CN114627499A - 一种基于卷积神经网络的在线安全帽人脸识别方法 - Google Patents
一种基于卷积神经网络的在线安全帽人脸识别方法 Download PDFInfo
- Publication number
- CN114627499A CN114627499A CN202210221542.6A CN202210221542A CN114627499A CN 114627499 A CN114627499 A CN 114627499A CN 202210221542 A CN202210221542 A CN 202210221542A CN 114627499 A CN114627499 A CN 114627499A
- Authority
- CN
- China
- Prior art keywords
- data
- safety helmet
- neural network
- face recognition
- convolutional neural
- 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
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 24
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000012549 training Methods 0.000 claims abstract description 20
- 241000512668 Eunectes Species 0.000 claims abstract description 8
- 238000004140 cleaning Methods 0.000 claims abstract description 7
- 230000009193 crawling Effects 0.000 claims abstract description 4
- 238000013480 data collection Methods 0.000 claims abstract description 4
- 238000011176 pooling Methods 0.000 claims description 18
- 238000012360 testing method Methods 0.000 claims description 12
- 238000011161 development Methods 0.000 claims description 7
- 238000000605 extraction Methods 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000010276 construction Methods 0.000 abstract description 12
- 238000005516 engineering process Methods 0.000 abstract description 3
- 238000001514 detection method Methods 0.000 description 8
- 238000013135 deep learning Methods 0.000 description 5
- 230000006870 function Effects 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000006835 compression Effects 0.000 description 2
- 238000007906 compression Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000008092 positive effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- General Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Computational Linguistics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于卷积神经网络的在线安全帽人脸识别方法，包括步骤S1：安装Anaconda、PyCharm软件，配置PyTorch环境，设置Jupyternotebook、OpenCv参数，修改PyCharm编译环境，使得PyCharm和Anaconda在同一个编译环境下；步骤S2：通过网络爬取和/或视屏录像进行数据收集；步骤S3：清洗数据；步骤S4：设计和训练CNN；步骤S5：开启摄像头进行预测。本发明通过多种技术的融合，使得在线安全帽人脸识别系统的功能和性能都有了很大方面的提高，建筑工人的安全保障也得到了提高。
Description
技术领域
本发明涉及目标检测领域，特别涉及一种基于卷积神经网络的在线安全帽人脸识别方法。
背景技术
