CN105930840B - 基于统计分析的药品条码缺陷检测方法 - Google Patents
基于统计分析的药品条码缺陷检测方法 Download PDFInfo
- Publication number
- CN105930840B CN105930840B CN201610240706.4A CN201610240706A CN105930840B CN 105930840 B CN105930840 B CN 105930840B CN 201610240706 A CN201610240706 A CN 201610240706A CN 105930840 B CN105930840 B CN 105930840B
- Authority
- CN
- China
- Prior art keywords
- bar code
- image
- row
- defect
- statistical analysis
- 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
Classifications
-
- 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
- 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
- G06T7/0008—Industrial image inspection checking presence/absence
-
- 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
- G06T2207/30144—Printing quality
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于统计分析的药品条码缺陷检测方法,首先获取待检测的条码图像;然后对条码区域进行定位,确定条码图像中的条码区域;再利用仿射变换法对条码图像进行校正,调整图像中条码的位置和角度;最后用水平投射求灰度均值法定位图像中的条码缺陷。本发明的基于统计分析的药品条码缺陷检测方法,能够有效的识别各类缺陷条码,实现自动识别,减轻管理人员的负担,而且具有很高的鲁棒性,同时,针对不同的缺陷类型提供了不同的定位方法,对每一种缺陷类型都有很好的检测效果,识别正确率高,实用性强。
Description
技术领域
本发明涉及一种基于统计分析的药品条码缺陷检测方法,属于图像处理技术领域。
背景技术
条码缺陷检测是一门用于检测条码印刷质量的技术,是图像处理技术的应用领域之一。在药品条码的印刷过程中,由于印刷的机械精度的限制和印刷方法的局限,印刷的条码总会出现各种各样的质量问题。由于药品的条码中包括许多重要的信息,比如制造地,生产商,原料,保质期,出厂时间,许可地域等,条码的错误检测将会造成药品信息紊乱,对于药品的监管非常不利。
实施药品包装电子监管条码印刷是保障用药安全重要手段之一。国内许多印刷企业仍然采用脱机式人工检测的方法进行条码质量检测,这种传统的人工检测方法需要工人使用检测工具对随机抽取的条码样本进行测量,存在以下几点不足:(1)有些指标仍然依靠人类目视检测,误差大;(2)需要大量的人力物力资源,效率低;(3)人工检测控制周期长,荣易造成印刷材料的浪费。目前也有一些利用机器视觉技术进行条码缺陷检测的方法,但是都存在实时性差,计算量大,图像细节退化等问题。
发明内容
本发明的主要目的在于克服现有技术的缺陷,提供一种基于统计分析的药品条码缺陷检测方法,可以有效的识别各类缺陷条码,同时具有很高的鲁棒性,极具工程应用价值。
为了达到上述目的,本发明所采用的技术方案是:
基于统计分析的药品条码缺陷检测方法,其特征在于,包括如下步骤:
A,获取待检测的条码图像;
B,确定条码图像中的条码区域;
C,对条码图像进行校正,调整图像中条码的位置和角度;
D,对上一步所得的图像的进行条码缺陷定位。
前述的基于统计分析的药品条码缺陷检测方法,其特征在于,所述步骤B中确定条码图像中的条码区域的方法包括如下步骤:
B1,利用感兴趣区域提取算子提取图像中的条码区域;
B2,对感兴趣区域进行图像增强处理后,利用条码检测模型寻找并识别条码,获得粗定位的条码图像;
B3,对图像的感兴趣区域进行开运算和阈值运算;
B4,将上一步的运算结果与粗定位的条码图像进行与运算,获得精确定位的条码图像。
前述的基于统计分析的药品条码缺陷检测方法,其特征在于,所述步骤C中对条码图像进行校正时通过仿射变换方法进行对图像进行平移、旋转,调整图像中条码的位置和角度。
前述的基于统计分析的药品条码缺陷检测方法,其特征在于,所述步骤D进行条码缺陷定位时,利用水平投射求灰度均值法定位图像中的条码缺陷,包括如下步骤:
