CN111126131B - 一种高效率暗弱空间目标识别方法 - Google Patents
一种高效率暗弱空间目标识别方法 Download PDFInfo
- Publication number
- CN111126131B CN111126131B CN201911043739.XA CN201911043739A CN111126131B CN 111126131 B CN111126131 B CN 111126131B CN 201911043739 A CN201911043739 A CN 201911043739A CN 111126131 B CN111126131 B CN 111126131B
- Authority
- CN
- China
- Prior art keywords
- block
- frame
- target
- sampling
- 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.)
- Active
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
一种高效率暗弱空间目标识别方法,步骤为:1)星图成像,获得包含暗弱目标的一系列星空图;2)星图处理,提取块状亮点。3)恒星剔除,主要将大部分恒星元素从所有亮点中去除;4)获得疑似目标队列中每个块状亮点的运动特征;5)确定有序特征集;6)目标跟踪,对已建立的确认目标队列进行跟踪,预测下一帧该目标位置,成功则计算目标参数,提取精确的方位信息,将其加入确认目标队列。本发明方法能最大程度从提取亮点中去除干扰元素、如恒星和噪点等,最终实现空间暗弱目标的探测、提取、识别、跟踪等任务,特别适用于信噪比低、复杂星图背景、多种多样目标信息未知的场合。
Description
技术领域
本发明涉及一种高效率暗弱空间目标识别方法,属于态势感知、空间监视等技术领域。
背景技术
空间轨道未编目微小目标的急剧增长,如毫米级或厘米级的微小碎片、航天器逆反轨道的空间物体,对空间站建设维护、卫星防护、航天器发射任务造成了直接威胁,高灵敏度探测技术已面临现实需求。直径10cm以上的碎片和卫星超过30000个,1cm~10cm的约为50万个,小于1cm的超过100亿个,然而通过地基雷达和光电***已经编目定轨的空间目标只有23000个,对于低轨小于10cm、高轨小于0.5m的目标,上述手段已经难以监测。
针对点状运动目标提取,Marchant等在90年代发明了帧间搜索方法,需要多次设定更新帧间搜索区域和阈值才能有效提取目标,当目标帧间搜索区域或阈值不合理,则会丢掉目标或将恒星等元素误认为目标;Yanagisawa等为解决GEO碎片搜索,提出的堆栈法需要叠加多幅暗弱星图,需要将多个恒星进行重叠化处理,然后将其他不能重叠的目标视为疑似目标,再进行判别,其实现思路与帧间匹配一致,但配图过程较为复杂。Schildknecht等提出一种掩膜技术主要用于处理原始图像信息,要求掩膜区域要达到一定精确度,Bertin等提出了互相关算法需要提供原始恒星或目标位置等先验信息。其他研究方案,如Dawson提出一种最大似然跟踪算法、Vananti提出一种将条带图像与不同滤波器卷积的识别方法、Kouprianov提出一种PSF拟合技术,主要针对条带目标,非主要研究对象。张春明等提出的一种空间非合作多目标捕获与跟踪算法效率很高,但需要人为经验去设置匹配阈值,当阈值设置过大或过小,会出现Marchant等采用的帧间搜索同样问题。崔文楠等提出的轨迹编目方法,采用阈值半径搜索法搜索目标,当目标运行速度较大时,遗失目标的可能性更大。苏瑞风等提出的天基空间目标识别方法采用基准星对准方法,与Yanagisawa等采用的堆栈法具有类似的问题。从以上方法可以看出,既有的方法对于先验信息的依赖程度较大,尤其是对阈值的设定需要经验确定,无法适应空间目标运动变化快,无法完成分类识别问题。
为解决上述问题,提出一种高效率暗弱空间目标识别方法,无需先验信息,能够对非合作目标进行在线分类、关联、提取,识别的准确度和速度均有较大提升。
发明内容
本发明的技术解决问题是:克服现有技术的不足,提出了一种高效率暗弱空间目标识别方法,解决了现有方法存在对先验信息依赖大,多目标情况下易出现误识别、提取速度低、无法在线分类的问题。
本发明的技术方案是:
一种高效率暗弱空间目标识别方法,包括如下步骤:
1)采用高分辨率相机对星空成像,获得K帧暗场图像,所述暗场图像包括多个空间运动目标;所述K为正整数;
2)对步骤1)获得的所述K帧暗场图像采样处理,每间隔t帧提取一幅暗场图像作为采样图像,获得M帧采样图像,对所述采样图像进行图像处理,获得每帧采样图像中的块状亮点;其中,t为大于或等于1的正整数,且t<K;
3)筛选步骤2)所述每帧采样图像中的所有块状亮点,获得疑似目标队列;
