CN113762427B - 一种工业自动化检测场景中的上料异常检测方法 - Google Patents
一种工业自动化检测场景中的上料异常检测方法 Download PDFInfo
- Publication number
- CN113762427B CN113762427B CN202111323693.4A CN202111323693A CN113762427B CN 113762427 B CN113762427 B CN 113762427B CN 202111323693 A CN202111323693 A CN 202111323693A CN 113762427 B CN113762427 B CN 113762427B
- Authority
- CN
- China
- Prior art keywords
- feature points
- template
- current
- coordinates
- feeding
- 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
Images
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
Abstract
本发明公开了一种工业自动化检测场景中的上料异常检测方法,其方法步骤为:对产品模板进行建模;产品模板进行在线检测;利用相似度对当前所有特征点进行快速的匹配;判断是否找到了符合的匹配项,如果没有找到,则产品模板属于放反或者混料;如果有找到匹配项,则计算当前两个区域内匹配到的特征点的质心坐标,计算两个质心的中点坐标和连线的角度;用当前的角度和模板角度的差来进行图像的旋正。本发明有益效果:本发明的算法可进行产品上料异常的自动判断,可以同时检测多种异常情况;对产品兼容性非常强,适用于半导体领域各种不同类型的产品,在匹配端做了优化,使得检测时间在几百毫秒内完成,可以在检测工位同步完成,提升产线效率。
Description
技术领域
本发明涉及自动化检测技术领域,尤其是一种工业自动化检测场景中的上料异常检测方法。
背景技术
在工业界,自动化检测设备主要用来进行一些零部件的缺陷检测,物体的抓取打包,产品的自动校正等等,这些设备相比于人工有着很大的优势。比如机器不会疲惫,机器不会有情绪,机器判断标准都是一致,而且还有部分人工很难操作的工作,如微米级的小瑕疵检测等,都凸显出工业界机器取代人工的必然性。在所有的工业领域中,半导体领域的重要性更加的被放大,越来越多的半导体产品检测设备被逐步研发出来,这些设备主要用来做半导体产品的缺陷检测。
1、如中国专利公开了基于机器视觉引导的LCR与3D测量定位系统(申请号:202011501477.X,公开日:2021-04-09),包括传送带,所述传送带一侧设置有测量定位装置,所述测量定位装置包括旋转托盘,所述旋转托盘周围设置有上料组件、底部相机、电路测试组件、顶部相机、激光组件和下料组件,旋转托盘上共有六个工件槽,由旋转托盘进行旋转带动各个工件分步进行各自的检测流程,上料组件会先对工件移动底部处进行拍摄,工件底部各个零件的轮廓判断出工件的角度,在搬运途中对工件进行初步的角度调整,使工件调整到一个合适的角度,方便后续装置对工件进行检测,具有可以进行多种测量,检测效率高和解决下料上料数量差导致的下料盘不满或过多问题的特点。检测流程基本差异不大,通过设备自动上料,然后检测完成后自动分成NG品和OK品进行下料,但是上料中的很多异常情况会导致检测的失败或者结果的不准确,主要缺点问题有如下:
1、机构问题导致的物料偏移,往上下左右四个方向都可能偏移;
2、物料倾斜,顺时针逆时针随机,倾斜大小不定;
3、物料放反,分成前后倒置或者正反面颠倒;
4、混料,其他的物料混在当前产品中;而现有市面上的方案比如多相机多角度拍摄方案,需要利用多个相机,而且要有单独的工位,整体硬件成本非常高,检测耗时,性价比比较低。
因此,对于上述问题有必要提出一种工业自动化检测场景中的上料异常检测方法。
发明内容
针对上述现有技术中存在的不足,本发明的目的在于提供了一种工业自动化检测场景中的上料异常检测方法,以解决上述问题。
一种工业自动化检测场景中的上料异常检测方法,其方法步骤为:
S1、对产品模板进行建模;
S2、产品模板进行在线检测;
