CN116778434B - 一种基于计算机视觉的交通违章行为检测系统及方法 - Google Patents
一种基于计算机视觉的交通违章行为检测系统及方法 Download PDFInfo
- Publication number
- CN116778434B CN116778434B CN202310830347.8A CN202310830347A CN116778434B CN 116778434 B CN116778434 B CN 116778434B CN 202310830347 A CN202310830347 A CN 202310830347A CN 116778434 B CN116778434 B CN 116778434B
- Authority
- CN
- China
- Prior art keywords
- acquisition
- data
- traffic
- violation
- detection
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 75
- 238000000034 method Methods 0.000 title claims abstract description 31
- 230000006399 behavior Effects 0.000 claims abstract description 22
- 238000012544 monitoring process Methods 0.000 claims abstract description 16
- 238000011156 evaluation Methods 0.000 claims description 26
- 238000004458 analytical method Methods 0.000 claims description 21
- 230000001502 supplementing effect Effects 0.000 claims description 8
- 239000013256 coordination polymer Substances 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 230000000295 complement effect Effects 0.000 claims description 2
- 230000000153 supplemental effect Effects 0.000 claims description 2
- 238000011160 research Methods 0.000 abstract description 2
- 238000012549 training Methods 0.000 description 9
- 206010039203 Road traffic accident Diseases 0.000 description 2
- 238000012854 evaluation process Methods 0.000 description 2
- 210000001503 joint Anatomy 0.000 description 2
- 239000013589 supplement Substances 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000009469 supplementation Effects 0.000 description 1
Landscapes
- Traffic Control Systems (AREA)
Abstract
本发明公开了一种基于计算机视觉的交通违章行为检测系统及方法,属于交通研判技术领域,包括采集完善模块、采集模块、检测模块和告诫模块;采集完善模块用于对当前的监控采集进行完善;采集模块用于进行数据采集,获得对应的检测采集数据和信息数据;检测模块用于对电动车的交通违规行为进行检测,识别具有交通违章行为的违章数据,建立车牌识别模型,通过车牌识别模型对各违章数据进行识别,识别对应的车牌信息,将识别的车牌信息发送给采集模块,接收采集模块发送的信息数据;告诫模块用于对具有交通违章行为的人员进行告诫,获取各交通违章行为对应的人员信息和违章数据,整合为目标告诫信息,根据目标告诫信息按照预设的告诫方式进行告诫。
Description
技术领域
本发明属于交通研判技术领域,具体是一种基于计算机视觉的交通违章行为检测系统及方法。
背景技术
随着科技的进步,人们生活水平的提高,私人汽车保有量大幅度增加,汽车的普及大大方便了人们日常出行,同时也给道路交通系统的负载能力增加了较大的压力,尤其是在上下班等高峰期,极易造成交通堵塞,导致当前在可选的情况下大部分人们会采用骑电动车的方式进行出行,因为电动车的操作简单、骑行不用堵车等特点,使得以电动车为出行工具得以快速普及;但是随着电动车大量普及的同时,也增加了大量的交通违章行为,尤其是在涉事人员做出交通违章行为后,很难得到相应的告诫,促使有的人员频繁做出交通违章行为,尤其是在其可以在机动车道上进行行驶的原因,给自己和交通管理带来极大的安全隐患,因此,解决上述问题,本发明提供了一种基于计算机视觉的交通违章行为检测系统及方法。
