CN113553926B - 一种基于图像匹配的钢丝绳芯输送带接头抽动自动检测方法 - Google Patents
一种基于图像匹配的钢丝绳芯输送带接头抽动自动检测方法 Download PDFInfo
- Publication number
- CN113553926B CN113553926B CN202110770909.5A CN202110770909A CN113553926B CN 113553926 B CN113553926 B CN 113553926B CN 202110770909 A CN202110770909 A CN 202110770909A CN 113553926 B CN113553926 B CN 113553926B
- Authority
- CN
- China
- Prior art keywords
- wire rope
- steel wire
- joint
- image
- points
- 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
Classifications
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Analysing Materials By The Use Of Radiation (AREA)
- Image Analysis (AREA)
Abstract
一种基于图像匹配的钢丝绳芯输送带接头抽动自动检测方法,属于无损检测领域。本发明旨在准确高效计算出钢丝绳芯输送带接头抽动量,实现对接头状况的判断。本发明使用迭代自适应阈值提取X光图像中的钢丝绳端头点,通过基于BRIEF描述符的匹配及优化,实现对钢丝绳端头点的一一对应;再通过基于基准点集的接头抽动测量方法,计算单个钢丝绳端头抽动量、钢丝绳上(下)端头平均抽动量和接头整体抽动量,检测并标识出异常钢丝绳端头的位置和变化量,实现对接头抽动的自动检测和综合判断。本发明所提出的算法高效且准确率高,实现了X光钢丝绳芯输送带接头抽动的自动综合检测,有益于预防重大断带安全事故,具有较大的应用价值。
Description
技术领域
本发明涉及一种基于X光图像的钢丝绳芯输送带接头抽动自动检测方法,具体涉及一种通过钢丝绳芯输送带接头X光图像匹配计算接头抽动量的方法,属于无损检测领域。
背景技术
钢丝绳芯输送带是以钢丝绳作为骨架材料的橡胶输送带,具有抗拉强度高、抗冲击、耐摩擦以及寿命长等优点,广泛应用于煤炭、矿山、港口、电力、化工等领域。在实际应用中,一条完整的钢丝绳芯输送带由若干段钢丝绳芯输送带通过硫化工艺搭接而成,搭接的部位称为钢丝绳芯输送带接头(简称为“接头”)。接头区域是整条钢丝绳芯输送带中抗拉强度最低、最为薄弱的部位,易出现接头抽动故障进而导致断带事故的发生。因此,及时准确地检测钢丝绳芯输送带接头状态十分必要。
X光探测技术是一种成熟的无损探测技术,具有直观、速度快、探测精度高等优点,所以近年来对钢丝绳芯输送带接头抽动故障的检测主要基于接头的X光图像上进行。但现有的接头抽动量检测方法存在着检测效率低、准确性较差等问题,依靠人工监控不容易判断微小变化且造成人力资源的浪费。综上所述,需要一种能够高效可靠判断接头抽动的自动检测方法。
发明内容
本发明提出了一种基于图像匹配的钢丝绳芯输送带接头抽动自动检测方法,目的是基于图像匹配的方法,利用钢丝绳芯输送带接头X光图像,准确计算接头抽动量以及判断接头状况,提高接头抽动检测的可操作性和准确性。本发明提出的方法包含以下步骤:
步骤1,将首次运行基于X光的钢丝绳芯输送带无损检测***时采集的接头图像作为参考图像,再次采集的该接头图像作为待检测图像;
步骤2,对参考图像和待检测图像分别进行预处理,通过直方图均衡化进行图像增强后,使用高斯滤波进行降噪处理,得到预处理后的图像I;
步骤3,检测参考图像和待检测图像内下方非接头区域的钢丝绳数量M;
步骤4,使用钢丝绳端头点提取算法提取参考图像和待检测图像中的钢丝绳端头点;
步骤5,通过BRIEF描述算法进行特征描述,并使用汉明距离进行匹配,再利用匹配点之间的距离和匹配点连线的斜率进行约束,去除误匹配点,得到若干可靠匹配点对;
步骤6,使用分层的方法对步骤5的图像匹配结果进行优化;
步骤7,将可靠匹配点对作为基准点集,计算单个钢丝绳端头抽动量、钢丝绳上端头的平均抽动量、钢丝绳下端头的平均抽动量和接头整体抽动量;