D1,遍历图像,通过如下公式计算每一行的灰度平均值:
其中,i、j为正整数,Gi表示第i行的灰度均值,gj表示第i行的第j列的像素的灰度值,N表示每行的像素总数;
D2,寻找条码区首行;
D3,舍弃条码区第一行交界处;
D4,缺陷定位,定位多行缺失的条码和微小缺陷。
前述的基于统计分析的药品条码缺陷检测方法,其特征在于,所述步骤D2寻找条码区首行时,当第i行的灰度均值Gi满足如下条件时,确认该行为条码区的首行:
1)GL<Gi<GH;
2)GL<Gi+1<GH;
3)|Gi-Gi+1|<AbsH;
其中,Gi+1为第i+1行的灰度投影均值,GL为条码首行判决下限,GH为条码首行判决上限,AbsH为相邻两个投影均值之间的差。
前述的基于统计分析的药品条码缺陷检测方法,其特征在于,
所述步骤D4定位多行缺失的条码的具体方法为,当遍历完所有行,发现遍历的行数I<Mmin,即可知该条码缺失多行,其中,Mmin表示行数最小值,满足条件P为条码类型参数,σ为允许的误差范围;
定位微小缺陷的具体方法为,每一行灰度均值的平均值,当满足以下两个条件之一时被认为是缺陷:
1)D>Dmax1;
2)D>Dmax2&Absmax>A;
其中,Dmax1为灰度均值标准差绝对判决条件,Dmax2为灰度均值标准差相对判决条件,A为行间差判决下限,D为每行灰度均值的标准差,Absmax为最大行间差的绝对值,D通过如下公式计算:
M表示条码的行数,Gi表示第i行的灰度均值,Mean表示每一行灰度均值的平均值,计算方法如下:
与现有技术相比,本发明的基于统计分析的药品条码缺陷检测方法,先利用条码识别模型进行粗糙定位,再利用“与运算”进行精确定位;然后通过采用仿射变换对条码进行修正;最后利用灰度均值进行条码缺陷定位,有效的识别各类缺陷条码,实现了自动识别,提高了识别效率,减轻管理人员的负担,而且具有很高的鲁棒性,实时性,同时,针对不同的缺陷类型提供了不同的定位方法,对每一种缺陷类型都有很好的检测效果,识别正确率高,具有很强的实用性。
附图说明
图1是本发明的基于统计分析的药品条码缺陷检测方法的整体流程图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
基于统计分析的药品条码缺陷检测方法,流程图如图1所示,包括如下步骤:
A,获取待检测的条码图像。
B,确定条码图像中的条码区域。实际生产中,条码并非布满整幅印品,只分布在整幅印品的某些固定的已知的位置,且只占版面中很小的面积。版面上条码以外的内容与条码缺陷检测无关,在进行条码缺陷检测之前,准确找出条码区域,可以提高运算速度与检测精度,所以,进行缺陷检测前,通过如下步骤对条码区域进行定位:
B1,利用感兴趣区域提取算子提取图像的感兴趣区域,即包含条码的区域,首先定位包含条码的矩形区域,然后再进行截取;
B2,对感兴趣区域进行图像增强处理后,利用条码检测模型寻找并识别条码,获得粗定位的条码图像;
B3,对图像的感兴趣区域进行开运算和阈值运算;
B4,将上一步的运算结果与粗定位的条码图像进行与运算,获得精确定位的条码图像,利用条码检测模型在识别条码的时候有边缘缺陷,通过与运算后,可以解决边缘缺陷的问题。
C,通过仿射变换方法进行对图像进行平移、旋转,调整图像中条码的位置和角度。由于药品条码的位置和旋转角度不能保持恒定,或者摄像机和条码之间的距离发生变化导致检测到的图像的尺寸发生变化。为了检测的适用性,精确定位条码位置后,截取条码所在区域进行仿射变换,对图像进行平移和角度修正,从而使条码每行像素的灰度平均值能在水平线上进行投射,利用灰度平均值来定位有缺陷的条码区。
D,利用水平投射求灰度均值法定位图像中的条码缺陷。条码本身具有明显的方向特性,条和空有规则的排列在水平方向上,条码每一行的灰度分布具有相似性,即,每一行的灰度总量几乎相同。水平投射求灰度均值法就是利用条码的此特性进行缺陷检测的。先将条码的灰度进行水平方向的均值投影,再通过投影之后的灰度均值分布来定位缺陷。具体包括如下步骤:
D1,遍历图像,通过如下公式计算每一行的灰度平均值:
其中,i、j为正整数,Gi表示第i行的灰度均值,gj表示第i行的第j列的像素的灰度值,N表示每行的像素总数;
D2,寻找条码区首行,当第i行的灰度均值Gi满足如下条件时,确认该行为条码区的首行:
GL<Gi<GH;
GL<Gi+1<GH;
|Gi-Gi+1|<AbsH;
其中,Gi+1为第i+1行的灰度投影均值,GL为条码首行判决下限,GH为条码首行判决上限,AbsH为相邻两个投影均值之间的差。
D3,舍弃条码区第一行交界处。本发明虽然通过仿射变换法对条码区进行了修正,实际效果仍是会有一点偏差,所以舍弃条码开头的误差部分。
D4,缺陷定位,定位多行缺失的条码和微小缺陷。
定位多行缺失的条码的具体方法为,当遍历完所有行,发现遍历的行数I<Mmin,即可知该条码缺失多行,其中,Mmin表示行数最小值,满足条件P为条码类型参数,σ为允许的误差范围。
