CN117690278A - 一种基于图像识别的地质灾害预警系统 - Google Patents
一种基于图像识别的地质灾害预警系统 Download PDFInfo
- Publication number
- CN117690278A CN117690278A CN202410146695.8A CN202410146695A CN117690278A CN 117690278 A CN117690278 A CN 117690278A CN 202410146695 A CN202410146695 A CN 202410146695A CN 117690278 A CN117690278 A CN 117690278A
- Authority
- CN
- China
- Prior art keywords
- early warning
- data
- image
- model
- disaster
- 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
- 239000011159 matrix material Substances 0.000 claims abstract description 56
- 238000010276 construction Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 16
- 238000005457 optimization Methods 0.000 claims abstract description 15
- 230000002265 prevention Effects 0.000 claims abstract description 15
- 230000003993 interaction Effects 0.000 claims abstract description 11
- 230000007613 environmental effect Effects 0.000 claims abstract description 9
- 238000013507 mapping Methods 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 32
- 230000008569 process Effects 0.000 claims description 25
- 238000005286 illumination Methods 0.000 claims description 17
- 239000002689 soil Substances 0.000 claims description 14
- 238000002372 labelling Methods 0.000 claims description 13
- 238000000605 extraction Methods 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 7
- 230000010365 information processing Effects 0.000 claims description 6
- 230000001502 supplementing effect Effects 0.000 claims description 6
- 238000012502 risk assessment Methods 0.000 claims description 4
- 238000004891 communication Methods 0.000 claims description 3
- 230000002787 reinforcement Effects 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 101100517651 Caenorhabditis elegans num-1 gene Proteins 0.000 description 2
- 238000012937 correction Methods 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 239000011435 rock Substances 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Abstract
本发明公开了一种基于图像识别的地质灾害预警系统,涉及了灾害预警技术领域,通过选取若干个地质勘探点位布置图像采集设备进行图像数据的采集,并根据环境数据对图像采集设备进行自适应调节;通过对图像数据进行信任源鉴定、标签标注以及格式校准,进而生成图像标注数据;通过提取图像标注数据的图像特征维度值,映射出对应的图像特征矩阵,进而处理构建相应的地质灾害预警模型;通过分析地质灾害预警模型进行灾害风险预测,进而生成预警信息和模型拟合信息,将预警信息发送至设置的预警中心生成预警报表,根据模型拟合信息进行模型优化构建;通过与预警中心数据交互,并根据不同的预警报表执行相应的灾害防治措施。
Description
技术领域
本发明涉及灾害预警技术领域,具体是一种基于图像识别的地质灾害预警系统。
背景技术
地质灾害是指自然力量作用下引起的地质现象,如山体滑坡、泥石流等,会给人们的生命财产带来极大的危害,为了有效预防和控制地质灾害的发生,需要建立一套高效、准确的地质灾害预警系统。
使用图像识别进行地质灾害预警是常用手段,但是往往采集到的地质勘探区域的图像数据不够全面和清晰,而良好的图像数据是后续灾害预测的重要基础,此外,图像识别的维度层面往往比较单一,构建出的灾害预测模型的拟合度不够也会导致对地质灾害预警的准确判断,因此,如何提供全面且清晰的图像数据,如何提高地质灾害预警的准确度,这些都是我们目前所需要考虑的问题。
发明内容
为了解决上述问题,本发明的目的在于提供一种基于图像识别的地质灾害预警系统。
本发明的目的可以通过以下技术方案实现:一种基于图像识别的地质灾害预警系统,包括预警中心,所述预警中心通信连接有数据采集模块、数据预处理模块、特征提取模块、预测分析模块以及执行模块;