步骤8,接头抽动判断,如果钢丝绳端头点抽动量比对应的钢丝绳端头平均抽动量大5则判定此钢丝绳端头为异常的钢丝绳端头,如果接头整体抽动量大于10则判定该接头发生了严重的接头抽动。
本发明所述步骤3检测参考图像和待检测图像中下方非接头区域钢丝绳数量M,方法如下:
输入一幅分辨率大小为m×n的接头图像,其中m表示每行有m个像素,n表示每列有n个像素,取接头图像最下方不含接头部位的m×20区域为检测部分,分为10个的块并使用OTSU算法阈值分割生成二值化图像,并进行反相处理;然后沿中间行由左向右检索不为零的点,并剔除距离前一个不为零的点小于3的点,得到的点的数量为非接头区域的钢丝绳数量M,约等于该接头图像中钢丝绳上端头的个数。
本发明所述步骤4使用钢丝绳端头点提取算法提取参考图像及待检测图像中的端头点,具体方法步骤如下:
步骤a,对预处理后的图像I使用Scharr算子进行卷积运算得到R,在R中钢丝绳上端头处的数值为负值,钢丝绳下端头处的数值为正值;
步骤b,计算图像I的像素值均值E(I)、像素值方差Var(I),设置步长l=Var(I)/E(I),并设置用于图像二值化时的阈值T的初始值为-101;
步骤c,令R中小于T的点的像素值置为255,其他点置为0,得到钢丝绳上端头二值图像;
步骤d,对钢丝绳上端头二值图像进行轮廓检测,对每个轮廓都计算最小外接圆,并取其圆心作为钢丝绳端头点坐标,计算得到钢丝绳上端头点的数量N并与权利要求1步骤4得到的非接头区域的钢丝绳数量M进行比较,如果N小于M则阈值T=T+0.51、N大于M+5则阈值T=T-0.51,然后返回步骤d,否则就进行下一步;
步骤e,令阈值T=-T,将R中大于T点的像素值置为255,其他点置为0,提取出钢丝绳下端头点。
BRIEF是一种快速进行特征描述符计算的算法,特征点通过BRIEF描述形成一个二进制编码的描述符,利用描述符之间的汉明距离可以将特征点进行匹配。所以本发明所述步骤5通过BRIEF描述算法进行特征描述,并使用汉明距离进行匹配,再利用匹配点之间的距离和匹配点连线的斜率进行约束,去除误匹配点,得到若干可靠匹配点对;
本发明所述步骤6使用分层的方法对步骤5的图像匹配结果进行优化,具体方法步骤如下:
步骤1,将参考图像和待检测图像中钢丝绳端头点分别进行分层处理,根据接头搭接方式,S级搭接则分为S+1层,其中前S层为普通层,取最左端的S个钢丝绳端头点通过距离约束分成S层,然后依次将其余的钢丝绳端头点按距离划分到第i层,i≤S,剩余的钢丝绳端头点放入垃圾层中;
步骤2,将钢丝绳端头点可靠匹配点对分为S+1层;
步骤3,根据钢丝绳端头点可靠匹配点对将层与层对应,A点为参考图像中的钢丝绳端头点,B点为与A点可靠匹配的待检测图像中的点,如果A在参考图像钢丝绳端头点的第i层、B在待检测图像钢丝绳端头点的第j层,那么i和j就是两个对应层;
步骤4,利用横向位置关系将每一层两个相邻可靠匹配点之间的钢丝绳端头点进行对应,完成对钢丝绳端头点的一一对应和匹配优化。
本发明所述步骤7将可靠匹配点对作为基准点集,计算单个钢丝绳端头抽动量ΔLelongation(p)、钢丝绳上端头的平均抽动量ΔLall、钢丝绳下端头的平均抽动量和接头整体抽动量ΔL,具体计算方法步骤如下:
步骤1,计算钢丝绳上端头点抽动量时,以钢丝绳下端头点的可靠匹配点对为基准点集。分别计算参考图像和待检测图像中的第p个待测钢丝绳上端头点与第q个基准点纵坐标差值Lreference(p,q)、Ldetection(p,q);
步骤2,计算参考图和待测图像对应点对的差值ΔL(p,q)=Lreference(p,q)-Ldetection(p,q);
步骤3,dnum为可靠匹配点对的个数,计算第p个点的抽动量
步骤4,钢丝绳上端头的数量为tipnum,计算钢丝绳上端头平均抽动量
步骤5,同理计算出钢丝绳下端头平均抽动量;
步骤6,计算钢丝绳上端头平均抽动量和钢丝绳下端头平均抽动量的平均值为接头整体抽动量ΔL。
本发明具有积极的效果:(1)本发明设计的接头抽动量计算方法高效且准确率高,能够有效应用于基于X光的钢丝绳芯输送带无损检测***中;(2)检测并标识出异常钢丝绳端头的位置和变化量,实现了对接头抽动的自动检测和综合判断。有益于预防重大断带安全事故,能够有效提高生产效率,具有较大的应用价值。
附图说明
图1是本发明的整体方案流程图。
图2是钢丝绳芯输送带接头X光图像。
图3是某矿的钢丝绳芯输送带接头X光图像处理结果,其中(a)、(b)、(c)、(d)、(e)、(f)、(g)、(h)分别是参考图像、待检测图像、参考图像钢丝绳端头点提取图、待检测图像钢丝绳端头点提取图、基于特征点的匹配结果图、钢丝绳端头点匹配结果优化图、钢丝绳端头点到基准点垂直方向纵坐标差值图、抽动量及异常点标注图。