S3、利用相似度对当前所有特征点进行快速的匹配;
S4、判断是否找到了符合的匹配项,如果没有找到,则产品模板属于放反或者混料,直接下料到对应仓位;如果有找到匹配项,则计算当前两个区域内匹配到的特征点的质心坐标,计算方式和模板上相同,同时计算两个质心的中点坐标和连线的角度;
S5、用当前的角度和模板角度的差来进行图像的旋正,用当前中点坐标和模板上的中点坐标差来进行图像的平移;同时对当前特征点也做相应的旋转平移,然后计算特征点闭合区域的像素灰度方差和区域凸度;
S6、判断当前两个区域的像素方差和凸度是否和模板上两个区域的差异都在某个范围内,如果有一个超出,则产品模板属于放反或者混料,直接下料到对应仓位;如果都符合条件,则判断上料OK,流转到下个工位继续后续的工序。
其中步骤S3中的相似度计算方式采用归一化互相关方法计算(曼哈顿距离、欧氏距离、余弦相似度或KL散度方式进行计算)。
其中归一化互相关方法步骤为:利用系数公式计算实时图和基准图之间的相关系数,得到相关系数矩阵ρ(x,y),通过对系数公式矩阵的分析;两幅进行匹配计算的图像中的小图像为g,大小为m×n,大图像为S,大小为M×N,用Sx,y表示S中以(x,y)为左上角点与g大小相同的子块;其中σ(Sx,y,g)为Sx,y和g的协方差,Dx,y为Sx,y的方差,D为g的方差,g为灰度值。
其中步骤S1的建模步骤为:
(1)采集产品模板图;
(2)人工绘制两个独立区域;
(3)使用传统的特征提取算子对两个区域进行边缘特征提取;
(4)计算两个区域内所有的特征点的质心坐标,此处的质心坐标使用灰度值平均坐标,也就是用灰度值作为权重来计算,然后计算两个区域的质心点的中点坐标和两个质心点之间的连线角度;
(5)记录所有区域信息,并保存到与产品模板相关的信息文件中。
其中提取算子包括Roberts算子、Sobel算子、Laplacian算子和Canny算子。
其中区域信息包括特征点的信息、中心点坐标和归一化相关(NCC)系数。
其中Canny算子的边缘特征提取方法为:先进行高斯滤波,接着计算x方向和y方向的梯度值和梯度方向,然后在每个点的梯度方向上进行非极大值抑制,保留该方向上梯度值最大的特征点。最后利用双阈值的方式,留下梯度值大于上阈值的特征点,剔除梯度值小于下阈值的特征点,对于梯度值位于两个阈值之间的,判断它的周围(比如8邻域)是否存在留下来的特征点,如果存在,也留下当前的特征点,否则剔除。
与现有技术相比,本发明有益效果:本发明提出的算法流程,来进行产品上料异常的自动判断,一套算法流程可以同时检测多种异常情况;本发明算法对产品兼容性非常强,可以适用于半导体领域各种不同类型的产品,在匹配端做了优化,可以使得检测时间在几百毫秒内完成,同时也不需要很好的硬件,可以在检测工位同步完成,不需要单独的工位,在不增加大成本的前提下大大提升产线效率。
附图说明
图1是本发明的建模阶段的流程图;
图2是本发明的在线检测阶段的流程图。
具体实施方式
需要说明的是,在不冲突的情况下,本发明中的实施例及实施例中的特征可以相互组合。
以下结合附图对本发明的实施例进行详细说明,但是本发明可以由权利要求限定和覆盖的多种不同方式实施。
如图1并结合图2所示,一种工业自动化检测场景中的上料异常检测方法,其方法步骤为:
S1、对产品模板进行建模;
S2、产品模板进行在线检测;
S3、利用相似度对当前所有特征点进行快速的匹配;
S4、判断是否找到了符合的匹配项,如果没有找到,则产品模板属于放反或者混料,直接下料到对应仓位;如果有找到匹配项,则计算当前两个区域内匹配到的特征点的质心坐标,计算方式和模板上相同,同时计算两个质心的中点坐标和连线的角度;
S5、用当前的角度和模板角度的差来进行图像的旋正,用当前中点坐标和模板上的中点坐标差来进行图像的平移;同时对当前特征点也做相应的旋转平移,然后计算特征点闭合区域的像素灰度方差和区域凸度;
S6、判断当前两个区域的像素方差和凸度是否和模板上两个区域的差异都在某个范围内,如果有一个超出,则产品模板属于放反或者混料,直接下料到对应仓位。如果都符合条件,则判断上料OK,流转到下个工位继续后续的工序。
其中步骤S1的建模步骤为:
(1)采集产品模板图;
(2)人工绘制两个独立区域;
(3)使用传统的特征提取算子对两个区域进行边缘特征提取;