所述数据采集模块用于选取若干个地质勘探点位,并在相应的地质勘探点位处布置图像采集设备进行图像数据的采集,根据地质勘探点位的环境数据进行图像采集设备的自适应调节;
所述数据预处理模块用于对获取到的图像数据进行信任源鉴定、标签标注以及格式校准,进而生成图像标注数据传输至特征提取模块;
所述特征提取模块用于获取图像标注数据,并提取图像标注数据对应的图像特征维度值,根据图像特征维度值映射出相应的图像特征矩阵,对图像特征矩阵进行处理构建相应的地质灾害预警模型;
所述预测分析模块用于分析地质灾害预警模型,并进行相应的灾害风险预测,进而生成预警信息和模型拟合信息,将预警信息发送至预警中心生成预警报表,根据模型拟合信息进行模型优化构建;
所述执行模块用于与预警中心进行数据交互,进而根据不同的预警报表执行相应的灾害防治措施。
进一步的,选取若干个地质勘探点位,并布置图像采集设备进行图像数据的采集的过程包括:
选择地质灾害勘探区域,并获取地质灾害勘探区域的区域面积,记为S,选取地质灾害勘探区域对应的若干个地质勘探点位,并编号为i,i=1,2,3,……,n,n为大于0的自然数;
在编号为i的地质勘探点位处布置图像采集设备,获取编号为i的地质勘探点位的图像采集设备所设置的采集区域的面积,记为S[i],累加若干个采集区域的面积获取设备工作区域面积,记为S`,进行S与S`进行重叠比对,进而判断是否存在采集盲点区域;
若S`≥S,则判断不存在采集盲点区域;
若S`<S,则判断存在采集盲点区域;
当不存在采集盲点区域时,则通过图像采集设备采集地质勘探点位对应的图像数据,当存在采集盲点区域时,则扩大采集盲点区域周围的图像采集设备的采集区域范围。
进一步的,根据环境数据进行图像采集设备的自适应调节的过程包括:
获取编号为i的地质勘探点位对应的环境数据,记为En[i],En[i]={data1,data2},data1和data2分别表示地质勘探点位的光照强度和土壤相关参数,图像采集设备设置有最佳工作环境参数,最佳工作环境参数包括最佳采集光照强度和最佳设备稳定度;
根据土壤相关参数生成图像采集设备的设备稳定度,并判断光照强度和设备稳定度是否分别处于相应的最佳采集光照强度和最佳设备稳定度内,进而根据判断结果决定是否进行自适应调节,自适应调节包括对图像采集设备内置的曝光单元、补光单元以及水平控制仪的调节操作。
进一步的,对图像数据进行信任源鉴定的过程包括:
设置数据接收时段获取图像数据,所述图像数据关联有对应的上传IP地址,预设IP地址表单,IP地址表单记录有若干个信任IP地址,将图像数据对应的上传IP地址与IP地址表单输入至预设的比对程序内,比对程序用于进行信任源鉴定,信任源鉴定的鉴定结果包括信任成功和信任失败,当上传IP地址属于IP地址表单内的任一个信任IP地址时,由比对程序生成一个字符“1”,对应的鉴定结果为信任成功,否则,则生成一个字符“0”,对应的鉴定结果为信任失败。
进一步的,对图像数据进行标签标注和格式校准,进而生成图像标注数据的过程包括:
获取鉴定结果为信任成功的全部图像数据,进而获取图像数据对应的像素分辨率、像素深度以及像素灰度值,分别记为X1、X2以及G,设置最低分辨率阈值和像素深度合规区间,分别记为Y1和Y2;
设置灰度梯度区间,灰度梯度区间包括第一梯度区间、第二梯度区间以及第三梯度区间,分别记为T1、T2以及T3,通过标签标注生成一类标签和二类标签,若X1≥Y1和X2∈Y2同时成立,则赋予相应的图像数据一类标签,一类标签对应的图像数据为合格数据,否则,赋予图像数据二类标签,对应图像数据为待处理数据;
对待处理数据进行像素分辨率和像素深度的相应调整,进而将待处理数据转换为合格数据,根据G与T1、T2以及T3的关系,标注出合格数据的灰度类型;
当G∈T1时,表示合格数据的灰度类型为灰度值偏低;
当G∈T2时,表示合格数据的灰度类型为灰度值合规;
当G∈T3时,表示合格数据的灰度类型为灰度值偏高;
将灰度值偏低和灰度值偏高的合格数据的像素灰度值进行调整,使其转换为灰度值合规的合格数据,获取合格数据的数据格式,并判断该数据格式是否符合预设的标注格式,若符合,则不进行任何操作,否则,则对合格数据进行格式校准,进而将合格数据转换为图像标注数据。
进一步的,提取图像标注数据的图像特征维度值,进而映射出相应的图像特征矩阵的过程包括:
获取图像标注数据并导入至设置的提取程序内,通过提取程序提取出图像标注数据对应的图像特征维度值,记为λ,λ取值为[0,1],设置维度等级,维度等级包括一级维度、二级维度以及三级维度,不同的维度等级映射有相应的图像特征矩阵,图像特征矩阵包括一级矩阵、二级矩阵以及三级矩阵;
当λ∈[0,0.5]时,对应的维度等级为一级维度,对应的图像特征矩阵为一级矩阵;
当λ∈(0.5,0.8]时,对应的维度等级为二级维度,对应的图像特征矩阵为二级矩阵;
当λ∈(0.8,1]时,对应的维度等级为三级维度,对应的图像特征矩阵为三级矩阵。
进一步的,对图像特征矩阵进行处理,进而构建相应的地质灾害预警模型的过程包括:
设置模型搭建程序以及模型搭建程序对应的构建算力,模型搭建程序用于进行图像特征矩阵的处理,将预设的模型载体与不同维度等级的图像特征矩阵输入至模型搭建程序内,由模型搭建程序获取图像特征矩阵对应的矩阵信息;
矩阵信息包括矩阵特征关键词和信息处理量,将矩阵特征关键词拓扑至模型载体,进而生成维度层面预警子模型,维度层面预警子模型包括高纬度层面预警子模型、中纬度层面预警子模型以及低纬度层面预警子模型,根据不同的信息处理量设置相应大小的构建算力,由一级矩阵对应处理构建出低纬度层面预警子模型,二级矩阵和三级矩阵分别构建相应的中纬度层面预警子模型和高纬度层面预警子模型,以中纬度层面预警子模型为基准对象,将低纬度层面预警子模型和高纬度层面预警子模型作为拼接元素,进而将拼接元素与基准对象进行拼接,并构建出地质灾害预警模型。
进一步的,分析地质灾害预警模型进行灾害风险预测,进而生成预警信息和模型拟合信息的过程包括:
设置风险分析时段进行地质灾害预警模型的分析工作,进而通过分析工作生成灾害风险预测的不同预测结果,预测结果包括结果一和结果二,其中,结果一的内容为:当前地质灾害勘探区域暂未存在发生地质灾害风险的可能性,结果二的内容为:当前地质灾害勘探区域存在发生地质灾害风险的可能性;
设置信息生成时段,在信息生成时段内,由设置的信息终端进行预警信息和模型拟合信息的生成,当预测结果为结果一时,信息终端生成模型拟合信息,当预测结果为结果二时,信息终端生成预警信息,并将预警信息传输至预警中心,预警信息包括预警区域、预警类型、预警时间以及预警级别,由预警中心根据预警信息生成预警报表。
