CN110672635A - 一种布匹疵点检测装置及实时检测方法 - Google Patents

一种布匹疵点检测装置及实时检测方法 Download PDF

Info

Publication number
CN110672635A
CN110672635A CN201911224208.0A CN201911224208A CN110672635A CN 110672635 A CN110672635 A CN 110672635A CN 201911224208 A CN201911224208 A CN 201911224208A CN 110672635 A CN110672635 A CN 110672635A
Authority
CN
China
Prior art keywords
cloth
defect
detected
background
light source
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
Application number
CN201911224208.0A
Other languages
English (en)
Other versions
CN110672635B (zh
Inventor
胡娜
任涛涛
林帅
邓邹超
吕辉
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.)
HANGZHOU LIPO SCIENCE & TECHNOLOGY Co Ltd
Original Assignee
HANGZHOU LIPO SCIENCE & TECHNOLOGY 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 HANGZHOU LIPO SCIENCE & TECHNOLOGY Co Ltd filed Critical HANGZHOU LIPO SCIENCE & TECHNOLOGY Co Ltd
Priority to CN201911224208.0A priority Critical patent/CN110672635B/zh
Publication of CN110672635A publication Critical patent/CN110672635A/zh
Application granted granted Critical
Publication of CN110672635B publication Critical patent/CN110672635B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/95—Investigating the presence of flaws or contamination characterised by the material or shape of the object to be examined
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/15—Correlation function computation including computation of convolution operations
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8854—Grading and classifying of flaws
    • G01N2021/8861—Determining coordinates of flaws
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Analytical Chemistry (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biochemistry (AREA)
  • General Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Immunology (AREA)
  • Pathology (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Signal Processing (AREA)
  • Algebra (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Treatment Of Fiber Materials (AREA)

Abstract

本发明公开了一种布匹疵点检测装置，包括设置于经编机上的用于为待检测布匹提供背景的背景组件，用于照射待检测布匹为布匹提供光照的光源组件，用于拍摄待检测布匹以采集布匹图像的相机组件以及连接相机组件的主控装置；背景板设于待检测布匹的下方，线光源沿布匹宽度方向设于待检测布匹的上方且照射在待检测布匹上与背景板的重合区域，工业相机设于待检测布匹的上方且工业相机镜头指向线光源照射光线与待检测布匹的交汇区域，工业相机镜头到线光源照射光线与待检测布匹的交汇区域的距离L1为800‑1000mm，工业相机镜头的轴线与待检测布匹所在平面的夹角α为55‑75°。该装置能精确检测出布匹表面的缺陷并进行报警，结构简单，实用性好。