具体实施方式
下面结合附图阐述发明内容的具体实施方式。
本发明的整体方案流程如图1所示,对钢丝绳芯输送带接头依次进行图像预处理、钢丝绳端头点提取、钢丝绳端头点匹配和接头抽动计算。
图2展示了钢丝绳芯输送带接头X光图像。
图3展示了通过本发明所述方法实施过程,主要流程包括:
步骤1,本发明选取某煤矿采用3级搭接的钢丝绳芯输送带某接头作为实验对象进行测试,将2020年1月20号采集的图像作为参考图像、2020年6月25号采集的图像作为待检测图像,为了更好地验证本文方法的效果,分别将待检测图像中上下各一个钢丝绳端头进行了抽动处理;
步骤2,对参考图像和待检测图像分别进行预处理,估计出图像中的钢丝绳上端头数量,然后,基于Scharr算子的边缘检测结果,使用迭代自适应阈值分割得到了钢丝绳端头的二值图像,并通过轮廓检测和提取最小外接圆圆心分别得到钢丝绳端头点,如图3(c)、(d)所示;
步骤3,将钢丝绳端头点提取算法获得的结果用于BRIEF算法,并使用汉明距离进行匹配,得到了参考图像与待检测图像之间的可靠匹配点对,如图3(e)所示;
步骤4,由于存在漏匹配情况,使用分层方法对匹配结果进行了进一步优化,实现了钢丝绳端头点的一一对应,如图3(f)所示;
步骤5,计算端头点到基准点的垂直方向纵坐标差值,如图3(g)所示;
步骤6,计算得到单个端头的抽动量,钢丝绳上(下)端头的平均抽动量和接头整体抽动量,在图中标注异常端头点,参考图像中标出了异常点位置,待测图像中标出了钢丝绳端头点抽动矩形框,垂直方向的长度表示抽动的长度,如图3(h)所示。
通过X光无损检测***采集X光接头图像,利用本发明所述方法对某矿的一个钢丝绳芯输送带接头抽动量计算,图3(h)展现了最终的检测结果,表明该钢丝绳芯输送带接头整体出现了轻微的接头抽动变化。本发明方法自动检测出了两个异常钢丝绳端头点,且检测的抽动量与通过图像处理软件人工检测得到的结果一致。说明了本发明对接头抽动检测有效性和可靠性。
测试表明,本发明可以准确的自动检测钢丝绳芯输送带接头抽动状态,在基于X光的钢丝绳芯输送带无损检测***中具有良好的使用价值。
最后需要指出的是以上实施例仅用以说明本发明的技术方案,而非对其限制。尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解其依然可以对前述实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换而这些修改或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。
Claims (3)
1.一种基于图像匹配的钢丝绳芯输送带接头抽动自动检测方法,其特征在于,该方法包含如下步骤:
步骤1,将基于X光的钢丝绳芯输送带无损检测***首次运行时采集的接头图像作为参考图像,再次采集的该接头图像作为待检测图像;
步骤2,对参考图像和待检测图像分别进行预处理,通过直方图均衡化进行图像增强后,使用高斯滤波进行降噪处理,得到预处理后的参考图像I和预处理后的待检测图像I1;
步骤3,检测I内下方非接头区域的钢丝绳数量M,检测I1内下方非接头区域的钢丝绳数量M1;
步骤4,使用钢丝绳端头点提取算法按相同的步骤分别提取I和I1中的钢丝绳端头点,钢丝绳端头点提取算法提取I中的钢丝绳端头点具体步骤如下:
步骤a,对I使用Scharr算子进行卷积运算得到R,在R中钢丝绳上端头处的数值为负值,钢丝绳下端头处的数值为正值,
步骤b,计算I的像素值均值E(I)、像素值方差Var(I),设置步长l=Var(I)/E(I),并设置用于图像二值化时的阈值T的初始值为-10l,
步骤c,令R中小于T的点的像素值置为255,其他点置为0,得到钢丝绳上端头二值图像,
步骤d,对钢丝绳上端头二值图像进行轮廓检测,对每个轮廓都计算最小外接圆,并取其圆心作为钢丝绳端头点坐标,计算得到钢丝绳上端头点的数量N并与钢丝绳数量M进行比较,如果N比M小,则阈值T=T+0.5l,如果N大于M+5,则阈值T=T-0.5l,然后返回步骤d,否则就进行下一步,
步骤e,令阈值T=-T,将R中大于T点的像素值置为255,其他点置为0,提取出钢丝绳下端头点;
步骤5,通过BRIEF描述算法对提取的钢丝绳端头点进行特征描述,并使用汉明距离进行匹配,再利用匹配点之间的距离和匹配点连线的斜率进行约束,去除误匹配点,得到若干可靠匹配点对;
步骤6,使用分层的方法对步骤5的图像匹配结果进行优化;