随着深度学习的迅速发展，引起了越来越多的关注，深度学习高效的处理方式被用于各行各业中。例如：无人驾驶、安全检测、目标跟踪等。在现阶段对于建筑工人进入建筑工地是否佩戴安全帽的安全检测方面还有很大的进步空间，传统的方法都是人工在建筑工地门口进行检查，这就难免有没有佩戴安全帽的施工者进入到工地中，增加了安全隐患。
面对这种现象，一种基于卷积神经网络的在线安全帽人脸识别系统能够很好的解决这类问题，在减少人力投入的同时还增加了工人安全性方面的保障。在每位工人进入建筑工地之前都需要通过门口的摄像头检测，对于没有佩戴安全帽工人摄像头检测出来后不会开启门禁系统，工人无法进入工地施工。这是一种对工人安全方面起了极大的保护作用检测机制，为工人的安全施工提供了一个可行性的方案。
发明内容
为了克服现有技术中的不足，本发明提供一种基于卷积神经网络的在线安全帽人脸识别方法。
为了达到上述发明目的，解决其技术问题所采用的技术方案如下：
一种基于卷积神经网络的在线安全帽人脸识别方法，包括以下步骤：
步骤S1：安装Anaconda、PyCharm软件，配置PyTorch环境，设置Jupyter notebook、OpenCv参数，修改PyCharm编译环境，使得PyCharm和Anaconda在同一个编译环境下；
步骤S2：通过网络爬取和/或视屏录像进行数据收集；
步骤S3：清洗数据，清洗数据中的重复数据和不合格数据，并且对数据集进行随机分类，分为训练集和测试集；
步骤S4：设计和训练CNN，主要包括三层卷积层、三层池化层、两层全连接层、一层Dropout用于防止过拟合、最后一层softmax用于进行逻辑激活，分类输出；
步骤S5：开启摄像头进行预测，使用检测器检测视屏中的人脸，送入网格进行分类；导入CNN、载入模型文件后即可开始对人脸进行检测。
进一步的，步骤S2中，利用PyCharm编写爬虫脚本从网页上抓取足量的数据，并且将数据保存在本地文件中，用以后面训练数据和测试数据。
进一步的，步骤S3中，具体包括以下步骤：
步骤S31：将数据中的重复数据和不合格数据给删除；
步骤S32：查看数据集概览，了解数据集的组成情况，在宏观上对整体数据有所了解；
步骤S33：编写随机划分程序，将整个数据文件传入程序中对数据集进行随机分类，分为训练集和测试集，其中训练数据集占70％，测试数据集占30％，以确保足够的数据进行训练来提取特征。
进一步的，步骤S4中，卷积层是用于特征提取；池化层是用于特征降维，压缩数据和参数的数量，减小过拟合，同时提高模型的容错性；全连接层是将学习到的“特征表示”映射到样本标记空间的作用；在全连接层之前会有一层Dropout用于防止过拟合，Dropout可以随机删除神经网络中的部分神经元；最终通过最后一层softmax激活。
优选的，所述池化层采用平均池化。
进一步的，步骤S5中，具体包括以下步骤：
步骤S51：将程序植入到开发板中，将开发板安装在摄像头中；
步骤S52：使用检测器检测视屏中的人脸，送入网格进行分类，对人脸和安全帽进行网格划分，识别出人脸和头上是否佩戴有安全帽；
步骤S53：导入CNN、载入模型文件后即可开始对人脸进行检测，通过训练的模型参数对屏幕中的人员是否佩戴安全帽进行检测识别，若佩戴安全帽则开启闸门人员通过，若未佩戴安全帽则显示“安全帽未佩戴”，不开启闸门，需要佩戴好安全帽后闸门才能开启。
本发明由于采用以上技术方案，使之与现有技术相比，具有以下的优点和积极效果：
本发明一种基于卷积神经网络的在线安全帽人脸识别方法，充分考虑建筑工人安全情况和建筑工地门口节约人力检查情况下的需求，将卷积神经网络与在线安全帽人脸识别系统结合在一起，开发了一款在线安全帽人脸识别系统。项目基于PyTorch深度学习框架，采用Python语言开发，具体实现功能就是自建数据集，构建并训练CNN模型，调用摄像头实现安全帽人脸的二分类。通过多种技术的融合，使得在线安全帽人脸识别系统的功能和性能都有了很大方面的提高，建筑工人的安全保障也得到了提高。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单的介绍。显而易见，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。附图中：
图1是本发明一种基于卷积神经网络的在线安全帽人脸识别方法的流程设计框架图；
图2是本发明中设计和训练CNN示意图；
图3是本发明中检测结果示意图。
具体实施方式
下面将结合附图对本发明的技术方案进行清楚、完整地描述，显然，所描述的实施例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1-3所示，本实施例公开了一种基于卷积神经网络的在线安全帽人脸识别方法，包括以下步骤：
步骤S1：安装Anaconda、PyCharm软件，配置PyTorch环境，设置Jupyter notebook、OpenCv等参数，修改PyCharm编译环境，使得PyCharm和Anaconda在同一个编译环境下。
本实施例中，运用了深度学习PyTorch框架，PyTorch框架是目前框架中最容易上手使用的框架，相比于TensorFlow框架、PaddlePaddle框架，PyTorch框架更佳的简洁易使用，同时PyTorch框架的应用范围更加广泛。
步骤S2：通过网络爬取和/或视屏录像进行数据收集。
由于视屏录像出于商业因素不会开放，所以本实施例中数据集主要通过爬虫拿到。具体的，步骤S2中，利用PyCharm编写爬虫脚本从网页上抓取足量的数据，并且将数据保存在本地文件中，用以后面训练数据和测试数据。
