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Computational Linguistics (AREA)
- Multimedia (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明涉及视频处理、人工智能、深度学习技术领域，具体公开了一种社区监控场景下车辆违停实时检测方法，包括以下步骤：社区环境下采集车辆数据集，训练本发明设计的车辆检测网络模型VDM‑CNN，直至参数最优；使用训练好的VDM‑CNN网络模型，对社区内禁停区域进行车辆目标检测、使用跟踪器存储检测到了目标车辆信息；计算跟踪器内车辆信息关系，判断是否有相同车辆对相同车辆在时间序列上进行时间、空间关系计算，判断目标是否具有时间连续性和空间不变性，进而判断是否有违规停车行为；GPU调度策略进行GPU调度。本发明具有较高的检测准确率，从时间连续性和空间不变性两个角度对禁停区域内的车辆是否违规停车进行分析判断，具有很好的有效性和鲁棒性。
Description
技术领域
本发明涉及视频处理、人工智能、深度学习技术领域，特别涉及一种社区监控场景下车辆违停实时检测方法。
背景技术
随着科学技术、网络技术的不断发展，不断改变着社会居民的生活方式，人们的日常生活、衣食住行都逐步向数字化、网络化方向发生转变。近几年来，随着人工智能技术、机器学习的兴起，推动了社会不断朝着智能方向发展。智慧社区、智慧城市便是人工智能发展的产物。越来越多的研究学者开始关注深度学习领域，深度学习是目前机器学习发展阶段的最高级别，而卷积神经网络则是深度学习的典型代表，在图像处理、图像识别等方面都有着显著的成效。对于特征提取，卷积神经网络具有自动学习的优势，代替了繁杂的传统人工提取方法，减少了人工干预，提高了特征提取的精确度。卷积神经网络不仅在特征提取方面有显著成效，在目标检测、识别等其他方面也起着不可替代的作用。
目标检测技术被应用于商业、农业、军事等各个领域。目标的有效检测为目标识别提供了基础。目标检测的准确度与效率也是该领域一直被关注的重点。Faster R-CNN是目标识别领域最有效的方法之一，其优势不仅在于把候选框提起部分放在GPU上运行，还把区域候选框的提取部分从网络嵌入到网络里边，经过卷积后的特征图可以用来获取区域候选框。类似的目标识别网络还有Mask-RCNN、YOLO、SSD等，虽然众多技术上在实验效果上准确度已达96％以上，但是其适用性严重依赖检测环境，由于天气、光照等客观原因，以及目标本身的污损、形变等，这些外界因素影响了目标检测，从而降低了众多检测模型的准确度。这些算法并不能适应各种复杂环境的要求，目标识别仍没有完整的体系，因此如何设计出针对特定环境提高目标检测识别准确度的算法依然是目前的研究重点。
车辆作为社区监控环境下的重要目标之一，而车辆在社区内的正确行驶以及正确停放是社区安全的一个因素，同时在车辆违停的情况下，很有可能会造成事故的发生，以及拖延他人行人造成不必要的损失，另一方面社区内行人较多，道路环境复杂，如何处理外界环境因素对社区内车辆违停车辆进行智能化检测，增强社区居民的满意度与体验度，具有重要的研究意义和应用价值。
发明内容
为了解决社区复杂场景车辆违停的问题，本发明提供一种社区监控场景下车辆违停实时检测方法。设计针对社区环境下的基于卷积神经网络的车辆检测网络模型VDM-CNN，利用社区内车辆数据集对其训练学习，提高了网络模型的适用性与实用性，通过车辆跟踪器记录车辆行驶状态及车辆信息，对比车辆在时间序列上的时间和空间特征判断目标车辆是否有违规停车行为，从两方面进行判断，大大提升了该方法的实用性能。
为了解决上述技术问题，本发明的技术方案是：
一种社区监控场景下车辆违停实时检测方法，包括采集社区车辆图像数据集、训练车辆检测模型VDM-CNN、存储目标车辆信息、判断车辆相关性、计算时间、空间变化信息、GPU资源调度，还包括以下步骤：
步骤1：社区环境下采集车辆数据集，训练本发明设计的车辆检测网络模型VDM-CNN，直至参数最优；
步骤2：使用训练好的VDM-CNN网络模型，对社区内禁停区域进行车辆目标检测、使用跟踪器存储检测到了目标车辆信息；
步骤3：计算跟踪器内车辆信息关系，判断是否有相同车辆；
步骤4：对相同车辆在时间序列上进行时间、空间关系计算，判断目标是否具有时间连续性和空间不变性，进而判断是否有违规停车行为；
步骤5：GPU调度策略进行GPU调度。
优选地，所述步骤1中，包括：