发明内容
为了解决上述方案存在的问题,本发明提供了一种基于计算机视觉的交通违章行为检测系统及方法。
本发明的目的可以通过以下技术方案实现:
一种基于计算机视觉的交通违章行为检测系统,包括采集完善模块、采集模块、检测模块和告诫模块;
所述采集完善模块用于对当前的监控采集进行完善。
进一步地,采集完善模块的工作方法包括:
识别目标区域以及对应的各检测节点,获取各所述检测节点对应的分析影像,对获得的分析影像进行分析,获得对应的采集全面值;基于所述采集全面值确定补充节点,对补充节点处的监控范围进行补充。
进一步地,采集全面值的计算方法包括:
标记各检测节点处电动车的目标检测范围,识别分析影像中相对目标检测范围的采集范围,通过预设的采集范围分析模型对目标检测范围和采集分析进行分析,获得对应的采集全面值。
进一步地,根据采集全面值确定补充节点的方法包括:
将采集全面值低于阈值X1的检测节点标记为补充节点。
进一步地,根据采集全面值确定补充节点的另一方法包括:
将采集全面值低于阈值X1的检测节点标记为待评估节点,对待评估节点进行评估,获得对应的评估分,将评估分低于阈值X2的待评估节点标记为补充节点。
进一步度,评估分的获取方法包括:
获取所述待评估节点对应的历史事故发生数据和交通数据,对获得的历史事故发生数据、交通数据进行分析,获得对应的事故值和交通值,将获得的采集全面值、事故值和交通值分别标记为CP、SP、JP,根据评估公式PGL=b1×SP+b2×JP+b3×c×CP计算对应的评估分,其中,b1、b2、b3均为比例系数,取值范围为0<b1≤1,0<b2≤1,0<b3≤1,c为单位转化系数。
所述采集模块用于进行数据采集,获得对应的检测采集数据和信息数据。
进一步地,信息数据的获取方法包括:
对接各相关平台数据库,识别接收到的违章电动车车牌,基于识别的违章电动车车牌从对应平台数据库中匹配对应的人员信息,标记为信息数据。
所述检测模块用于对电动车的交通违规行为进行检测,识别具有交通违章行为的违章数据,建立车牌识别模型,通过车牌识别模型对各违章数据进行识别,识别对应的车牌信息,将识别的车牌信息发送给采集模块,接收采集模块发送的信息数据。
进一步地,违章数据的获取方法包括:
建立交通违章识别模型;实时获取各检测节点的检测采集数据,将获得的检测采集数据通过交通违章识别模型进行实时识别,获得具有交通违章行为的影像数据以及对应的交通违章种类,整合标记为违章数据。
所述告诫模块用于对具有交通违章行为的人员进行告诫,获取各交通违章行为对应的人员信息和违章数据,整合为目标告诫信息,根据目标告诫信息按照预设的告诫方式进行告诫。
与现有技术相比,本发明的有益效果是:
通过采集完善模块、采集模块、检测模块和告诫模块之间的相互配合,实现对电动车交通违规的智能检测,并对具有交通违章行为的电动车用户进行告诫,增强其安全意识,解决现有的无序管理,避免了电动车用户因为即使违章也不会被通知、惩罚等心理而肆意违章的情况出现;通过设置采集完善模块,实现对现有监控采集体系的智能评估,快速评估出需要进行检测补充的位置,便于与各相关交通违章系统进行对接、配合使用;并在评估过程中综合考虑相应的事故情况、交通情况等,实现全面评估,从资源利用率和实施角度进行综合出发;建立健全相应的交通违章检测体系。
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的介绍,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为本发明原理框图。
具体实施方式
下面将结合实施例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,一种基于计算机视觉的交通违章行为检测系统,包括采集完善模块、采集模块、检测模块和告诫模块;
所述采集完善模块用于完善监控采集体系,即根据当前监控体系进行相应的分析补充,完善检测系统,具体方法包括:
标记需要进行检测的交通范围,视为目标区域,对接目标区域内对应的交通监控系统,用于实时获取目标区域内各路口等需要进行交通违章检测位置的交通影像,与相应部门进行沟通允许后对接;将各路口等需要进行交通违章检测的位置标记为检测节点,获取检测节点的分析影像,可以之前的历史交通影像或当前直接采集的,即将获取的检测节点处的用于完善分析的交通影像视为分析影像;对各检测节点的分析影像进行分析,分析其对电动车检测的全面情况,即该位置的采集设备采集范围对电动车的采集情况,覆盖电动车道的情况,进行相应的分析,输出对应的采集全面值,全覆盖即采集全面值满分;将采集全面值低于阈值X1的检测节点标记为待评估节点,对待评估节点进行评估,获得对应的评估分,将评估分低于阈值X2的待评估节点标记为补充节点,对补充节点处的监控范围进行补充,如增加相应的监控采集设备。
采集全面值的计算方法包括:
