CN109472316B - 一种基于深度学习的滤棒装盒质量识别方法 - Google Patents

一种基于深度学习的滤棒装盒质量识别方法 Download PDF

Info

Publication number
CN109472316B
CN109472316B CN201811364291.7A CN201811364291A CN109472316B CN 109472316 B CN109472316 B CN 109472316B CN 201811364291 A CN201811364291 A CN 201811364291A CN 109472316 B CN109472316 B CN 109472316B
Authority
CN
China
Prior art keywords
samples
training
boxing
layer
deep learning
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
Application number
CN201811364291.7A
Other languages
English (en)
Other versions
CN109472316A (zh
Inventor
杨赛
吴加莹
董宁
堵俊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nantong University
Nantong Research Institute for Advanced Communication Technologies Co Ltd
Original Assignee
Nantong University
Nantong Research Institute for Advanced Communication Technologies Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nantong University, Nantong Research Institute for Advanced Communication Technologies Co Ltd filed Critical Nantong University
Priority to CN201811364291.7A priority Critical patent/CN109472316B/zh
Publication of CN109472316A publication Critical patent/CN109472316A/zh
Application granted granted Critical
Publication of CN109472316B publication Critical patent/CN109472316B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及图像处理以及烟草科技领域，尤其是一种基于深度学习的滤棒装盒质量识别方法。包括1）在训练阶段下，将采集到的滤棒装盒图像样本分为错位、缺支、错位和缺支共存、以及标准装盒四类；2）随机从步骤1）中的每类样本中选取相同固定数量的训练样本作为卷积神经网络模型的输入进行训练，通过反向传播，对网络参数进行优化，最终得到具有权值的微调网络，并取得测试样本；3）进入测试阶段，用测试样本来测试训练阶段所得出的最终模型的泛化能力。本发明的深度学习模型在滤棒装盒质量的分类上结果优于传统的分类方法，同时对合格的标准装盒有着很高的查准率和查全率，更好地实现装盒到检测的自动化操作，提高整个生产线的自动化生产率。

