CN115131739A - 金属拉丝工艺智能调控方法及系统 - Google Patents
金属拉丝工艺智能调控方法及系统 Download PDFInfo
- Publication number
- CN115131739A CN115131739A CN202211050955.9A CN202211050955A CN115131739A CN 115131739 A CN115131739 A CN 115131739A CN 202211050955 A CN202211050955 A CN 202211050955A CN 115131739 A CN115131739 A CN 115131739A
- Authority
- CN
- China
- Prior art keywords
- wire drawing
- frequency
- point
- high frequency
- control method
- 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
- 238000005491 wire drawing Methods 0.000 title claims abstract description 81
- 239000002184 metal Substances 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000008569 process Effects 0.000 title claims abstract description 25
- 238000001228 spectrum Methods 0.000 claims description 29
- 230000009466 transformation Effects 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 6
- 238000012545 processing Methods 0.000 abstract description 6
- 238000013473 artificial intelligence Methods 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 abstract description 2
- 238000007405 data analysis Methods 0.000 abstract description 2
- 238000010191 image analysis Methods 0.000 abstract description 2
- 238000005457 optimization Methods 0.000 abstract description 2
- 238000003909 pattern recognition Methods 0.000 abstract description 2
- 238000010586 diagram Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000003825 pressing Methods 0.000 description 3
- 244000137852 Petrea volubilis Species 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000005498 polishing Methods 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000007517 polishing process Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 229910001220 stainless steel Inorganic materials 0.000 description 1
- 239000010935 stainless steel Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B24—GRINDING; POLISHING
- B24B—MACHINES, DEVICES, OR PROCESSES FOR GRINDING OR POLISHING; DRESSING OR CONDITIONING OF ABRADING SURFACES; FEEDING OF GRINDING, POLISHING, OR LAPPING AGENTS
