CN112098428A - 片状建材制造中基于机器视觉的智能瑕疵识别系统 - Google Patents

片状建材制造中基于机器视觉的智能瑕疵识别系统 Download PDF

Info

Publication number
CN112098428A
CN112098428A CN202010923984.6A CN202010923984A CN112098428A CN 112098428 A CN112098428 A CN 112098428A CN 202010923984 A CN202010923984 A CN 202010923984A CN 112098428 A CN112098428 A CN 112098428A
Authority
CN
China
Prior art keywords
building material
sheet building
sheet
industrial camera
standard industrial
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.)
Pending
Application number
CN202010923984.6A
Other languages
English (en)
Inventor
沈井学
李勇
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 Baizijian Technology Co ltd
Original Assignee
Hangzhou Baizijian 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 Baizijian Technology Co ltd filed Critical Hangzhou Baizijian Technology Co ltd
Priority to CN202010923984.6A priority Critical patent/CN112098428A/zh
Publication of CN112098428A publication Critical patent/CN112098428A/zh
Pending legal-status Critical Current

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
    • G01N21/89—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles
    • G01N21/8901—Optical details; Scanning details
    • 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
    • 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
    • G01N21/89—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles
    • G01N21/8914—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles characterised by the material examined
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G06T7/0004—Industrial image inspection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • 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
    • G01N2021/888—Marking defects
    • 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
    • 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
    • G01N21/89—Investigating the presence of flaws or contamination in moving material, e.g. running paper or textiles
    • G01N21/8901—Optical details; Scanning details
    • G01N2021/8908—Strip illuminator, e.g. light tube

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Pathology (AREA)
  • Biochemistry (AREA)
  • Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Immunology (AREA)
  • General Health & Medical Sciences (AREA)
  • Analytical Chemistry (AREA)
  • Data Mining & Analysis (AREA)
  • Textile Engineering (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Signal Processing (AREA)
  • Geometry (AREA)
  • Quality & Reliability (AREA)
  • Artificial Intelligence (AREA)

Abstract

本发明涉及一种片状建材制造中基于机器视觉的智能瑕疵识别系统。本发明的技术方案是：片状建材制造中基于机器视觉的智能瑕疵识别系统，其特征在于，包括：片状建材输送机构；标准工业相机，位于所述片状建材输送机构上方，用于采集片状建材输送机构上片状建材的产品图像；光源，用于照亮所述标准工业相机下放所述片状建材输送机构上的片状建材；感应触发器，用于当片状建材经过所述标准工业相机正下方位置时通知标准工业相机获取该片状建材图像；处理单元，用于获取所述标准工业相机采集的产品图像，并对产品图像进行智能识别，分析出片状建材的检测结果。本发明适用于各类建筑材料生产制造中的产品质量检测，瑕疵识别和归类。