Description

一种基于深度学习的滤棒装盒质量识别方法
技术领域
本发明涉及图像处理以及烟草科技领域，尤其是一种基于深度学习的滤棒装盒质量识别方法。
背景技术
目前，我国是烟草最大的生产与消费国，在香烟滤棒装盒机自动装盒的过程中，由于成型机输送滤棒速率的变化或者是装盒机在整理时不到位，装盒后的产品便会出现缺支、错位、横支等问题，这些问题产生之后则需要额外由人工进行滤棒的分类和整理。人工检测工作时间受限，工作地点受限，且人工成本费用也日趋渐高，如果这些带有缺陷的产品不能被及时发现并且被剔除，那么将会给企业带来非常大的负面影响。因此，找到一种能够快速准确进行滤棒质量判定的检测算法就显得尤为重要。
使用机器视觉对产品质量进行判断是工业上使用的最频繁的一种处理手段，而机器视觉的本质就是希望计算机能够模拟人类大脑做出有意义的判断。人类的大脑就像是一个复杂的神经网络，深度学习就是神经网络的进一步发展，它通过卷积层等对输入数据从低层到高层逐步地进行特征提取，模拟大脑的学习过程，对所提取的特征进行判断和分类，从而提高分类精度。
2006年，Hinton等首次提出深度学习的概念，利用深度学习的方法进行数据的分类和降维，他们认为多层神经网络具有更加优异的特征学习能力，能够对图像进行更本质的刻画。随后，深度学习便在学术界以至工业界持续升温，在目标跟踪、人脸识别、语音识别等多个领域取得了突破性进展，这也证明了深度学习是一种行之有效的分类识别工具。
发明内容
本发明的目的是针对目前的人工判断受时间，主观因素以及疲劳因素的影响，提供一种基于深度学习的滤棒装盒质量识别方法，识别更加准确、高效，能够在一定程度上可以适应生产线需要，提高生产效率，为后续无人化打包做好准备。
本发明是采取以下技术方案实现的：
一种基于深度学习的滤棒装盒质量识别方法，包括如下步骤：
1）在训练阶段下，将采集到的滤棒装盒图像样本分为错位、缺支、错位和缺支共存、以及标准装盒四类；
2）随机从步骤1）中的每类样本中选取相同固定数量的训练样本作为卷积神经网络模型的输入进行训练，通过反向传播，对网络参数进行优化，最终得到具有权值的微调网络，并取得测试样本；
3）进入测试阶段，用测试样本来测试训练阶段所得出的最终模型的泛化能力。
优选的，步骤（1）中，通过拍摄某烟滤嘴公司滤棒生产线上装盒机的装盒产品图像，进行小样本训练，确定选取的样本，并将选取的样本形成一个训练集。
步骤2）中，在本发明的小样本训练下，对网络参数进行优化时经过60次迭代。
步骤2）中所取得的训练样本数量为400张，其中每类是100张。
优选的，步骤（2）可具体为：
2-1）在所选取的训练样本之外，挑选120张作为附加测试样本，确保每类测试样本均为30张，并将所述附加测试样本按照缺支、错位、缺支及错位以及标准装盒平均分类；所述附加测试样本用于来测试训练后深度网络的识别分类情况，与所述训练样本没有一张是相同的。
2-2）将步骤2-1）所得样本作为卷积神经网络模型的输入，通过激活函数得到经过卷积层的输出特征图；
假设
Figure DEST_PATH_IMAGE002
是卷积层
Figure DEST_PATH_IMAGE004
的第
Figure DEST_PATH_IMAGE006
个通道的输出特征图，
Figure DEST_PATH_IMAGE008
是前一层输出的特征图或者是输入原图，则卷积过程表达式如下：
Figure DEST_PATH_IMAGE010
(1)
式（1）中，
Figure DEST_PATH_IMAGE012
是用于进行卷积计算的特征图子集，
Figure DEST_PATH_IMAGE014
是对应的卷积核矩阵，其矩阵参数随着模型迭代增加会进行更新，
Figure DEST_PATH_IMAGE016
是对卷积后的特征图偏置，每个
Figure 100002_DEST_PATH_IMAGE008A
所对应的
Figure 100002_DEST_PATH_IMAGE014A
不一定相同，
Figure DEST_PATH_IMAGE018
是卷积符号，
Figure DEST_PATH_IMAGE020
是激活函数，引入非线性因素，提升表达能力，在本发明中使用的激活函数为ReLU函数。其中，
Figure DEST_PATH_IMAGE022
（
Figure DEST_PATH_IMAGE024
为自然数），
Figure 100002_DEST_PATH_IMAGE006A
的取值为3,96,256,384，不同卷积层
Figure 100002_DEST_PATH_IMAGE006AA
取值不同，
Figure DEST_PATH_IMAGE026
（
Figure DEST_PATH_IMAGE028
为自然数的平方值）；