定位微小缺陷的具体方法为,每一行灰度均值的平均值,当满足以下两个条件之一时被认为是缺陷:
1)D>Dmax1;
2)D>Dmax2&Absmax>A;
其中,Dmax1为灰度均值标准差绝对判决条件,Dmax2为灰度均值标准差相对判决条件,A为行间差判决下限,D为每行灰度均值的标准差,Absmax为最大行间差的绝对值,D通过如下公式计算:
M表示条码的行数,Gi表示第i行的灰度均值,Mean表示每一行灰度均值的平均值,计算方法如下:
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明技术原理的前提下,还可以做出若干改进和变形,这些改进和变形也应视为本发明的保护范围。
Claims (5)
1.基于统计分析的药品条码缺陷检测方法,其特征在于,包括如下步骤:
A,获取待检测的条码图像;
B,确定条码图像中的条码区域;
C,对条码图像进行校正,调整图像中条码的位置和角度;
D,对上一步所得的图像的进行条码缺陷定位;
所述步骤D进行条码缺陷定位时,利用水平投射求灰度均值法定位图像中的条码缺陷,包括如下步骤:
D1,遍历图像,通过如下公式计算每一行的灰度平均值:
其中,i、j为正整数,Gi表示第i行的灰度均值,gj表示第i行的第j列的像素的灰度值,N表示每行的像素总数;
D2,寻找条码区首行;
D3,舍弃条码区第一行交界处;
D4,缺陷定位,定位多行缺失的条码和微小缺陷。
2.根据权利要求1所述的基于统计分析的药品条码缺陷检测方法,其特征在于,所述步骤B中确定条码图像中的条码区域的方法包括如下步骤:
B1,利用感兴趣区域提取算子提取图像中的条码区域;
B2,对感兴趣区域进行图像增强处理后,利用条码检测模型寻找并识别条码,获得粗定位的条码图像;
B3,对图像的感兴趣区域进行开运算和阈值运算;
B4,将上一步的运算结果与粗定位的条码图像进行与运算,获得精确定位的条码图像。
3.根据权利要求1所述的基于统计分析的药品条码缺陷检测方法,其特征在于,所述步骤C中对条码图像进行校正时通过仿射变换方法进行对图像进行平移、旋转,调整图像中条码的位置和角度。
4.根据权利要求1所述的基于统计分析的药品条码缺陷检测方法,其特征在于,所述步骤D2寻找条码区首行时,当第i行的灰度均值Gi满足如下条件时,确认该行为条码区的首行:
1)GL<Gi<GH;
2)GL<Gi+1<GH;
3)|Gi-Gi+1|<AbsH;
其中,Gi+1为第i+1行的灰度投影均值,GL为条码首行判决下限,GH为条码首行判决上限,AbsH为相邻两个投影均值之间的差。
5.根据权利要求1所述的基于统计分析的药品条码缺陷检测方法,其特征在于,
所述步骤D4定位多行缺失的条码的具体方法为,当遍历完所有行,发现遍历的行数I<Mmin,即可知该条码缺失多行,其中,Mmin表示行数最小值,满足条件P为条码类型参数,σ为允许的误差范围;
定位微小缺陷的具体方法为,每一行灰度均值的平均值,当满足以下两个条件之一时被认为是缺陷:
1)D>Dmax1;
2)D>Dmax2&Absmax>A;
其中,Dmax1为灰度均值标准差绝对判决条件,Dmax2为灰度均值标准差相对判决条件,A为行间差判决下限,D为每行灰度均值的标准差,Absmax为最大行间差的绝对值,D通过如下公式计算:
M表示条码的行数,Gi表示第i行的灰度均值,Mean表示每一行灰度均值的平均值,计算方法如下:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610240706.4A CN105930840B (zh) | 2016-04-18 | 2016-04-18 | 基于统计分析的药品条码缺陷检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610240706.4A CN105930840B (zh) | 2016-04-18 | 2016-04-18 | 基于统计分析的药品条码缺陷检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105930840A CN105930840A (zh) | 2016-09-07 |
CN105930840B true CN105930840B (zh) | 2019-04-23 |
Family
ID=56838335