Description

一种布匹疵点检测装置及实时检测方法
技术领域
本发明涉及布匹检测技术领域，具体涉及一种布匹疵点检测装置及实时检测方法。
背景技术
高速经编机生产的布匹是一种应用范围广泛的胚布，在纱窗、运动衫、雕花等领域用量极大。在布匹生产过程中由于设备稳定性、工艺排布、丝线质量等多个因素，导致布面会出现断纱、并线、破洞等疵点，这些缺陷会降低产品的质量，加大现场员工的工作量，降低设备有效生产时间，减少了利润空间。
目前纺织行业传统控制的方法是采用人工巡检方式，其效率低下，用工困难，在工人疲劳的情况下，对品质监管不理想。一般1个人负责2-4台，用工费用高。
纺织行业中，也出现有断纱检测设备，公开号为CN204803506U的中国专利公开了一种断线检测设备，该技术方案是采用激光检测方式，通过断纱后，吹动纱线的飘动阻断激光信号输出，来控制缺陷的扩散。针对这种检测方式，其依靠纱线的飘动其几率和可靠性不足，当飘荡的纱线不经过设备将无法检测，如纱线弹性比较大，收缩后需要很长时间才能检测到，而此时断纱已经出现了很长的距离。此类方案的使用范围受限，缺陷范围不可控。
发明内容
本发明为了克服以上技术的不足，提供了一种布匹疵点检测装置及实时检测方法。
本发明克服其技术问题所采用的技术方案是：
一种布匹疵点检测装置，包括设置于经编机上的：
背景组件，至少包括背景板，用于为待检测布匹提供背景；
光源组件，至少包括线光源，用于照射待检测布匹为布匹提供光照；
相机组件，包括至少一个工业相机，用于拍摄待检测布匹以采集布匹图像；
其中，所述背景板设于待检测布匹的下方，所述线光源沿布匹宽度方向设于待检测布匹的上方且照射在待检测布匹上与背景板的重合区域，所述工业相机设于待检测布匹的上方且工业相机镜头指向线光源照射光线与待检测布匹的交汇区域，工业相机镜头到线光源照射光线与待检测布匹的交汇区域的距离L1为800-1000mm，工业相机镜头的轴线与待检测布匹所在平面的夹角α为55-75°；
以及，主控装置，所述主控装置连接相机组件，用于控制相机组件对待检测布匹进行拍摄，以及接收和处理工业相机拍摄的布匹图像并实时检测缺陷。
进一步地，所述背景板的两端分别通过背景板支架固定在经编机上，背景板的长度不小于待检测布匹的宽度，背景板的宽度为30-50mm。
进一步地，所述线光源的长度不小于待检测布匹的宽度，线光源与待检测布匹之间的距离为800-1000mm；所述光源组件还包括固定架，所述线光源水平固定于固定架上且固定架的两端分别通过立柱抱箍活动设置于经编机上。
进一步地，所述工业相机活动设置于固定架上，在待检测布匹宽度方向上每相邻两个工业相机之间的距离为800-1000mm，所有工业相机的拍摄高度相同且每相邻两个工业相机在待检测布匹宽度方向上的拍摄区域存在重叠区域，重叠区域的宽度为10-30mm。
进一步地，还包括与主控装置连接的人机交互装置和报警装置，所述主控装置还用于将缺陷实时传输至人机交互装置，并控制报警装置发出报警提示。
本发明还提供了一种布匹疵点实时检测方法，包括如下步骤：
S1、采集若干张图片用于混合高斯模型进行背景建模，得到缺陷分割图，同时计算图像中的分幅位置；
S2、对分割之后的缺陷掩膜图进行缺陷定位。
进一步地，所述步骤S1中，背景建模具体包括如下：
S111、模型初始化
Figure 988168DEST_PATH_IMAGE001
，对第
Figure 974579DEST_PATH_IMAGE002
张图片的每一个像素点
Figure 405560DEST_PATH_IMAGE003
建立一个高斯模型：
Figure 502829DEST_PATH_IMAGE004
（1）
其中，
Figure 70077DEST_PATH_IMAGE005
表示第几个高斯模型，
Figure 725924DEST_PATH_IMAGE006
，
Figure 378622DEST_PATH_IMAGE007
、
Figure 279582DEST_PATH_IMAGE008
、、
Figure 295128DEST_PATH_IMAGE010
都是关于
Figure 435123DEST_PATH_IMAGE011
的函数，
Figure 874194DEST_PATH_IMAGE012
表示每个模型的权重，需满足：
（2）
初始化方法为：
Figure 416613DEST_PATH_IMAGE014
（3）
Figure 43904DEST_PATH_IMAGE015
（4）
其中，
Figure 286666DEST_PATH_IMAGE016
代表第
Figure 948592DEST_PATH_IMAGE017
张图像中位置处的像素值，代表第
Figure 514068DEST_PATH_IMAGE017
张图像中
Figure 30500DEST_PATH_IMAGE003
位置处第
Figure 369952DEST_PATH_IMAGE005
个高斯模型的标准差，
Figure 706256DEST_PATH_IMAGE019
代表第
Figure 290821DEST_PATH_IMAGE017
张图像中
Figure 724076DEST_PATH_IMAGE003
位置处第个高斯模型的均值，
Figure 592117DEST_PATH_IMAGE020
为预设的一个实数；
S112、更新参数并检测
Figure 511532DEST_PATH_IMAGE017
是否大于1，读入第
Figure 736977DEST_PATH_IMAGE017
张图片，计算每一像素点位置的像素值和该点处
Figure 919696DEST_PATH_IMAGE021
个高斯模型均值之间的距离：
（5）
其中，
Figure 156960DEST_PATH_IMAGE023
是预设定的一个实数；
若
Figure 797763DEST_PATH_IMAGE024
，则修改与新像素匹配的高斯模型的权值、均值和标准差：
Figure 151384DEST_PATH_IMAGE025
（6）
（7）
Figure 210793DEST_PATH_IMAGE027
（8）
其中，
Figure 145251DEST_PATH_IMAGE028
表示更新率，是预设定的实数；
若
Figure 200932DEST_PATH_IMAGE029
，即新像素不与任何一个单模型匹配，则：
（1）如果当前高斯模型数目已经达到允许的最大数目，则删除其中重要性最低的一个模型；
（2）如果还未达到给定的最大数目，则增加一个新的高斯模型，新高斯模型的权重为0.001，均值为
Figure 784622DEST_PATH_IMAGE030
，标准差为
Figure 318372DEST_PATH_IMAGE031
；
当缺陷出现时被判定为前景；遍历完毕之后生成的掩膜图
Figure 107336DEST_PATH_IMAGE032
即为缺陷的分割图。