2-3）经由下式（2）的下采样层对输出特征图进行降维，对输出结果进行更新；
Figure DEST_PATH_IMAGE030
(2)
式（2）中，
Figure DEST_PATH_IMAGE032
为下采样层的输出特征图，
Figure DEST_PATH_IMAGE034
是下采样函数。其中，
Figure DEST_PATH_IMAGE036
（
Figure DEST_PATH_IMAGE038
为自然数）；
2-4）通过全连接层处理进行分类输出，根据样本的分类个数，将输出参数的类目设置为4，全连接层输出后的特征图表达为式（3），
Figure DEST_PATH_IMAGE040
(3)
式（3）中，
Figure 100002_DEST_PATH_IMAGE020A
是激活函数，此处选用ReLU函数，
Figure DEST_PATH_IMAGE042
是前一层特征图，
Figure DEST_PATH_IMAGE044
是全连接层的权重系数，
Figure DEST_PATH_IMAGE046
是偏置参数，其中n取值为1和2；对于输入
Figure DEST_PATH_IMAGE048
在第k类的概率
Figure DEST_PATH_IMAGE050
，可以在Softmax层按照下式得出：
Figure DEST_PATH_IMAGE052
(4)
式（4）中
Figure DEST_PATH_IMAGE054
是Softmax层的输入，最大
Figure 100002_DEST_PATH_IMAGE050A
所在分类k即为模型对输入的分类结果；
2-5）采用交叉熵函数
Figure DEST_PATH_IMAGE056
作为四种模型的损失函数，通过反向传播更新网络参数，得到四种微调后的网络。
所述交叉熵函数
Figure 100002_DEST_PATH_IMAGE056A
见式（5），
Figure DEST_PATH_IMAGE058
(5)
其中，h是训练样本容量，本发明中设置为10，
Figure DEST_PATH_IMAGE060
表示输入
Figure DEST_PATH_IMAGE062
对应的模型预测输出，
Figure DEST_PATH_IMAGE064
表示对应的实际标签。每层参数
Figure DEST_PATH_IMAGE066
和
Figure DEST_PATH_IMAGE068
的更新计算公式如下，其中
Figure DEST_PATH_IMAGE070
为学习率：
Figure DEST_PATH_IMAGE072
(6)
Figure DEST_PATH_IMAGE074
(7)
优选的，步骤（3）中，将测试样本输入到所得微调网络中进行测试，得到样本预测值。
本发明的有益效果为：经过试验证明，本发明的深度学习模型在滤棒装盒质量的分类上结果优于传统的分类方法，同时对合格的标准装盒有着很高的查准率和查全率，能帮助更好地实现装盒到检测的自动化操作，从而进一步提高整个生产线的自动化生产率。
附图说明
以下将结合附图对本发明作进一步说明：
图1是本发明方法的流程示意图；
图2是本发明使用的AlexNet迁移学习模型示意图。
具体实施方式
下面参照附图和具体实施例，对本发明方法作进一步说明。
如图1所示，是本发明方法的流程示意图。流程具体包括：
1）在训练阶段下，也即图中所示的迁移学习模型训练，将采集到的滤棒装盒图像样本分为错位、缺支、错位和缺支共存、以及标准装盒四类；
2）随机从步骤1）中的每类样本中选取相同固定数量的训练样本作为卷积神经网络模型的输入进行训练，采用交叉熵函数
Figure 100002_DEST_PATH_IMAGE056AA
作为四种模型的损失函数；通过反向传播，对网络参数进行优化，最终得到具有权值的微调网络，并取得测试样本；
3）进入测试阶段，用测试样本来测试训练阶段所得出的最终模型的泛化能力。
图2通过图示方式，显示本发明使用的AlexNet迁移学习模型的过程。将给定的尺寸为227*227*3的训练样本或者测试样本作为模型的输入，经由第一层3*3的卷积层降维之后得到卷积层1的输出，后经过3*3的最大池化层操作，得到池化层1的输出，尺寸为27*27*96。依据如图的卷积尺寸和池化层尺寸得到一6*6*256的向量。第一层全连接层将6*6*256的向量转换成1*4096的向量，最后一层全连接层将其转换为1*4的向量送入分类器进行识别分类，输出送入模型的样本所预计的样本标签。
本发明所使用的深度学习网络模型，经过小样本训练，在测试阶段能够达到95%的较高的准确率。相较于普通的LBP特征特征提取结合SVM分类器分类的方法，普通的LBP特征特征提取结合最近邻分类的方法，在准确率上分别提升了8.5%和6.5%。