步骤7,将可靠匹配点对作为基准点集,计算单个钢丝绳端头抽动量、钢丝绳上端头的平均抽动量、钢丝绳下端头的平均抽动量和接头整体抽动量;
步骤8,接头抽动判断,如果钢丝绳端头点抽动量比对应的钢丝绳端头平均抽动量大5则判定此钢丝绳端头为异常的钢丝绳端头,如果接头整体抽动量大于10则判定该接头发生了严重的接头抽动。
2.如权利要求1所述的一种基于图像匹配的钢丝绳芯输送带接头抽动自动检测方法,其特征在于所述步骤3检测I内下方非接头区域的钢丝绳数量M,方法如下:
输入一幅分辨率大小为m×n的接头图像,其中m表示每行有m个像素,n表示每列有n个像素,取接头图像最下方不含接头部位的m×20区域为检测部分,分为10个的块并使用OTSU算法阈值分割生成二值化图像,并进行反相处理;然后沿中间行由左向右检索不为零的点,并剔除距离前一个不为零的点小于3的点,得到的点的数量为非接头区域的钢丝绳数量M,约等于该接头图像中钢丝绳上端头的个数。
3.如权利要求1所述的一种基于图像匹配的钢丝绳芯输送带接头抽动自动检测方法,其特征在于所述步骤6使用分层的方法对步骤5的图像匹配结果进行优化,具体方法步骤如下:
步骤1,将I和I1中钢丝绳端头点分别进行分层处理,根据接头搭接方式,S级搭接则分为S+1层,其中前S层为普通层,取最左端的S个钢丝绳端头点通过距离约束分成S层,然后依次将其余的钢丝绳端头点按距离划分到第i层,i≤S,剩余的钢丝绳端头点放入垃圾层中;
步骤2,将钢丝绳端头点可靠匹配点对分为S+1层;
步骤3,根据钢丝绳端头点可靠匹配点对将层与层对应,A点为I中的钢丝绳端头点,B点为与A点可靠匹配的I1中的点,如果A在I中钢丝绳端头点的第i层、B在I1中钢丝绳端头点的第j层,那么i和j就是两个对应层;
步骤4,利用横向位置关系将每一层两个相邻可靠匹配点之间的钢丝绳端头点进行对应,完成对钢丝绳端头点的一一对应和匹配优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110770909.5A CN113553926B (zh) | 2021-07-08 | 2021-07-08 | 一种基于图像匹配的钢丝绳芯输送带接头抽动自动检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110770909.5A CN113553926B (zh) | 2021-07-08 | 2021-07-08 | 一种基于图像匹配的钢丝绳芯输送带接头抽动自动检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113553926A CN113553926A (zh) | 2021-10-26 |
CN113553926B true CN113553926B (zh) | 2023-08-11 |
Family
ID=78131418
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110770909.5A Active CN113553926B (zh) | 2021-07-08 | 2021-07-08 | 一种基于图像匹配的钢丝绳芯输送带接头抽动自动检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113553926B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117830416B (zh) * | 2024-03-05 | 2024-05-17 | 山西戴德测控技术股份有限公司 | 输送带异常位置定位方法、装置、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105911074A (zh) * | 2016-04-07 | 2016-08-31 | 山西大学 | 钢丝芯皮带接头x射线在线检测中自适应阈值标定方法 |
CN106296700A (zh) * | 2016-08-15 | 2017-01-04 | 南京工程学院 | 一种钢丝绳输送带接头抽动检测方法 |
CN108550135A (zh) * | 2018-03-07 | 2018-09-18 | 天津工业大学 | 一种基于x光图像的钢丝绳芯输送带接头伸长自动检测方法 |
CN110288562A (zh) * | 2019-05-16 | 2019-09-27 | 枣庄学院 | 一种基于x光图像的钢丝绳芯输送带接头抽动检测方法 |