步骤S3：清洗数据，清洗数据中的重复数据和不合格数据，并且对数据集进行随机分类，分为训练集和测试集；
进一步的，步骤S3中，具体包括以下步骤：
步骤S31：将数据中的重复数据和不合格数据给删除；
步骤S32：查看数据集概览，了解数据集的组成情况，在宏观上对整体数据有所了解；
步骤S33：编写随机划分程序，将整个数据文件传入程序中对数据集进行随机分类，分为训练集和测试集，其中训练数据集占70％，测试数据集占30％，以确保足够的数据进行训练来提取特征。
步骤S4：设计和训练CNN，主要包括三层卷积层、三层池化层、两层全连接层、一层Dropout用于防止过拟合、最后一层softmax用于进行逻辑激活，分类输出；
本实施例中，步骤S4中运用了CNN卷积神经网络，CNN的目的是以一定的模型对事物进行特征提取，而后根据特征对该事物进行分类、识别、预测等。在这个过程里最重要的步骤在于特征提取，而实现这个重要步骤就是对CNN进行迭代训练。安全帽人脸识别系统中，最重要的部分就是对安全帽的特征进行提取，相比于之前的传统算法，CNN在经过三层卷积层、三层池化层、两层全连接层、一层Dropout用于防止过拟合、最后一层softmax用于进行逻辑激活，分类输出一系列步骤后，识别的精度要远远优于其他算法。
进一步的，步骤S4中，卷积层是用于特征提取；池化层是用于特征降维，压缩数据和参数的数量，减小过拟合，同时提高模型的容错性；全连接层是将学习到的“特征表示”映射到样本标记空间的作用；在全连接层之前会有一层Dropout用于防止过拟合，Dropout可以随机删除神经网络中的部分神经元；最终通过最后一层softmax激活。
优选的，池化层有最大池化(Max Pooling)和平均池化(Average Pooling)，本实施例中，所述池化层采用平均池化(Average Pooling)。
步骤S5：开启摄像头进行预测，使用检测器检测视屏中的人脸，送入网格进行分类；导入CNN、载入模型文件后即可开始对人脸进行检测。
进一步的，步骤S5中，具体包括以下步骤：
步骤S51：将程序植入到开发板中，将开发板安装在摄像头中；
步骤S52：使用检测器检测视屏中的人脸，送入网格进行分类，对人脸和安全帽进行网格划分，识别出人脸和头上是否佩戴有安全帽；
步骤S53：导入CNN、载入模型文件后即可开始对人脸进行检测，通过训练的模型参数对屏幕中的人员是否佩戴安全帽进行检测识别，若佩戴安全帽则开启闸门人员通过，若未佩戴安全帽则显示“安全帽未佩戴”，不开启闸门，需要佩戴好安全帽后闸门才能开启。
本实施例中，步骤S4中的CNN和步骤S5中的摄像头进行结合，在摄像头检测中加入了CNN训练好的模型，使得检测的速度和精度都有了大幅度的提升。极大的改善了以往人工门口检查的效率同时也节约了人力的投入。对于建筑工人的安全方面的保障也得到了大幅度的提升。
本发明一种基于卷积神经网络的在线安全帽人脸识别方法，充分考虑建筑工人安全情况和建筑工地门口节约人力检查情况下的需求，将卷积神经网络与在线安全帽人脸识别系统结合在一起，开发了一款在线安全帽人脸识别系统。项目基于PyTorch深度学习框架，采用Python语言开发，具体实现功能就是自建数据集，构建并训练CNN模型，调用摄像头实现安全帽人脸的二分类。其中，检测器使用了更加强大的OpenCv中的cv2.dnn.readNetFromCaffe()。这是一个在OpenCv3.3之后版本的，基于已经训练好的DNN模型的检测器。为了使用这个基于Caffe模型预训练完毕的检测器，除了OpenCv库中的DNN模块之外，还需要在程序中导入Caffe prototxt文件和Caffe模型权重文件。这个检测器的强大之处在于极高的检测效率以及更高的鲁棒性。通过多种技术的融合，使得在线安全帽人脸识别系统的功能和性能都有了很大方面的提高，建筑工人的安全保障也得到了提高。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。
Claims (6)
1.一种基于卷积神经网络的在线安全帽人脸识别方法，其特征在于，包括以下步骤：
步骤S1：安装Anaconda、PyCharm软件，配置PyTorch环境，设置Jupyter notebook、OpenCv参数，修改PyCharm编译环境，使得PyCharm和Anaconda在同一个编译环境下；
步骤S2：通过网络爬取和/或视屏录像进行数据收集；
步骤S3：清洗数据，清洗数据中的重复数据和不合格数据，并且对数据集进行随机分类，分为训练集和测试集；
步骤S4：设计和训练CNN，主要包括三层卷积层、三层池化层、两层全连接层、一层Dropout用于防止过拟合、最后一层softmax用于进行逻辑激活，分类输出；
步骤S5：开启摄像头进行预测，使用检测器检测视屏中的人脸，送入网格进行分类；导入CNN、载入模型文件后即可开始对人脸进行检测。
2.根据权利要求1所述的一种基于卷积神经网络的在线安全帽人脸识别方法，其特征在于，步骤S2中，利用PyCharm编写爬虫脚本从网页上抓取足量的数据，并且将数据保存在本地文件中，用以后面训练数据和测试数据。
3.根据权利要求1所述的一种基于卷积神经网络的在线安全帽人脸识别方法，其特征在于，步骤S3中，具体包括以下步骤：
步骤S31：将数据中的重复数据和不合格数据给删除；