(4)计算两个区域内所有的特征点的质心坐标,此处的质心坐标使用灰度值平均坐标,也就是用灰度值作为权重来计算,然后计算两个区域的质心点的中点坐标和两个质心点之间的连线角度;
(5)记录所有区域信息,并保存到与产品模板相关的信息文件中。
其中提取算子包括Roberts算子、Sobel算子、Laplacian算子和Canny算子。
其中区域信息包括特征点的信息、中心点坐标和归一化相关(NCC)系数。
其中Canny算子的边缘特征提取方法为:先进行高斯滤波,接着计算x方向和y方向的梯度值和梯度方向,然后在每个点的梯度方向上进行非极大值抑制,保留该方向上梯度值最大的特征点。最后利用双阈值的方式,留下梯度值大于上阈值的特征点,剔除梯度值小于下阈值的特征点,对于梯度值位于两个阈值之间的,判断它的周围(比如8邻域)是否存在留下来的特征点,如果存在,也留下当前的特征点,否则剔除。
其中步骤S3中的相似度计算方式采用归一化互相关方法计算(曼哈顿距离、欧氏距离、余弦相似度或KL散度方式进行计算)。
其中归一化互相关方法步骤为:利用系数公式计算实时图和基准图之间的相关系数,得到相关系数矩阵ρ(x,y),通过对系数公式矩阵的分析;两幅进行匹配计算的图像中的小图像为g,大小为m×n;大图像为S,大小为M×N,用Sx,y表示S中以(x,y)为左上角点与g大小相同的子块,其中σ(Sx,y,g)为Sx,y和g的协方差,Dx,y为Sx,y的方差,D为g的方差,g为灰度值。
与现有技术相比,本发明有益效果:
本发明提出的算法流程,来进行产品上料异常的自动判断,一套算法流程可以同时检测多种异常情况,比现有的一些单算法解决单个场景要通用,方便的多,并且本专利的方案还可以对偏移,倾斜等情况进行矫正。
本发明提出的算法对产品兼容性非常强,可以适用于半导体领域各种不同类型的产品,同时在其他领域,比如3C领域中的滤光片上料检测,模组上料检测等等也都适用,只需要修改一些对应的参数即可,而市面上在用的那些方法只能针对某种特定的产品做检测,局限性非常大。
本发明提出的算法在匹配端做了优化,可以使得检测时间在几百毫秒内完成,同时也不需要很好的硬件,比如GPU或者很好的CPU支持,可以在检测工位同步完成,不需要单独的工位,在不增加大成本的前提下大大提升产线效率,而现有市面上的方案比如多相机多角度拍摄方案,需要利用多个相机,而且要有单独的工位,整体硬件成本非常高,检测耗时,性价比比较低。
实施例:
步骤一:建模阶段,针对每种不同的产品,准备一张Gloden品模板图,设置人工交互界面,人为的在模板图上绘制两个独立的区域。
步骤二:建模阶段,使用传统的特征提取算子对两个区域进行边缘特征提取,常用的提取算子有Roberts算子,Sobel算子,Laplacian算子,Canny算子等等,本实验中采用的是类似Canny边缘检测的方式,提取出边缘特征后记录每个特征点的坐标和对应的梯度值。
其中Roberts算子,又称罗伯茨算子,是一种最简单的算子,是一种利用局部差分算子寻找边缘的算子。他采用对角线方向相邻两象素之差近似梯度幅值检测边缘。检测垂直边缘的效果好于斜向边缘,定位精度高,对噪声敏感,无法抑制噪声的影响。
Sobel算子,贝尔算子是计算机视觉领域的一种重要处理方法。主要用于获得数字图像的一阶梯度,常见的应用和物理意义是边缘检测。索贝尔算子是把图像中每个像素的上下左右四领域的灰度值加权差,在边缘处达到极值从而检测边缘。
Laplacian算子是n维欧几里德空间中的一个二阶微分算子,定义为梯度grad的散度div。可使用运算模板来运算这定理定律。
Canny边缘检测算子是John F.Canny于1986年开发出来的一个多级边缘检测算法。更为重要的是Canny创立了“边缘检测计算理论”(computational theory of edgedetection)解释这项技术如何工作。
Canny边缘检测是目前效果和效率都处于顶尖的边缘特征提取方式,一般是先进行高斯滤波,接着计算x方向和y方向的梯度值和梯度方向,然后在每个点的梯度方向上进行非极大值抑制,保留该方向上梯度值最大的特征点。最后利用双阈值的方式,留下梯度值大于上阈值的特征点,剔除梯度值小于下阈值的特征点,对于梯度值位于两个阈值之间的,判断它的周围(比如8邻域)是否存在留下来的特征点,如果存在,也留下当前的特征点,否则剔除。