4)获得步骤3)所述疑似目标队列中每个块状亮点的运动特征;
5)根据步骤4)获得的所有块状亮点的运动特征,确定N个有序特征集;
6)根据步骤4)所述疑似目标队列中每个块状亮点的运动特征和步骤5)确定N个有序特征集,识别出空间运动目标,完成暗弱空间目标识别工作。
所述步骤3)获得疑似目标队列的方法,具体为:
31)分别确定每帧采样图像中两两块状亮点之间的角距所述第j帧采样图像中块状亮点的个数为b,则有b(b-1)/2个角距,i,j均为正整数,表示第k帧采样图像中第i个块状亮点和第j个块状亮点之间的角距,k∈[1,M];
32)根据角距阈值κ1和步骤31)所述每帧采样图像中的角距,分别从每帧采样图像中提取出大于或等于所述角距阈值κ1的角距,作为每帧采样图像的一次筛选结果;其中,κ1大于恒星的角距误差;
33)依次分别将每帧采样图像的一次筛选结果中的每个块状亮点分别和前一帧采样图像的一次筛选结果中的每个块状亮点做比对,根据剔除条件,从每帧采样图像的一次筛选结果中提取出不满足剔除条件的块状亮点,作为疑似目标队列。
本发明与现有技术相比的有益效果是:
1)本发明提出一种空间目标证认方法,与当前的国内公开目标跟踪方法、国外公开的掩模法、相关匹配法皆不相同,本发明方法对先验信息和硬件依赖少;
2)本发明能够在线对目标自主分类、验证,适用于各类空间小目标;
3)本发明实现对多个目标实时证认处理,可提取目标种类多、数量上无限制,冗余步骤少,效率高。
附图说明
图1为本发明方法流程图;
图2为本发明星点提取效果图;
图3为本发明疑似目标分布图;
图4为本发明运动目标分布图;
图5为本发明3个运动目标轨迹图;
图6为本发明多帧剔星流程图;
图7为本发明运动分类实施效果图;
图8为本发明实施例效果图。
具体实施方式
本发明一种高效率暗弱空间目标识别方法,如图1所示,包括步骤如下:
1)采用高分辨率相机对星空成像,获得K帧暗场图像,所述暗场图像包括多个空间运动目标;所述K为正整数;
2)对步骤1)获得的所述K帧暗场图像采样处理,每间隔t帧提取一幅暗场图像作为采样图像,获得M帧采样图像,对所述采样图像进行图像处理,获得每帧采样图像中的块状亮点;t为大于或等于1的正整数,且t<K;
步骤2)所述采样图像的总帧数M,具体为:
3)筛选步骤2)所述每帧采样图像中的所有块状亮点,剔除所述块状亮点中的恒星和噪点,获得疑似目标队列,具体为:
31)分别确定每帧采样图像中两两块状亮点之间的角距所述第j帧采样图像中块状亮点的个数为b,则有b(b-1)/2个角距,i,j均为正整数,表示第k帧采样图像中第i个块状亮点和第j个块状亮点之间的角距,k∈[1,M];
32)根据角距阈值κ1和步骤31)所述每帧采样图像中的角距,分别从每帧采样图像中提取出大于或等于所述角距阈值κ1的角距,作为每帧采样图像的一次筛选结果;其中,κ1大于恒星的角距误差;
33)依次分别将每帧采样图像的一次筛选结果中的每个块状亮点分别和前一帧采样图像的一次筛选结果中的每个块状亮点做比对,根据剔除条件,从每帧采样图像的一次筛选结果中提取出不满足剔除条件的块状亮点,作为疑似目标队列;
步骤33)所述剔除条件为:若或时,则对应的第k帧采样图像中第i个块状亮点和第j个块状亮点满足剔除条件,反之,则不满足剔除条件;其中,表示第k-1帧暗场图像中第p个块状亮点和第q个块状亮点;κ1为角距阈值,κ1大于恒星的角距误差,κ2为位置阈值,κ2大于0.3个探测器的象元,为第k帧中任意某两个块状亮点的欧拉距离。
5)根据步骤4)所述所有块状亮点的运动特征,确定N个有序特征集,具体为:
51)选取块状亮点的矢量信息用于表征块状亮点的运动特征,根据M帧采样图像中属于疑似目标队列的块状亮点的运动特征,获得M-1组差分数据;
所述步骤51)获得与第k帧采样图像对应的第k组差分数据的方法,具体为:
511)将第k帧采样图像中任意选取一个属于疑似目标队列的块状亮点,获得该块状亮点运动特征和第k-1帧采样图像中每一个属于疑似目标队列的块状亮点的运动特征的差分结果其中,表示第k帧采样图像中属于疑似目标队列的第s个块状亮点的矢量信息,表示第k-1帧采样图像中属于疑似目标队列的第t个块状亮点的矢量信息;
512)重复步骤511)直至获得第k帧采样图像中所有属于疑似目标队列的块状亮点对应的差分结果,将获得的所有差分结果作为第k组差分数据。
52)从步骤51)所述M-1组差分数据中筛选出满足阈值条件的差分结果,将所述筛选出的全部差分结果按大小等分为N份,获得N个有序特征集;其中,每个有序特征集中差分结果的个数为F,F/M>0.5;
步骤52)所述阈值条件,具体为:
6)根据步骤4)所述疑似目标队列中每个块状亮点的运动特征和步骤5)确定N个有序特征集,识别出空间运动目标,完成暗弱空间目标识别工作。
所述步骤6)识别出空间运动目标的方法,具体为:
61)从帧数相邻的两帧采样图像中分别任意选取一个属于疑似目标队列的块状亮点,获得两个块状亮点;