步骤S32：查看数据集概览，了解数据集的组成情况，在宏观上对整体数据有所了解；
步骤S33：编写随机划分程序，将整个数据文件传入程序中对数据集进行随机分类，分为训练集和测试集，其中训练数据集占70％，测试数据集占30％，以确保足够的数据进行训练来提取特征。
4.根据权利要求1所述的一种基于卷积神经网络的在线安全帽人脸识别方法，其特征在于，步骤S4中，卷积层是用于特征提取；池化层是用于特征降维，压缩数据和参数的数量，减小过拟合，同时提高模型的容错性；全连接层是将学习到的“特征表示”映射到样本标记空间的作用；在全连接层之前会有一层Dropout用于防止过拟合，Dropout可以随机删除神经网络中的部分神经元；最终通过最后一层softmax激活。
5.根据权利要求4所述的一种基于卷积神经网络的在线安全帽人脸识别方法，其特征在于，所述池化层采用平均池化。
6.根据权利要求1所述的一种基于卷积神经网络的在线安全帽人脸识别方法，其特征在于，步骤S5中，具体包括以下步骤：
步骤S51：将程序植入到开发板中，将开发板安装在摄像头中；
步骤S52：使用检测器检测视屏中的人脸，送入网格进行分类，对人脸和安全帽进行网格划分，识别出人脸和头上是否佩戴有安全帽；
步骤S53：导入CNN、载入模型文件后即可开始对人脸进行检测，通过训练的模型参数对屏幕中的人员是否佩戴安全帽进行检测识别，若佩戴安全帽则开启闸门人员通过，若未佩戴安全帽则显示“安全帽未佩戴”，不开启闸门，需要佩戴好安全帽后闸门才能开启。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210221542.6A CN114627499B (zh) | 2022-03-07 | 2022-03-07 | 一种基于卷积神经网络的在线安全帽人脸识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210221542.6A CN114627499B (zh) | 2022-03-07 | 2022-03-07 | 一种基于卷积神经网络的在线安全帽人脸识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN114627499A true CN114627499A (zh) | 2022-06-14 |
| CN114627499B CN114627499B (zh) | 2024-04-09 |
Family
ID=81899923
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210221542.6A Active CN114627499B (zh) | 2022-03-07 | 2022-03-07 | 一种基于卷积神经网络的在线安全帽人脸识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114627499B (zh) |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108304788A (zh) * | 2018-01-18 | 2018-07-20 | 陕西炬云信息科技有限公司 | 基于深度神经网络的人脸识别方法 |
| AU2020100711A4 (en) * | 2020-05-05 | 2020-06-11 | Chang, Cheng Mr | The retrieval system of wearing safety helmet based on deep learning |
| CN111488804A (zh) * | 2020-03-19 | 2020-08-04 | 山西大学 | 基于深度学习的劳保用品佩戴情况检测和身份识别的方法 |
| CN111598040A (zh) * | 2020-05-25 | 2020-08-28 | 中建三局第二建设工程有限责任公司 | 一种建筑工人身份识别及安全帽佩戴检测方法及系统 |
| CN111832499A (zh) * | 2020-07-17 | 2020-10-27 | 东华理工大学 | 一种简易人脸识别分类系统 |
-
2022
- 2022-03-07 CN CN202210221542.6A patent/CN114627499B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108304788A (zh) * | 2018-01-18 | 2018-07-20 | 陕西炬云信息科技有限公司 | 基于深度神经网络的人脸识别方法 |
| CN111488804A (zh) * | 2020-03-19 | 2020-08-04 | 山西大学 | 基于深度学习的劳保用品佩戴情况检测和身份识别的方法 |
| AU2020100711A4 (en) * | 2020-05-05 | 2020-06-11 | Chang, Cheng Mr | The retrieval system of wearing safety helmet based on deep learning |
| CN111598040A (zh) * | 2020-05-25 | 2020-08-28 | 中建三局第二建设工程有限责任公司 | 一种建筑工人身份识别及安全帽佩戴检测方法及系统 |