- B24B51/00—Arrangements for automatic control of a series of individual steps in grinding a workpiece
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Mechanical Engineering (AREA)
- Metal Extraction Processes (AREA)
Abstract
本发明涉及数据处理技术领域,具体涉及金属拉丝工艺智能调控方法及系统,即采用相关的电子设备进行图形识别,以获取目标表面图像,并对图像数据进行数据分析、处理计算得到拉丝密集程度;根据拉丝密集程度得到调节参数,实现拉丝调节控制。即本发明的方案能够通过采集的金属拉丝的图像数据信息,对其进行分析,进而实现拉丝机器的调节控制,该调控方法是基于计算机视觉软件,能够适用于生产领域人工智能系统、人工智能优化操作系统的调控方法。
Description
技术领域
本发明涉及数据处理技术领域,具体涉及金属拉丝工艺智能调控方法及系统。
背景技术
在实际生产中,金属拉丝抛光过程中不可避免地会产生非直线拉丝的不良情况,这样的产品只能重做产品或者沦为生产垃圾,拉丝抛光产生的不规则曲线会影响产品的表面质感,从而会影响美观。目前,这种无损检测目前多数靠人工检测,没有行之有效的智能生产方案。
发明内容
为了解决上述技术问题,本发明的目的在于提供金属拉丝工艺智能调控方法及系统,所采用的技术方案具体如下:
本发明提供的金属拉丝工艺智能调控方法,包括以下步骤:
获取目标表面的灰度图像,对灰度图像进行傅里叶变换,得到对应的目标频谱图;
根据目标频谱图,计算高频区域对应的灰度图像的像素点的平均灰度值;
获取频谱图的周期以及各高频点的位置信息,并结合平均灰度值,计算各高频点到中心点的距离,得到平均距离值;基于目标频谱图对应的直方图,得到高频区域以及低频区域的峰值,将两峰值的比值作为高低频比值;
根据所述平均灰度值、平均距离值以及高低频比值,得到拉丝密集程度;根据所述拉丝密集程度得到调节参数,实现拉丝调节控制。
优选地,各高频点到中心点的平均距离值为:
优选地,选取频谱图上任意一对频谱点,确定该对频谱点对应的频谱值,并利用逆傅里叶变换对该对频谱点进行逆变换,得到条纹图,获取条纹图的周期,作为该对频谱点对应的周期。
优选地,所述拉丝密集程度为
优选地,根据所述拉丝密集程度得到调节参数的过程为:
本发明还提供了金属拉丝工艺调控系统,包括处理器和存储器,所述处理器执行存储于存储器的上述的金属拉丝工艺智能调控方法的技术方案。
本发明的有益效果:
本发明的调控方法是涉及数据处理技术领域,采用相关的电子设备进行图形识别,以获取目标表面图像,并对图像数据进行数据分析、处理计算得到拉丝密集程度;根据拉丝密集程度得到调节参数,实现拉丝调节控制。其能够通过采集的金属拉丝的图像数据信息,对其进行分析,进而实现拉丝机器的调节控制,该调控方法是基于计算机视觉软件,能够适用于生产领域人工智能系统、人工智能优化操作系统的调控方法。
同时,本发明的方案通过获取金属拉丝的目标图像,将其转换为频谱图,对相应的频谱图进行分析,获取高频区域对应的边缘像素点的平均灰度值、所有高频点到中心点的平均距离值以及高频区域与低频区域的比值,对金属拉丝的密集程度进行表征,进而利用现有的允收水准对其进行分析,确定调整参数,即本发明的方案能够分析拉丝拉痕的密集程度来控制拉丝机的拉丝效果,进行智能调整拉丝机的拉丝程度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明的金属拉丝工艺智能调控方法的方法示意图;
图2为金属拉丝工艺调控系统示意图;
图3-a为金属拉丝的灰度图和对应的频谱图一;
图3-b为金属拉丝的灰度图和对应的频谱图二;
图3-c为金属拉丝的灰度图和对应的频谱图三;
图3-d为金属拉丝的灰度图和对应的频谱图四;
图4为中心点到高频点的示意图;
图5为各高频点到中心点的距离示意图;
图6为两种不同密集的金属拉丝对应的划分后的高频区域与低频区域的示意图;
图7-a为金属拉丝的频谱图和对应的直方图一;
图7-b为金属拉丝的频谱图和对应的直方图二;
附图编号:A—图像采集相机,B—可移动载物台,C—砂纸,D—按压板,E—金属器件,F—垫板。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明的方案,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本发明针对的是金属拉丝抛光产生的拉丝拉痕的分析,常见的一种拉丝方式,是将工件固定在模具上,研磨砂带高速运转,砂带的背面有一个气动控制可上下移动的压块,下压后砂带贴服在被加工金属表面进行拉丝,而本发明通过图像处理技术检测金属表面拉丝的程度,对拉丝拉痕的密集程度进行评估,从而根据拉丝程度选取合适的拉丝压力,为后续的金属拉丝抛光的参数提供依据。