标记检测节点处电动车的目标检测范围,根据相关的交通图、地图等进行目标检测范围的标记,识别分析影像中对目标检测范围的采集范围,根据采集范围和检测范围的比较,输出对应的采集全面值,具体的是根据采集范围在,目标检测范围内的位置、面积占比进行评估,在目标检测范围内不同位置的面积对应的检测重要性是不同的,会预设对应的不同区域占比权重规则,进而进行相应的评估,可以基于CNN网络或DNN网络建立对应的采集范围分析模型,通过人工的方式建立对应的训练集进行训练,训练集包括模拟设置的目标检测位置、采集范围、以及对应设置的采集全面值,通过训练成功后的采集范围分析模型进行分析,获得对应的采集全面值;因为神经网络为本领域的现有技术,因此,具体的建立和训练过程在本发明中不进行详细叙述。
对待评估节点进行评估的方法包括:
主要是根据待评估节点处的历史事故发生情况、交通繁忙情况以及对应的采集全面值进行综合评估的,如在实际背景中,因为某待选评估节点处极少发生交通事故或者没有发生过交通事故,而且交通通行情况较好,即使采集全面值很低,也可以根据实际情况而不补充监控采集设备,具体的可以基于CNN网络或DNN网络建立对应的评估分析模型,通过人工的方式建立对应的训练集进行训练,训练集包括模拟设置的历史事故发生数据、交通数据以及对应设置的事故值和交通值,通过训练成功后的评估分析模型进行分析,获得对应的事故值和交通值,将获得的采集全面值、事故值和交通值分别标记为CP、SP、JP,根据评估公式PGL=b1×SP+b2×JP+b3×c×CP计算对应的评估分,其中,b1、b2、b3均为比例系数,取值范围为0<b1≤1,0<b2≤1,0<b3≤1,c为单位转化系数,用于对采集全面值进行单位转化,为由专家组进行讨论设置的固定系数。
在其他实施例中,采集完善模块也可以应用到机动车中的违章检测中。
通过设置采集完善模块,实现对现有监控采集体系的智能评估,快速评估出需要进行检测补充的位置,便于与各相关交通违章系统进行对接、配合使用;并在评估过程中综合考虑相应的事故情况、交通情况等,实现全面评估,从资源利用率和实施角度进行综合出发;建立健全相应的交通违章检测体系。
所述采集模块用于进行数据采集,获得对应的检测采集数据和信息数据,检测采集数据即为各检测节点处监控采集设备采集的图像数据;信息数据是根据电动车车牌匹配的信息,私人用车即为登记人员信息,共享电动车即为扫码骑行人员信息;
其中,信息数据的获取方法包括:
对接各相关平台数据库,如电单车平台订单信息数据库,根据接收到的交通违章电动车车牌从对应平台数据库中匹配对应的人员信息,标记为信息数据。
所述检测模块用于对电动车的交通违规行为进行检测,具体方法包括:
建立交通违章识别模型,交通违章识别模型用于对交通影像进行分析,判断是否具有较交通违规行为,并识别对应的交通违规行为,可以直接利用现有的相关的违章识别模型,或者结合相应的电动车违章制度和现有的相关交通违章识别模型建立方法进行建立;
实时获取各检测节点的检测采集数据,将获得的检测采集数据通过交通违章识别模型进行实时识别,获得具有交通违章行为的影像数据以及对应的交通违规种类,整合标记为违章数据;
建立车牌识别模型,利用现有的车牌识别模型也可以,或者根据现有的车牌识别方法进行车牌识别模型的建立;通过车牌识别模型对各违章数据进行识别,识别对应的车牌信息,将识别的车牌信息发送给采集模块,接收采集模块发送的信息数据。
所述告诫模块用于对具有交通违章行为的人员进行告诫,具体方法包括:
获取各交通违章行为对应的人员信息和违章数据,整合为目标告诫信息,根据目标告诫信息按照预设的告诫方式进行告诫。
根据目标告诫信息按照预设的告诫方式进行告诫,主要是根据告诫渠道的选择有关,如对于共享单车用户,可以借助对应的平台发送信息、图片、影像数据等,对于私人车主,一般是采用短信告诫的方式进行,通过短信发送对应的违章信息;因此,需要根据实际情况设置若干种相应的告诫方式,后续即可根据实际违章情况进行直接匹配相应的告诫方式进行告诫。
在其他实施例中,为了进一步的增强违章用户们的安全意识,可以设置相应的评估体系,如以违章次数、违章种类进行综合评估,当评分达到某一阈值时,可以采用电话告诫等进一步的告诫方式进行;如为每个违章种类不同违章次数区间设置对应的违章评分,进行相应的匹配后进行累加,获得对应的违章评分;后续进行相应进一步地的告诫后,再设置告诫后不同时期内的违章评分的修正;如当告诫后,再次进行违章,可以增加对应的违章评分,具体的可以建立对应的评分体系进行评估。
通过采集完善模块、采集模块、检测模块和告诫模块之间的相互配合,实现对电动车交通违规的智能检测,并对具有交通违章行为的电动车用户进行告诫,增强其安全意识,解决现有的无序管理,避免了电动车用户因为即使违章也不会被通知、惩罚等心理而肆意违章的情况出现。
上述公式均是去除量纲取其数值计算,公式是由采集大量数据进行软件模拟得到最接近真实情况的一个公式,公式中的预设参数和预设阈值由本领域的技术人员根据实际情况设定或者大量数据模拟获得。
以上实施例仅用以说明本发明的技术方法而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方法进行修改或等同替换,而不脱离本发明技术方法的精神和范围。
Claims (5)
1.一种基于计算机视觉的交通违章行为检测系统,其特征在于,包括采集完善模块、采集模块、检测模块和告诫模块;
所述采集完善模块用于对当前的监控采集进行完善;
所述采集模块用于进行数据采集,获得对应的检测采集数据和信息数据;