Claims (6)

1.一种基于深度学习的滤棒装盒质量识别方法，其特征在于，包括如下步骤：
1）在训练阶段下，将采集到的滤棒装盒图像样本分为错位、缺支、错位和缺支共存、以及标准装盒四类；
2）随机从步骤1）中的每类样本中选取相同固定数量的训练样本作为卷积神经网络模型的输入进行训练，通过反向传播，对网络参数进行优化，最终得到具有权值的微调网络，并取得测试样本；
3）进入测试阶段，用测试样本来测试训练阶段所得出的最终模型的泛化能力；
步骤（2）的具体步骤包括：
2-1）在所选取的训练样本之外，挑选120张作为附加测试样本，确保每类测试样本均为30张，并将所述附加测试样本按照缺支、错位、缺支及错位以及标准装盒平均分类；所述附加测试样本用于来测试训练后深度网络的识别分类情况，与所述训练样本没有一张是相同的；
2-2）将步骤2-1）所得样本作为卷积神经网络模型的输入，通过激活函数得到经过卷积层的输出特征图；
假设
Figure DEST_PATH_IMAGE002A
是卷积层
Figure DEST_PATH_IMAGE004A
的第
Figure DEST_PATH_IMAGE006A
个通道的输出特征图，
Figure DEST_PATH_IMAGE008A
是前一层输出的特征图或者是输入原图，则卷积过程表达式如下：
Figure DEST_PATH_IMAGE010A
(1)
式（1）中，
Figure DEST_PATH_IMAGE012A
是用于进行卷积计算的特征图子集，
Figure DEST_PATH_IMAGE014A
是对应的卷积核矩阵，其矩阵参数随着模型迭代增加会进行更新，
Figure DEST_PATH_IMAGE016A
是对卷积后的特征图偏置，每个
Figure DEST_PATH_IMAGE008AA
所对应的
Figure DEST_PATH_IMAGE014AA
不一定相同，
Figure DEST_PATH_IMAGE018A
是卷积符号，
Figure DEST_PATH_IMAGE020A
是激活函数，引入非线性因素，提升表达能力，所述激活函数为ReLU函数；其中，
Figure DEST_PATH_IMAGE022A
，
Figure DEST_PATH_IMAGE024AA
为自然数，
Figure DEST_PATH_IMAGE006AA
的取值为3、96、256或384，不同卷积层
Figure DEST_PATH_IMAGE006AAA
取值不同，
Figure DEST_PATH_IMAGE026A
，
Figure DEST_PATH_IMAGE028A
为自然数的平方值；
2-3）经由下式（2）的下采样层对输出特征图进行降维，对输出结果进行更新；
Figure DEST_PATH_IMAGE030A
(2)
式（2）中，
Figure DEST_PATH_IMAGE032A
为下采样层的输出特征图，
Figure DEST_PATH_IMAGE034A
是下采样函数；
其中，
Figure DEST_PATH_IMAGE036A
，
Figure DEST_PATH_IMAGE038A
为自然数；
2-4）通过全连接层处理进行分类输出，根据样本的分类个数，将输出参数的类目设置为4，全连接层输出后的特征图表达为式（3），
Figure DEST_PATH_IMAGE040A
(3)
式（3）中，
Figure DEST_PATH_IMAGE020AA
是激活函数，此处选用ReLU函数，
Figure DEST_PATH_IMAGE042A
是前一层特征图，
Figure DEST_PATH_IMAGE044A
是全连接层的权重系数，
Figure DEST_PATH_IMAGE046A
是偏置参数，其中n取值为1和2；对于输入
Figure DEST_PATH_IMAGE048A
在第k类的概率
Figure DEST_PATH_IMAGE050A
，可以在Softmax层按照下式得出：
Figure DEST_PATH_IMAGE052A
(4)
式（4）中
Figure DEST_PATH_IMAGE054A
是Softmax层的输入，最大
Figure DEST_PATH_IMAGE050AA
所在分类k即为模型对输入的分类结果；
2-5）采用交叉熵函数
Figure DEST_PATH_IMAGE056A
作为四种模型的损失函数，通过反向传播更新网络参数，得到四种微调后的网络。
2.根据权利要求1所述的基于深度学习的滤棒装盒质量识别方法，其特征在于，在步骤（1）中，通过拍摄某烟滤嘴公司滤棒生产线上装盒机的装盒产品图像，进行小样本训练，确定选取的样本，并将选取的样本形成一个训练集。
3.根据权利要求1所述的基于深度学习的滤棒装盒质量识别方法，其特征在于，步骤2）中，对网络参数进行优化时经过60次迭代。
4.根据权利要求1所述的基于深度学习的滤棒装盒质量识别方法，其特征在于，步骤2）中所取得的训练样本数量为400张，其中每类是100张。
5.根据权利要求1所述的基于深度学习的滤棒装盒质量识别方法，其特征在于，所述交叉熵函数
Figure DEST_PATH_IMAGE056AA
见式（5），
Figure DEST_PATH_IMAGE058A
(5)
其中，h是训练样本容量，h设置为10，
Figure DEST_PATH_IMAGE060AA
表示输入
Figure DEST_PATH_IMAGE062A
对应的模型预测输出，
Figure DEST_PATH_IMAGE064A
表示对应的实际标签；其中
Figure DEST_PATH_IMAGE066A
，s为整数；
每层参数
Figure DEST_PATH_IMAGE068A
和
Figure DEST_PATH_IMAGE070A
的更新计算公式如下，其中
Figure DEST_PATH_IMAGE072A
为学习率：
Figure DEST_PATH_IMAGE074A
(6)
Figure DEST_PATH_IMAGE076A
(7)；
其中，
Figure DEST_PATH_IMAGE026AA
，
Figure DEST_PATH_IMAGE028AA
为自然数的平方值。
6.根据权利要求1所述的基于深度学习的滤棒装盒质量识别方法，其特征在于，步骤（3）中，将测试样本输入到所得微调网络中进行测试，得到样本预测值。
CN201811364291.7A 2018-11-16 2018-11-16 一种基于深度学习的滤棒装盒质量识别方法 Active CN109472316B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811364291.7A CN109472316B (zh) 2018-11-16 2018-11-16 一种基于深度学习的滤棒装盒质量识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811364291.7A CN109472316B (zh) 2018-11-16 2018-11-16 一种基于深度学习的滤棒装盒质量识别方法

Publications (2)