进一步地，所述背景建模中，还包括步骤S113、对背景模型进行排序，并及时删除其中的非背景模型，具体如下：
根据背景模型出现频率高、像素值变化不大的特点设定以下排序依据：
Figure 599497DEST_PATH_IMAGE033
（9）
首先计算每个高斯模型的
Figure 372281DEST_PATH_IMAGE034
，然后按照
Figure 444142DEST_PATH_IMAGE034
的值从小到大进行排序，最后判定前个高斯模型的权重是否满足：
Figure 983632DEST_PATH_IMAGE036
（10）
其中，
Figure 712553DEST_PATH_IMAGE037
是预设定的权重阈值，如果满足，则删除其他的非背景模型。
进一步地，所述步骤S1中，计算分幅位置具体包括如下：
S121、令
Figure 119264DEST_PATH_IMAGE038
为原图中
Figure 679558DEST_PATH_IMAGE003
位置处的像素值，用3×3大小的滤波核
Figure 14987DEST_PATH_IMAGE039
对原图进行均值滤波来减少噪声和纹理带来的干扰：
Figure 231205DEST_PATH_IMAGE040
（11）
Figure 441606DEST_PATH_IMAGE041
（12）
S122、通过
Figure 325248DEST_PATH_IMAGE042
算子和算子对图像
Figure 768048DEST_PATH_IMAGE044
进行边缘增强以获得梯度信息
Figure 985403DEST_PATH_IMAGE045
：
Figure 792445DEST_PATH_IMAGE046
（13）
Figure 233791DEST_PATH_IMAGE047
（14）
Figure 690180DEST_PATH_IMAGE048
（15）
Figure 180067DEST_PATH_IMAGE049
（16）
Figure 835039DEST_PATH_IMAGE050
（17）
S123、进行矩阵统计并计算均值和方差判断图片中是否存在分幅，若存在，记录下分幅位置，具体如下：
先计算增强后图像每一列的均值：
Figure 119390DEST_PATH_IMAGE051
（18）
其中，是指图像高度；
再计算
Figure 920435DEST_PATH_IMAGE053
的均值和方差用以判断图像中是否存在分幅
Figure 633176DEST_PATH_IMAGE054
，如果存在，则进一步记录分幅位置
Figure 619587DEST_PATH_IMAGE055
：
（19）
Figure 882258DEST_PATH_IMAGE057
（20）
Figure 918347DEST_PATH_IMAGE058
（21）
Figure 75659DEST_PATH_IMAGE059
（22）
其中，
Figure 23630DEST_PATH_IMAGE060
是指图像宽度；
S124、重复上述步骤S121至S123，对多幅图片进行分幅位置计算，并求位置区间的并集。
进一步地，所述步骤S2中，所述缺陷定位是基于像素统计和最小二乘法直线拟合的缺陷定位算法，具体包括如下：
S21、初步定位缺陷区间：
用一个高与原图高度相等、宽为原图高度两倍的窗口进行步进检测，统计窗口内的前景
Figure 659011DEST_PATH_IMAGE061
像素点个数，并设一个最小阈值
Figure 533612DEST_PATH_IMAGE063
和一个最大阈值，其中
Figure 614142DEST_PATH_IMAGE065
；当
Figure 155982DEST_PATH_IMAGE066
时，执行步骤S22，则认为此时的缺陷可能是线状的；当
Figure 655097DEST_PATH_IMAGE067
时，执行步骤S24，则认为此时的缺陷可能是块状的；
S22、在步骤S21的基础上进一步定位缺陷区间：
在步骤S21所述的窗口内用一个宽度为其十分之一的小窗口进行滑动，统计小窗口中的前景像素点个数
Figure 282387DEST_PATH_IMAGE068
，计算的值，当两者的比值大于设定的线性比阈值时，执行步骤S23；
S23、直线拟合：
用最小二乘法将步骤S22中小窗口内的所有前景点拟合成一条直线，并计算拟合误差，当误差小于设定的线性错误阈值
Figure 794774DEST_PATH_IMAGE071
时，则说明找到一个缺陷；
S24、缺陷位置确认：
当出现缺陷时它在前后几帧图像中的位置是相对不变的，除了缺陷位置处于分幅区间内的之外，对多幅图片中出现在同一位置的缺陷进行累加统计，确认缺陷的位置。
本发明的有益效果是：
1、本发明在将丝线生产成布匹过程中，利用疵点与合格布的差异，精确检测出布匹表面的缺陷并进行报警，阻止缺陷的放大及相关后续风险的发生，同时可以进行多阈值调节，使一台设备可以满足不同产品的检测，该布匹疵点检测装置结构简单，实用性好，且带下面几个方面的效果：1）减少新增挡车工，降低挡车工的工作强度，减少挡车工钩针、及检验员的修补时间，提升人员工作效率；2）减少因大范围断纱导致的设备损伤，减少开机时间，提高生产效率；3）缩短断纱范围，降低废品产生，降低生产成本，提升材料利用率，提升产量。
2、本发明采用基于混合高斯模型的缺陷分割算法、基于直线拟合的缺陷定位算法以及基于边缘检测的分幅定位算法；其中，混合高斯模型可学习各类不同样式的布匹并建立其背景模型，从而做到缺陷分割，缺陷定位算法在准确定位缺陷的同时还能避免对光线突变以及挡车工在相机视野区挥手的误判，分幅定位算法能够自动计算布匹分幅位置，大大简化了现场工人在换布之后的操作难度。
附图说明
图1为本发明实施例1所述的布匹疵点检测装置的结构示意图。
图2为图1中A部分的放大结构示意图。
图3为图1中B部分的放大结构示意图。
图4为本发明实施例1的检测示意图。
图5为本发明实施例2中分幅定位算法效果图。
图6为带有缺陷的布匹图片。
图7为对图6应用缺陷分割算法之后的效果图。
图中，1、经编机，11、立柱，111、阻挡部，2、背景板，3、线光源，4、工业相机，5、背景板支架，6、固定架，7、立柱抱箍，71、折板，711、滑槽，72、连接板，73、立板，731、弯折部，7311、滑行件，74、螺纹紧固件，8、人机交互装置，9、布匹。
具体实施方式
为了便于本领域人员更好的理解本发明，下面结合附图和具体实施例对本发明做进一步详细说明，下述仅是示例性的不限定本发明的保护范围。
实施例1、
如图1-4所示，本实施例所述的一种布匹疵点检测装置，包括设置于经编机1上的：用于为待检测布匹提供背景的背景组件，用于照射待检测布匹为布匹提供光照的光源组件，用于拍摄待检测布匹以采集布匹图像的相机组件以及连接相机组件的主控装置。