在社区内安装高清摄像头或者视频采集装置，选择需要监测的区域，获取该区域下所有的车辆视频流，并对其解码获得车辆数据集。使用该数据集对本发明设计的车辆检测网络模型VDM-CNN(Vehicle Detection Model-Convolution Neural Network)进行训练，网络结构：第1，2层均包含conv、pool、norm，3层conv3，然后接连conv4、pool4，第5个是fc，损失层采用softmax损失函数计算。训练过程：首先使用默认参数进行训练，根据训练中间结果，对初始权值、训练速率和迭代次数不断进行调整，直到所述网络以预设的效率达到最优的检测效果。
优选地，所述步骤2中，包括：在社区禁停区域安装摄像头，使用步骤2中训练好的VDM-CNN网络模型对禁停区域进行实时检测，并将检测到的车辆信息记录在跟踪器中，车辆信息包括车辆特征向量、车辆空间位置以及检测时间点。其中存储器使用数组序列原理设计。为检测到的每一个新目标车辆初始化一个跟踪器。
优选地，所述步骤3中，包括：车辆检测网络模型VDM-CNN每检测到一个目标车辆便通过余弦相似性定理计算是否有相同车辆，若有相同车辆便将信息记录在已存在的跟踪器中并进行步骤4操作，若没有相同目标车辆便为其初始化一个跟踪器。其中余弦相似度计算公式：
优选地，所述步骤4中：对于步骤3中检测出来的相同目标车辆在时间序列上进行时间、空间关系计算，判断目标是否具有时间连续性和空间不变性，以实现停车检测，计算公式：
优选地，所述步骤5中，实时监控GPU处理集群中的GPU使用情况，采取适当的调度策略对GPU进行实时调度。
采用上述技术方案，本发明提供的一种社区监控场景下车辆违停实时检测方法，具有以下有益效果：
(1)利用社区环境内的车辆图像数据集对发明的车辆检测网络模型VDM-CNN进行训练学习，提高了模型的准确率，同时也提高了模型的适用性与实用性。
(2)对社区禁停区进行目标车辆检测后，实用跟踪器记录其行驶状态及特征属性，从时间序列的时间和空间两个方面对车辆进行前后对比判断其是否有违规停车行为，由此提高了该方法的鲁棒性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明中社区监控场景下车辆违停实时检测方法流程图；
图2为本发明中基于卷积神经网络的车辆检测网络模型VDM-CNN结构图；
图3为本发明中GPU处理器集群中的GPU资源调度策略图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
如图1所示，社区环境下采集车辆数据集，训练本发明设计的车辆检测网络模型VDM-CNN，直至参数最优；使用训练好的VDM-CNN网络模型，对社区内禁停区域进行车辆目标检测、使用跟踪器存储检测到了目标车辆信息；计算跟踪器内车辆信息关系，判断是否有相同车辆；对相同车辆在时间序列上进行时间、空间关系计算，判断目标是否具有时间连续性和空间不变性，进而判断是否有违规停车行为；GPU调度策略进行GPU调度。
可以理解的，在社区内安装高清摄像头或者视频采集装置，选择需要监测的区域，获取该区域下所有的车辆视频流，并对其解码获得车辆数据集。使用该数据集对本发明设计的车辆检测网络模型VDM-CNN(Vehicle Detection Model-Convolution NeuralNetwork)进行训练，VDM-CNN网络模型结构如图2所示，网络结构：第1，2层均包含conv、pool、norm，3层conv3，然后接连conv4、pool4，第5个是fc，损失层采用softmax损失函数计算。训练过程：首先使用默认参数进行训练，根据训练中间结果，对初始权值、训练速率和迭代次数不断进行调整，直到所述网络以预设的效率达到最优的检测效果。
GPU资源调度层根据调度策略如图3所示，实时监控当前GPU资源使用情况，在GPU处理器集群分配任务之前，首先检查当前GPU消耗是否过大，如果消耗过大，则查看GPU使用情况列表和GPU计算能力列表，重新选择GPU接收任务。