进一步的,根据所述模型拟合信息进行模型优化构建的过程包括:
获取模型拟合信息,模型拟合信息包括模型预测成功率、模型鲁棒性以及学习拟合曲线,记模型预测成功率为Sc,设置模型鲁棒性的最佳数值区间和学习拟合曲线对应的最佳拟合曲线,设置预测成功率最低阈值,记为ω;
若Sc≥ω,模型鲁棒性处于最佳数值区间,且学习拟合曲线符合最佳拟合曲线三个条件同时满足时,则不进行模型优化构建,否则,若三个条件中有任意一个不满足,则进行模型优化构建。
进一步的,所述执行模块与预警中心进行数据交互,进而根据不同的预警报表执行相应的灾害防治措施的过程包括:
建立执行模块与预警中心之间的数据通道,通过数据通道进行数据交互,进而获取预警中心处的预警报表,根据预警报表设置不同的灾害处理优先级;
获取预警报表对应的预警级别,预警级别包括红色预警、橙色预警和黄色预警,灾害处理优先级包括最高级、次高级以及普通级,对应关系为:红色预警—最高级,橙色预警—次高级,黄色预警—普通级;
按照最高级、次高级和普通级的处理顺序,依次根据预警报表执行相应的灾害防治措施,灾害防治措施包括紧急疏散地质灾害发生地区的人群、加固地质灾害发生地区的建筑物、关闭通往地质灾害区域的相关道路以及启动地质灾害区域设置的安全设备。
与现有技术相比,本发明的有益效果是:
1、通过设置若干个地质勘探点位,并在地质勘探点位处布置相应的图像采集设备进行图像数据的采集,通过比对若干个地质勘探点位的图像采集设备的采集区域与地质灾害勘探区域的面积,进而定位出采集盲点区域,并调整图像采集设备以消除采集盲点区域的影响,根据地质勘探点位对应的环境数据进行图像采集设备的自适应调节,以便消除环境数据对采集的图像数据的影响,起到了图像数据采集的全面性以及清晰性的目的。
2、通过特征提取模块提取出图像标注数据的图像特征维度值,并映射出相应的图像特征矩阵,进而根据图像特征矩阵构建维度层面预警子模型,而不同的维度层面预警子模型则分别涵盖了高纬度、中间维度以及低纬度的图像识别情况,进而,融合不同的维度层面预警子模型后构建的地质灾害预警模型,其识别维度更加广泛。
3、通过预测分析模块分析地质灾害预警模型,进行相应的灾害风险预测,并生成预警信息和模型拟合信息,通过模型拟合信息进行模型优化构建,一定程度上提高了地质灾害预警模型的拟合度,根据预警信息生成预警报表,并执行预警报表对应的灾害防治措施,做到了准确预警并及时防治灾害。
附图说明
图1为本发明基于图像识别的地质灾害预警系统的功能框图。
具体实施方式
如图1所示,一种基于图像识别的地质灾害预警系统,包括预警中心,所述预警中心通信连接有数据采集模块、数据预处理模块、特征提取模块、预测分析模块以及执行模块;
所述数据采集模块用于选取若干个地质勘探点位,并在相应的地质勘探点位处布置图像采集设备进行图像数据的采集,根据地质勘探点位的环境数据进行图像采集设备的自适应调节;
所述数据预处理模块用于对获取到的图像数据进行信任源鉴定、标签标注以及格式校准,进而生成图像标注数据传输至特征提取模块;
所述特征提取模块用于获取图像标注数据,并提取图像标注数据对应的图像特征维度值,根据图像特征维度值映射出相应的图像特征矩阵,对图像特征矩阵进行处理构建相应的地质灾害预警模型;
所述预测分析模块用于分析地质灾害预警模型,并进行相应的灾害风险预测,进而生成预警信息和模型拟合信息,将预警信息发送至预警中心生成预警报表,根据模型拟合信息进行模型优化构建;
所述执行模块用于与预警中心进行数据交互,进而根据不同的预警报表执行相应的灾害防治措施。
具体的,选取所述若干个地质勘探点位,并在相应的地质勘探点位处布置图像采集设备进行图像数据的采集的过程包括:
选择地质灾害勘探区域,并获取地质灾害勘探区域的区域面积,记该区域面积为S,以地质灾害勘探区域为划分对象,进而选取划分对象对应的若干个地质勘探点位,并依次进行编号,记编号为i,则有i=1,2,3,……,n,其中n为大于0的自然数;
在编号为i的地质勘探点位处布置相应的图像采集设备,所述图像采集设备设置有对应的采集区域,记编号为i的地质勘探点位的图像采集设备的采集区域的面积为S[i];
累加若干个采集区域的面积,进而生成设备工作区域面积,记为S`,有S`=S[1]+S[2]+S[3]+……+S[n],将地质灾害勘探区域的区域面积S与设备工作区域面积S`进行重叠比对,进而判断是否存在采集盲点区域;
若S`≥S,则判断不存在采集盲点区域;
若S`<S,则判断存在采集盲点区域;
当不存在采集盲点区域时,通过若干个图像采集设备采集相应地质勘探点位的图像数据,并获取图像采集设备的工作参数,设置工作参数的正常工作对照参数和异常工作对照参数;
若工作参数符合正常工作对照参数,则不进行任何操作,若工作参数符合异常工作对照参数,则生成检修预警信号发送至预警中心,由预警中心安排相应人员对图像采集设备进行检修;
当存在采集盲点区域时,则扩大采集盲点区域周围的图像采集设备的采集区域范围。
具体的,根据地质勘探点位的环境数据进行图像采集设备的自适应调节的过程包括:
获取编号为i的地质勘探点位对应的环境数据,记为En[i],En[i]={data1,data2},其中data1表示相应地质勘探点位的光照强度,data2表示相应地质勘探点位的土壤相关参数;
所述图像采集设备设置有相应的最佳工作环境参数,所述最佳工作环境参数包括最佳采集光照强度和最佳设备稳定度,记最佳采集光照强度和最佳设备稳定度分别为Ω1和Ω2;
所述最佳采集光照强度Ω1和最佳设备稳定度Ω2皆为区间参数,即Ω1=[min1,max1],Ω2=[min2,max2],其中,min1和min2分别为最佳采集光照强度和最佳设备稳定度对应的最小数值,max1和max2分别为最佳采集光照强度和最佳设备稳定度对应的最大数值;
当data1∈Ω1时,不进行任何操作,当data1∉Ω1时,判断data1和Ω1的大小关系,若data1>max1,则启动图像采集设备内置的曝光单元,进而通过调整曝光单元的曝光参数来降低该光照强度下获取的图像数据的曝光度,以避免亮度过高对采集到的图像的影响,调整的曝光参数包括快门速度、光圈大小以及ISO感光度;若data1<min1,则启动图像采集设备内置的补光单元,进而通过补光单元的补光操作增大图像采集设备周围的光照强度,直到满足data1∈Ω1时,则停止补光操作;
所述土壤相关参数包括土壤含水量和土壤沉降量,分别记为α和β,进而根据α和β生成土壤稳定度,记为W,有W=r1×α+r2×β,其中r1为土壤含水量的修正系数,r2为土壤沉降量的修正系数;
设置土壤稳定度的分级标定区间,所述分级标定区间包括安全区间和危险区间,分别记为 G安和G危,当W∈G安时,表示土壤稳定度正常,不做任何操作,当W∈G危时,表示土壤稳定度异常,进而判断图像采集设备的设备稳定度是否在Ω2内,若是,则不做任何调整操作,若否,则启动图像采集设备的水平控制仪进行方位调整,使得设备稳定度处于Ω2内;
当data1∈Ω1,且data2∈Ω2时,表示图像采集设备的自适应调节完成,否则,继续进行图像采集设备的自适应调节,自适应调节即上述对光照强度和设备稳定度的调节。
具体的,对获取到的所述图像数据进行信任源鉴定的过程包括:
数据预处理模块设置数据接收时段,在数据接收时段获取图像数据,所述图像数据关联有对应的上传IP地址,预设IP地址表单,所述IP地址表单记录有若干个信任IP地址,信任IP地址即审核通过的上传IP地址;
将图像数据对应的上传IP地址与IP地址表单输入至预设的比对程序内,所述比对程序用于进行信任源鉴定,信任源鉴定的鉴定结果包括信任成功和信任失败;
当上传IP地址属于IP地址表单内的任一个信任IP地址时,由比对程序生成一个字符“1”,对应的鉴定结果为信任成功,否则,则生成一个字符“0”,对应的鉴定结果为信任失败。
具体的,对图像数据进行标签标注和格式校准,进而生成图像标注数据的过程包括:
获取鉴定结果为信任成功的全部图像数据,进而获取图像数据对应的像素分辨率、像素深度以及像素灰度值,分别记为X1、X2以及G,设置最低分辨率阈值,记为Y1,设置像素深度合规区间,记为Y2;
设置灰度梯度区间,灰度梯度区间包括第一梯度区间、第二梯度区间以及第三梯度区间,分别记为T1、T2以及T3,需要说明的是,Y2、T1、T2以及T3都是区间数值;
通过标签标注生成一类标签和二类标签,若X1≥Y1和X2∈Y2同时成立,则赋予相应的图像数据一类标签,一类标签对应的图像数据为合格数据,否则,赋予图像数据二类标签,对应图像数据为待处理数据;
对待处理数据进行像素分辨率和像素深度的相应调整,进而将待处理数据转换为合格数据,根据像素灰度值G与灰度梯度区间T1、T2以及T3的关系,标注出合格数据的灰度类型;
当G∈T1时,表示合格数据的灰度类型为灰度值偏低;
当G∈T2时,表示合格数据的灰度类型为灰度值合规;
当G∈T3时,表示合格数据的灰度类型为灰度值偏高;
将灰度值偏低和灰度值偏高的合格数据的像素灰度值进行调整,使其转换为灰度值合规的合格数据,获取合格数据的数据格式,并判断该数据格式是否符合预设的标注格式,若符合,则不进行任何操作,否则,则对合格数据进行格式校准,进而将合格数据转换为图像标注数据。
具体的,所述特征提取模块获取图像标注数据,并提取图像标注数据对应的图像特征维度值,根据图像特征维度值映射出相应的图像特征矩阵的过程包括:
所述特征提取模块获取图像标注数据,将图像标注数据导入设置的提取程序内,并对提取程序进行安全环境配置,安全环境配置的内容为:获取提取程序的若干个漏洞位置和漏洞信息,进而根据漏洞信息生成相应漏洞位置的修复补丁,对若干个漏洞位置通过修复补丁进行修复,进而设置出提取程序对应的安全环境;
当安全环境配置完成时,通过提取程序提取出图像标注数据对应的图像特征维度值,记图像特征维度值为λ,λ取值为[0,1],图像特征维度值用于表示对图像的识别维度,λ数值越大,识别维度越高,后续处理所需要的算力要求相应也越高;
设置维度等级,所述维度等级包括一级维度、二级维度以及三级维度,不同的维度等级映射有相应的图像特征矩阵,所述图像特征矩阵包括一级矩阵、二级矩阵以及三级矩阵;
图像特征维度值、维度等级以及维度等级映射的图像特征矩阵的对应关系如下:
当λ∈[0,0.5]时,对应的维度等级为一级维度,对应的图像特征矩阵为一级矩阵;
当λ∈(0.5,0.8]时,对应的维度等级为二级维度,对应的图像特征矩阵为二级矩阵;
当λ∈(0.8,1]时,对应的维度等级为三级维度,对应的图像特征矩阵为三级矩阵。
具体的,对图像特征矩阵进行处理构建相应的地质灾害预警模型的过程包括:
设置模型搭建程序,所述模型搭建程序设置构建算力,模型搭建程序用于进行图像特征矩阵的处理,将预设的模型载体与不同维度等级的图像特征矩阵输入至模型搭建程序内,由模型搭建程序获取图像特征矩阵对应的矩阵信息;
矩阵信息包括矩阵特征关键词和信息处理量,进而将矩阵信息对应的矩阵特征关键词拓扑至模型载体内,生成不同维度等级的图像特征矩阵所对应的维度层面预警子模型;维度层面预警子模型包括高纬度层面预警子模型、中纬度层面预警子模型以及低纬度层面预警子模型;
根据不同图像特征矩阵的信息处理量设置不同大小的构建算力,其中,构建低纬度层面预警子模型、中纬度层面预警子模型以及高纬度层面预警子模型所需要的构建算力逐渐增加;
由一级矩阵对应处理构建出低纬度层面预警子模型,相应的,二级矩阵和三级矩阵分别构建相应的中纬度层面预警子模型和高纬度层面预警子模型;
以中纬度层面预警子模型为基准对象,将低纬度层面预警子模型和高纬度层面预警子模型作为拼接元素,进而将拼接元素与基准对象进行拼接,并构建出地质灾害预警模型;
需要说明的是,维度层面预警子模型中的高纬度层面预警子模型、中纬度层面预警子模型和低纬度层面预警子模型,分别涵盖了高纬度、中间维度以及低纬度的图像识别情况,进而,融合后构建的地质灾害预警模型其识别维度更加广泛。
具体的,分析地质灾害预警模型并进行相应的灾害风险预测,进而生成预警信息和模型拟合信息,将预警信息发送至预警中心生成预警报表的过程包括:
当地质灾害预警模型构建完成后,设置风险分析时段,在风险分析时段内进行地质灾害预警模型的分析工作,进而通过分析工作生成灾害风险预测的不同预测结果;
所述预测结果包括结果一和结果二,其中,结果一的内容为:当前地质灾害勘探区域暂未存在发生地质灾害风险的可能性,结果二的内容为:当前地质灾害勘探区域存在发生地质灾害风险的可能性;
设置信息生成时段,在信息生成时段内,由设置的信息终端进行预警信息和模型拟合信息的生成,当预测结果为结果一时,信息终端生成模型拟合信息,当预测结果为结果二时,信息终端生成预警信息,并将预警信息传输至预警中心,由预警中心根据预警信息生成相应的预警报表;
所述预警信息包括预警区域、预警类型、预警时间以及预警级别,设置空白数据报表,将上述预警信息录入至空白数据报表内,进而将空白数据报表转换为预警报表。
需要说明的是,预警区域即受到地质灾害威胁的具体地理区域范围,预警类型即地质灾害的具体类型,如地震、滑坡、泥石流以及崩塌等,预警时间即预测地质灾害发生的时间段或具体时间,以提醒相关部门和公众做好应对准备,预警级别则包括红色预警、橙色预警和黄色预警,其反映了地质灾害的严重程度,红色预警、橙色预警以及黄色预警对应的严重程度依次降低。
具体的,根据所述模型拟合信息进行模型优化构建的过程包括:
获取模型拟合信息,所述模型拟合信息包括模型预测成功率、模型鲁棒性以及学习拟合曲线,记模型预测成功率为Sc,则有Sc=Num1/Num2,其中,Num1表示为进行模型预测的成功次数,Num2为进行模型预测的总次数;
设置模型鲁棒性的最佳数值区间和学习拟合曲线对应的最佳拟合曲线,设置预测成功率最低阈值,记为ω,所述学习拟合曲线为地质灾害预警模型执行灾害风险预测时模型工作曲线,反映其实时的工作状态;
若Sc≥ω,模型鲁棒性处于最佳数值区间,且学习拟合曲线符合最佳拟合曲线三个条件同时满足时,则不进行模型优化构建,否则,若三个条件中有任意一个不满足,则进行模型优化构建,模型优化构建的内容为:设置样本数据,样本数据有对应的样本量,通过样本数据对地质灾害预警模型进行训练,进而通过调整样本量的数值大小获取实时的模型鲁棒性以及学习拟合曲线,以及获取训练时对应的模型预测成功率,若满足Sc≥ω,且模型鲁棒性处于最佳数值区间,且学习拟合曲线符合最佳拟合曲线,则停止训练,并标记样本数据此时的样本量为最佳样本量。
具体的,所述执行模块与预警中心进行数据交互,进而根据不同的预警报表执行相应的灾害防治措施的过程包括:
建立执行模块与预警中心之间的数据通道,进而通过数据通道进行数据交互,通过数据交互获取预警中心处的预警报表,根据预警报表设置不同的灾害处理优先级;
获取预警报表对应的预警级别,预警级别包括红色预警、橙色预警和黄色预警,灾害处理优先级包括最高级、次高级以及普通级,预警报表的预警级别与灾害处理优先级的对应关系如下:
红色预警—最高级,橙色预警—次高级,黄色预警—普通级;
按照最高级、次高级和普通级的处理顺序,依次根据相应的预警报表执行相应的灾害防治措施,所述灾害防治措施包括紧急疏散地质灾害发生地区的人群、加固地质灾害发生地区的建筑物、关闭通往地质灾害区域的相关道路以及启动地质灾害区域设置的安全设备,进而使地质灾害区域造成的损失降至最低。
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精神和范围。
Claims (10)
1.一种基于图像识别的地质灾害预警系统,包括预警中心,其特征在于,所述预警中心通信连接有数据采集模块、数据预处理模块、特征提取模块、预测分析模块以及执行模块;
所述数据采集模块用于选取若干个地质勘探点位,并在相应的地质勘探点位处布置图像采集设备进行图像数据的采集,根据地质勘探点位的环境数据进行图像采集设备的自适应调节;
所述数据预处理模块用于对获取到的图像数据进行信任源鉴定、标签标注以及格式校准,进而生成图像标注数据传输至特征提取模块;
所述特征提取模块用于获取图像标注数据,并提取图像标注数据对应的图像特征维度值,根据图像特征维度值映射出相应的图像特征矩阵,对图像特征矩阵进行处理构建相应的地质灾害预警模型;
所述预测分析模块用于分析地质灾害预警模型,并进行相应的灾害风险预测,进而生成预警信息和模型拟合信息,将预警信息发送至预警中心生成预警报表,根据模型拟合信息进行模型优化构建;
所述执行模块用于与预警中心进行数据交互,进而根据不同的预警报表执行相应的灾害防治措施。
2.根据权利要求1所述的一种基于图像识别的地质灾害预警系统,其特征在于,选取若干个地质勘探点位,并布置图像采集设备进行图像数据的采集的过程包括:
选择地质灾害勘探区域,并获取地质灾害勘探区域的区域面积,记为S,选取地质灾害勘探区域对应的若干个地质勘探点位,并编号为i,i=1,2,3,……,n,n为大于0的自然数;
在编号为i的地质勘探点位处布置图像采集设备,获取编号为i的地质勘探点位的图像采集设备所设置的采集区域的面积,记为S[i],累加若干个采集区域的面积获取设备工作区域面积,记为S`,进行S与S`进行重叠比对,进而判断是否存在采集盲点区域;
若S`≥S,则判断不存在采集盲点区域;
若S`<S,则判断存在采集盲点区域;
当不存在采集盲点区域时,则通过图像采集设备采集地质勘探点位对应的图像数据,当存在采集盲点区域时,则扩大采集盲点区域周围的图像采集设备的采集区域范围。
3.根据权利要求2所述的一种基于图像识别的地质灾害预警系统,其特征在于,根据环境数据进行图像采集设备的自适应调节的过程包括:
获取编号为i的地质勘探点位对应的环境数据,记为En[i],En[i]={data1,data2},data1和data2分别表示地质勘探点位的光照强度和土壤相关参数,图像采集设备设置有最佳工作环境参数,最佳工作环境参数包括最佳采集光照强度和最佳设备稳定度;
根据土壤相关参数生成图像采集设备的设备稳定度,并判断光照强度和设备稳定度是否分别处于相应的最佳采集光照强度和最佳设备稳定度内,进而根据判断结果决定是否进行自适应调节,自适应调节包括对图像采集设备内置的曝光单元、补光单元以及水平控制仪的调节操作。
4.根据权利要求3所述的一种基于图像识别的地质灾害预警系统,其特征在于,对图像数据进行信任源鉴定的过程包括:
设置数据接收时段获取图像数据,所述图像数据关联有对应的上传IP地址,预设IP地址表单,IP地址表单记录有若干个信任IP地址,将图像数据对应的上传IP地址与IP地址表单输入至预设的比对程序内,比对程序用于进行信任源鉴定,信任源鉴定的鉴定结果包括信任成功和信任失败,当上传IP地址属于IP地址表单内的任一个信任IP地址时,由比对程序生成一个字符“1”,对应的鉴定结果为信任成功,否则,则生成一个字符“0”,对应的鉴定结果为信任失败。
5.根据权利要求4所述的一种基于图像识别的地质灾害预警系统,其特征在于,对图像数据进行标签标注和格式校准,进而生成图像标注数据的过程包括:
获取鉴定结果为信任成功的全部图像数据,进而获取图像数据对应的像素分辨率、像素深度以及像素灰度值,分别记为X1、X2以及G,设置最低分辨率阈值和像素深度合规区间,分别记为Y1和Y2;
设置灰度梯度区间,灰度梯度区间包括第一梯度区间、第二梯度区间以及第三梯度区间,分别记为T1、T2以及T3,通过标签标注生成一类标签和二类标签,若X1≥Y1和X2 ∈Y2同时成立,则赋予相应的图像数据一类标签,一类标签对应的图像数据为合格数据,否则,赋予图像数据二类标签,对应图像数据为待处理数据;
对待处理数据进行像素分辨率和像素深度的相应调整,进而将待处理数据转换为合格数据,根据G与T1、T2以及T3的关系,标注出合格数据的灰度类型;
当G∈T1时,表示合格数据的灰度类型为灰度值偏低;
当G∈T2时,表示合格数据的灰度类型为灰度值合规;
当G∈T3时,表示合格数据的灰度类型为灰度值偏高;
将灰度值偏低和灰度值偏高的合格数据的像素灰度值进行调整,使其转换为灰度值合规的合格数据,获取合格数据的数据格式,并判断该数据格式是否符合预设的标注格式,若符合,则不进行任何操作,否则,则对合格数据进行格式校准,进而将合格数据转换为图像标注数据。
6.根据权利要求5所述的一种基于图像识别的地质灾害预警系统,其特征在于,提取图像标注数据的图像特征维度值,进而映射出相应的图像特征矩阵的过程包括:
获取图像标注数据并导入至设置的提取程序内,通过提取程序提取出图像标注数据对应的图像特征维度值,记为λ,λ取值为[0,1],设置维度等级,维度等级包括一级维度、二级维度以及三级维度,不同的维度等级映射有相应的图像特征矩阵,图像特征矩阵包括一级矩阵、二级矩阵以及三级矩阵;
当λ∈[0,0.5]时,对应的维度等级为一级维度,对应的图像特征矩阵为一级矩阵;
当λ∈(0.5,0.8]时,对应的维度等级为二级维度,对应的图像特征矩阵为二级矩阵;
当λ∈(0.8,1]时,对应的维度等级为三级维度,对应的图像特征矩阵为三级矩阵。
7.根据权利要求6所述的一种基于图像识别的地质灾害预警系统,其特征在于,对图像特征矩阵进行处理,进而构建相应的地质灾害预警模型的过程包括:
设置模型搭建程序以及模型搭建程序对应的构建算力,模型搭建程序用于进行图像特征矩阵的处理,将预设的模型载体与不同维度等级的图像特征矩阵输入至模型搭建程序内,由模型搭建程序获取图像特征矩阵对应的矩阵信息;
矩阵信息包括矩阵特征关键词和信息处理量,将矩阵特征关键词拓扑至模型载体,进而生成维度层面预警子模型,维度层面预警子模型包括高纬度层面预警子模型、中纬度层面预警子模型以及低纬度层面预警子模型,根据不同的信息处理量设置相应大小的构建算力,由一级矩阵对应处理构建出低纬度层面预警子模型,二级矩阵和三级矩阵分别构建相应的中纬度层面预警子模型和高纬度层面预警子模型,以中纬度层面预警子模型为基准对象,将低纬度层面预警子模型和高纬度层面预警子模型作为拼接元素,进而将拼接元素与基准对象进行拼接,并构建出地质灾害预警模型。
8.根据权利要求7所述的一种基于图像识别的地质灾害预警系统,其特征在于,分析地质灾害预警模型进行灾害风险预测,进而生成预警信息和模型拟合信息的过程包括:
设置风险分析时段进行地质灾害预警模型的分析工作,进而通过分析工作生成灾害风险预测的不同预测结果,预测结果包括结果一和结果二,其中,结果一的内容为:当前地质灾害勘探区域暂未存在发生地质灾害风险的可能性,结果二的内容为:当前地质灾害勘探区域存在发生地质灾害风险的可能性;
设置信息生成时段,在信息生成时段内,由设置的信息终端进行预警信息和模型拟合信息的生成,当预测结果为结果一时,信息终端生成模型拟合信息,当预测结果为结果二时,信息终端生成预警信息,并将预警信息传输至预警中心,预警信息包括预警区域、预警类型、预警时间以及预警级别,由预警中心根据预警信息生成预警报表。
9.根据权利要求8所述的一种基于图像识别的地质灾害预警系统,其特征在于,根据所述模型拟合信息进行模型优化构建的过程包括:
获取模型拟合信息,模型拟合信息包括模型预测成功率、模型鲁棒性以及学习拟合曲线,记模型预测成功率为Sc,设置模型鲁棒性的最佳数值区间和学习拟合曲线对应的最佳拟合曲线,设置预测成功率最低阈值,记为ω;
若Sc≥ω,模型鲁棒性处于最佳数值区间,且学习拟合曲线符合最佳拟合曲线三个条件同时满足时,则不进行模型优化构建,否则,若三个条件中有任意一个不满足,则进行模型优化构建。
10.根据权利要求9所述的一种基于图像识别的地质灾害预警系统,其特征在于,所述执行模块与预警中心进行数据交互,进而根据不同的预警报表执行相应的灾害防治措施的过程包括:
建立执行模块与预警中心之间的数据通道,通过数据通道进行数据交互,进而获取预警中心处的预警报表,根据预警报表设置不同的灾害处理优先级;
获取预警报表对应的预警级别,预警级别包括红色预警、橙色预警和黄色预警,灾害处理优先级包括最高级、次高级以及普通级,对应关系为:红色预警—最高级,橙色预警—次高级,黄色预警—普通级;
按照最高级、次高级和普通级的处理顺序,依次根据预警报表执行相应的灾害防治措施,灾害防治措施包括紧急疏散地质灾害发生地区的人群、加固地质灾害发生地区的建筑物、关闭通往地质灾害区域的相关道路以及启动地质灾害区域设置的安全设备。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410146695.8A CN117690278B (zh) | 2024-02-02 | 2024-02-02 | 一种基于图像识别的地质灾害预警系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410146695.8A CN117690278B (zh) | 2024-02-02 | 2024-02-02 | 一种基于图像识别的地质灾害预警系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117690278A true CN117690278A (zh) | 2024-03-12 |
CN117690278B CN117690278B (zh) | 2024-04-26 |
Family
ID=90139416
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410146695.8A Active CN117690278B (zh) | 2024-02-02 | 2024-02-02 | 一种基于图像识别的地质灾害预警系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117690278B (zh) |
Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102867086A (zh) * | 2012-09-10 | 2013-01-09 | 安科智慧城市技术(中国)有限公司 | 一种监控摄像机的自动部署方法、系统及电子设备 |
US20160090043A1 (en) * | 2014-09-26 | 2016-03-31 | Hyundai Motor Company | Driver customizable blind spot display method and apparatus |
KR20160056584A (ko) * | 2014-11-12 | 2016-05-20 | 주식회사 서울텍 | 오버레이 멀티캐스팅과 유니캐스팅을 기반으로 한 통합 보안관제 시스템 |
CN105812846A (zh) * | 2014-12-30 | 2016-07-27 | Tcl集团股份有限公司 | 网络视频的获取方法及装置 |
CN107070968A (zh) * | 2016-12-27 | 2017-08-18 | 中国人民解放军空军预警学院监控系统工程研究所 | 对监控区域部署传感器的方法 |
CN111698465A (zh) * | 2020-04-29 | 2020-09-22 | 视联动力信息技术股份有限公司 | 调整监控覆盖面积的方法、装置、电子设备及存储介质 |
JP2020205469A (ja) * | 2019-06-14 | 2020-12-24 | 富士ゼロックス株式会社 | 画像形成装置、管理装置、画像形成システムおよびプログラム |
CN112183418A (zh) * | 2020-09-30 | 2021-01-05 | 广东有色地质肇庆勘测公司 | 地质灾害的损毁区域勘测方法及其系统 |
CN112437272A (zh) * | 2020-11-13 | 2021-03-02 | 珠海大横琴科技发展有限公司 | 一种区域监控的方法和装置 |
CN112789207A (zh) * | 2021-01-08 | 2021-05-11 | 华为技术有限公司 | 一种盲区告警区域的确定方法及装置 |
US20210197383A1 (en) * | 2018-09-12 | 2021-07-01 | Brain Corporation | Systems and methods for detecting blind spots for robots |
CN113228135A (zh) * | 2021-03-29 | 2021-08-06 | 华为技术有限公司 | 一种盲区图像获取方法及相关终端装置 |
KR20210141158A (ko) * | 2020-05-15 | 2021-11-23 | 현대모비스 주식회사 | 대형차량의 사각지대 검출 장치 및 방법 |
CN114241443A (zh) * | 2021-12-17 | 2022-03-25 | 上海高德威智能交通系统有限公司 | 一种盲区预警方法、装置、电子设备以及存储介质 |
CN115348247A (zh) * | 2022-08-09 | 2022-11-15 | 四川科瑞源信息科技有限公司 | 基于天空地一体化技术的森林火灾检测预警及决策系统 |
US20230056296A1 (en) * | 2020-01-22 | 2023-02-23 | Zhejiang Uniview Technologies Co., Ltd. | Image exposure adjustment method and apparatus, device, and storage medium |
CN116311087A (zh) * | 2023-05-23 | 2023-06-23 | 深圳市鑫莱达安防技术有限公司 | 基于摄像机组的监控方法、装置、设备及存储介质 |
CN116453375A (zh) * | 2023-03-28 | 2023-07-18 | 山西潇云电子科技有限公司 | 城市道路危险数据监控管理方法、装置、电子设备及介质 |
CN116789016A (zh) * | 2023-08-25 | 2023-09-22 | 济南瑞源智能城市开发有限公司 | 一种智慧工地塔机的运行隐患监控方法及设备 |
CN117010532A (zh) * | 2023-10-07 | 2023-11-07 | 电子科技大学 | 基于多模态深度学习的综合管廊火灾趋势预测方法 |
-
2024
- 2024-02-02 CN CN202410146695.8A patent/CN117690278B/zh active Active
Patent Citations (20)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102867086A (zh) * | 2012-09-10 | 2013-01-09 | 安科智慧城市技术(中国)有限公司 | 一种监控摄像机的自动部署方法、系统及电子设备 |
US20160090043A1 (en) * | 2014-09-26 | 2016-03-31 | Hyundai Motor Company | Driver customizable blind spot display method and apparatus |
KR20160056584A (ko) * | 2014-11-12 | 2016-05-20 | 주식회사 서울텍 | 오버레이 멀티캐스팅과 유니캐스팅을 기반으로 한 통합 보안관제 시스템 |
CN105812846A (zh) * | 2014-12-30 | 2016-07-27 | Tcl集团股份有限公司 | 网络视频的获取方法及装置 |
CN107070968A (zh) * | 2016-12-27 | 2017-08-18 | 中国人民解放军空军预警学院监控系统工程研究所 | 对监控区域部署传感器的方法 |
US20210197383A1 (en) * | 2018-09-12 | 2021-07-01 | Brain Corporation | Systems and methods for detecting blind spots for robots |
JP2020205469A (ja) * | 2019-06-14 | 2020-12-24 | 富士ゼロックス株式会社 | 画像形成装置、管理装置、画像形成システムおよびプログラム |
US20230056296A1 (en) * | 2020-01-22 | 2023-02-23 | Zhejiang Uniview Technologies Co., Ltd. | Image exposure adjustment method and apparatus, device, and storage medium |
CN111698465A (zh) * | 2020-04-29 | 2020-09-22 | 视联动力信息技术股份有限公司 | 调整监控覆盖面积的方法、装置、电子设备及存储介质 |
KR20210141158A (ko) * | 2020-05-15 | 2021-11-23 | 현대모비스 주식회사 | 대형차량의 사각지대 검출 장치 및 방법 |
CN112183418A (zh) * | 2020-09-30 | 2021-01-05 | 广东有色地质肇庆勘测公司 | 地质灾害的损毁区域勘测方法及其系统 |
CN112437272A (zh) * | 2020-11-13 | 2021-03-02 | 珠海大横琴科技发展有限公司 | 一种区域监控的方法和装置 |
CN112789207A (zh) * | 2021-01-08 | 2021-05-11 | 华为技术有限公司 | 一种盲区告警区域的确定方法及装置 |
CN113228135A (zh) * | 2021-03-29 | 2021-08-06 | 华为技术有限公司 | 一种盲区图像获取方法及相关终端装置 |
CN114241443A (zh) * | 2021-12-17 | 2022-03-25 | 上海高德威智能交通系统有限公司 | 一种盲区预警方法、装置、电子设备以及存储介质 |
CN115348247A (zh) * | 2022-08-09 | 2022-11-15 | 四川科瑞源信息科技有限公司 | 基于天空地一体化技术的森林火灾检测预警及决策系统 |
CN116453375A (zh) * | 2023-03-28 | 2023-07-18 | 山西潇云电子科技有限公司 | 城市道路危险数据监控管理方法、装置、电子设备及介质 |
CN116311087A (zh) * | 2023-05-23 | 2023-06-23 | 深圳市鑫莱达安防技术有限公司 | 基于摄像机组的监控方法、装置、设备及存储介质 |
CN116789016A (zh) * | 2023-08-25 | 2023-09-22 | 济南瑞源智能城市开发有限公司 | 一种智慧工地塔机的运行隐患监控方法及设备 |
CN117010532A (zh) * | 2023-10-07 | 2023-11-07 | 电子科技大学 | 基于多模态深度学习的综合管廊火灾趋势预测方法 |
Non-Patent Citations (1)
Title |
---|
黄少雄: "基于无人机视频的公路桥梁边坡异常检测", 地理空间信息, vol. 22, no. 1, 26 January 2024 (2024-01-26), pages 78 - 81 * |
Also Published As
Publication number | Publication date |
---|---|
CN117690278B (zh) | 2024-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105139585A (zh) | 一种土质边坡险情智能预警预报方法 | |
CN110636066B (zh) | 基于无监督生成推理的网络安全威胁态势评估方法 | |
CN110287917B (zh) | 基建工地的安全管控系统和方法 | |
CN103377491B (zh) | 一种库坝巡检管理仪器及库坝巡检方法 | |
CN111882202A (zh) | 一种基于bp神经网络的群体建筑同步建造风险管理系统 | |
CN112734394A (zh) | 一种基于物联网的工程监理信息管理方法 | |
CN115248873A (zh) | 一种基于数据融合的电缆隧道安全监测方法及系统 | |
CN117690278B (zh) | 一种基于图像识别的地质灾害预警系统 | |
CN115545058A (zh) | 一种水表数据分析方法、系统及可读存储介质 | |
CN115035328A (zh) | 转炉图像增量自动机器学习系统及其建立训练方法 | |
CN117171694B (zh) | 一种基于ai技术的配电场景安全识别系统 | |
CN114881665A (zh) | 一种基于目标识别算法识别窃电嫌疑用户的方法及系统 | |
CN116344378B (zh) | 一种光伏板生产用智能检测系统及其检测方法 | |
CN112181331A (zh) | 一种可变信息发布终端发布内容一致性检测系统 | |
CN116862712A (zh) | 基于雷视融合的电力施工潜在安全风险检测方法与系统 | |
CN115240691B (zh) | 一种基于数据分析的变电站设备运行状态监测控制系统 | |
CN115481941A (zh) | 一种多功能区联合的智能化安防管理方法及系统 | |
CN114139880B (zh) | 企业安全管理风险动态监测系统 | |
CN115664006A (zh) | 一种增量配电网智能管控一体化平台 | |
CN111079642B (zh) | 线路可移动监控方法及装置及计算机可读介质 | |
CN114549822A (zh) | 基于预置位摄像头的隔离开关闭合状态检测方法 | |
CN113779125A (zh) | 一种施工安全信息管理方法及系统 | |
CN113328986A (zh) | 基于卷积神经网络与lstm结合的网络流量异常检测方法 | |
CN113688759A (zh) | 一种基于深度学习的安全帽识别方法 | |
CN113065416A (zh) | 集成于变电站视频监控装置的渗漏监测装置及方法、介质 |
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 |