62)根据步骤61)两个块状亮点的运动特征,获得两个块状亮点的差分结果;
63)重复步骤61)~62)遍历M帧采样图像中所有属于疑似目标队列的块状亮点,获得多个差分结果;
64)将步骤62)获得的多个差分结果进行归类处理,将属于同一个有序特征集中的差分结果归类为同一组归类差分组;
65)从同一组归类差分组中的差分结果中提取出每个差分结果对应的块状亮点,作为空间运动目标的轨迹点;若同一组归类差分组中存在多个差分结果属于相同两帧采样图像,则选取所述两帧采样图像中差分结果最小的差分结果对应的块状亮点,作为空间运动目标的轨迹点;不同的归类差分组分别对应不同的空间运动目标。
实施例1:
(1)拍摄星图,完成星点提取。首先估计背景灰度,再通过八连通域算法,将满足像点数大于4的簇点判断为亮点,完成星点提取,所得结果如图2所示。背景灰度采用区域背景预测法,阈值计算公式为:
(2)剔除星点。通过与星表比对剔除恒星,并排除固定坏像素、热噪点等元素影响,建立可疑空间目标队列,所得疑似目标参见图3;
(3)对于已知的运动目标,使用目标跟踪法判断可疑空间目标队列中的亮点是否为目标,所得运动目标参见图4。本例采用赤经赤纬速度跟踪法,设目标的赤经赤纬为X=(α,δ),则预测方法为:
δ=μδ(t-t0)+δ0,α=μα(t-t0)+α0,
(4)连续处理多帧图像,所得运动轨迹参见图5。
分别将x换为α,δ,即得到了δ0,μδ,α0,μα值。
实施例2:
实施例2与例1相同,所不同的步骤(2)为本发明的多帧剔除方法,步骤(3)为跟踪方法采用像面坐标预测法。根据恒星在惯性系的稳定特性,通过帧间比较将所有无用的背景恒星剔除,其实施方法参见图6。比前述方法,可以将更多的背景恒星剔除。跟踪方法采用像面坐标预测法,设目标的位置坐标为X=(u,v),则预测方法为:
u=μu(t-t0)+u0,v=μv(t-t0)+v0,
由此得到目标在图像帧中的位置,以此提取该目标,相较于前述方法,提取目标位置更直接,更精确。
实施例3:
实施例3与例1相同,所不同的步骤(3)为采用本发明的证认方法,其通过计算目标运动速度大小运动特征集来分类,确定含有几种目标,并判断疑似队列中元素对应哪种空间运动目标。实现步骤如下:
1)计算各帧目标疑似队列中块状亮点在惯性空间的运动速率,剔除所有速率大于阈值上限(0.2度)的匹配星对,迭代处理多帧信息后,获得所有运动速率信息;
2)统计所有运动特征,以频率大小计算运动有序特征集,选定综合速率最小的运动特征集为最终的A类有序特征集,其图示参见图7。
3)重新统计位于A类有序特征集的疑似目标,将其中落入该特征集的目标序号进行帧间一一关联,关联完毕后,拟合运动参数,当拟合误差小于一定值时,可确认这些序号属于同一目标,并赋予新的编号。
4)继续按步骤3)对落入该特征集的其他目标进行帧间关联,计算参数,若该参数与前述确认目标队列中不同,则确认为新目标,赋予目标新的编号,表明该目标为新的空间运动目标。
相比实施例2的跟踪方法,多确定出1个空间运动目标,如图8所示,其中,有4个空间运动目标。
本发明说明书中未作详细描述的内容属本领域专业技术人员的公知技术。
Claims (8)
1.一种高效率暗弱空间目标识别方法,其特征在于,包括如下步骤:
1)采用高分辨率相机对星空成像,获得K帧暗场图像,所述暗场图像包括多个空间运动目标;所述K为正整数;
2)对步骤1)获得的所述K帧暗场图像采样处理,每间隔t帧提取一幅暗场图像作为采样图像,获得M帧采样图像,对所述采样图像进行图像处理,获得每帧采样图像中的块状亮点;其中,t为大于或等于1的正整数,且t<K;
3)筛选步骤2)所述每帧采样图像中的所有块状亮点,获得疑似目标队列;
4)获得步骤3)所述疑似目标队列中每个块状亮点的运动特征;
5)根据步骤4)获得的所有块状亮点的运动特征,确定N个有序特征集;
6)根据步骤4)所述疑似目标队列中每个块状亮点的运动特征和步骤5)确定N个有序特征集,识别出空间运动目标,完成暗弱空间目标识别工作;
所述步骤3)获得疑似目标队列的方法,具体为:
31)分别确定每帧采样图像中两两块状亮点之间的角距第j帧采样图像中块状亮点的个数为b,则有b(b-1)/2个角距,i,j均为正整数,表示第k帧采样图像中第i个块状亮点和第j个块状亮点之间的角距,k∈[1,M];
32)根据角距阈值κ1和步骤31)所述每帧采样图像中的角距,分别从每帧采样图像中提取出大于或等于所述角距阈值κ1的角距,作为每帧采样图像的一次筛选结果;其中,κ1大于恒星的角距误差;
33)依次分别将每帧采样图像的一次筛选结果中的每个块状亮点分别和前一帧采样图像的一次筛选结果中的每个块状亮点做比对,根据剔除条件,从每帧采样图像的一次筛选结果中提取出不满足剔除条件的块状亮点,作为疑似目标队列。
3.根据权利要求2所述的一种高效率暗弱空间目标识别方法,其特征在于,步骤4)所述块状亮点的运动特征为块状亮点的位置、块状亮点的赤经赤纬或块状亮点的矢量信息中的任意一个。