本实施例中，所述背景组件包括背景板2和背景板支架5，所述背景板2的两端分别通过背景板支架5固定在经编机1上，背景板2的长度不小于待检测布匹9的宽度以保证待检测的布匹在宽度方向上处于背景板2提供的背景范围内，背景板2的宽度为30-50mm，所述背景板2的颜色选取根据待检测布匹的颜色决定，一般选取与待检测布匹的颜色对比度相差较大的背景板；优选的，背景板2所在平面与待检测布匹9所在平面之间的夹角为0-30°，背景板2与待检测布匹9之间的距离L2为10-50mm，进一步地优选的，背景板2所在平面与待检测布匹9所在平面相平行，背景板2与待检测布匹9之间的距离L2为30mm。
本实施例中，所述光源组件包括线光源3和固定架6，所述线光源3水平固定于固定架6上且固定架6的两端分别通过立柱抱箍7活动设置于经编机1的立柱11上，立柱11的顶部设有阻挡部111以防止立柱抱箍7从立柱11顶部脱离；所述线光源3的长度不小于待检测布匹9的宽度，保证线光源3照射的范围涵整个盖布匹宽度，线光源3与待检测布匹9之间的距离为800-1000mm；进一步地，本实施例中，如图3所示，每个立柱抱箍7包括折板71、连接板72和立板73，所述折板71与连接板72通过螺纹紧固件74连接，所述折板71上设有至少一条滑槽711，立板73的下端设有弯折部731，弯折部731上设有与滑槽711相匹配的滑行件7311，本实施例优选所述滑行件7311为螺栓且贯穿弯折部731；当需要调整线光源3与待检测布匹9之间的距离时，松动螺纹紧固件74，使得折板71和连接板72在经编机1的立柱11上上下移动，定位在合适的高度时，将螺纹紧固件74拧紧即可；当需要调整线光源3与待检测布匹9之间的角度时，松动滑行件7311，使得弯折部731带动立板73沿滑槽711方向移动，定位在合适的位置时，拧紧滑行件7311即可。
本实施例中，所述相机组件包括至少一个工业相机4，所述工业相机4活动设置于固定架6上，在待检测布匹宽度方向上每相邻两个工业相机4之间的距离为800-1000mm，所有工业相机4的拍摄高度相同且每相邻两个工业相机在待检测布匹宽度方向上的拍摄区域存在重叠区域，重叠区域的宽度为10-30mm。本实施例优选，设置两个工业相机4，两个工业相机之间的距离为800mm，两个工业相机4拍摄的重叠区域优选10mm。
其中，所述背景板2设于待检测布匹的下方，所述线光源3沿布匹宽度方向设于待检测布匹的上方且照射在待检测布匹上与背景板2的重合区域，所述工业相机4设于待检测布匹的上方且工业相机镜头指向线光源照射光线与待检测布匹的交汇区域，工业相机镜头到线光源照射光线与待检测布匹的交汇区域的距离L1为800-1000mm，工业相机镜头的轴线与待检测布匹所在平面的夹角α为55-75°，优选α=65°。
进一步地，本实施例所述的布匹疵点检测装置还包括与主控装置连接的人机交互装置8和报警装置，作为优选，所述人机交互装置8和报警装置均安装于固定架6的后方，所述报警装置采用声光报警装置；所述主控装置用于控制相机组件对待检测布匹9进行拍摄，以及接收和处理工业相机拍摄的布匹图像并实时检测缺陷，还用于将缺陷实时传输至人机交互装置8，并控制报警装置发出报警提示；其中，所述主控装置可以是具有数据处理和控制功能的处理器或计算机等。
实施例2、
本实施例所述的一种布匹疵点实时检测方法，主要包括两大步骤：
步骤S1、采集若干张图片用于混合高斯模型进行背景建模，得到缺陷分割图，同时计算图像中的分幅位置。其中，混合高斯模型可学习各类不同样式的布匹并建立其背景模型，从而做到缺陷分割；分幅定位算法能够自动计算布匹分幅位置，大大简化了现场工人在换布之后的操作难度。
进一步地，所述步骤S1中，背景建模具体包括如下：
S111、模型初始化 ，对第
Figure 313404DEST_PATH_IMAGE002
张图片的每一个像素点建立一个高斯模型：
Figure 405173DEST_PATH_IMAGE004
（1）
其中，
Figure 741477DEST_PATH_IMAGE005
表示第几个高斯模型，
Figure 686561DEST_PATH_IMAGE006
，、
Figure 69318DEST_PATH_IMAGE008
、、都是关于
Figure 146099DEST_PATH_IMAGE011
的函数，
Figure 594398DEST_PATH_IMAGE012
表示每个模型的权重，需满足：
Figure 905294DEST_PATH_IMAGE013
（2）
初始化方法为：
（3）
Figure 472465DEST_PATH_IMAGE015
（4）
其中，代表第
Figure 358698DEST_PATH_IMAGE017
张图像中
Figure 619915DEST_PATH_IMAGE003
位置处的像素值，代表第
Figure 377098DEST_PATH_IMAGE017
张图像中
Figure 459324DEST_PATH_IMAGE003
位置处第
Figure 461915DEST_PATH_IMAGE005
个高斯模型的标准差，
Figure 516458DEST_PATH_IMAGE019
代表第
Figure 743040DEST_PATH_IMAGE017
张图像中
Figure 515824DEST_PATH_IMAGE003
位置处第
Figure 351800DEST_PATH_IMAGE005
个高斯模型的均值，
Figure 260850DEST_PATH_IMAGE020
为预设的一个实数；
S112、更新参数并检测
Figure 658333DEST_PATH_IMAGE017
是否大于1，读入第
Figure 715151DEST_PATH_IMAGE017
张图片，计算每一像素点位置的像素值和该点处
Figure 59545DEST_PATH_IMAGE021
个高斯模型均值之间的距离：
Figure 88681DEST_PATH_IMAGE022
（5）
其中，
Figure 892951DEST_PATH_IMAGE023
是预设定的一个实数；
若
Figure 374748DEST_PATH_IMAGE024
，则修改与新像素匹配的高斯模型的权值、均值和标准差：
Figure 788412DEST_PATH_IMAGE025
（6）
Figure 672054DEST_PATH_IMAGE026
（7）
Figure 145761DEST_PATH_IMAGE027
（8）
其中，表示更新率，是预设定的实数；
若
Figure 66629DEST_PATH_IMAGE029
，即新像素不与任何一个单模型匹配，则：
（1）如果当前高斯模型数目已经达到允许的最大数目，则删除其中重要性最低的一个模型；
（2）如果还未达到给定的最大数目，则增加一个新的高斯模型，新高斯模型的权重为0.001，均值为
Figure 365630DEST_PATH_IMAGE030
，标准差为
Figure 744659DEST_PATH_IMAGE031
；
因为在布匹生产过程中产生缺陷是属于少数事件，因此，当缺陷出现时被判定为前景；遍历完毕之后生成的掩膜图
Figure 201048DEST_PATH_IMAGE032
即为缺陷的分割图。
为了提高算法效率，所述背景建模中，还包括步骤S113、对背景模型进行排序，并及时删除其中的非背景模型，具体如下：
根据背景模型出现频率高、像素值变化不大的特点设定以下排序依据：
Figure 753252DEST_PATH_IMAGE033
（9）
首先计算每个高斯模型的
Figure 80328DEST_PATH_IMAGE034
，然后按照
Figure 692575DEST_PATH_IMAGE034
的值从小到大进行排序，最后判定前个高斯模型的权重是否满足：
（10）
其中，
Figure 940782DEST_PATH_IMAGE037
是预设定的权重阈值，如果满足，则删除其他的非背景模型。
进一步地，所述步骤S1中，计算分幅位置具体包括如下：
S121、令
Figure 661613DEST_PATH_IMAGE038
为原图中
Figure 92595DEST_PATH_IMAGE003
位置处的像素值，用3×3大小的滤波核
Figure 750716DEST_PATH_IMAGE039
对原图进行均值滤波来减少噪声和纹理带来的干扰：
Figure 317963DEST_PATH_IMAGE040
（11）
Figure 6434DEST_PATH_IMAGE041
（12）
S122、通过
Figure 659132DEST_PATH_IMAGE042
算子和
Figure 356829DEST_PATH_IMAGE043
算子对图像
Figure 778583DEST_PATH_IMAGE044
进行边缘增强以获得梯度信息：
Figure 748256DEST_PATH_IMAGE046
（13）
Figure 452907DEST_PATH_IMAGE047
（14）
Figure 994746DEST_PATH_IMAGE048
（15）
Figure 228282DEST_PATH_IMAGE049
（16）
Figure 121151DEST_PATH_IMAGE050
（17）
S123、进行矩阵统计并计算均值和方差判断图片中是否存在分幅，若存在，记录下分幅位置，具体如下：
先计算增强后图像每一列的均值：
Figure 98335DEST_PATH_IMAGE051
（18）
其中，
Figure 494681DEST_PATH_IMAGE052
是指图像高度；
再计算
Figure 217828DEST_PATH_IMAGE053
的均值和方差用以判断图像中是否存在分幅
Figure 129152DEST_PATH_IMAGE054
，如果存在，则进一步记录分幅位置
Figure 113288DEST_PATH_IMAGE055
：
Figure 426458DEST_PATH_IMAGE056
（19）
Figure 267375DEST_PATH_IMAGE057
（20）
Figure 869258DEST_PATH_IMAGE058
（21）
Figure 689708DEST_PATH_IMAGE059
（22）
其中，
Figure 326226DEST_PATH_IMAGE060
是指图像宽度；
S124、重复上述步骤S121至S123，对多幅图片进行分幅位置计算，并求位置区间的并集。
步骤S2、对分割之后的缺陷掩膜图进行缺陷定位，缺陷分割生成的前景并不总是断纱，有可能是噪声、布匹抖动、挡车工挥手等其他情况。其中，缺陷定位算法在准确定位缺陷的同时还能避免对光线突变以及挡车工在相机视野区挥手的误判。
因此，本实施例采用基于像素统计和最小二乘法直线拟合的缺陷定位算法，具体包括如下：
S21、初步定位缺陷区间：
用一个高与原图高度相等、宽为原图高度两倍的窗口进行步进检测，统计窗口内的前景
Figure 338045DEST_PATH_IMAGE061
像素点个数
Figure 20699DEST_PATH_IMAGE062
，并设一个最小阈值
Figure 907490DEST_PATH_IMAGE063
和一个最大阈值
Figure 132935DEST_PATH_IMAGE064
，其中；当
Figure 688867DEST_PATH_IMAGE066
时，执行步骤S22，则认为此时的缺陷可能是线状的；当
Figure 615235DEST_PATH_IMAGE067
时，执行步骤S24，则认为此时的缺陷可能是块状的；这样不仅可以排除少量噪声点的干扰，还能加快算法的检测速度；
S22、在步骤S21的基础上进一步定位缺陷区间：
在步骤S21所述的窗口内用一个宽度为其十分之一的小窗口进行滑动，统计小窗口中的前景像素点个数
Figure 790126DEST_PATH_IMAGE068
，计算的值，当两者的比值大于设定的线性比阈值
Figure 738677DEST_PATH_IMAGE070
时，执行步骤S23；
S23、直线拟合：
用最小二乘法将步骤S22中小窗口内的所有前景点拟合成一条直线，并计算拟合误差，当误差小于设定的线性错误阈值时，则说明找到一个缺陷；
最小二乘法拟合直线的原理如下：
令拟合得到的直线的斜截式为：
（23）
式中有两个未知参数和
Figure 711738DEST_PATH_IMAGE074
,掩膜图中可获得
Figure 979909DEST_PATH_IMAGE075
的
Figure 96769DEST_PATH_IMAGE035
组观测数据
Figure 57772DEST_PATH_IMAGE076
。最小二乘法估计参数时要确保估计值和观测值之间的残差平方和最小，残差平方和公式如下：
Figure 564977DEST_PATH_IMAGE077
（24）
为了使得残差平方和最小应有：
Figure 636838DEST_PATH_IMAGE078
（25）
Figure 640828DEST_PATH_IMAGE079
（26）
展开可得：
Figure 507153DEST_PATH_IMAGE080
（27）
Figure 767233DEST_PATH_IMAGE081
（28）
整理可得：
Figure 203637DEST_PATH_IMAGE082
（29）
Figure 232773DEST_PATH_IMAGE083
（30）
S24、缺陷位置确认：
当出现缺陷时它在前后几帧图像中的位置是相对不变的，而噪声的出现是随机的，挡车工挥手时在图像中的位置也是变化的，除了缺陷位置处于分幅区间内的之外，对多幅图片中出现在同一位置的缺陷进行累加统计，确认缺陷的位置。
以上仅描述了本发明的基本原理和优选实施方式，本领域人员可以根据上述描述做出许多变化和改进，这些变化和改进应该属于本发明的保护范围。

Claims (10)

1.一种布匹疵点检测装置，其特征在于，包括设置于经编机（1）上的：
背景组件，至少包括背景板（2），用于为待检测布匹提供背景；
光源组件，至少包括线光源（3），用于照射待检测布匹为布匹提供光照；
相机组件，包括至少一个工业相机（4），用于拍摄待检测布匹以采集布匹图像；
其中，所述背景板（2）设于待检测布匹的下方，所述线光源（3）沿布匹宽度方向设于待检测布匹的上方且照射在待检测布匹上与背景板（2）的重合区域，所述工业相机（4）设于待检测布匹的上方且工业相机镜头指向线光源照射光线与待检测布匹的交汇区域，工业相机镜头到线光源照射光线与待检测布匹的交汇区域的距离L1为800-1000mm，工业相机镜头的轴线与待检测布匹所在平面的夹角α为55-75°；
以及，主控装置，所述主控装置连接相机组件，用于控制相机组件对待检测布匹进行拍摄，以及接收和处理工业相机拍摄的布匹图像并实时检测缺陷。
2.根据权利要求1所述的布匹疵点检测装置，其特征在于，所述背景板（2）的两端分别通过背景板支架（5）固定在经编机（1）上，背景板（2）的长度不小于待检测布匹的宽度，背景板（2）的宽度为30-50mm。
3.根据权利要求1所述的布匹疵点检测装置，其特征在于，所述线光源（3）的长度不小于待检测布匹的宽度，线光源（3）与待检测布匹之间的距离为800-1000mm；所述光源组件还包括固定架（6），所述线光源（3）水平固定于固定架（6）上且固定架（6）的两端分别通过立柱抱箍（7）活动设置于经编机（1）上。
4.根据权利要求3所述的布匹疵点检测装置，其特征在于，所述工业相机（4）活动设置于固定架（6）上，在待检测布匹宽度方向上每相邻两个工业相机（4）之间的距离为800-1000mm，所有工业相机（4）的拍摄高度相同且每相邻两个工业相机在待检测布匹宽度方向上的拍摄区域存在重叠区域，重叠区域的宽度为10-30mm。
5.根据权利要求1-4任一项所述的布匹疵点检测装置，其特征在于，还包括与主控装置连接的人机交互装置（8）和报警装置，所述主控装置还用于将缺陷实时传输至人机交互装置（8），并控制报警装置发出报警提示。
6.一种布匹疵点实时检测方法，其特征在于，包括如下步骤：
S1、采集若干张图片用于混合高斯模型进行背景建模，得到缺陷分割图，同时计算图像中的分幅位置；
S2、对分割之后的缺陷掩膜图进行缺陷定位。
7.根据权利要求6所述的检测方法，其特征在于，所述步骤S1中，背景建模具体包括如下：
S111、模型初始化
Figure 948447DEST_PATH_IMAGE001
，对第张图片的每一个像素点
Figure 89020DEST_PATH_IMAGE003
建立一个高斯模型：
Figure 329509DEST_PATH_IMAGE004
（1）
其中，
Figure 76885DEST_PATH_IMAGE005
表示第几个高斯模型，
Figure 490549DEST_PATH_IMAGE006
，、、
Figure 82570DEST_PATH_IMAGE009
、
Figure 34345DEST_PATH_IMAGE010
都是关于
Figure 38073DEST_PATH_IMAGE011
的函数，
Figure 915637DEST_PATH_IMAGE012
表示每个模型的权重，需满足：
Figure 372027DEST_PATH_IMAGE013
（2）
初始化方法为：
Figure 127493DEST_PATH_IMAGE014
（3）
Figure 188990DEST_PATH_IMAGE015
（4）
其中，
Figure 4499DEST_PATH_IMAGE016
代表第
Figure 948184DEST_PATH_IMAGE017
张图像中
Figure 241762DEST_PATH_IMAGE003
位置处的像素值，
Figure 954503DEST_PATH_IMAGE018
代表第
Figure 206493DEST_PATH_IMAGE017
张图像中
Figure 138939DEST_PATH_IMAGE003
位置处第
Figure 236208DEST_PATH_IMAGE005
个高斯模型的标准差，
Figure 803456DEST_PATH_IMAGE019
代表第
Figure 960768DEST_PATH_IMAGE017
张图像中
Figure 879045DEST_PATH_IMAGE003
位置处第个高斯模型的均值，
Figure 201759DEST_PATH_IMAGE020
为预设的一个实数；
S112、更新参数并检测
Figure 733235DEST_PATH_IMAGE017
是否大于1，读入第张图片，计算每一像素点位置的像素值和该点处
Figure 76415DEST_PATH_IMAGE021
个高斯模型均值之间的距离：
Figure 618255DEST_PATH_IMAGE022
（5）
其中，
Figure 382949DEST_PATH_IMAGE023
是预设定的一个实数；
若
Figure 10239DEST_PATH_IMAGE024
，则修改与新像素匹配的高斯模型的权值、均值和标准差：
Figure 987422DEST_PATH_IMAGE025
（6）
Figure 852610DEST_PATH_IMAGE026
（7）
Figure 522626DEST_PATH_IMAGE027
（8）
其中，
Figure 637212DEST_PATH_IMAGE028
表示更新率，是预设定的实数；
若，即新像素不与任何一个单模型匹配，则：
（1）如果当前高斯模型数目已经达到允许的最大数目，则删除其中重要性最低的一个模型；
（2）如果还未达到给定的最大数目，则增加一个新的高斯模型，新高斯模型的权重为0.001，均值为
Figure 435983DEST_PATH_IMAGE030
，标准差为
Figure 542480DEST_PATH_IMAGE031
；
当缺陷出现时被判定为前景；遍历完毕之后生成的掩膜图
Figure 144362DEST_PATH_IMAGE032
即为缺陷的分割图。
8.根据权利要求7所述的检测方法，其特征在于，所述背景建模中，还包括步骤S113、对背景模型进行排序，并及时删除其中的非背景模型，具体如下：
根据背景模型出现频率高、像素值变化不大的特点设定以下排序依据：
（9）
首先计算每个高斯模型的
Figure 99866DEST_PATH_IMAGE034
，然后按照
Figure 314947DEST_PATH_IMAGE034
的值从小到大进行排序，最后判定前
Figure 138546DEST_PATH_IMAGE035
个高斯模型的权重是否满足：
（10）
其中，
Figure 17826DEST_PATH_IMAGE037
是预设定的权重阈值，如果满足，则删除其他的非背景模型。
9.根据权利要求7所述的检测方法，其特征在于，所述步骤S1中，计算分幅位置具体包括如下：
S121、令
Figure 699081DEST_PATH_IMAGE038
为原图中
Figure 275556DEST_PATH_IMAGE003
位置处的像素值，用3×3大小的滤波核
Figure 405186DEST_PATH_IMAGE039
对原图进行均值滤波来减少噪声和纹理带来的干扰：
Figure 485137DEST_PATH_IMAGE040
（11）
Figure 104338DEST_PATH_IMAGE041
（12）
S122、通过算子和
Figure 632588DEST_PATH_IMAGE043
算子对图像
Figure 832625DEST_PATH_IMAGE044
进行边缘增强以获得梯度信息
Figure 622727DEST_PATH_IMAGE045
：
Figure 144100DEST_PATH_IMAGE046
（13）
Figure 881112DEST_PATH_IMAGE047
（14）
Figure 935656DEST_PATH_IMAGE048
（15）
Figure 631079DEST_PATH_IMAGE049
（16）
（17）
S123、进行矩阵统计并计算均值和方差判断图片中是否存在分幅，若存在，记录下分幅位置，具体如下：
先计算增强后图像每一列的均值：
Figure 475724DEST_PATH_IMAGE051
（18）
其中，
Figure 650354DEST_PATH_IMAGE052
是指图像高度；
再计算
Figure 782258DEST_PATH_IMAGE053
的均值和方差用以判断图像中是否存在分幅
Figure 776758DEST_PATH_IMAGE054
，如果存在，则进一步记录分幅位置
Figure 855573DEST_PATH_IMAGE055
：
Figure 383244DEST_PATH_IMAGE056
（19）
Figure 420470DEST_PATH_IMAGE057
（20）
Figure 433425DEST_PATH_IMAGE058
（21）
Figure 847089DEST_PATH_IMAGE059
（22）
其中，
Figure 730732DEST_PATH_IMAGE060
是指图像宽度；
S124、重复上述步骤S121至S123，对多幅图片进行分幅位置计算，并求位置区间的并集。
10.根据权利要求9所述的检测方法，其特征在于，所述步骤S2中，所述缺陷定位是基于像素统计和最小二乘法直线拟合的缺陷定位算法，具体包括如下：
S21、初步定位缺陷区间：
用一个高与原图高度相等、宽为原图高度两倍的窗口进行步进检测，统计窗口内的前景
Figure 142121DEST_PATH_IMAGE061
像素点个数，并设一个最小阈值
Figure 328569DEST_PATH_IMAGE063
和一个最大阈值
Figure 66718DEST_PATH_IMAGE064
，其中
Figure 478370DEST_PATH_IMAGE065
；当
Figure 934759DEST_PATH_IMAGE066
时，执行步骤S22，则认为此时的缺陷可能是线状的；当时，执行步骤S24，则认为此时的缺陷可能是块状的；
S22、在步骤S21的基础上进一步定位缺陷区间：
在步骤S21所述的窗口内用一个宽度为其十分之一的小窗口进行滑动，统计小窗口中的前景像素点个数
Figure 548460DEST_PATH_IMAGE068
，计算
Figure 363969DEST_PATH_IMAGE069
的值，当两者的比值大于设定的线性比阈值时，执行步骤S23；
S23、直线拟合：
用最小二乘法将步骤S22中小窗口内的所有前景点拟合成一条直线，并计算拟合误差，当误差小于设定的线性错误阈值
Figure 335654DEST_PATH_IMAGE071
时，则说明找到一个缺陷；
S24、缺陷位置确认：
当出现缺陷时它在前后几帧图像中的位置是相对不变的，除了缺陷位置处于分幅区间内的之外，对多幅图片中出现在同一位置的缺陷进行累加统计，确认缺陷的位置。
CN201911224208.0A 2019-12-04 2019-12-04 一种布匹疵点检测装置及实时检测方法 Active CN110672635B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911224208.0A CN110672635B (zh) 2019-12-04 2019-12-04 一种布匹疵点检测装置及实时检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911224208.0A CN110672635B (zh) 2019-12-04 2019-12-04 一种布匹疵点检测装置及实时检测方法

Publications (2)

Publication Number Publication Date
CN110672635A true CN110672635A (zh) 2020-01-10
CN110672635B CN110672635B (zh) 2020-04-10

Family

ID=69088305

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911224208.0A Active CN110672635B (zh) 2019-12-04 2019-12-04 一种布匹疵点检测装置及实时检测方法

Country Status (1)

Country Link
CN (1) CN110672635B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111707675A (zh) * 2020-06-11 2020-09-25 圣山集团有限公司 布匹表面瑕疵在线监测装置及其监测方法
CN114723705A (zh) * 2022-03-31 2022-07-08 海门市恒创织带有限公司 一种基于图像处理的布匹瑕疵的检测方法

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102393397A (zh) * 2011-08-30 2012-03-28 成都四星液压制造有限公司 一种磁瓦表面缺陷检测系统及其检测方法
CN107478657A (zh) * 2017-06-20 2017-12-15 广东工业大学 基于机器视觉的不锈钢表面缺陷检测方法
CN109374641A (zh) * 2018-11-14 2019-02-22 嵊州市文达纺织有限公司 一种纺织品疵点检测装置
CN109884073A (zh) * 2019-03-19 2019-06-14 东华大学 一种布料疵点检测装置
CN110261402A (zh) * 2019-07-31 2019-09-20 宜兴市鸿大高创科技有限公司 一种疵点异物在线检出装置
CN110346377A (zh) * 2019-07-11 2019-10-18 浙江蒲惠智造科技有限公司 基于机器视觉的无纺布表面检测系统及其检测方法
CN110389130A (zh) * 2019-07-04 2019-10-29 盎古(上海)科技有限公司 应用于织物的智能检测系统
JP2019191103A (ja) * 2018-04-27 2019-10-31 株式会社メック 欠陥検査装置
CN110412044A (zh) * 2019-07-16 2019-11-05 广东瑞洲科技有限公司 一种智能缺陷识别扫描仪及其使用方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102393397A (zh) * 2011-08-30 2012-03-28 成都四星液压制造有限公司 一种磁瓦表面缺陷检测系统及其检测方法
CN107478657A (zh) * 2017-06-20 2017-12-15 广东工业大学 基于机器视觉的不锈钢表面缺陷检测方法
JP2019191103A (ja) * 2018-04-27 2019-10-31 株式会社メック 欠陥検査装置
CN109374641A (zh) * 2018-11-14 2019-02-22 嵊州市文达纺织有限公司 一种纺织品疵点检测装置
CN109884073A (zh) * 2019-03-19 2019-06-14 东华大学 一种布料疵点检测装置
CN110389130A (zh) * 2019-07-04 2019-10-29 盎古(上海)科技有限公司 应用于织物的智能检测系统
CN110346377A (zh) * 2019-07-11 2019-10-18 浙江蒲惠智造科技有限公司 基于机器视觉的无纺布表面检测系统及其检测方法
CN110412044A (zh) * 2019-07-16 2019-11-05 广东瑞洲科技有限公司 一种智能缺陷识别扫描仪及其使用方法
CN110261402A (zh) * 2019-07-31 2019-09-20 宜兴市鸿大高创科技有限公司 一种疵点异物在线检出装置

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111707675A (zh) * 2020-06-11 2020-09-25 圣山集团有限公司 布匹表面瑕疵在线监测装置及其监测方法
CN111707675B (zh) * 2020-06-11 2024-05-14 圣山集团有限公司 布匹表面瑕疵在线监测装置及其监测方法
CN114723705A (zh) * 2022-03-31 2022-07-08 海门市恒创织带有限公司 一种基于图像处理的布匹瑕疵的检测方法
CN114723705B (zh) * 2022-03-31 2023-08-22 深圳市启灵图像科技有限公司 一种基于图像处理的布匹瑕疵的检测方法

Also Published As

Publication number Publication date
CN110672635B (zh) 2020-04-10

Similar Documents

Publication Publication Date Title
US10942133B2 (en) Method and system for automatically detecting fabric defect, and computer readable storage medium
CN108760747A (zh) 一种3d打印模型表面缺陷视觉检测方法
CN110672635B (zh) 一种布匹疵点检测装置及实时检测方法
CN108230324B (zh) 磁瓦表面微缺陷视觉检测方法
CN105866129A (zh) 一种基于数字投影的产品表面质量在线检测方法
JP2001527645A (ja) ムラ欠陥検出方法および検出装置
CN205229061U (zh) 一种基于线扫描相机的lcd导光板缺陷检测系统
CN111127383A (zh) 一种数码印花在线缺陷检测系统及其实现方法
CN109916910A (zh) 光伏玻璃边部缺陷检测系统及相应的方法
US11205262B2 (en) Online detection method of circular weft knitting stripe defects based on gray gradient method
CN103913121B (zh) 一种车辆轮廓尺寸自动测量方法
WO2023102952A1 (zh) 一种实时检测的卷材检测装置、系统及方法
CN113340909B (zh) 一种基于机器视觉的胶线缺陷检测方法
CN110189375A (zh) 一种基于单目视觉测量的图像目标识别方法
WO2020119246A1 (zh) 一种基于反射光的高光物体表面缺陷检测系统及方法
CN110389130A (zh) 应用于织物的智能检测系统
CN113592852A (zh) 一种碳纤维碳丝质量在线检测系统和方法
CN211122578U (zh) 一种玻璃表面瑕疵检测装置
CN106127813B (zh) 基于视觉感知能量的监控视频运动片段分割方法
CN111753650A (zh) 一种自动跟踪人脸的摄像头转动控制方法
CN110376211A (zh) 一种湿法涂胶的合成革卷边在线检测装置及方法
CN113570587A (zh) 一种基于计算机视觉的光伏电池断栅检测方法及系统
CN205844207U (zh) 一种标签外观自动检测机
CN208155893U (zh) 基于高速相机的双目视觉划痕检测系统
CN111784691A (zh) 一种纺织品瑕疵检测方法

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