Publication Number Publication Date
CN109472316A CN109472316A (zh) 2019-03-15
CN109472316B true CN109472316B (zh) 2021-12-28

Family

ID=65673648

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811364291.7A Active CN109472316B (zh) 2018-11-16 2018-11-16 一种基于深度学习的滤棒装盒质量识别方法

Country Status (1)

Country Link
CN (1) CN109472316B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110472483B (zh) * 2019-07-02 2022-11-15 五邑大学 一种面向sar图像的小样本语义特征增强的方法及装置
CN111582395B (zh) * 2020-05-13 2023-06-09 金陵科技学院 一种基于卷积神经网络的产品质量分类系统

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102275656A (zh) * 2010-06-12 2011-12-14 中国科学院沈阳自动化研究所 一种条烟装箱机缺条在线视觉检测装置及其检测方法
CN107392931A (zh) * 2017-08-08 2017-11-24 南京敏光视觉智能科技有限公司 条烟品牌分类装置及方法
CN108596258A (zh) * 2018-04-27 2018-09-28 南京邮电大学 一种基于卷积神经网络随机池化的图像分类方法
CN108787486A (zh) * 2018-06-05 2018-11-13 四川九哈科技股份有限公司 基于深度学习的卷烟识别分拣方法及其卷烟识别分拣装置

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102275656A (zh) * 2010-06-12 2011-12-14 中国科学院沈阳自动化研究所 一种条烟装箱机缺条在线视觉检测装置及其检测方法
CN107392931A (zh) * 2017-08-08 2017-11-24 南京敏光视觉智能科技有限公司 条烟品牌分类装置及方法
CN108596258A (zh) * 2018-04-27 2018-09-28 南京邮电大学 一种基于卷积神经网络随机池化的图像分类方法
CN108787486A (zh) * 2018-06-05 2018-11-13 四川九哈科技股份有限公司 基于深度学习的卷烟识别分拣方法及其卷烟识别分拣装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Detection of Cigarette Missing in Packing Based on Deep Convolutional Neural Network;Wei Ying等;《2017 IEEE 3rd Information Technology and Mechatronics Engineering Conference (ITOEC)》;20171005;第1252-1256页 *

Also Published As

Publication number Publication date
CN109472316A (zh) 2019-03-15

Similar Documents

Publication Publication Date Title
CN111414942B (zh) 一种基于主动学习和卷积神经网络的遥感图像分类方法
CN104346440B (zh) 一种基于神经网络的跨媒体哈希索引方法
CN110197205A (zh) 一种多特征来源残差网络的图像识别方法
CN110909801B (zh) 基于卷积神经网络的数据分类方法、系统、介质及设备
CN110309868A (zh) 结合无监督学习的高光谱图像分类方法
Bhole et al. Mango quality grading using deep learning technique: Perspectives from agriculture and food industry
CN109472316B (zh) 一种基于深度学习的滤棒装盒质量识别方法
CN112381764A (zh) 一种农作物病虫害检测方法
CN109598711B (zh) 一种基于特征挖掘和神经网络的热图像缺陷提取方法
CN111340019A (zh) 基于Faster R-CNN的粮仓害虫检测方法
CN112766161A (zh) 基于集成约束多示例学习的高光谱目标检测方法
CN112380917A (zh) 一种用于农作物病虫害检测的无人机
CN113066528B (zh) 基于主动半监督图神经网络的蛋白质分类方法
Al-Akkam et al. Plants Leaf Diseases Detection Using Deep Learning
CN113191335A (zh) 基于深度学习的日用陶瓷类型识别方法
CN116312860B (zh) 基于监督迁移学习的农产品可溶性固形物预测方法
CN117516939A (zh) 基于改进EfficientNetV2的轴承跨工况故障检测方法及系统
CN117253122A (zh) 玉米种子近似品种筛选方法、装置、设备及存储介质
Cho et al. Fruit ripeness prediction based on dnn feature induction from sparse dataset
CN115631186B (zh) 一种基于双分支神经网络的工业元件表面缺陷检测方法
CN111639751A (zh) 一种用于二值卷积神经网络的非零填补训练方法
Anavyanto et al. EfficientNetV2M for Image Classification of Tomato Leaf Deseases
CN112989912B (zh) 一种基于无人机图像的油茶果品种识别方法
CN115909011A (zh) 基于改进的SE-Inception-v3网络模型的天文图像自动分类方法
CN115035408A (zh) 基于迁移学习和注意力机制的无人机影像树种分类方法

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