具体地,请参阅图1所示,本发明提供的金属拉丝工艺智能调控方法,包括以下步骤:
步骤1,获取目标表面的灰度图像,对灰度图像进行傅里叶变换,得到对应的目标频谱图。
本实施例中,通过添加图像采集相机进行图像采集,在图像采集过程中,需要将相机处于正中间位置,待加工完成后,拍摄金属表面的清晰的图像,因为拉丝的痕迹比较细,所以需要高清相机进行拍摄。
由于本发明需要实现生产过程中的智能化,自动调节拉丝程度的过程,所以需要添加图像采集相机装置进行图像采集,然后对采集到的图像进行分析并结合算法计算出需要调整的参数,最后通过控制状态来调节装置。具体地,本发明的拉丝系统,如图2所示,包括砂纸C、按压板D、可移动载物台B、金属器件E、垫板F以及图像采集相机A,即将图像采集相机架设在磨砂平台上面,采集每次拉丝后的图像,图像编号依次为、……。
上述步骤中,需要将采集到的RGB图像进行灰度化处理得到灰度图,再通过傅里叶变换将灰度图变换为图像的频谱图;其中灰度图像中布满了拉丝的线条,而拉丝的线条分布情况会使得灰度图像中的高频和低频的比例发生变化,具体地,见图3-a至3-d为对应的不同拉丝的分布情况以及对应的频谱图,所以可以通过对比频谱图像的变化来判断拉丝的分布程度。
步骤2,根据目标频谱图,计算高频区域对应的灰度图像的像素点的平均灰度值。
本实施例中,平均灰度值为:
需要说明的是,在二维傅里叶变换中,空间域中横向的周期变化会反应在频谱图中的Y轴上,金属拉丝的线条为整齐排列的直线,从图4中能明显看出高亮点的位置,频谱图中高亮点周围灰度值的大小表示金属拉丝的密集程度。本实施例中,由于中心点为最亮的区域,影响后续的判断,因此将中心点的灰度值设为0,以该点作为参考原点,根据频谱图中高频点的灰度值的变化,来表示高频区域对应灰度图中图像的边缘像素变化程度。
步骤3,获取频谱图的周期以及各高频点的位置信息,并结合平均灰度值,计算各高频点到中心点的距离,得到平均距离值;基于目标频谱图对应的直方图,得到高频区域以及低频区域的峰值,将两峰值的比值作为高低频比值。
本实施例中的各高频点到中心点的平均距离值为:
需要说明的是,频谱图中低频代表图像中的平坦区域,高频代表图像中的边缘,金属拉丝越密集,灰度图中图像的边缘像素越多,对应的高频分量值会越高。高频区域距离中心点的距离越远,所包含的边缘像素差值越大。因此本实施例中用各高频点到中心点的距离表示金属拉丝的密集(分布)程度。
上述实施例中的高频点到中心点的距离,如图5所示,第一个高频点到中心点的距离为D1,第二个高频点到中心点的距离为D2,依次类推,第n个高频点到中心点的距离为Dn。
其中,上述中的周期T的获取方法为:
选取频谱图上任意一对频谱点,确定该对频谱点对应的频谱值,并利用逆傅里叶变换对该对频谱点进行逆变换,得到条纹图,获取条纹图的周期,作为该对频谱点对应的周期。
当然作为优选的实施方式,从中间那条竖线上,选取一对频谱点,由于频谱图是对称的,所以可以选取一对然后把该对像素点对应的频谱值提取,得到仅含该频谱点对的图像,然后进行逆傅里叶变换,得到条纹图是有周期性变化,可以求得,方式为获取竖向方向的一个周期就可以了,作为一个频谱点的周期。这是由于频谱图中对应位置的点能够表示对应方向和频率的三角函数在图像空域中的响应程度。
同时,本发明在计算高频点到中心点的距离时,通过引入周期以及所有高频点对应的平均灰度值,是由于距离和周期是对应关系,且距离越远周期越大,因此考虑到了根据各个高频点灰度值的变化与到中心点的距离共同反映拉丝的密集程度。
在频谱图中,中心点的周围为低频区域,其他外围灰度值较暗的区域为高频区域,根据不同密集程度的拉丝线条对应的频谱图可知,线条越密集,对应的高频区域越亮。即根据不同密集程度拉丝线条的频谱图,可以计算出线条密集程度与频谱图中高低频的关系,如图7所示,为两种不同密集程度的频谱图中高低频区域的分布。其中拉丝密集程度较稀疏区域的高低频划分为和,拉丝密集程度较密集区域的高低频划分为和,分别计算两张频谱图的高低频区域对应的灰度值的差异,则可获得不同密集程度的拉丝金属表面的拉痕的疏密程度。
基于上述图6中的两种不同密集程度的频谱图中高低频区域的分布,得到对应的直方图,即如图7-a和7-b所示,其中频谱图对应的直方图都存在两个峰值,一个是高频区域像素统计的峰值,另一个是低频区域像素统计的峰值,灰度直方图的灰度值的范围为[0,255],越往0靠近,表示黑色像素越多,说明高频区域越暗,则表明拉丝的疏密程度越稀疏;越往255靠近,表示白色像素越多,说明高频区域越亮,则表明拉丝的疏密程度越密集。