步骤三:建模阶段,计算两个区域内所有的特征点的质心坐标,此处的质心坐标使用灰度值平均坐标,也就是用灰度值作为权重来计算,然后计算两个区域的质心点的中点坐标和两个质心点之间的连线角度。
步骤四:建模阶段,记录模板图上所画区域信息,所有特征点的信息,以及中心点坐标;NCC表示归一化相关系数,用来和角度,保存到和该产品相关的一个信息文件中。
步骤五:在线检测阶段,读取产品模板的所有信息,把模板上所画两个区域做适当的扩大,然后在待检测图像上的扩大区域内进行边缘特征点的计算。
步骤六:利用相似度对当前所有特征点进行快速的匹配,相似度的计算方式比较多,常用的有曼哈顿距离,欧氏距离,余弦相似度,KL散度等等,本发明使用的是NormalizedCross Correlation(NCC)方法。
其中归一化相关的工作原理:表示两个变量之间的相似程度,它的值范围是0-1,1表示完全匹配;假设两幅进行匹配计算的图像中的小图像为g,大小为m×n,大图像为S,大小为M×N.用Sx,y表示S中以(x,y)为左上角点与g大小相同的子块,利用相关系数公式计算实时图和基准图之间的相关系数,得到相关系数矩阵ρ(x,y),通过对相关系数矩阵的分析,判断两幅图像是否相关。
步骤七:判断是否找到了符合的匹配项,如果没有找到,则产品模板属于放反或者混料,直接下料到对应仓位,如果有找到匹配项,则计算当前两个区域内匹配到的特征点的质心坐标,计算方式和模板上相同,同时计算两个质心的中点坐标和连线的角度。
步骤八:用当前的角度和模板角度的差来进行图像的旋正,用当前中点坐标和模板上的中点坐标差来进行图像的平移;同时对当前特征点也做相应的旋转平移,然后计算特征点闭合区域的像素灰度方差和区域凸度。
步骤九:判断当前两个区域的像素方差和凸度是否和模板上两个区域的差异都在某个范围内,如果有一个超出,则产品模板属于放反或者混料,直接下料到对应仓位;如果都符合条件,则判断上料OK,流转到下个工位继续后续的工序。
以上所述仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (5)
1.一种工业自动化检测场景中的上料异常检测方法,其特征在于:其方法步骤为:
S1、对产品模板进行建模;
S2、产品模板进行在线检测;
S3、利用相似度对当前所有特征点进行快速的匹配;
S4、判断是否找到了符合的匹配项,如没有找到,则产品模板属于放反或者混料,直接下料到对应仓位;如有找到匹配项,则计算当前两个区域内匹配到的特征点的质心坐标,计算方式和模板上相同,同时计算两个质心的中点坐标和连线的角度;
S5、用当前的角度和模板角度的差来进行图像的旋正,用当前中点坐标和模板上的中点坐标差来进行图像的平移;同时对当前特征点也做相应的旋转平移,然后计算特征点闭合区域的像素灰度方差和区域凸度;
S6、判断当前两个区域的像素方差和凸度是否和模板上两个区域的差异都在某个范围内,如果有一个超出,则产品模板属于放反或者混料,直接下料到对应仓位;如果都符合条件,则判断上料OK,流转到下个工位继续后续的工序;
2.如权利要求1所述的一种工业自动化检测场景中的上料异常检测方法,其特征在于:其中步骤S1的建模步骤为:
(1)采集产品模板图;
(2)人工绘制两个独立区域;
(3)使用传统的特征提取算子对两个区域进行边缘特征提取;
(4)计算两个区域内所有的特征点的质心坐标,此处的质心坐标使用灰度值平均坐标,也就是用灰度值作为权重来计算,然后计算两个区域的质心点的中点坐标和两个质心点之间的连线角度;
(5)记录所有区域信息,并保存到与产品模板相关的信息文件中。
3.如权利要求1所述的一种工业自动化检测场景中的上料异常检测方法,其特征在于:其中提取算子包括Roberts算子、Sobel算子、Laplacian算子和Canny算子。
4.如权利要求1所述的一种工业自动化检测场景中的上料异常检测方法,其特征在于:其中区域信息包括特征点的信息、中心点坐标和归一化相关系数。