可以理解的，该方法设计了基于卷积神经网络的车辆目标检测网络模型，并结合时间和空间特性实现对车辆违停实时检测。为解决社区内监控环境背景较为复杂其他模型不适用的问题，设计针对社区环境的车辆检测网络模型VDM-CNN(Vehicle DetectionModel-Convolution Neural Network)，并通过采集社区内的车辆图像数据集对其进行训练学习。使用训练好的VDM-CNN模型实现对社区内禁停区域车辆的实时检测，依据数组序列原理设计跟踪器，为每个车辆初始化一个跟踪器，利用跟踪器记录检测车辆的信息，包括目标车辆的特征向量、空间位置、以及检测时间点。通过余弦相似度计算公式计算新检测到的车辆与跟踪器内的特征向量关系判断是否有相同车辆，对检测出的相同车辆在时间序列上进行时间、空间关系计算，判断目标是否具有时间连续性和空间不变性，以实现停车检测。为了实现车辆的实时检测，在实验中实时监控GPU处理器中的GPU使用情况并根据调度策略进行调度，提高了模型运行速度。实验表明，社区环境下的车辆检测网络模型VDM-CNN提高了检测模型的实用性与适用性，具有较高的检测准确率，从时间连续性和空间不变性两个角度对禁停区域内的车辆是否违规停车进行分析判断，具有很好的有效性和鲁棒性。
本发明的社区监控场景下车辆违停实时检测方法，利用社区环境内的车辆图像数据集对发明的车辆检测网络模型VDM-CNN进行训练学习，提高了模型的准确率，同时也提高了模型的适用性与实用性。对社区禁停区进行目标车辆检测后，实用跟踪器记录其行驶状态及特征属性，从时间序列的时间和空间两个方面对车辆进行前后对比判断其是否有违规停车行为，由此提高了该方法的鲁棒性。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
Claims (6)
1.一种社区监控场景下车辆违停实时检测方法，其特征在于：包括以下步骤：
步骤1：社区环境下采集车辆数据集，训练本发明设计的车辆检测网络模型VDM-CNN，直至参数最优；
步骤2：使用训练好的VDM-CNN网络模型，对社区内禁停区域进行车辆目标检测、使用跟踪器存储检测到了目标车辆信息；
步骤3：计算跟踪器内车辆信息关系，判断是否有相同车辆；
步骤4：对相同车辆在时间序列上进行时间、空间关系计算，判断目标是否具有时间连续性和空间不变性，进而判断是否有违规停车行为；
步骤5：GPU调度策略进行GPU调度。
2.根据权利要求1所述的社区监控场景下车辆违停实时检测方法，其特征在于：在所述步骤1中，还包括在社区内安装高清摄像头或者视频采集装置，选择需要监测的区域，获取该区域下所有的车辆视频流，并对其解码获得车辆数据集；使用该数据集对车辆检测网络模型VDM-CNN行训练；训练过程：首先使用默认参数进行训练，根据训练中间结果，对初始权值、训练速率和迭代次数不断进行调整，直到所述网络以预设的效率达到最优的检测效果。
3.根据权利要求1所述的社区监控场景下车辆违停实时检测方法，其特征在于：在所述步骤2中，还包括在社区禁停区域安装摄像头，使用训练好的VDM-CNN网络模型对禁停区域进行实时检测，并将检测到的车辆信息记录在跟踪器中，车辆信息包括车辆特征向量、车辆空间位置以及检测时间点；为检测到的每一个新目标车辆初始化一个跟踪器。
4.根据权利要求1所述的社区监控场景下车辆违停实时检测方法，其特征在于：在所述步骤3中，还包括车辆检测网络模型VDM-CNN每检测到一个目标车辆便通过余弦相似性定理计算是否有相同车辆，若有相同车辆便将信息记录在已存在的跟踪器中并进行步骤4操作，若没有相同目标车辆便为其初始化一个跟踪器；其中余弦相似度计算公式：
5.根据权利要求1所述的社区监控场景下车辆违停实时检测方法，其特征在于：在所述步骤4中，还包括对于步骤3中检测出来的相同目标车辆在时间序列上进行时间、空间关系计算，判断目标是否具有时间连续性和空间不变性，以实现停车检测，计算公式：
6.根据权利要求1所述的社区监控场景下车辆违停实时检测方法，其特征在于：在所述步骤5中，还包括实时监控GPU处理集群中的GPU使用情况，采取适当的调度策略对GPU进行实时调度。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011029895.3A CN112287762A (zh) | 2020-09-27 | 2020-09-27 | 一种社区监控场景下车辆违停实时检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011029895.3A CN112287762A (zh) | 2020-09-27 | 2020-09-27 | 一种社区监控场景下车辆违停实时检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112287762A true CN112287762A (zh) | 2021-01-29 |
Family
ID=74421452