4.根据权利要求2所述的一种高效率暗弱空间目标识别方法,其特征在于,所述步骤5)确定N个有序特征集的方法,具体为:
51)选取块状亮点的矢量信息用于表征块状亮点的运动特征,根据M帧采样图像中属于疑似目标队列的块状亮点的运动特征,获得M-1组差分数据;
52)从步骤51)所述M-1组差分数据中筛选出满足阈值条件的差分结果,将所述筛选出的全部差分结果按大小等分为N份,获得N个有序特征集;其中,每个有序特征集中差分结果的个数为F,F/M>0.5。
7.根据权利要求3或6任意之一所述的一种高效率暗弱空间目标识别方法,其特征在于,所述步骤6)识别出空间运动目标的方法,具体为:
61)从帧数相邻的两帧采样图像中分别任意选取一个属于疑似目标队列的块状亮点,获得两个块状亮点;
62)根据步骤61)两个块状亮点的运动特征,获得两个块状亮点的差分结果;
63)重复步骤61)~62)遍历M帧采样图像中所有属于疑似目标队列的块状亮点,获得多个差分结果;
64)将步骤62)获得的多个差分结果进行归类处理,将属于同一个有序特征集中的差分结果归类为同一组归类差分组;
65)从同一组归类差分组中的差分结果中提取出每个差分结果对应的块状亮点,作为空间运动目标的轨迹点;若同一组归类差分组中存在多个差分结果属于相同两帧采样图像,则选取所述两帧采样图像中差分结果最小的差分结果对应的块状亮点,作为空间运动目标的轨迹点;不同的归类差分组分别对应不同的空间运动目标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911043739.XA CN111126131B (zh) | 2019-10-30 | 2019-10-30 | 一种高效率暗弱空间目标识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911043739.XA CN111126131B (zh) | 2019-10-30 | 2019-10-30 | 一种高效率暗弱空间目标识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111126131A CN111126131A (zh) | 2020-05-08 |
CN111126131B true CN111126131B (zh) | 2021-08-10 |
Family
ID=70495478
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911043739.XA Active CN111126131B (zh) | 2019-10-30 | 2019-10-30 | 一种高效率暗弱空间目标识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111126131B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114255263B (zh) * | 2021-12-24 | 2023-05-26 | 中国科学院光电技术研究所 | 一种基于背景辨识的自适应空间暗弱星体识别方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102081800A (zh) * | 2011-01-06 | 2011-06-01 | 西北工业大学 | 空间微弱运动目标检测方法 |
EP2615582A1 (en) * | 2010-09-10 | 2013-07-17 | IHI Corporation | Method of detecting space debris |
CN104133993A (zh) * | 2014-07-23 | 2014-11-05 | 中国科学院光电技术研究所 | 基于误差矢量匹配的小视场恒星匹配方法 |
CN109724591A (zh) * | 2019-02-27 | 2019-05-07 | 北京航空航天大学 | 一种基于角距筛选的星敏感器假星筛除方法 |
CN110345918A (zh) * | 2019-05-27 | 2019-10-18 | 中国科学院紫金山天文台 | 基于恒星检索的空间碎片检测方法和*** |
CN110345919A (zh) * | 2019-05-27 | 2019-10-18 | 中国科学院紫金山天文台 | 基于三维空间向量与二维平面坐标的空间碎片检测方法 |
-
2019
- 2019-10-30 CN CN201911043739.XA patent/CN111126131B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2615582A1 (en) * | 2010-09-10 | 2013-07-17 | IHI Corporation | Method of detecting space debris |
