CN112766152A - 一种机织物密度自动识别的通用方法 - Google Patents
一种机织物密度自动识别的通用方法 Download PDFInfo
- Publication number
- CN112766152A CN112766152A CN202110067871.5A CN202110067871A CN112766152A CN 112766152 A CN112766152 A CN 112766152A CN 202110067871 A CN202110067871 A CN 202110067871A CN 112766152 A CN112766152 A CN 112766152A
- Authority
- CN
- China
- Prior art keywords
- image
- array
- yarn
- woven fabric
- gds
- 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
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/243—Aligning, centring, orientation detection or correction of the image by compensating for image skew or non-uniform image deformations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/06—Recognition of objects for industrial automation
Abstract
本发明公开了一种机织物密度自动识别的通用方法,包括:采集机织物图像,并将采集的图像转至灰度图像;对图像进行纠偏,获取机织物同一纱线方向的亮度投影曲线并采用均值滤波法除噪、平滑处理;依据连续五点中间点灰度值最小获取纱线间隙位置,并将该位置记录至数组Gd,并基于对所述数组Gd中相邻两项求差建立数组Gds;对数组Gds取平均值M,通过Gds(i)与M大小的比较确定步骤四中所建立的记录纱线间隙位置的所述数组Gd中是否存在漏检和异常点,进而完成对数组Gd修正;对修正后的数组Gd重新求取平均值B或C,并根据公式计算机织物经纱密度Pt和纬纱密度Pw。
Description
技术领域
本发明属于图像分析处理领域,具体涉及一种机织物密度自动识别的通用方法。
背景技术
在纺织企业生产中,织物经纬纱密度是织物结构参数检测中最重要的一项,需要计数单位长度内的纱线根数,传统的人工分析方法中是依赖于检测人员利用人眼直接观察,或对来样织物借助照布镜、密度镜辅助下计数完成织物经纬纱密度的测定,但检测过程主观性强,容易使人产生疲劳,效率低,且容易出错。
机织物是由相互垂直的经纬纱线系统按照一定的沉浮规律交织而成,水平或幅宽方向的为纬纱,垂直或长度方向的为经纱,有素色机织物、单色机织物和多色机织物,素色机织物的经纬纱线都是未染色、呈纤维本来的颜色;单色机织物的经纬纱线均为同一种颜色;多色机织物的经纱、纬纱或经纬纱由多种不同颜色的纱线排列交织而成;随着数字图像处理技术发展,机织物密度的自动测量方法主要有空域法与频域法,空域法有的借助织物图像的亮度投影曲线利用区域排查法找出纱线间隙位置求出经纬纱密度,但其过程繁琐,流程长;有的利用相邻纱线颜色突变检测水平和垂直方向边缘,借助子图像方差投影与相关系数获得机织物经纬纱密度,但对颜色突变不显著的有误差;频域法有的借助傅里叶变换从频谱图上获取纱线间距离间接求取经纬纱密度,但对纹理复杂的织物并不呈现完全的周期性,只能得到密度的近似值;有的利用小波变换,其分解层数没有统一的标准,不同分解层数检测结果差异较大,且上述算法适应范围有限,不同算法只适用特定的机织物。
发明内容
针对现有检测方法的不足,本发明提出一种通用的机织物密度自动识别的方法。
实现上述技术目的,达到上述技术效果,本发明通过以下技术方案实现:
一种机织物密度自动识别的通用方法,包括以下步骤:
步骤一:采集机织物图像,并将采集的图像转至灰度图像;
步骤二:对灰度图像的同一纱线方向进行纠偏,获取纠偏后的灰度图像;
步骤三:获取机织物同一纱线方向的亮度投影曲线,公式如下:
或
式(1-1)为经纱方向亮度投影曲线,式(1-2)为纬纱方向亮度投影曲线;
并采用均值滤波法除噪、进行平滑处理;
步骤四:选取亮度投影曲线波谷所对应的位置确定为纱线间隙位置,并将该位置的像素点位置信息记录至数组Gd,并基于对所述数组Gd中相邻两项求差获得相邻间隙位置信息建立数组Gds;
步骤五:对所述数组Gds取平均值M,通过Gds(i)与M大小的比较确定步骤四中所建立的记录纱线间隙位置的所述数组Gd中是否存在漏检或异常点,进而对数组Gd进行修正;
步骤六:对修正后的数组Gd重新求取纱线间隙位置差并获取新的平均值B或C,并根据以下公式计算机织物经纱密度Pt和纬纱密度Pw:
式中,D为采集图像的分辨率,即为2.54cm所具有的像素点数,B为经纱方向纱线间隙位置差的平均值,C为纬纱方向纱线间隙位置差的平均值。
作为本发明的进一步改进,步骤一中,采用衬板采集具有规则矩形结构的图像,之后按如下公式将图像的彩色模式转换为灰度模式:
V(i,j)=0.2989×R(i,j)+0.587×G(i,j)+0.114×B(i,j).