Description

片状建材制造中基于机器视觉的智能瑕疵识别系统
技术领域
本发明涉及一种片状建材制造中基于机器视觉的智能瑕疵识别系统。该系统可用于各类建筑材料生产制造中的产品质量检测，瑕疵识别和归类。
背景技术
目前，瓷砖行业对产品的质量需求越来越高，传统方式是使用人眼检测产品质量，由于人眼视力有限，容易疲劳，检测和识别的精度不高，影响了产品的质量，并加大了成本。瓷砖产品有其独特性，表面会有纹路，瑕疵种类多样，不易区分。
发明内容
本发明要解决的技术问题是：针对上述存在的问题，提供一种瓷砖瑕疵的智能视觉识别系统。
本发明所采用的技术方案是：片状建材制造中基于机器视觉的智能瑕疵识别系统，其特征在于，包括：
片状建材输送机构；
标准工业相机，位于所述片状建材输送机构上方，用于采集片状建材输送机构上片状建材的产品图像；
光源，用于照亮所述标准工业相机下放所述片状建材输送机构上的片状建材；
感应触发器，用于当片状建材经过所述标准工业相机正下方位置时通知标准工业相机获取该片状建材图像；
处理单元，用于获取所述标准工业相机采集的产品图像，并对产品图像进行智能识别，分析出片状建材的检测结果。
所述光源采用低角度方式为所述片状建材打光。
光源位于片状建材表面上方400mm，入射光线与片状建材表面呈40度角度。
所述光源采用白色LED光源。
所述对产品图像进行智能识别，分析出片状建材的检测结果，包括：
对产品图像先使用256x256大小的算子做低通平滑滤波，得到一张背景图像；
对产品图像上每一个像素点进行遍历，计算产品图像和对应背景图像的灰阶差异，比较这个灰阶差异和预设的阈值大小，当超过阈值时，标记为瑕疵像素点，得到一张瑕疵标记二值图像；
在瑕疵标记二值图像上运行Blob算法，得出图上所有瑕疵的位置和大小信息；
对每个检测到的瑕疵图片，输入智能分类器识别每个瑕疵的类别。
所述智能分类器由特征提取和分类器两部分组成；
提取的特征包含：平均灰阶值、最小灰阶、最大灰阶、瑕疵面积、瑕疵周长、长轴短轴比、形状、ORB算子特征；
把以上特征组成一个高维的向量，输入SVM分类器，分类器经过运算，给出类别编号。
所述检测结果包括根据片状建材上识别出的瑕疵的类别和数量给整片片状建材做打分判等，输出等级信息。
所述标准工业相机在片状建材表面上方900mm处，相机轴线与片状建材表面呈90度。
本发明的有益效果是：本发明通过标准工业相机，实时获取产品图像，传输到处理单元，做实时图像的分析和处理，识别出瓷砖表面的各种瑕疵并智能识别类别，通过图像精确量测瑕疵的大小等，并判断出产品的等级给与标识。
附图说明
图1为实施例的结构图。
具体实施方式
本实施例为一种片状建材(如瓷砖)制造中基于机器视觉的智能瑕疵识别系统，包括：片状建材输送机构、标准工业相机、光源、感应触发器和处理单元，其中光源、标准工业相机和感应触发器均电路连接处理单元。
本例中片状建材输送机构用于输送生产出的片状建材产品(如瓷砖)，在片状建材送机构的某位置上方设有标准工业相机，该标准工业相机采集下方片状建材输送机构上片状建材的产品图像。
本实施例中光源采用白色LED光源，使用低角度的方式为片状建材表面打光，以大幅减弱产品本身的纹路的成像，突出表面瑕疵的成像对比度。光源位于片状建材表面上方400mm，入射光线与片状建材表面呈40度角度。
本实施例中感应触发器安装于瓷砖输送机构上与标准工业相机对应位置，当产品将要通过标准工业相机下方时(进入标准工业相机取景范围)，感应触发器将产品到位信号发送给处理单元，处理单元控制工业相机开始工作，获取瓷砖输送机构上瓷砖的产品图像。
本例中处理单元用于将标准工业相机获取的产品图像做处理识别，分析出瑕疵位置，大小信息，并对识别的瑕疵输入智能分类器，给出类别统计结果。
本实施例的具体操作步骤如下：
瓷砖输送机构上的瓷砖产品将要通过标准工业相机下方时，通过感应触发器，通知标准工业相机开始工作；
标准工业相机按特定高速频率曝光获取瓷砖的产品图像；
标准工业相机把取到的图像传输到处理单元；
处理单元对图像做平滑滤波器处理，根据灰阶度差异，计算出瑕疵点像素，汇总出检测结果，具体包括：
对产品图像先使用256x256大小的算子做低通平滑滤波，得到一张背景图像；
对产品图像上每一个像素点进行遍历，计算产品图像和对应背景图像的灰阶差异，比较这个灰阶差异和预设的阈值大小，当超过阈值时，标记为瑕疵像素点，得到一张瑕疵标记二值图像；
在瑕疵标记二值图像上运行Blob算法，得出图上所有瑕疵的位置和大小信息；
处理单元对于每个检测到的瑕疵图片，输入智能分类器识别每个瑕疵的类别；本实施例中智能分类器由特征提取和分类器两部分组成，提取的特征包含：平均灰阶值，最小灰阶，最大灰阶，瑕疵面积，瑕疵周长，长轴短轴比，形状，ORB算子特征；把以上特征组成一个高维的向量，输入SVM分类器，分类器经过运算，给出类别编号；
根据瑕疵的类别和数量给整片产品做打分判等，输出等级信息。

Claims (8)