为了将频谱图的高低频区域分割开,用对应直方图的两个峰值的比值表示频谱图中灰度的比值。设灰度直方图中峰值的归一化数字为m,次峰值的归一化数值为n,则频谱图中高低频区域的灰度值得比值表示为:
式中,GY表示频谱图的高低频区域的灰度值得比值,也即金属表面的拉痕的疏密程度。
步骤4,根据所述平均灰度值、平均距离值以及高低频比值,得到拉丝程度;根据所述拉丝程度得到调节参数。
本实施例中,通过频谱图中中心点到高频点的距离和高亮点灰度值的变化来反映拉丝的程度。
进一步地,基于上述实施例计算出的拉丝程度,可根据拉丝的效果进行调节拉丝机的压力和拉丝次数。
具体地,拉丝程度反映的是金属表面的拉丝密集程度,则根据拉丝密集程度计算拉丝划痕的KT。
本实施例中利用拉丝的拉痕密集程度与单位面积内的拉丝数量的比值,得到单位面积下的密集程度,表示为KT:
其中,AQL表示允收水准。
上述中的允收水准是由现行(拉丝不锈钢)外观检验标准得到的,如表1所示:
表1
本发明还提供了金属拉丝工艺智能调控系统,包括处理器和存储器,所述处理器执行存储于存储器的上述的金属拉丝工艺智能调控方法的步骤。由于上述已对金属拉丝工艺智能调控方法进行了详细的介绍,此处不再进行过多赘述。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (6)
1.金属拉丝工艺智能调控方法,其特征在于,包括以下步骤:
获取目标表面的灰度图像,对灰度图像进行傅里叶变换,得到对应的目标频谱图;
根据所述目标频谱图,计算高频区域对应的灰度图像的像素点的平均灰度值;
获取频谱图的周期以及各高频点的位置信息,并结合平均灰度值,计算各高频点到中心点的距离,得到平均距离值;基于目标频谱图对应的直方图,得到高频区域以及低频区域的峰值,将两峰值的比值作为高低频比值;
根据所述平均灰度值、平均距离值以及高低频比值,得到拉丝密集程度;根据所述拉丝密集程度得到调节参数,实现拉丝调节控制。
3.根据权利要求1所述的金属拉丝工艺智能调控方法,其特征在于,所述周期T的获取方法为:选取频谱图上任意一对频谱点,确定该对频谱点对应的频谱值,并利用逆傅里叶变换对该对频谱点进行逆变换,得到条纹图,获取条纹图的周期,作为该对频谱点对应的周期。
6.金属拉丝工艺智能调控系统,其特征在于,包括处理器和存储器,其特征在于,所述处理器执行存储于存储器的如权利要求1-5中任一项所述的金属拉丝工艺智能调控方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211050955.9A CN115131739B (zh) | 2022-08-30 | 2022-08-30 | 金属拉丝工艺智能调控方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211050955.9A CN115131739B (zh) | 2022-08-30 | 2022-08-30 | 金属拉丝工艺智能调控方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115131739A true CN115131739A (zh) | 2022-09-30 |
CN115131739B CN115131739B (zh) | 2023-08-04 |
Family
ID=83388052
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211050955.9A Active CN115131739B (zh) | 2022-08-30 | 2022-08-30 | 金属拉丝工艺智能调控方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115131739B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003251559A (ja) * | 2002-02-28 | 2003-09-09 | Ebara Corp | 研磨装置及び研磨面の異物検出方法 |
CN107037055A (zh) * | 2017-03-09 | 2017-08-11 | 中车青岛四方机车车辆股份有限公司 | 一种铝合金表面拉丝质量检测评价方法 |
CN113705590A (zh) * | 2021-10-28 | 2021-11-26 | 江苏南通元辰钢结构制造有限公司 | 基于人工智能的钢结构智能打磨控制方法 |
CN113971670A (zh) * | 2021-12-23 | 2022-01-25 | 武汉市利隆捷精密螺丝制造有限公司 | 基于计算机视觉的螺纹缺陷分析方法及系统 |
-