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011029895.3A Withdrawn CN112287762A (zh) | 2020-09-27 | 2020-09-27 | 一种社区监控场景下车辆违停实时检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112287762A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112883904A (zh) * | 2021-03-15 | 2021-06-01 | 珠海安联锐视科技股份有限公司 | 一种车辆违停占道检测方法 |
-
2020
- 2020-09-27 CN CN202011029895.3A patent/CN112287762A/zh not_active Withdrawn
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN112883904A (zh) * | 2021-03-15 | 2021-06-01 | 珠海安联锐视科技股份有限公司 | 一种车辆违停占道检测方法 |
| CN112883904B (zh) * | 2021-03-15 | 2021-11-19 | 珠海安联锐视科技股份有限公司 | 一种车辆违停占道检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110929578B (zh) | 一种基于注意力机制的抗遮挡行人检测方法 | |
| CN103325259B (zh) | 一种基于多核并行的违章停车检测方法 | |
| CN111861925B (zh) | 一种基于注意力机制与门控循环单元的图像去雨方法 | |
| CN107609512A (zh) | 一种基于神经网络的视频人脸捕捉方法 | |
| CN108921875A (zh) | 一种基于航拍数据的实时车流检测与追踪方法 | |
| Foedisch et al. | Adaptive real-time road detection using neural networks | |
| CN102332165B (zh) | 复杂背景下动目标或弱小目标的实时鲁棒跟踪装置 | |
| CN105825212A (zh) | 一种基于Hadoop的分布式车牌识别方法 | |
| CN110136171B (zh) | 一种目标跟踪过程中判断遮挡的方法 | |
| CN113139501B (zh) | 一种联合局部区域检测与多级特征抓取的行人多属性识别方法 | |
| CN105493141A (zh) | 非结构化道路边界检测 | |
| Jing et al. | Motion detection with adaptive background and dynamic thresholds | |
| CN111582092A (zh) | 一种基于人体骨架的行人异常行为检测方法 | |
| CN113129336A (zh) | 一种端到端多车辆跟踪方法、系统及计算机可读介质 | |
| CN116665095B (zh) | 一种运动舰船检测方法、系统、存储介质和电子设备 | |
| CN112287762A (zh) | 一种社区监控场景下车辆违停实时检测方法 | |
| CN115331162A (zh) | 一种跨尺度红外行人检测方法、系统、介质、设备及终端 | |
| CN113139431B (zh) | 基于深监督学习的图像显著性目标检测方法 | |
| CN111260686A (zh) | 自适应余弦窗抗遮挡多特征融合的目标跟踪方法及系统 | |
| CN116453033A (zh) | 一种视频监控场景下高精度低算量的人群密度估计方法 | |
| CN105913011A (zh) | 基于参数自调节神经网络的人体异常行为检测方法 | |
| CN112307895A (zh) | 一种社区监控场景下人群聚集异常行为检测方法 | |
| CN112307943B (zh) | 一种水域人船目标检测方法、系统、终端及介质 | |
| CN111862160B (zh) | 一种基于arm平台的目标跟踪方法、介质和系统 | |
| CN112200008A (zh) | 一种社区监控场景下人脸属性识别方法 |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210129 |