所述检测模块用于对电动车的交通违规行为进行检测,识别具有交通违章行为的违章数据,建立车牌识别模型,通过车牌识别模型对各违章数据进行识别,识别对应的车牌信息,将识别的车牌信息发送给采集模块,接收采集模块发送的信息数据;
所述告诫模块用于对具有交通违章行为的人员进行告诫,获取各交通违章行为对应的人员信息和违章数据,整合为目标告诫信息,根据目标告诫信息按照预设的告诫方式进行告诫;
采集完善模块的工作方法包括:
识别目标区域以及对应的各检测节点,获取各所述检测节点对应的分析影像,对获得的分析影像进行分析,获得对应的采集全面值;基于所述采集全面值确定补充节点,对补充节点处的监控范围进行补充;
采集全面值的计算方法包括:
标记各检测节点处电动车的目标检测范围,识别分析影像中相对目标检测范围的采集范围,通过预设的采集范围分析模型对目标检测范围和采集分析进行分析,获得对应的采集全面值;
根据采集全面值确定补充节点的方法包括:
将采集全面值低于阈值X1的检测节点标记为待评估节点,对待评估节点进行评估,获得对应的评估分,将评估分低于阈值X2的待评估节点标记为补充节点;
评估分的获取方法包括:
获取所述待评估节点对应的历史事故发生数据和交通数据,对获得的历史事故发生数据、交通数据进行分析,获得对应的事故值和交通值,将获得的采集全面值、事故值和交通值分别标记为CP、SP、JP,根据评估公式PGL=b1×SP+b2×JP+b3×c×CP计算对应的评估分,其中,b1、b2、b3均为比例系数,取值范围为0<b1≤1,0<b2≤1,0<b3≤1,c为单位转化系数。
2.根据权利要求1所述的一种基于计算机视觉的交通违章行为检测系统,其特征在于,根据采集全面值确定补充节点的方法包括:
将采集全面值低于阈值X1的检测节点标记为补充节点。
3.根据权利要求1所述的一种基于计算机视觉的交通违章行为检测系统,其特征在于,信息数据的获取方法包括:
对接各相关平台数据库,识别接收到的违章电动车车牌,基于识别的违章电动车车牌从对应平台数据库中匹配对应的人员信息,标记为信息数据。
4.根据权利要求1所述的一种基于计算机视觉的交通违章行为检测系统,其特征在于,违章数据的获取方法包括:
建立交通违章识别模型;实时获取各检测节点的检测采集数据,将获得的检测采集数据通过交通违章识别模型进行实时识别,获得具有交通违章行为的影像数据以及对应的交通违章种类,整合标记为违章数据。
5.一种基于计算机视觉的交通违章行为检测方法,其特征在于,应用于如权利要求1-4中任一项所述的一种基于计算机视觉的交通违章行为检测系统。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310830347.8A CN116778434B (zh) | 2023-07-07 | 2023-07-07 | 一种基于计算机视觉的交通违章行为检测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310830347.8A CN116778434B (zh) | 2023-07-07 | 2023-07-07 | 一种基于计算机视觉的交通违章行为检测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116778434A CN116778434A (zh) | 2023-09-19 |
CN116778434B true CN116778434B (zh) | 2024-05-14 |
Family
ID=88006323
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310830347.8A Active CN116778434B (zh) | 2023-07-07 | 2023-07-07 | 一种基于计算机视觉的交通违章行为检测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116778434B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103996296A (zh) * | 2014-05-27 | 2014-08-20 | 浪潮电子信息产业股份有限公司 | 一种基于云计算的违章拍照自动识别方法 |
CN105243842A (zh) * | 2015-10-10 | 2016-01-13 | 浪潮电子信息产业股份有限公司 | 一种基于云计算的交通违章举报系统和方法 |
CN108257383A (zh) * | 2018-01-16 | 2018-07-06 | 河南魏来网络科技有限公司 | 一种车载终端和交通通行行为的监控系统 |
CN110189524A (zh) * | 2019-06-19 | 2019-08-30 | 刘先进 | 一种主动式违章违规识别方法、系统和电子设备 |
CN112581769A (zh) * | 2020-12-08 | 2021-03-30 | 福建小电科技有限公司 | 一种基于人工智能识别技术非机动车违法视频分析系统 |
CN116168356A (zh) * | 2023-04-26 | 2023-05-26 | 威海海洋职业学院 | 一种基于计算机视觉的车辆损伤判别方法 |