2022
- 2022-08-30 CN CN202211050955.9A patent/CN115131739B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2003251559A (ja) * | 2002-02-28 | 2003-09-09 | Ebara Corp | 研磨装置及び研磨面の異物検出方法 |
CN107037055A (zh) * | 2017-03-09 | 2017-08-11 | 中车青岛四方机车车辆股份有限公司 | 一种铝合金表面拉丝质量检测评价方法 |
CN113705590A (zh) * | 2021-10-28 | 2021-11-26 | 江苏南通元辰钢结构制造有限公司 | 基于人工智能的钢结构智能打磨控制方法 |
CN113971670A (zh) * | 2021-12-23 | 2022-01-25 | 武汉市利隆捷精密螺丝制造有限公司 | 基于计算机视觉的螺纹缺陷分析方法及系统 |
Non-Patent Citations (1)
Title |
---|
李艳梅等: ""织物组织结构参数自动识别系统的研究"", 《北京纺织》 * |
Also Published As
Publication number | Publication date |
---|---|
CN115131739B (zh) | 2023-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117173189B (zh) | 一种铝合金表面抛光效果视觉检测系统 | |
CN113705590B (zh) | 基于人工智能的钢结构智能打磨控制方法 | |
Asamoah et al. | Measuring the performance of image contrast enhancement technique | |
CN116843678B (zh) | 一种硬碳电极生产质量检测方法 | |
CN116030058B (zh) | 一种用于抛光垫表面粗糙度的质量评价方法 | |
CN115861291B (zh) | 基于机器视觉的贴片电路板生产缺陷检测方法 | |
CN115359044B (zh) | 一种基于图像增强的金属件表面划痕检测方法 | |
CN116071363B (zh) | 一种自动化型钢智能生产监测系统 | |
CN115619793B (zh) | 基于计算机视觉的电源适配器外观质量检测方法 | |
CN115937216B (zh) | 一种新能源汽车用磁转子外观质量检测方法 | |
CN110288618B (zh) | 一种光照不均图像的多目标分割方法 | |
CN115830015B (zh) | 基于计算机视觉的五金冲压配件质量检测方法 | |
CN114998198A (zh) | 一种注塑件表面缺陷识别方法 | |
CN116402810B (zh) | 基于图像处理的润滑油抗磨粒质量检测方法 | |
US20130170757A1 (en) | Method for creating template for patternmatching, and image processing apparatus | |
CN116137036B (zh) | 基于机器学习的基因检测数据智能处理系统 | |
CN114998343A (zh) | 基于视觉的模具表面抛光程度检测方法 | |
Gu et al. | Nonlinear additive model based saliency map weighting strategy for image quality assessment | |
CN116486091B (zh) | 基于人工智能的风机叶片缺陷区域快速分割方法及系统 | |
CN115038965A (zh) | 金相组织的相的分类方法、金相组织的相的分类装置、金相组织的相的学习方法、金相组织的相的学习装置、金属材料的材料特性预测方法和金属材料的材料特性预测装置 | |
CN117237344B (zh) | 基于机器视觉的电子雾化器芯片外观质量检测方法 | |
CN115018835A (zh) | 一种汽车起动机齿轮检测方法 | |
CN117830415A (zh) | 一种车载大尺寸光电玻璃盖板加工定位方法 | |
CN115131739A (zh) | 金属拉丝工艺智能调控方法及系统 | |
CN116664584B (zh) | 一种薄壁类锌合金压铸模具生产智能反馈调节系统 |
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 |