式中:V(i,j)为转换后的图像在i,j像素点的灰度值,R(i,j)、G(i,j)、B(i,j)为彩色图像模式下图像在i,j像素点的色度值。
作为本发明的进一步改进,所述步骤二:结合机织物纹理结构特点,将间隙点的连线,即灰度平均值最小的连线,调节至垂直或水平的方向上,获取纠偏角度,对图像进行纠偏。
作为本发明的进一步改进,步骤四中,若所述亮度投影曲线中的连续五点位置满足:P(i-2)>P(i-1)>P(i),且P(i)<P(i+1)<P(i+2),3≤i≤M2-2,则确定位置i为所述纱线间隙位置,并将位置i录入所述数组Gd中。
作为本发明的进一步改进,步骤五中,检查所述纱线间隙是否存在漏检的步骤为:
判断Gds(i)与M的比值是否大于阈值K,若是,则说明i点与i+1点位置的纱线间隙有漏检,并对Gd(i)与Gd(i+1)的位置求平均值取整,作为加入两点之间的新的纱线间隙的位置点。
作为本发明的进一步改进,所述的阈值K为1.3-1.7。
作为本发明的进一步改进,步骤五中,判断所述纱线间隙是否为异常点的方法为:
首先,判断Gds(i)/M>A2,且Gds(i+1)/M<A1是否成立,若是将i+1位置记录为异常点开始位置;
然后,判断Gds(j)/M<A1,并且Gds(j+1)/M>A2是否成立,若是将j位置记录为异常点结束位置;
最后,据获得的各段异常点开始与结束位置,对应的从数组Gd中去除;
其中,A1为异常点突变系数,A2为正常点系数。
作为本发明的进一步改进,所述A1的取值为0.68-0.72,所述A2的取值为0.78-0.82。
本发明的有益效果:本发明所提出的机织物密度自动识别方法,可适用于对素色机织物、单色机织物和多色机织物,具有广泛的普适性,同时该方法也提高了检测结果的准确性,且运算速度快,算法鲁棒性好,能够满足实际生产的需要。
附图说明
图1为本发明的机织物经纬纱密度自动识别的流程图;
图2为实施例一所分析的多色机织物彩色图像;
图3为多色机织物经纱方向纠偏后灰度图像;
图4为多色机织物经纱亮度投影曲线;
图5为多色机织物的亮度投影曲线经漏检与去异常点后经纱间隙位置图像;
图6为多色机织物单根经纱分割图像;
图7为多色机织物纬纱方向纠偏后灰度图像;
图8为漏检与去异常点后纬纱间隙位置图像;
图9为多色机织物单根纬纱分割图像;
图10为实施例二所分析的素色机织物经纱方向纠偏后灰度图像;
图11为素色机织物经漏检与去异常点后经纱间隙位置图像;
图12为素色机织物单根经纱分割图像;
图13为素色机织物纬纱方向纠偏后灰度图像;
图14为素色机织物经漏检与去异常点后纬纱间隙位置图像;
图15为素色机织物单根纬纱分割图像;
图16为实施三所分析的单色机织物经纱方向纠偏后灰度图像;
图17为单色机织物的漏检与去异常点后经纱间隙位置图像;
图18为单色机织物单根经纱分割图像;
图19为单色机织物纬纱方向纠偏后灰度图像;
图20为单色机织物的漏检与去异常点后纬纱间隙位置图像;
图21为单色机织物单根纬纱分割图像。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
下面结合附图对本发明的应用原理作详细的描述。
实施例1:多色机织物
(1)采集一幅多色机织物图像作为试验图像,借助衬板利用Canon LIDE 400平板扫描仪,获得多色机织物RGB彩色图像,见图2所示,扫描分辨率为1200DPI,尺寸为247像素×245像素(M1=247,N1=245),实际尺寸为0.52cm×0.52cm,竖直方向为经纱,水平方向为纬纱,利用公式1转为灰度图像V,公式1中的i,j分别为V的行、列坐标取值(1≤i≤M1,1≤j≤N1),。
V(i,j)=0.2989×R(i,j)+0.587×G(i,j)+0.114×B(i,j) (1)
由于纱线本身粗细不匀、织造设备状态及工艺参数等因素的影响,使得经纬纱并非完全垂直相交,所以需要对经纬纱单独纠偏完成密度的识别。
经纱密度识别:
(2)因扫描时纱线条干部分反射能量高,灰度值大,而纱线间隙反射能量小,灰度值小,结合机织物纹理结构特点,将纱线间隙点的连线(灰度平均值最小的连线)调节至垂直或水平方向上,获取纠偏角度。在实际操作时,图像采集时都会注意织物的摆放,一般纠偏角度很小,以经纱为例该值通常为80-100°,选取图像中间部分灰度值最小的一纱线间隙点为定点,以80°为初始值、0.05为步长,计算80100°角度直线上像素点的灰度平均值,值最小的即为最终的纠偏角度,完成经纱方向图像纠偏,获得的图像像素尺寸为M2×N2,记为T(x,y),其中x,y为T行、列坐标取值(1≤x≤M2,1≤y≤N2),见图3所示。
(3)依据公式2计算多色机织物经纱方向的亮度投影曲线P(y),采用1×3模板均值滤波去除噪声等信号,同时实现对亮度投影曲线的平滑处理,处理后得到的曲线如图4所示。
(4)根据亮度投影曲线波谷(亮度最小值)所对应的位置即为纱线间隙位置,其记录方法是:若投影曲线连续五点位置满足P(i-2)>P(i-1)>P(i),且P(i)<P(i+1)<P(i+2),3≤i≤M2-2,则记录i位置标记为纱线间隙位置。并将i位置所对应的像素点位置信息记录至数组Gd中,设数组长度为N,并对其相邻两项位置相减获得的位置差构建为新的数组Gds,其中Gds(i)=Gd(i+1)Gd(i),1≤i<N。
(5)对初始建立的数组Gd进行修正
(5-1)检查纱线间隙是否漏检:通常漏检的位置主要反映在纱线颜色突变位置,判断的方法是:计算数组Gds的均值为M,如果Gds(i)/M>K,说明i点位置有漏检,在数组Gd(i)与Gd(i+1)之间加入一个新的位置点,值为两者位置平均值的四舍五入法取整。式中的K为颜色突变系数,经验值取为1.5。
(52)去除异常点主要是亮度投影曲线各小段区域波谷位置,方法是:
1.寻找各段异常点开始位置,方法是:如果Gds(i)/M>A2,并且Gds(i+1)/M<A1,1≤i<N-1,说明i+1位置为各段异常点开始位置并记录。
2.寻找各段异常点结束位置,方法是:如果Gds(j)/M<A1,并且Gds(j+1)/M>A2,1≤j<N-1,说明j位置为各段异常点结束位置并记录。
其中A1为异常点突变系数,经验值取0.7,A2为正常点系数,经验值取0.8。根据获得的各段异常点开始与结束位置,在数组Gd中对应去除,最终获得的经纱间隙位置见图5所示,单根经纱分割后图像如图6所示。
(6)重新对修正后的数组Gd中相邻经纱间隙位置求差,取均值并记为B,即代表1根经纱所占像素点数,根据图像分辨率D(2.54cm所具有的像素点数),带入公式即可获得经纱密度PT(根/10cm)。
纬纱密度识别:
(7)对多色机织物转换后的灰度图像V,根据机织物纹理结构特点完成纬纱方向的纠偏见图7所示,像素尺寸为M3×N3,记为T’(x,y),其中x,y为T’行、列坐标取值(1≤x≤M3,1≤y≤N3)。计算纬纱方向纠偏后亮度投影曲线P’(x),公式如下,采用3×1模板均值滤波去除噪声等信号,实现曲线平滑。
(8)重复(4)-(5)获得纬纱间隙位置见图8所示,单根纬纱分割后图像见图9所示,重新对数组Gd相邻纬纱间隙位置求差取均值记为C,即代表1根纬纱所占的像素点数,根据图像分辨率D带入公式获得多色机织物纬纱密度Pw(根/10cm)。
实施例2
借助衬板利用Canon LIDE 400平板扫描仪采集一幅素色机织物图像,颜色空间为RGB模式,扫描分辨率为1200DPI,按照上述(1)(9)完成素色机织物经纬纱密度的识别,获得经纱方向纠偏后图像见图10所示,漏检与去异常点后经纱间隙位置见图11所示,单根经纱分割后图像见图12所示,纬纱方向纠偏后图像见图13所示,漏检与去异常点后纬纱间隙位置见图14所示,单根纬纱分割后图像见图15所示,带入公式计算结果为PT=410.82(根/10cm),Pw=283.87(根/10cm)。
实施例3
借助衬板利用Canon LIDE 400平板扫描仪采集一幅单色机织物图像,颜色空间为RGB模式,扫描分辨率为1200DPI,按照上述(1)-(9)完成单色机织物经纬纱密度的识别,获得经纱方向纠偏后图像见图16所示,漏检与去异常点后经纱间隙位置见图17所示,单根经纱分割后图像见图18所示,纬纱方向纠偏后图像见图19所示,漏检与去异常点后纬纱间隙位置见图20所示,单根纬纱分割后图像见图21所示,带入公式计算结果为PT=515.76(根/10cm),Pw=268.05(根/10cm)。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (8)
1.一种机织物密度自动识别的通用方法,其特征在于,包括以下步骤:
步骤一:采集机织物图像,并将采集的图像转至灰度图像;
步骤二:对灰度图像的同一纱线方向进行纠偏,获取纠偏后的灰度图像;
步骤三:获取机织物同一纱线方向的亮度投影曲线,公式如下:
或
式(1-1)为经纱方向亮度投影曲线,式(1-2)为纬纱方向亮度投影曲线;
并采用均值滤波法除噪、进行平滑处理;