5.如权利要求3所述的一种工业自动化检测场景中的上料异常检测方法,其特征在于:其中Canny算子的边缘特征提取方法为:先进行高斯滤波,接着计算x方向和y方向的梯度值和梯度方向,然后在每个点的梯度方向上进行非极大值抑制,保留该方向上梯度值最大的特征点;最后利用双阈值的方式,留下梯度值大于上阈值的特征点,剔除梯度值小于下阈值的特征点,对于梯度值位于两个阈值之间的,判断它的周围是否存在留下来的特征点,如果存在,也留下当前的特征点,否则剔除。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111323693.4A CN113762427B (zh) | 2021-11-10 | 2021-11-10 | 一种工业自动化检测场景中的上料异常检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111323693.4A CN113762427B (zh) | 2021-11-10 | 2021-11-10 | 一种工业自动化检测场景中的上料异常检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113762427A CN113762427A (zh) | 2021-12-07 |
CN113762427B true CN113762427B (zh) | 2022-04-12 |
Family
ID=78784902
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111323693.4A Active CN113762427B (zh) | 2021-11-10 | 2021-11-10 | 一种工业自动化检测场景中的上料异常检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113762427B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114353925B (zh) * | 2021-12-31 | 2024-04-12 | 安徽柯力电气制造有限公司 | Sqb称重传感器自动测试系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110171099A (zh) * | 2019-06-27 | 2019-08-27 | 四川锐腾电子有限公司 | 一种注塑机混合上料设备及上料方法 |
CN111347174A (zh) * | 2020-04-13 | 2020-06-30 | 深圳美克激光设备有限公司 | 基于ai技术的自动上料式激光切割方法及系统 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7289227B2 (en) * | 2004-10-01 | 2007-10-30 | Nomos Corporation | System and tracker for tracking an object, and related methods |
US8041103B2 (en) * | 2005-11-18 | 2011-10-18 | Kla-Tencor Technologies Corp. | Methods and systems for determining a position of inspection data in design data space |
CN109559304A (zh) * | 2018-11-23 | 2019-04-02 | 聚时科技(上海)有限公司 | 用于工业视觉检测的图像品质在线评估方法、装置及应用 |
CN110136120B (zh) * | 2019-05-16 | 2021-04-06 | 燕山大学 | 一种基于机器视觉的丝网印刷样板尺寸测量方法 |
CN111402411A (zh) * | 2020-04-10 | 2020-07-10 | 贵刚 | 一种基于线结构光的散乱物识别抓取方法 |
CN111730678B (zh) * | 2020-05-11 | 2022-04-15 | 江苏长电科技股份有限公司 | 一种防混料冲切机台结构以及防混料冲切方法 |
CN111891745A (zh) * | 2020-08-10 | 2020-11-06 | 珠海格力智能装备有限公司 | 上下料的处理方法及装置、上下料系统 |
-
2021