1.片状建材制造中基于机器视觉的智能瑕疵识别系统，其特征在于，包括：
片状建材输送机构；
标准工业相机，位于所述片状建材输送机构上方，用于采集片状建材输送机构上片状建材的产品图像；
光源，用于照亮所述标准工业相机下放所述片状建材输送机构上的片状建材；
感应触发器，用于当片状建材经过所述标准工业相机正下方位置时通知标准工业相机获取该片状建材图像；
处理单元，用于获取所述标准工业相机采集的产品图像，并对产品图像进行智能识别，分析出片状建材的检测结果。
2.根据权利要求1所述的片状建材瑕疵的智能视觉识别系统，其特征在于：所述光源采用低角度方式为所述片状建材打光。
3.根据权利要求2所述的片状建材瑕疵的智能视觉识别系统，其特征在于：光源位于片状建材表面上方400mm，入射光线与片状建材表面呈40度角度。
4.根据权利要求1或2或3所述的片状建材瑕疵的智能视觉识别系统，其特征在于：所述光源采用白色LED光源。
5.根据权利要求1所述的片状建材瑕疵的智能视觉识别系统，其特征在于，所述对产品图像进行智能识别，分析出片状建材的检测结果，包括：
对产品图像先使用256x256大小的算子做低通平滑滤波，得到一张背景图像；
对产品图像上每一个像素点进行遍历，计算产品图像和对应背景图像的灰阶差异，比较这个灰阶差异和预设的阈值大小，当超过阈值时，标记为瑕疵像素点，得到一张瑕疵标记二值图像；
在瑕疵标记二值图像上运行Blob算法，得出图上所有瑕疵的位置和大小信息；
对每个检测到的瑕疵图片，输入智能分类器识别每个瑕疵的类别。
6.根据权利要求5所述的片状建材瑕疵的智能视觉识别系统，其特征在于：所述智能分类器由特征提取和分类器两部分组成；
提取的特征包含：平均灰阶值、最小灰阶、最大灰阶、瑕疵面积、瑕疵周长、长轴短轴比、形状、ORB算子特征；
把以上特征组成一个高维的向量，输入SVM分类器，分类器经过运算，给出类别编号。
7.根据权利要求1所述的片状建材瑕疵的智能视觉识别系统，其特征在于：所述检测结果包括根据片状建材上识别出的瑕疵的类别和数量给整片片状建材做打分判等，输出等级信息。
8.根据权利要求1所述的片状建材瑕疵的智能视觉识别系统，其特征在于：所述标准工业相机在片状建材表面上方900mm处，相机轴线与片状建材表面呈90度。
CN202010923984.6A 2020-09-04 2020-09-04 片状建材制造中基于机器视觉的智能瑕疵识别系统 Pending CN112098428A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010923984.6A CN112098428A (zh) 2020-09-04 2020-09-04 片状建材制造中基于机器视觉的智能瑕疵识别系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010923984.6A CN112098428A (zh) 2020-09-04 2020-09-04 片状建材制造中基于机器视觉的智能瑕疵识别系统

Publications (1)

Publication Number Publication Date
CN112098428A true CN112098428A (zh) 2020-12-18

Family

ID=73757556

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010923984.6A Pending CN112098428A (zh) 2020-09-04 2020-09-04 片状建材制造中基于机器视觉的智能瑕疵识别系统

Country Status (1)

Country Link
CN (1) CN112098428A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113838043A (zh) * 2021-09-30 2021-12-24 杭州百子尖科技股份有限公司 金属箔材制造中基于机器视觉的质量分析方法
CN113933308A (zh) * 2021-09-30 2022-01-14 杭州百子尖科技股份有限公司 铝塑膜制造中基于机器视觉的智能瑕疵识别方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101696945A (zh) * 2009-11-13 2010-04-21 无锡众望四维科技有限公司 机器视觉系统对光伏玻璃瑕疵的在线检测方法
CN101776438A (zh) * 2010-01-26 2010-07-14 武汉理工大学 道路标线测量装置及其测量方法
CN105784719A (zh) * 2016-05-04 2016-07-20 成都贝森伟任科技有限责任公司 能够进行物品分类的机器视觉检验终端机
CN106872487A (zh) * 2017-04-21 2017-06-20 佛山市南海区广工大数控装备协同创新研究院 一种基于视觉的表面瑕疵检测方法及装置
CN108090494A (zh) * 2017-12-15 2018-05-29 东华大学 基于Gabor滤波器及支持向量机纺织品瑕疵识别方法
CN110596129A (zh) * 2018-05-25 2019-12-20 上海翌视信息技术有限公司 一种基于图像采集的片状玻璃边缘瑕疵检测系统
CN111445471A (zh) * 2020-06-16 2020-07-24 杭州百子尖科技股份有限公司 基于深度学习和机器视觉的产品表面缺陷检测方法及装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101696945A (zh) * 2009-11-13 2010-04-21 无锡众望四维科技有限公司 机器视觉系统对光伏玻璃瑕疵的在线检测方法
CN101776438A (zh) * 2010-01-26 2010-07-14 武汉理工大学 道路标线测量装置及其测量方法
CN105784719A (zh) * 2016-05-04 2016-07-20 成都贝森伟任科技有限责任公司 能够进行物品分类的机器视觉检验终端机
CN106872487A (zh) * 2017-04-21 2017-06-20 佛山市南海区广工大数控装备协同创新研究院 一种基于视觉的表面瑕疵检测方法及装置
CN108090494A (zh) * 2017-12-15 2018-05-29 东华大学 基于Gabor滤波器及支持向量机纺织品瑕疵识别方法
CN110596129A (zh) * 2018-05-25 2019-12-20 上海翌视信息技术有限公司 一种基于图像采集的片状玻璃边缘瑕疵检测系统
CN111445471A (zh) * 2020-06-16 2020-07-24 杭州百子尖科技股份有限公司 基于深度学习和机器视觉的产品表面缺陷检测方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
崔吉等: "《工业视觉实用教程》", 31 October 2018 *
申强等 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113838043A (zh) * 2021-09-30 2021-12-24 杭州百子尖科技股份有限公司 金属箔材制造中基于机器视觉的质量分析方法
CN113933308A (zh) * 2021-09-30 2022-01-14 杭州百子尖科技股份有限公司 铝塑膜制造中基于机器视觉的智能瑕疵识别方法

Similar Documents

Publication Publication Date Title
CN109269951B (zh) 基于图像的浮选尾煤灰分、浓度、粗颗粒含量检测方法
CN109115785B (zh) 一种铸件打磨质量检测方法、装置及其使用方法
CN109454006B (zh) 基于化纤丝锭绊丝缺陷在线检测和分级的装置的检测分级方法
CN110403232B (zh) 一种基于二级算法的烟支质量检测方法
CN109872300B (zh) 一种摩擦片外观缺陷的视觉显著性检测方法
CN112184648A (zh) 一种基于深度学习的活塞表面缺陷检测方法及系统
CN108698774A (zh) 对移动玻璃卷材进行边缘表面检查的方法和设备
CN112098428A (zh) 片状建材制造中基于机器视觉的智能瑕疵识别系统
CN113109348B (zh) 一种基于机器视觉的桨影移印缺陷识别方法
CN110296997A (zh) 基于机器视觉的陶瓷瓦的缺陷检测方法及装置
CN111667475B (zh) 一种基于机器视觉的大枣分级检测方法
CN102175692A (zh) 织物坯布疵点快速检测系统及方法
CN104483320A (zh) 工业脱硝催化剂的数字化缺陷检测装置与检测方法
WO2023134286A1 (zh) 一种阴极铜在线质量自动检测分类方法
CN111487192A (zh) 一种基于人工智能的机器视觉表面缺陷检测装置及方法
CN110096980A (zh) 字符检测识别系统
CN105784719A (zh) 能够进行物品分类的机器视觉检验终端机
CN108280838A (zh) 一种基于边缘检测的夹片牙型缺陷检测方法
CN116206266B (zh) 一种基于封口机的视觉对位系统
CN108020554A (zh) 一种带钢表面缺陷识别检测方法
CN113705487B (zh) 精密工件识别及工艺参数关联系统以及识别方法
CN109115775A (zh) 一种基于机器视觉的槟榔等级检测方法
CN106370673A (zh) 一种镜片疵病自动检测方法
CN116674091B (zh) 一种混凝土搅拌站后料场骨料自动上料方法
CN117409005A (zh) 基于图像的收板机用不良品检测系统及方法

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20201218