CN102081800A (zh) * | 2011-01-06 | 2011-06-01 | 西北工业大学 | 空间微弱运动目标检测方法 |
CN104133993A (zh) * | 2014-07-23 | 2014-11-05 | 中国科学院光电技术研究所 | 基于误差矢量匹配的小视场恒星匹配方法 |
CN109724591A (zh) * | 2019-02-27 | 2019-05-07 | 北京航空航天大学 | 一种基于角距筛选的星敏感器假星筛除方法 |
CN110345918A (zh) * | 2019-05-27 | 2019-10-18 | 中国科学院紫金山天文台 | 基于恒星检索的空间碎片检测方法和*** |
CN110345919A (zh) * | 2019-05-27 | 2019-10-18 | 中国科学院紫金山天文台 | 基于三维空间向量与二维平面坐标的空间碎片检测方法 |
Non-Patent Citations (1)
Title |
---|
基于星图识别算法的空间小目标识别;赵臻等;《重庆理工大学学报(自然科学)》;20110415;第25卷(第04期);第97-101页 * |
Also Published As
Publication number | Publication date |
---|---|
CN111126131A (zh) | 2020-05-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113034548B (zh) | 一种适用于嵌入式终端的多目标跟踪方法及其*** | |
CN109978851B (zh) | 一种红外视频空中弱小运动目标检测跟踪方法 | |
CN106469313B (zh) | 一种管径自适应时空域滤波的弱小目标检测方法 | |
CN110889324A (zh) | 一种基于yolo v3面向末端制导的热红外图像目标识别方法 | |
EP1505543A2 (en) | Video object tracking | |
CN108108697B (zh) | 一种实时无人机视频目标检测与跟踪方法 | |
Xi et al. | Space debris detection using feature learning of candidate regions in optical image sequences | |
CN109003277A (zh) | 一种复杂背景下红外弱小目标检测方法及装置 | |
AU2015215162A1 (en) | Method for detecting and tracking targets | |
CN114255263B (zh) | 一种基于背景辨识的自适应空间暗弱星体识别方法 | |
CN111009008B (zh) | 一种基于自学习策略的机场飞机自动挂标方法 | |
CN108009494A (zh) | 一种基于无人机的道路交叉口车辆跟踪方法 | |
CN111126131B (zh) | 一种高效率暗弱空间目标识别方法 | |
CN102663385A (zh) | 一种星上点目标检测方法 | |
CN114332444B (zh) | 一种基于增量漂移聚类的复杂星空背景目标识别方法 | |
CN110889353B (zh) | 基于主焦点大视场光电望远镜的空间目标识别方法 | |
Wang et al. | Video SAR ground moving target indication based on multi-target tracking neural network | |
CN107389072B (zh) | 一种小天体表面导航特征区域检测方法 | |
CN112712542A (zh) | 一种块匹配与光流法结合的地基云图运动预测方法 | |
CN112880643B (zh) | 差异化导航星与空间目标提取方法、装置和存储介质 | |
CN111339824A (zh) | 基于机器视觉的路面抛洒物检测方法 | |
CN107730535A (zh) | 一种可见光红外级联视频跟踪方法 | |
Lin et al. | A new pattern for detection of streak-like space target from single optical images | |
CN112837335B (zh) | 一种中长波红外复合的抗干扰方法 | |
CN112560691B (zh) | 一种基于卫星视频数据的天基目标自动识别方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |