CN117314919B - 基于机器视觉的包装袋生产分析方法、系统及存储介质 - Google Patents
基于机器视觉的包装袋生产分析方法、系统及存储介质 Download PDFInfo
- Publication number
- CN117314919B CN117314919B CN202311612470.9A CN202311612470A CN117314919B CN 117314919 B CN117314919 B CN 117314919B CN 202311612470 A CN202311612470 A CN 202311612470A CN 117314919 B CN117314919 B CN 117314919B
- Authority
- CN
- China
- Prior art keywords
- data
- image
- production
- feature
- preset
- 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
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 207
- 238000004806 packaging method and process Methods 0.000 title claims abstract description 99
- 238000004458 analytical method Methods 0.000 title claims abstract description 68
- 230000007613 environmental effect Effects 0.000 claims abstract description 52
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 40
- 238000000034 method Methods 0.000 claims abstract description 40
- 238000007621 cluster analysis Methods 0.000 claims abstract description 28
- 230000009466 transformation Effects 0.000 claims abstract description 25
- 230000008859 change Effects 0.000 claims description 26
- 238000005286 illumination Methods 0.000 claims description 16
- 238000000605 extraction Methods 0.000 claims description 10
- 238000012417 linear regression Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 8
- 239000003086 colorant Substances 0.000 claims description 4
- 230000004927 fusion Effects 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 4
- 230000009467 reduction Effects 0.000 claims description 4
- 230000007547 defect Effects 0.000 abstract description 10
- 238000012545 processing Methods 0.000 description 9
- 238000004364 calculation method Methods 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000003672 processing method Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
- G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/766—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using regression, e.g. by projecting features on hyperplanes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/771—Feature selection, e.g. selecting representative features from a multi-dimensional feature space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
-
- 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
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本发明公开了基于机器视觉的包装袋生产分析方法、系统及存储介质。获取一个生产工序对应的生产包装袋的图像数据得到第一图像数据;基于所述第一图像数据并进行图像区域划分与包装袋区域识别,提取每个图像子区域的特征数据;基于所述特征数据进行预设聚类算法的聚类分析,形成多组聚类特征组,并从中选取定位特征数据;基于环境预测数据对第一图像数据进行图像变换分析,生成预测图像数据;基于所述预测图像数据进行基于预设聚类算法的聚类分析与特征选取,得到多个预设生产周期的定位特征数据。通过了本发明,能够对复杂的生产流程进行实时、精准包装袋精准分析,从而减少生产缺陷,提高生产效率。
Description
技术领域
本发明涉及机器视觉领域,更具体的,涉及基于机器视觉的包装袋生产分析方法、系统及存储介质。
背景技术
随着工业自动化和机器视觉技术的发展,对包装袋生产过程进行实时监控和分析的需求日益增强。然而,现有的生产监控系统大多依赖于人工检查,无法对复杂的生产流程进行实时、精准的分析。特别对包装袋生产过程的位置偏移、机器视觉分析较为薄弱,因此,本发明提出一种基于机器视觉的包装袋生产分析方法、系统及存储介质,旨在解决上述问题。
发明内容
本发明克服了现有技术的缺陷,提出了基于机器视觉的包装袋生产分析方法、系统及存储介质。
本发明第一方面提供了一种基于机器视觉的包装袋生产分析方法,包括:
在一个预设生产周期内,获取一个生产工序对应的生产包装袋的图像数据,并标记为第一图像数据;
基于所述第一图像数据并进行图像区域划分与包装袋区域识别,提取每个图像子区域的特征数据;
基于所述特征数据进行基于预设聚类算法的聚类分析,形成多组聚类特征组,基于所述聚类特征组选取定位特征数据;
获取所述一个预设生产周期内的环境数据,基于所述环境数据进行基于线性回归的变化预测,得到环境预测数据;
基于所述环境预测数据对第一图像数据进行图像变换分析,生成预测图像数据;
基于所述预测图像数据进行基于预设聚类算法的聚类分析与特征选取,得到多个预设生产周期的定位特征数据。
本方案中,所述在一个预设生产周期内,获取一个生产工序对应的生产包装袋的图像数据,并标记为第一图像数据,具体为:
基于预设图像采集装置,获取一个生产工序对应的生产视频数据;
将所述生产视频数据进行关键帧提取,得到关键图像帧;
将所述关键图像帧进行基于预设清晰度的图像筛选,得到第一图像数据。
本方案中,所述基于所述第一图像数据并进行图像区域划分与包装袋区域识别,提取每个图像子区域的特征数据,具体为:
将所述第一图像数据进行图像降噪、平滑、标准化预处理;
将所述第一图像数据导入基于CNN的图像识别模型进行包装袋识别区域识别,得到包装袋区域图像与背景区域图像;
基于所述包装袋区域图像的图像大小,划分出M个子区域图像与对应M个相对位置参数;
根据所述M个子区域图像进行基于色彩、纹理、轮廓的特征提取,得到M份特征数据。
本方案中,所述基于所述特征数据进行基于预设聚类算法的聚类分析,形成多组聚类特征组,基于所述聚类特征组选取定位特征数据,具体为:
从M份特征数据中获取其中一份特征数据,将所述特征数据作为一份样品数据进行基于Dbscan聚类算法的分析,得到多个聚类特征组;
每个聚类特征组包括预设数据量的特征数据;
将一个聚类特征组中特征数据融合为一个整体特征数据并作为识别特征数据;
基于多个聚类特征组形成多个识别特征数据;
通过图像识别模型,以识别特征数据作为当前识别数据,以第一图像数据作为识别结果,计算分析出识别特征数据的识别率,并得到多个识别率;
将识别率高于预设识别率的识别特征数据所对应的聚类特征组进行标记,得到高特征数据组;
将高特征数据组中的所有特征数据进行特征融合得到定位特征数据;
基于M份特征数据,得到M个定位特征数据。
本方案中,所述获取所述一个预设生产周期内的环境数据,基于所述环境数据进行基于线性回归的变化预测,得到环境预测数据,具体为:
获取所述一个预设生产周期内的环境数据,所述环境数据包括光照强度;
获取一个预设结束生产周期内的第二环境数据;
基于时间顺序,将环境数据与第二环境数据进行数据序列化,分别形成第一序列数据与第二序列数据;
以第一序列数据为基础数据,以第二序列数据作为目标数据,基于LSTM预测算法进行N个预设生产周期的数据预测,得到N个序列数据;
将所述N个序列数据进行解析,得到N个预设生产周期的对应的N个预测环境数据。
本方案中,所述基于所述环境预测数据对第一图像数据进行图像变换分析,生成预测图像数据具体为:
基于所述N个预测环境数据,进行基于图像亮度参数变换的分析,得到N个图像亮度变化参数;
基于所述N个图像亮度变化参数对,第一图像数据进行图像变换,得到N个变换图像数据;
所述变换图像数据即预测图像数据。
本方案中,所述基于所述预测图像数据进行基于预设聚类算法的聚类分析与特征选取,得到多个预设生产周期的定位特征数据,具体为:
选取一个变换图像数据进行特征提取与预设聚类算法的聚类分析,得到对应的预测定位特征数据;
分析所有变换图像数据得到N个预测定位特征数据;
将所述N个预测定位特征数据作为N个预设生产周期的对应定位特征数据。
本发明第二方面还提供了一种基于机器视觉的包装袋生产分析系统,该系统包括:存储器、处理器,所述存储器中包括基于机器视觉的包装袋生产分析程序,所述基于机器视觉的包装袋生产分析程序被所述处理器执行时实现如下步骤:
在一个预设生产周期内,获取一个生产工序对应的生产包装袋的图像数据,并标记为第一图像数据;
基于所述第一图像数据并进行图像区域划分与包装袋区域识别,提取每个图像子区域的特征数据;
基于所述特征数据进行基于预设聚类算法的聚类分析,形成多组聚类特征组,基于所述聚类特征组选取定位特征数据;
获取所述一个预设生产周期内的环境数据,基于所述环境数据进行基于线性回归的变化预测,得到环境预测数据;
基于所述环境预测数据对第一图像数据进行图像变换分析,生成预测图像数据;
基于所述预测图像数据进行基于预设聚类算法的聚类分析与特征选取,得到多个预设生产周期的定位特征数据。
本方案中,所述在一个预设生产周期内,获取一个生产工序对应的生产包装袋的图像数据,并标记为第一图像数据,具体为:
基于预设图像采集装置,获取一个生产工序对应的生产视频数据;
将所述生产视频数据进行关键帧提取,得到关键图像帧;
将所述关键图像帧进行基于预设清晰度的图像筛选,得到第一图像数据。
本发明第三方面还提供一种计算机可读存储介质,所述计算机可读存储介质中包括基于机器视觉的包装袋生产分析程序,所述基于机器视觉的包装袋生产分析程序被处理器执行时,实现如上述任一项所述的基于机器视觉的包装袋生产分析方法的步骤。
本发明公开了基于机器视觉的包装袋生产分析方法、系统及存储介质。获取一个生产工序对应的生产包装袋的图像数据得到第一图像数据;基于所述第一图像数据并进行图像区域划分与包装袋区域识别,提取每个图像子区域的特征数据;基于所述特征数据进行预设聚类算法的聚类分析,形成多组聚类特征组,并从中选取定位特征数据;基于环境预测数据对第一图像数据进行图像变换分析,生成预测图像数据;基于所述预测图像数据进行基于预设聚类算法的聚类分析与特征选取,得到多个预设生产周期的定位特征数据。通过了本发明,能够对复杂的生产流程进行实时、精准包装袋精准分析,从而减少生产缺陷,提高生产效率。
附图说明
图1示出了本发明一种基于机器视觉的包装袋生产分析方法的流程图;
图2示出了本发明第一图像数据获取流程图;
图3示出了本发明预测图像数据获取流程图;
图4示出了本发明一种基于机器视觉的包装袋生产分析系统的框图。
实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
图1示出了本发明一种基于机器视觉的包装袋生产分析方法的流程图。
如图1所示,本发明第一方面提供了一种基于机器视觉的包装袋生产分析方法,包括:
S102,在一个预设生产周期内,获取一个生产工序对应的生产包装袋的图像数据,并标记为第一图像数据;
S104,基于所述第一图像数据并进行图像区域划分与包装袋区域识别,提取每个图像子区域的特征数据;
S106,基于所述特征数据进行基于预设聚类算法的聚类分析,形成多组聚类特征组,基于所述聚类特征组选取定位特征数据;
S108,获取所述一个预设生产周期内的环境数据,基于所述环境数据进行基于线性回归的变化预测,得到环境预测数据;
S110,基于所述环境预测数据对第一图像数据进行图像变换分析,生成预测图像数据;
S112,基于所述预测图像数据进行基于预设聚类算法的聚类分析与特征选取,得到多个预设生产周期的定位特征数据。
图2示出了本发明第一图像数据获取流程图。
根据本发明实施例,所述在一个预设生产周期内,获取一个生产工序对应的生产包装袋的图像数据,并标记为第一图像数据,具体为:
S202,基于预设图像采集装置,获取一个生产工序对应的生产视频数据;
S204,将所述生产视频数据进行关键帧提取,得到关键图像帧;
S206,将所述关键图像帧进行基于预设清晰度的图像筛选,得到第一图像数据。
需要说明的是,所述预设图像采集装置为一种高清摄像装置,能够采集一定范围内的高清图像。所述图像筛选得到的为高清晰度的第一图像数据。
根据本发明实施例,所述基于所述第一图像数据并进行图像区域划分与包装袋区域识别,提取每个图像子区域的特征数据,具体为:
将所述第一图像数据进行图像降噪、平滑、标准化预处理;
将所述第一图像数据导入基于CNN的图像识别模型进行包装袋识别区域识别,得到包装袋区域图像与背景区域图像;
基于所述包装袋区域图像的图像大小,划分出M个子区域图像与对应M个相对位置参数;
根据所述M个子区域图像进行基于色彩、纹理、轮廓的特征提取,得到M份特征数据。
需要说明的是,所述第一预设数量一般为4个,并进行网格划分,即划分出四个网格区域,并通过后续特征分析提取,基于这4个区域进行定位分析。所述M个相对位置参数即对应每个子区域图像在整个第一图像数据中图像的相对位置信息,一共有M个子区域对应M个相对位置参数。
根据本发明实施例,所述基于所述特征数据进行基于预设聚类算法的聚类分析,形成多组聚类特征组,基于所述聚类特征组选取定位特征数据,具体为:
从M份特征数据中获取其中一份特征数据,将所述特征数据作为一份样品数据进行基于Dbscan聚类算法的分析,得到多个聚类特征组;
每个聚类特征组包括预设数据量的特征数据;
将一个聚类特征组中特征数据融合为一个整体特征数据并作为识别特征数据;
基于多个聚类特征组形成多个识别特征数据;
通过图像识别模型,以识别特征数据作为当前识别数据,以第一图像数据作为识别结果,计算分析出识别特征数据的识别率,并得到多个识别率;
将识别率高于预设识别率的识别特征数据所对应的聚类特征组进行标记,得到高特征数据组;
将高特征数据组中的所有特征数据进行特征融合得到定位特征数据;
基于M份特征数据,得到M个定位特征数据。
需要说明的是,在本发明中,采取无需指定聚类个数的Dbscan聚类算法,通据数据点的密度进行聚类分析,得到多个聚类特征组,而在多个聚类特征组中,存在一些高特征度。高辨识度的特征数据,且由于已经聚类分组,这些特征往往存在与某一些分组中,因此,本发明通过进一步进行特征度分析,筛选出具有高特征度、辨识度的特征作为后续定位特征。所述每个聚类特征组包括预设数据量的特征数据即表示每个聚类特征组包括一定数据量的数据。
通过聚类过程,能够将高特征度与低特征度的数据进行分组分类。所述识别率越高,代表对应聚类特征组中的特征数据具有高辨识度、高特征特点。
在本发明中,通过M个定位特征数据与对应位置参数,能够实现对包装袋图像的快速定位识别,在进行实时包装袋加工工序中,快速识别出其方位信信息,对其加工缺陷与后续加工评估具有重要作用。
根据本发明实施例,所述获取所述一个预设生产周期内的环境数据,基于所述环境数据进行基于线性回归的变化预测,得到环境预测数据,具体为:
获取所述一个预设生产周期内的环境数据,所述环境数据包括光照强度;
获取一个预设结束生产周期内的第二环境数据;
基于时间顺序,将环境数据与第二环境数据进行数据序列化,分别形成第一序列数据与第二序列数据;
以第一序列数据为基础数据,以第二序列数据作为目标数据,基于LSTM预测算法进行N个预设生产周期的数据预测,得到N个序列数据;
将所述N个序列数据进行解析,得到N个预设生产周期的对应的N个预测环境数据。
需要说明的是,在本实施例中,以光照强度作为研究对象,研究其在多个加工周期内的变化,在实际应用中,由于生产环境的复杂,采集到的包装袋图像的光照、亮度会发生周期性变化,对应的特征识别与包装袋定位识别也会受到影响,可能会出现定位不准的情况。
值得一提的是,在一次完整的生产时间段内,可以划分出多个预设生产周期,用以周期性分析图像变化与包装袋生产变化,而一个一次完整的生产时间段可以为一天时间段内,存在多个生产周期,第一个生产周期与最后一个生产周期内,其环境特征一般呈现两极分化,如,在一天的生产过程中,图像采集受光线影响会改变得到的图像数据特征,白天与夜晚采集到的图像数据特征一般呈现图像光照亮度线性变化的规律,因此,本发明通过对一个较前周期与一个较后的生产周期进行图像采集,分析其图像亮度特征等,进而预测出多个中间周期内的特征变化,进一步对整个生产周期的定位特征进行分析与获取,从而在整个生产周期内实现精准化的图像特征分析与定位分析,提高生产缺陷识别率,进一步提供生产效率,降低生产损失。
所述预设结束生产周期内一般为代表一个完整生产时间段的最后一个预设生产周期,其环境变化相较于开始时为最大。例如,在白天与夜晚的生产环境中,其光线强度变化在第一个与最后一个预设周期变化量最大。所述N个预测环境数据即本发明中开始的一个预设生产周期与预设结束生产周期之间的N个周期的环境预测数据。
图3示出了本发明预测图像数据获取流程图。
根据本发明实施例,所述基于所述环境预测数据对第一图像数据进行图像变换分析,生成预测图像数据具体为:
S302,基于所述N个预测环境数据,进行基于图像亮度参数变换的分析,得到N个图像亮度变化参数;
S304,基于所述N个图像亮度变化参数对,第一图像数据进行图像变换,得到N个变换图像数据;
S306,所述变换图像数据即预测图像数据。
需要说明的是,所述预测环境数据中,在本发明实施例主要包括光照强度的预测,同时,基于本发明方法,还可以进行其余环境数据变化预测,如光照色彩等。
根据本发明实施例,所述基于所述预测图像数据进行基于预设聚类算法的聚类分析与特征选取,得到多个预设生产周期的定位特征数据,具体为:
选取一个变换图像数据进行特征提取与预设聚类算法的聚类分析,得到对应的预测定位特征数据;
分析所有变换图像数据得到N个预测定位特征数据;
将所述N个预测定位特征数据作为N个预设生产周期的对应定位特征数据。
需要说明的是,在本发明中,一个完整生产时间段包括一个开始周期、多个中间周期、一个结束周期,中间周期可以包括N个预设生产周期。本发明通过分析开始周期与结束周期的环境变化,进行分析映射于图像的预测变换,通过变换图像数据,进一步基于本发明方法分析出定位特征数据,从而能够在不同的生产周期内选择合适的定位特征数据,对包装袋进行实时定位分析,提高了包装袋生产的缺陷检测效率与准确度。
根据本发明实施例,还包括:
在N个预设生产周期内,实时采集生产过程包装袋的实时图像数据;
基于当前周期,从N个预测定位特征数据选择对应定位特征数据并结合所述实时图像数据进行包装袋识别与定位分析,得到生产位置信息;
基于N个预设生产周期,实时分析出对应N个生产位置信息;
以预设标准位置作为基准,对N个生产位置信息进行偏差计算,得到N个偏差度;
对N个偏差度进行基于线性变化的数据分析,形成实时偏差曲线图;
在生产过程中,基于所述实时偏差曲线图,判断偏差是否符合预期,若不符合,则基于当前偏差度与当前采集图像数据生成偏差预警信息。
需要说明的是,在本发明中,通过实时分析定位包装袋位置,进行偏差度的线性变化分析,从而及时发现位置偏差,生成预警,提高缺陷分析的准确性与实时性。
图4示出了本发明一种基于机器视觉的包装袋生产分析系统的框图。
本发明第二方面还提供了一种基于机器视觉的包装袋生产分析系统4,该系统包括:存储器41、处理器42,所述存储器中包括基于机器视觉的包装袋生产分析程序,所述基于机器视觉的包装袋生产分析程序被所述处理器执行时实现如下步骤:
在一个预设生产周期内,获取一个生产工序对应的生产包装袋的图像数据,并标记为第一图像数据;
基于所述第一图像数据并进行图像区域划分与包装袋区域识别,提取每个图像子区域的特征数据;
基于所述特征数据进行基于预设聚类算法的聚类分析,形成多组聚类特征组,基于所述聚类特征组选取定位特征数据;
获取所述一个预设生产周期内的环境数据,基于所述环境数据进行基于线性回归的变化预测,得到环境预测数据;
基于所述环境预测数据对第一图像数据进行图像变换分析,生成预测图像数据;
基于所述预测图像数据进行基于预设聚类算法的聚类分析与特征选取,得到多个预设生产周期的定位特征数据。
根据本发明实施例,所述在一个预设生产周期内,获取一个生产工序对应的生产包装袋的图像数据,并标记为第一图像数据,具体为:
基于预设图像采集装置,获取一个生产工序对应的生产视频数据;
将所述生产视频数据进行关键帧提取,得到关键图像帧;
将所述关键图像帧进行基于预设清晰度的图像筛选,得到第一图像数据。
需要说明的是,所述预设图像采集装置为一种高清摄像装置,能够采集一定范围内的高清图像。所述图像筛选得到的为高清晰度的第一图像数据。
根据本发明实施例,所述基于所述第一图像数据并进行图像区域划分与包装袋区域识别,提取每个图像子区域的特征数据,具体为:
将所述第一图像数据进行图像降噪、平滑、标准化预处理;
将所述第一图像数据导入基于CNN的图像识别模型进行包装袋识别区域识别,得到包装袋区域图像与背景区域图像;
基于所述包装袋区域图像的图像大小,划分出M个子区域图像与对应M个相对位置参数;
根据所述M个子区域图像进行基于色彩、纹理、轮廓的特征提取,得到M份特征数据。
需要说明的是,所述第一预设数量一般为4个,并进行网格划分,即划分出四个网格区域,并通过后续特征分析提取,基于这4个区域进行定位分析。所述M个相对位置参数即对应每个子区域图像在整个第一图像数据中图像的相对位置信息,一共有M个子区域对应M个相对位置参数。
根据本发明实施例,所述基于所述特征数据进行基于预设聚类算法的聚类分析,形成多组聚类特征组,基于所述聚类特征组选取定位特征数据,具体为:
从M份特征数据中获取其中一份特征数据,将所述特征数据作为一份样品数据进行基于Dbscan聚类算法的分析,得到多个聚类特征组;
每个聚类特征组包括预设数据量的特征数据;
将一个聚类特征组中特征数据融合为一个整体特征数据并作为识别特征数据;
基于多个聚类特征组形成多个识别特征数据;
通过图像识别模型,以识别特征数据作为当前识别数据,以第一图像数据作为识别结果,计算分析出识别特征数据的识别率,并得到多个识别率;
将识别率高于预设识别率的识别特征数据所对应的聚类特征组进行标记,得到高特征数据组;
将高特征数据组中的所有特征数据进行特征融合得到定位特征数据;
基于M份特征数据,得到M个定位特征数据。
需要说明的是,在本发明中,采取无需指定聚类个数的Dbscan聚类算法,通据数据点的密度进行聚类分析,得到多个聚类特征组,而在多个聚类特征组中,存在一些高特征度。高辨识度的特征数据,且由于已经聚类分组,这些特征往往存在与某一些分组中,因此,本发明通过进一步进行特征度分析,筛选出具有高特征度、辨识度的特征作为后续定位特征。所述每个聚类特征组包括预设数据量的特征数据即表示每个聚类特征组包括一定数据量的数据。
通过聚类过程,能够将高特征度与低特征度的数据进行分组分类。所述识别率越高,代表对应聚类特征组中的特征数据具有高辨识度、高特征特点。
在本发明中,通过M个定位特征数据与对应位置参数,能够实现对包装袋图像的快速定位识别,在进行实时包装袋加工工序中,快速识别出其方位信信息,对其加工缺陷与后续加工评估具有重要作用。
根据本发明实施例,所述获取所述一个预设生产周期内的环境数据,基于所述环境数据进行基于线性回归的变化预测,得到环境预测数据,具体为:
获取所述一个预设生产周期内的环境数据,所述环境数据包括光照强度;
获取一个预设结束生产周期内的第二环境数据;
基于时间顺序,将环境数据与第二环境数据进行数据序列化,分别形成第一序列数据与第二序列数据;
以第一序列数据为基础数据,以第二序列数据作为目标数据,基于LSTM预测算法进行N个预设生产周期的数据预测,得到N个序列数据;
将所述N个序列数据进行解析,得到N个预设生产周期的对应的N个预测环境数据。
需要说明的是,在本实施例中,以光照强度作为研究对象,研究其在多个加工周期内的变化,在实际应用中,由于生产环境的复杂,采集到的包装袋图像的光照、亮度会发生周期性变化,对应的特征识别与包装袋定位识别也会受到影响,可能会出现定位不准的情况。
值得一提的是,在一次完整的生产时间段内,可以划分出多个预设生产周期,用以周期性分析图像变化与包装袋生产变化,而一个一次完整的生产时间段可以为一天时间段内,存在多个生产周期,第一个生产周期与最后一个生产周期内,其环境特征一般呈现两极分化,如,在一天的生产过程中,图像采集受光线影响会改变得到的图像数据特征,白天与夜晚采集到的图像数据特征一般呈现图像光照亮度线性变化的规律,因此,本发明通过对一个较前周期与一个较后的生产周期进行图像采集,分析其图像亮度特征等,进而预测出多个中间周期内的特征变化,进一步对整个生产周期的定位特征进行分析与获取,从而在整个生产周期内实现精准化的图像特征分析与定位分析,提高生产缺陷识别率,进一步提供生产效率,降低生产损失。
所述预设结束生产周期内一般为代表一个完整生产时间段的最后一个预设生产周期,其环境变化相较于开始时为最大。例如,在白天与夜晚的生产环境中,其光线强度变化在第一个与最后一个预设周期变化量最大。所述N个预测环境数据即本发明中开始的一个预设生产周期与预设结束生产周期之间的N个周期的环境预测数据。
根据本发明实施例,所述基于所述环境预测数据对第一图像数据进行图像变换分析,生成预测图像数据具体为:
基于所述N个预测环境数据,进行基于图像亮度参数变换的分析,得到N个图像亮度变化参数;
基于所述N个图像亮度变化参数对,第一图像数据进行图像变换,得到N个变换图像数据;
所述变换图像数据即预测图像数据。
需要说明的是,所述预测环境数据中,在本发明实施例主要包括光照强度的预测,同时,基于本发明方法,还可以进行其余环境数据变化预测,如光照色彩等。
根据本发明实施例,所述基于所述预测图像数据进行基于预设聚类算法的聚类分析与特征选取,得到多个预设生产周期的定位特征数据,具体为:
选取一个变换图像数据进行特征提取与预设聚类算法的聚类分析,得到对应的预测定位特征数据;
分析所有变换图像数据得到N个预测定位特征数据;
将所述N个预测定位特征数据作为N个预设生产周期的对应定位特征数据。
需要说明的是,在本发明中,一个完整生产时间段包括一个开始周期、多个中间周期、一个结束周期,中间周期可以包括N个预设生产周期。本发明通过分析开始周期与结束周期的环境变化,进行分析映射于图像的预测变换,通过变换图像数据,进一步基于本发明方法分析出定位特征数据,从而能够在不同的生产周期内选择合适的定位特征数据,对包装袋进行实时定位分析,提高了包装袋生产的缺陷检测效率与准确度。
根据本发明实施例,还包括:
在N个预设生产周期内,实时采集生产过程包装袋的实时图像数据;
基于当前周期,从N个预测定位特征数据选择对应定位特征数据并结合所述实时图像数据进行包装袋识别与定位分析,得到生产位置信息;
基于N个预设生产周期,实时分析出对应N个生产位置信息;
以预设标准位置作为基准,对N个生产位置信息进行偏差计算,得到N个偏差度;
对N个偏差度进行基于线性变化的数据分析,形成实时偏差曲线图;
在生产过程中,基于所述实时偏差曲线图,判断偏差是否符合预期,若不符合,则基于当前偏差度与当前采集图像数据生成偏差预警信息。
需要说明的是,在本发明中,通过实时分析定位包装袋位置,进行偏差度的线性变化分析,从而及时发现位置偏差,生成预警,提高缺陷分析的准确性与实时性。
本发明第三方面还提供一种计算机可读存储介质,所述计算机可读存储介质中包括基于机器视觉的包装袋生产分析程序,所述基于机器视觉的包装袋生产分析程序被处理器执行时,实现如上述任一项所述的基于机器视觉的包装袋生产分析方法的步骤。
本发明公开了基于机器视觉的包装袋生产分析方法、系统及存储介质。获取一个生产工序对应的生产包装袋的图像数据得到第一图像数据;基于所述第一图像数据并进行图像区域划分与包装袋区域识别,提取每个图像子区域的特征数据;基于所述特征数据进行预设聚类算法的聚类分析,形成多组聚类特征组,并从中选取定位特征数据;基于环境预测数据对第一图像数据进行图像变换分析,生成预测图像数据;基于所述预测图像数据进行基于预设聚类算法的聚类分析与特征选取,得到多个预设生产周期的定位特征数据。通过了本发明,能够对复杂的生产流程进行实时、精准包装袋精准分析,从而减少生产缺陷,提高生产效率。
在本申请所提供的几个实施例中,应该理解到,所揭露的设备和方法,可以通过其它的方式实现。以上所描述的设备实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,如:多个单元或组件可以结合,或可以集成到另一个系统,或一些特征可以忽略,或不执行。另外,所显示或讨论的各组成部分相互之间的耦合、或直接耦合、或通信连接可以是通过一些接口,设备或单元的间接耦合或通信连接,可以是电性的、机械的或其它形式的。
上述作为分离部件说明的单元可以是、或也可以不是物理上分开的,作为单元显示的部件可以是、或也可以不是物理单元;既可以位于一个地方,也可以分布到多个网络单元上;可以根据实际的需要选择其中的部分或全部单元来实现本实施例方案的目的。
另外,在本发明各实施例中的各功能单元可以全部集成在一个处理单元中,也可以是各单元分别单独作为一个单元,也可以两个或两个以上单元集成在一个单元中;上述集成的单元既可以采用硬件的形式实现,也可以采用硬件加软件功能单元的形式实现。
本领域普通技术人员可以理解:实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成,前述的程序可以存储于计算机可读取存储介质中,该程序在执行时,执行包括上述方法实施例的步骤;而前述的存储介质包括:移动存储设备、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
或者,本发明上述集成的单元如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机、服务器、或者网络设备等)执行本发明各个实施例所述方法的全部或部分。而前述的存储介质包括:移动存储设备、ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于机器视觉的包装袋生产分析方法,其特征在于,包括:
在一个预设生产周期内,获取一个生产工序对应的生产包装袋的图像数据,并标记为第一图像数据;
基于所述第一图像数据并进行图像区域划分与包装袋区域识别,提取每个图像子区域的特征数据;
基于所述特征数据进行基于预设聚类算法的聚类分析,形成多组聚类特征组,基于所述聚类特征组选取定位特征数据;
获取所述一个预设生产周期内的环境数据,基于所述环境数据进行基于线性回归的变化预测,得到环境预测数据;
基于所述环境预测数据对第一图像数据进行图像变换分析,生成预测图像数据;
基于所述预测图像数据进行基于预设聚类算法的聚类分析与特征选取,得到多个预设生产周期的定位特征数据。
2.根据权利要求1所述的一种基于机器视觉的包装袋生产分析方法,其特征在于,所述在一个预设生产周期内,获取一个生产工序对应的生产包装袋的图像数据,并标记为第一图像数据,具体为:
基于预设图像采集装置,获取一个生产工序对应的生产视频数据;
将所述生产视频数据进行关键帧提取,得到关键图像帧;
将所述关键图像帧进行基于预设清晰度的图像筛选,得到第一图像数据。
3.根据权利要求1所述的一种基于机器视觉的包装袋生产分析方法,其特征在于,所述基于所述第一图像数据并进行图像区域划分与包装袋区域识别,提取每个图像子区域的特征数据,具体为:
将所述第一图像数据进行图像降噪、平滑、标准化预处理;
将所述第一图像数据导入基于CNN的图像识别模型进行包装袋识别区域识别,得到包装袋区域图像与背景区域图像;
基于所述包装袋区域图像的图像大小,划分出M个子区域图像与对应M个相对位置参数;
根据所述M个子区域图像进行基于色彩、纹理、轮廓的特征提取,得到M份特征数据。
4.根据权利要求3所述的一种基于机器视觉的包装袋生产分析方法,其特征在于,所述基于所述特征数据进行基于预设聚类算法的聚类分析,形成多组聚类特征组,基于所述聚类特征组选取定位特征数据,具体为:
从M份特征数据中获取其中一份特征数据,将所述特征数据作为一份样品数据进行基于Dbscan聚类算法的分析,得到多个聚类特征组;
每个聚类特征组包括预设数据量的特征数据;
将一个聚类特征组中特征数据融合为一个整体特征数据并作为识别特征数据;
基于多个聚类特征组形成多个识别特征数据;
通过图像识别模型,以识别特征数据作为当前识别数据,以第一图像数据作为识别结果,计算分析出识别特征数据的识别率,并得到多个识别率;
将识别率高于预设识别率的识别特征数据所对应的聚类特征组进行标记,得到高特征数据组;
将高特征数据组中的所有特征数据进行特征融合得到定位特征数据;
基于M份特征数据,得到M个定位特征数据。
5.根据权利要求4所述的一种基于机器视觉的包装袋生产分析方法,其特征在于,所述获取所述一个预设生产周期内的环境数据,基于所述环境数据进行基于线性回归的变化预测,得到环境预测数据,具体为:
获取所述一个预设生产周期内的环境数据,所述环境数据包括光照强度;
获取一个预设结束生产周期内的第二环境数据;
基于时间顺序,将环境数据与第二环境数据进行数据序列化,分别形成第一序列数据与第二序列数据;
以第一序列数据为基础数据,以第二序列数据作为目标数据,基于LSTM预测算法进行N个预设生产周期的数据预测,得到N个序列数据;
将所述N个序列数据进行解析,得到N个预设生产周期的对应的N个预测环境数据。
6.根据权利要求5所述的一种基于机器视觉的包装袋生产分析方法,其特征在于,所述基于所述环境预测数据对第一图像数据进行图像变换分析,生成预测图像数据具体为:
基于所述N个预测环境数据,进行基于图像亮度参数变换的分析,得到N个图像亮度变化参数;
基于所述N个图像亮度变化参数对,第一图像数据进行图像变换,得到N个变换图像数据;
所述变换图像数据即预测图像数据。
7.根据权利要求6所述的一种基于机器视觉的包装袋生产分析方法,其特征在于,所述基于所述预测图像数据进行基于预设聚类算法的聚类分析与特征选取,得到多个预设生产周期的定位特征数据,具体为:
选取一个变换图像数据进行特征提取与预设聚类算法的聚类分析,得到对应的预测定位特征数据;
分析所有变换图像数据得到N个预测定位特征数据;
将所述N个预测定位特征数据作为N个预设生产周期的对应定位特征数据。
8.一种基于机器视觉的包装袋生产分析系统,其特征在于,该系统包括:存储器、处理器,所述存储器中包括基于机器视觉的包装袋生产分析程序,所述基于机器视觉的包装袋生产分析程序被所述处理器执行时实现如下步骤:
在一个预设生产周期内,获取一个生产工序对应的生产包装袋的图像数据,并标记为第一图像数据;
基于所述第一图像数据并进行图像区域划分与包装袋区域识别,提取每个图像子区域的特征数据;
基于所述特征数据进行基于预设聚类算法的聚类分析,形成多组聚类特征组,基于所述聚类特征组选取定位特征数据;
获取所述一个预设生产周期内的环境数据,基于所述环境数据进行基于线性回归的变化预测,得到环境预测数据;
基于所述环境预测数据对第一图像数据进行图像变换分析,生成预测图像数据;
基于所述预测图像数据进行基于预设聚类算法的聚类分析与特征选取,得到多个预设生产周期的定位特征数据。
9.根据权利要求8所述的一种基于机器视觉的包装袋生产分析系统,其特征在于,所述在一个预设生产周期内,获取一个生产工序对应的生产包装袋的图像数据,并标记为第一图像数据,具体为:
基于预设图像采集装置,获取一个生产工序对应的生产视频数据;
将所述生产视频数据进行关键帧提取,得到关键图像帧;
将所述关键图像帧进行基于预设清晰度的图像筛选,得到第一图像数据。
10.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质中包括基于机器视觉的包装袋生产分析程序,所述基于机器视觉的包装袋生产分析程序被处理器执行时,实现如权利要求1至7中任一项所述的基于机器视觉的包装袋生产分析方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311612470.9A CN117314919B (zh) | 2023-11-29 | 2023-11-29 | 基于机器视觉的包装袋生产分析方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311612470.9A CN117314919B (zh) | 2023-11-29 | 2023-11-29 | 基于机器视觉的包装袋生产分析方法、系统及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117314919A CN117314919A (zh) | 2023-12-29 |
CN117314919B true CN117314919B (zh) | 2024-03-19 |
Family
ID=89287026
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311612470.9A Active CN117314919B (zh) | 2023-11-29 | 2023-11-29 | 基于机器视觉的包装袋生产分析方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117314919B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113538486A (zh) * | 2021-07-13 | 2021-10-22 | 长春工业大学 | 一种提高汽车钣金工件的识别与定位精度的方法 |
CN113869413A (zh) * | 2021-09-28 | 2021-12-31 | 南京荣新智能科技有限公司 | 一种中药饮片小包装目标检测识别方法及系统 |
CN115120967A (zh) * | 2022-07-20 | 2022-09-30 | Oppo广东移动通信有限公司 | 目标定位方法、装置、存储介质及终端 |
WO2023122708A1 (en) * | 2021-12-23 | 2023-06-29 | Navtrac Corp. | Systems and methods of image analysis for automated object location detection and management |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7068817B2 (en) * | 2002-11-07 | 2006-06-27 | Mcmaster University | Method for on-line machine vision measurement, monitoring and control of product features during on-line manufacturing processes |
US10902051B2 (en) * | 2018-04-16 | 2021-01-26 | Microsoft Technology Licensing, Llc | Product identification in image with multiple products |
-
2023
- 2023-11-29 CN CN202311612470.9A patent/CN117314919B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113538486A (zh) * | 2021-07-13 | 2021-10-22 | 长春工业大学 | 一种提高汽车钣金工件的识别与定位精度的方法 |
CN113869413A (zh) * | 2021-09-28 | 2021-12-31 | 南京荣新智能科技有限公司 | 一种中药饮片小包装目标检测识别方法及系统 |
WO2023122708A1 (en) * | 2021-12-23 | 2023-06-29 | Navtrac Corp. | Systems and methods of image analysis for automated object location detection and management |
CN115120967A (zh) * | 2022-07-20 | 2022-09-30 | Oppo广东移动通信有限公司 | 目标定位方法、装置、存储介质及终端 |
Non-Patent Citations (1)
Title |
---|
基于机器视觉的颗粒物包装袋识别与摆正系统;周继惠 等;测控技术;第35卷(第12期);第131-134页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117314919A (zh) | 2023-12-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108288027B (zh) | 一种图像质量的检测方法、装置及设备 | |
CN116188475B (zh) | 一种外观缺陷自动光学检测的智慧控制方法、系统及介质 | |
CN109670437B (zh) | 年龄预估模型训练方法、面部图像识别方法及装置 | |
CN115294117B (zh) | Led灯珠的缺陷检测方法及相关装置 | |
CN112613454A (zh) | 一种电力基建施工现场违章识别方法及系统 | |
US10373316B2 (en) | Images background subtraction for dynamic lighting scenarios | |
CN116862913B (zh) | 基于机器视觉的复合镍铜散热底板缺陷检测方法及系统 | |
CN116362630B (zh) | 基于物联网的锡膏印刷机管理方法、系统及介质 | |
CN112200079A (zh) | 基于智慧交通的人工智能图像处理方法、系统及云服务器 | |
CN115601332A (zh) | 一种基于语义分割的嵌入式指纹模块外观检测方法 | |
CN116563280A (zh) | 一种基于数据分析的复合铜散热底板加工检测方法及系统 | |
CN109101922A (zh) | 作业人员着装分析方法、装置及电子设备 | |
CN117314919B (zh) | 基于机器视觉的包装袋生产分析方法、系统及存储介质 | |
DE102020207974B4 (de) | Systeme und verfahren zum nachweis von bewegung während 3d-datenrekonstruktion | |
CN117392097A (zh) | 基于改进YOLOv8算法的增材制造工艺缺陷检测方法和系统 | |
CN111079752A (zh) | 识别红外图像中的断路器的方法、装置及可读存储介质 | |
CN114419043B (zh) | 一种利用光学手段对印刷新材料进行检测的方法及系统 | |
CN114693554A (zh) | 一种大数据图像处理方法及系统 | |
KR20220144237A (ko) | 구름 이미지를 이용한 실시간 강수량 예측 장치, 이를 이용한 강수량 예측 방법 및 이를 제공하기 위한 컴퓨터 프로그램이 기록된 컴퓨터-판독가능매체 | |
CN112434648A (zh) | 一种墙体形状变化检测方法及系统 | |
WO2020079391A1 (en) | Method and apparatus for tracking nematode worms | |
CN117309891B (zh) | 一种基于智能反馈机制的玻璃钢化膜检测方法及系统 | |
CN109685799B (zh) | 一种基于图像数据及给定区间误警率的统计过程监控方法 | |
CN117169286B (zh) | 一种视觉辅助下的工业线束质量检测方法 | |
CN111709620B (zh) | 一种移动便携式机织物结构参数在线检测系统 |
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 |