| CN111832499A (zh) * | 2020-07-17 | 2020-10-27 | 东华理工大学 | 一种简易人脸识别分类系统 |
Non-Patent Citations (1)
| Title |
|---|
| 董洛丞;陈张平;: "基于改进的卷积神经网络的人脸识别算法", 杭州电子科技大学学报(自然科学版), no. 05 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN114627499B (zh) | 2024-04-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Dong et al. | Face detection in security monitoring based on artificial intelligence video retrieval technology | |
| Hosseini et al. | UFS-Net: A unified flame and smoke detection method for early detection of fire in video surveillance applications using CNNs | |
| Redondo-Cabrera et al. | Learning to exploit the prior network knowledge for weakly supervised semantic segmentation | |
| WO2021027052A1 (zh) | 面向神经网络模型的基于层间剖析的输入实例验证方法 | |
| CN111931179A (zh) | 基于深度学习的云端恶意程序检测系统及方法 | |
| CN115147864B (zh) | 一种基于协同异质深度学习网络的红外人体行为识别方法 | |
| CN113111804B (zh) | 一种人脸检测的方法、装置、电子设备及存储介质 | |
| CN113283909A (zh) | 一种基于深度学习的以太坊钓鱼账户检测方法 | |
| Kumar et al. | Crime activities prediction system in video surveillance by an optimized deep learning framework | |
| Liang et al. | Human action recognition from digital videos based on deep learning | |
| CN118094439B (zh) | 一种银行异常交易检测方法、系统及装置 | |
| CN115964503B (zh) | 基于社区设备设施的安全风险预测方法及系统 | |
| CN117612249A (zh) | 一种基于改进OpenPose算法的井下矿工危险行为识别方法和装置 | |
| Singleton et al. | Gun identification using tensorflow | |
| Sharma et al. | Construction of large-scale misinformation labeled datasets from social media discourse using label refinement | |
| CN104077571A (zh) | 一种采用单类序列化模型的人群异常行为检测方法 | |
| Zhao et al. | Layer-wise multi-defect detection for laser powder bed fusion using deep learning algorithm with visual explanation | |
| CN117351409A (zh) | 混凝土坝面作业风险智能识别方法 | |
| CN114627499A (zh) | 一种基于卷积神经网络的在线安全帽人脸识别方法 | |
| Tian et al. | License plate recognition based on CNN | |
| CN115830701A (zh) | 一种基于小样本学习的人员违规行为预测方法 | |
| CN114419558A (zh) | 火灾视频图像识别方法、系统、计算机设备及存储介质 | |
| Jiang et al. | Deep learning of qinling forest fire anomaly detection based on genetic algorithm optimization | |
| Joshi et al. | Unsupervised synthesis of anomalies in videos: Transforming the normal | |
| Ranjana et al. | Face Mask Detection using Single Shot Multibox Detector and Mobile Net |
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 |