步骤四:选取亮度投影曲线波谷所对应的位置确定为纱线间隙位置,并将该位置的像素点位置信息记录至数组Gd,并基于对所述数组Gd中相邻两项求差获得相邻间隙位置信息建立数组Gds;
步骤五:对所述数组Gds取平均值M,通过Gds(i)与M大小的比较确定步骤四中所建立的记录纱线间隙位置的所述数组Gd中是否存在漏检或异常点,进而对数组Gd进行修正;
步骤六:对修正后的数组Gd重新求取纱线间隙位置差并获取新的平均值B或C,并根据以下公式计算机织物经纱密度Pt和纬纱密度Pw:
式中,D为采集图像的分辨率,即为2.54cm所具有的像素点数,B为经纱方向纱线间隙位置差的平均值,C为纬纱方向纱线间隙位置差的平均值。
2.根据权利要求1所述的一种机织物密度自动识别的通用方法,其特征在于:步骤一中,采用衬板采集具有规则矩形结构的图像,之后按如下公式将图像的彩色模式转换为灰度模式:
V(i,j)=0.2989×R(i,j)+0.587×G(i,j)+0.114×B(i,j);
式中:V(i,j)为转换后的图像在i,j像素点的灰度值,R(i,j)、G(i,j)、B(i,j)为彩色图像模式下图像在i,j像素点的色度值。
3.根据权利要求1所述的一种机织物密度自动识别的通用方法,其特征在于:所述步骤二:结合机织物纹理结构特点,将间隙点的连线,即灰度平均值最小的连线,调节至垂直或水平的方向上,获取纠偏角度,对图像进行纠偏。
4.根据权利要求1所述的一种机织物密度自动识别的通用方法,其特征在于:步骤四中,若所述亮度投影曲线中的连续五点位置满足:P(i-2)>P(i-1)>P(i),且P(i)<P(i+1)<P(i+2),3≤i≤M2-2,
则确定位置i为所述纱线间隙位置,并将位置i录入所述数组Gd中。
5.根据权利要求1所述的一种机织物密度自动识别的通用方法,其特征在于:步骤五中,检查所述纱线间隙是否存在漏检的步骤为:
判断Gds(i)与M的比值是否大于阈值K,若是,则说明i点与i+1点位置的纱线间隙有漏检,并对Gd(i)与Gd(i+1)的位置求平均值取整,作为加入两点之间的新的纱线间隙的位置点。
6.根据权利要求5所述的一种机织物密度自动识别的通用方法,其特征在于:所述的阈值K为1.3-1.7。
7.根据权利要求1所述的一种机织物密度自动识别的通用方法,其特征在于:步骤五中,判断所述纱线间隙是否为异常点的方法为:
首先,判断Gds(i)/M>A2,且Gds(i+1)/M<A1是否成立,若是将i+1位置记录为异常点开始位置;
然后,判断Gds(j)/M<A1,并且Gds(j+1)/M>A2是否成立,若是将j位置记录为异常点结束位置;
最后,据获得的各段异常点开始与结束位置,对应的从数组Gd中去除;
其中,A1为异常点突变系数,A2为正常点系数。
8.根据权利要求1所述的一种机织物密度自动识别的通用方法,其特征在于:所述A1的取值为0.68-0.72,所述A2的取值为0.78-0.82。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110067871.5A CN112766152B (zh) | 2021-01-18 | 2021-01-18 | 一种机织物密度自动识别的通用方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110067871.5A CN112766152B (zh) | 2021-01-18 | 2021-01-18 | 一种机织物密度自动识别的通用方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112766152A true CN112766152A (zh) | 2021-05-07 |
CN112766152B CN112766152B (zh) | 2023-09-22 |
Family
ID=75703066
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110067871.5A Active CN112766152B (zh) | 2021-01-18 | 2021-01-18 | 一种机织物密度自动识别的通用方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112766152B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104346818A (zh) * | 2014-10-27 | 2015-02-11 | 江南大学 | 一种机织物密度自动测量方法 |
CN104715477A (zh) * | 2015-03-05 | 2015-06-17 | 浙江工业大学之江学院 | 基于多尺度和多区域的机织物编织密度的图像分析方法 |
CN112070723A (zh) * | 2020-08-14 | 2020-12-11 | 盐城工业职业技术学院 | 一种素色机织物密度的自动识别方法 |
-
2021
- 2021-01-18 CN CN202110067871.5A patent/CN112766152B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104346818A (zh) * | 2014-10-27 | 2015-02-11 | 江南大学 | 一种机织物密度自动测量方法 |
CN104715477A (zh) * | 2015-03-05 | 2015-06-17 | 浙江工业大学之江学院 | 基于多尺度和多区域的机织物编织密度的图像分析方法 |
CN112070723A (zh) * | 2020-08-14 | 2020-12-11 | 盐城工业职业技术学院 | 一种素色机织物密度的自动识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112766152B (zh) | 2023-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10713780B2 (en) | Color quality assessment based on multispectral imaging | |
CN109211918B (zh) | 一种基于纬纱走向的织物弓纬检测方法 | |
CN115100206B (zh) | 用于具有周期图案纺织物的印花缺陷识别方法 | |
CN105741276B (zh) | 一种船舶水线提取方法 | |
CN105550660A (zh) | 一种机织物组织结构种类的识别方法 | |
Pan et al. | Automatic inspection of double-system-mélange yarn-dyed fabric density with color-gradient image | |
CN112330673B (zh) | 一种基于图像处理的机织物密度检测方法 | |
US10210605B2 (en) | Method and device for detecting boundary of region on display motherboard | |
CN111861996A (zh) | 一种印花织物疵点检测方法 | |
CN115330784A (zh) | 一种布匹表面缺陷检测方法 | |
CN110687121B (zh) | 一种陶瓦智能在线检测与自动分级方法和系统 | |
CN108445009A (zh) | 一种太阳能电池板裂纹检测方法 | |
CN115049671A (zh) | 基于计算机视觉的布匹表面缺陷检测方法及系统 | |
CN115861310B (zh) | 一种床单表面纺织缺陷检测方法 | |
CN113838038A (zh) | 一种碳纤维布面疵点检测方法、装置、电子设备和存储介质 | |
CN116894840B (zh) | 纺纱打样机产品质量检测方法及系统 | |
JP3608106B2 (ja) | 画像処理を用いた鋼材表面の劣化度評価システム | |
CN112766152A (zh) | 一种机织物密度自动识别的通用方法 | |
CN116805312B (zh) | 一种基于图像处理的针织式面料质量检测方法 | |
CN112070723B (zh) | 一种素色机织物密度的自动识别方法 | |
CN111882549A (zh) | 一种灰绿色细小异纤自动检测识别方法及检测识别系统 | |
CN110501339B (zh) | 一种复杂环境下的布面定位方法 | |
CN114863258B (zh) | 海天线场景中基于视角转换检测小目标的方法 | |
CN105741250B (zh) | 基于二次插值法的自动验布机走布速度不匀的图像矫正方法 | |
JP3433331B2 (ja) | 画像検査方法及び装置 |
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 |