- 2021-11-10 CN CN202111323693.4A patent/CN113762427B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110171099A (zh) * | 2019-06-27 | 2019-08-27 | 四川锐腾电子有限公司 | 一种注塑机混合上料设备及上料方法 |
CN111347174A (zh) * | 2020-04-13 | 2020-06-30 | 深圳美克激光设备有限公司 | 基于ai技术的自动上料式激光切割方法及系统 |
Non-Patent Citations (2)
Title |
---|
Assessing mixing characteristics of particle-mixing and granulation devices;Paul W等;《ScienceDirect》;20081231;第06卷(第06期);全文 * |
面向可制造性的复杂约束状态下优化下料技术研究;吴电建;《中国博士学位论文全文数据库工程科技I辑》;20190915(第09期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113762427A (zh) | 2021-12-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107543828B (zh) | 一种工件表面缺陷检测方法及系统 | |
CN110163853B (zh) | 一种边缘缺陷的检测方法 | |
CN110648367A (zh) | 一种基于多层深度与彩色视觉信息的几何体目标定位方法 | |
CN108416809B (zh) | 一种基于机器视觉的钢桶螺纹盖位姿识别方法 | |
US6493079B1 (en) | System and method for machine vision analysis of an object using a reduced number of cameras | |
US20210090230A1 (en) | System and method for efficiently scoring probes in an image with a vision system | |
CN110517265A (zh) | 一种产品表面缺陷的检测方法、装置及存储介质 | |
CN112037203A (zh) | 基于复杂工件外轮廓配准的侧表面缺陷检测方法及系统 | |
CN111539927B (zh) | 汽车塑料组合件紧固卡扣缺装检测装置的检测方法 | |
CN106780526A (zh) | 一种铁氧体圆片表面裂痕识别方法 | |
WO2021102741A1 (zh) | 一种免疫层析检测的图像分析方法以及系统 | |
CN107490582A (zh) | 一种流水线工件检测系统 | |
CN109584215A (zh) | 一种电路板在线视觉检测系统 | |
CN113077437B (zh) | 工件质量检测方法及其系统 | |
CN110781913B (zh) | 一种拉链布带缺陷检测方法 | |
CN116165216B (zh) | 一种液晶显示屏微划伤瑕疵3d检测方法、系统及计算设备 | |
CN113762427B (zh) | 一种工业自动化检测场景中的上料异常检测方法 | |
CN115953373B (zh) | 玻璃缺陷检测方法、装置、电子设备及存储介质 | |
CN111968100B (zh) | 机器视觉检测方法与系统 | |
CN107316287A (zh) | 一种矩形铁氧体磁片表面的缺陷识别方法 | |
CN112014407A (zh) | 一种集成电路晶圆表面缺陷检测的方法 | |
CN114897881A (zh) | 一种基于边缘特征的晶粒缺陷检测方法 | |
TW419634B (en) | Automatic detection system and method using bar code positioning | |
CN111833350B (zh) | 机器视觉检测方法与系统 | |
CN108269264B (zh) | 豆籽粒图像的去噪及分形方法 |
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 |