-
2021
- 2021-07-08 CN CN202110770909.5A patent/CN113553926B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105911074A (zh) * | 2016-04-07 | 2016-08-31 | 山西大学 | 钢丝芯皮带接头x射线在线检测中自适应阈值标定方法 |
CN106296700A (zh) * | 2016-08-15 | 2017-01-04 | 南京工程学院 | 一种钢丝绳输送带接头抽动检测方法 |
CN108550135A (zh) * | 2018-03-07 | 2018-09-18 | 天津工业大学 | 一种基于x光图像的钢丝绳芯输送带接头伸长自动检测方法 |
CN110288562A (zh) * | 2019-05-16 | 2019-09-27 | 枣庄学院 | 一种基于x光图像的钢丝绳芯输送带接头抽动检测方法 |
WO2020228111A1 (zh) * | 2019-05-16 | 2020-11-19 | 枣庄学院 | 一种基于x光图像的钢丝绳芯输送带接头抽动检测方法 |
Non-Patent Citations (1)
Title |
---|
钢丝绳芯输送带接头抽动检测方法;韩现代等;《钢丝绳芯输送带接头抽动检测方法》;第第43卷卷(第第8期期);第67-71页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113553926A (zh) | 2021-10-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110288562B (zh) | 一种基于x光图像的钢丝绳芯输送带接头抽动检测方法 | |
CN115345885A (zh) | 一种金属健身器材外观质量检测方法 | |
WO2023082418A1 (zh) | 基于人工智能技术的电力综合管廊沉降裂缝识别方法 | |
CN108550135B (zh) | 一种基于x光图像的钢丝绳芯输送带接头伸长自动检测方法 | |
CN114581782B (zh) | 一种基于由粗到精检测策略的细微缺陷检测方法 | |
CN113553926B (zh) | 一种基于图像匹配的钢丝绳芯输送带接头抽动自动检测方法 | |
CN110060251A (zh) | 一种基于U-Net的建筑物表面裂纹检测方法 | |
CN116166983A (zh) | 一种基于机器学习的列车弓网故障检测方法 | |
CN111079734B (zh) | 铁路货车三角孔异物检测方法 | |
CN115526515B (zh) | 一种水利水电用闸门的安全监测*** | |
CN114897855A (zh) | 基于x射线图片灰度值分布判定缺陷类型的方法 | |
CN112241574A (zh) | 基于图像纹理信息的带式输送机托辊状态测控方法和装置 | |
CN111738367A (zh) | 一种基于图像识别的零件分类方法 | |
CN106599894A (zh) | 一种基于图像识别的接触网杆号识别方法 | |
CN107392216B (zh) | 一种基于灰度数据的盾构隧道管片环缝快速识别方法 | |
CN114612403A (zh) | 一种上料皮带破损缺陷智能检测方法及*** | |
CN115631146A (zh) | 一种基于图像的受电弓碳滑条缺损缺陷检测方法 | |
CN114820626A (zh) | 一种汽车前脸零件配置智能检测方法 | |
CN110598674B (zh) | 一种基于模式识别的转辙机故障识别方法 | |
CN113333306B (zh) | 一种芯片外观不良分拣方法和*** | |
CN108470333B (zh) | 一种x光钢丝绳芯输送带接头图像筛选与拼接的方法 | |
CN114487014A (zh) | 一种红外无损检测的缺陷几何特征提取方法 | |
CN111325789B (zh) | 一种基于离散方向变化序列的曲率不连续点检测方法 | |
CN113793327A (zh) | 一种基于token的高铁异物检测方法 | |
CN113538418A (zh) | 基于形态学分析的轮胎x射线图像缺陷提取模型构建方法 |
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 |