CN116311901A (zh) * | 2023-01-07 | 2023-06-23 | 北京市市政工程设计研究总院有限公司 | 一种智能交通实时监控系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113223270B (zh) * | 2021-04-26 | 2023-02-28 | 西安建筑科技大学 | 基于计算机视觉技术的疲劳驾驶监测提醒预警方法及系统 |
-
2023
- 2023-07-07 CN CN202310830347.8A patent/CN116778434B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103996296A (zh) * | 2014-05-27 | 2014-08-20 | 浪潮电子信息产业股份有限公司 | 一种基于云计算的违章拍照自动识别方法 |
CN105243842A (zh) * | 2015-10-10 | 2016-01-13 | 浪潮电子信息产业股份有限公司 | 一种基于云计算的交通违章举报系统和方法 |
CN108257383A (zh) * | 2018-01-16 | 2018-07-06 | 河南魏来网络科技有限公司 | 一种车载终端和交通通行行为的监控系统 |
CN110189524A (zh) * | 2019-06-19 | 2019-08-30 | 刘先进 | 一种主动式违章违规识别方法、系统和电子设备 |
CN112581769A (zh) * | 2020-12-08 | 2021-03-30 | 福建小电科技有限公司 | 一种基于人工智能识别技术非机动车违法视频分析系统 |
CN116311901A (zh) * | 2023-01-07 | 2023-06-23 | 北京市市政工程设计研究总院有限公司 | 一种智能交通实时监控系统 |
CN116168356A (zh) * | 2023-04-26 | 2023-05-26 | 威海海洋职业学院 | 一种基于计算机视觉的车辆损伤判别方法 |
Non-Patent Citations (1)
Title |
---|
"多维度道路交通监控设施布局评价体系及应用研究";熊文华;《公路与汽运》;20170731;第52-55、136页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116778434A (zh) | 2023-09-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103871242B (zh) | 一种驾驶行为综合评价系统与方法 | |
CN111862606B (zh) | 一种基于多源数据的非法营运车辆识别方法 | |
CN107481526A (zh) | 用于行车变道检测记录及违章变道举报控制的系统及方法 | |
CN204990695U (zh) | 基于车载行车记录设备的车辆违章信息采集系统 | |
CN101465059B (zh) | 城市道路交通安全态势鉴判预警系统 | |
CN116386379B (zh) | 基于物联网技术的智能停车场数据管理方法和系统 | |
CN113807588A (zh) | 基于交通事故的行车路径规划方法及装置 | |
CN112967497B (zh) | 共享汽车监管系统及监管方法 | |
CN110781873A (zh) | 一种双模态特征融合的驾驶员疲劳等级识别方法 | |
CN115035491A (zh) | 一种基于联邦学习的驾驶行为路况预警方法 | |
CN109360417B (zh) | 一种基于区块链的危险驾驶行为辨识与推送方法及系统 | |
CN116168356B (zh) | 一种基于计算机视觉的车辆损伤判别方法 | |
CN115662113A (zh) | 一种信号交叉口人车博弈冲突风险评估与预警方法 | |
CN111832519A (zh) | 一种两/三轮车的违法行为的识别管理方法和系统 | |
CN111192450A (zh) | 一种联网车辆管理方法及系统 | |
CN114613128A (zh) | 一种基于数据分析的地铁防疫监控管理系统 | |
CN116778434B (zh) | 一种基于计算机视觉的交通违章行为检测系统及方法 | |
CN112214530B (zh) | 一种社会驾驶行为跟踪评价的方法及相关装置 | |
CN117391894A (zh) | 一种巡逻机器人协同违章取证方法、系统及介质 | |
CN112216106A (zh) | 基于bim技术的智能交通管理系统 | |
CN113570470B (zh) | 一种汽车保险用快速管理系统 | |
CN112633163B (zh) | 一种基于机器学习算法实现非法运营车辆检测的检测方法 | |
CN114973664A (zh) | 一种基于机器视觉的城市交通在线智能监测预警管理系统 | |
CN114331181A (zh) | 基于大数据的车辆驾驶行为风险分析方法 | |
CN112419713A (zh) | 一种基于云计算的城市交通监测系统 |
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 |