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610240706.4A Active CN105930840B (zh) | 2016-04-18 | 2016-04-18 | 基于统计分析的药品条码缺陷检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105930840B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109214229B (zh) * | 2017-06-30 | 2021-03-12 | 杭州海康威视数字技术股份有限公司 | 一种条码扫描方法、装置及电子设备 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008207513A (ja) * | 2007-02-28 | 2008-09-11 | Kyocera Mita Corp | 画像形成装置 |
CN101908144A (zh) * | 2010-06-01 | 2010-12-08 | 福建新大陆电脑股份有限公司 | 一种条码图像校正方法及校正点获取方法 |
CN102521559A (zh) * | 2011-12-01 | 2012-06-27 | 四川大学 | 一种基于亚像素边缘检测的四一七条码识别方法 |
CN103377361A (zh) * | 2012-04-20 | 2013-10-30 | 张雷 | 电子监管码在线检测评级方法及装置 |
CN104794420A (zh) * | 2015-04-27 | 2015-07-22 | 江苏中科贯微自动化科技有限公司 | 面向工业自动化生产的code128码自动识别方法 |
-
2016
- 2016-04-18 CN CN201610240706.4A patent/CN105930840B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008207513A (ja) * | 2007-02-28 | 2008-09-11 | Kyocera Mita Corp | 画像形成装置 |
CN101908144A (zh) * | 2010-06-01 | 2010-12-08 | 福建新大陆电脑股份有限公司 | 一种条码图像校正方法及校正点获取方法 |
CN102521559A (zh) * | 2011-12-01 | 2012-06-27 | 四川大学 | 一种基于亚像素边缘检测的四一七条码识别方法 |
CN103377361A (zh) * | 2012-04-20 | 2013-10-30 | 张雷 | 电子监管码在线检测评级方法及装置 |
CN104794420A (zh) * | 2015-04-27 | 2015-07-22 | 江苏中科贯微自动化科技有限公司 | 面向工业自动化生产的code128码自动识别方法 |
Non-Patent Citations (3)
Title |
---|
基于感兴趣区域检测的条码定位技术研究;陈旭锋等;《包装工程》;20091231;第30卷(第12期);正文第27-28页 |
基于机器视觉的条码在线缺陷检测系统研究;董成松;《中国优秀硕士学位论文全文数据库信息科技辑》;20150415(第04期);正文第36、40页 |
药品电子监管码印刷质量在线检测系统的总体设计;庞惠文;《印刷质量》;20150531(第05期);正文第44页 |
Also Published As
Publication number | Publication date |
---|---|
CN105930840A (zh) | 2016-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104992449B (zh) | 基于机器视觉的信息识别及表面缺陷在线检测方法 | |
CN101799434B (zh) | 一种印刷图像缺陷检测方法 | |
CN109443480B (zh) | 基于图像处理的水位标尺定位及水位测量方法 | |
WO2020248439A1 (zh) | 一种基于图像处理的皇冠盖表面缺陷在线检测方法 | |
CN104504388B (zh) | 一种路面裂缝识别和特征提取算法及系统 | |
CN110310255B (zh) | 基于目标检测和图像处理的转辙机缺口检测方法 | |
CN106446894B (zh) | 一种基于轮廓识别球型目标物位置的方法 | |
CN103051872B (zh) | 基于图像边缘提取的输送带跑偏检测方法 | |
CN104537651B (zh) | 一种路面图像中裂缝比例检测方法及系统 | |
CN110363742B (zh) | 一种基于cnn和图像处理的转辙机缺口检测方法 | |
CN104458748B (zh) | 基于机器视觉的铝型材表面缺陷检测方法 | |
CN103984961A (zh) | 一种用于检测车底异物的图像检测方法 | |
CN110570422B (zh) | 一种基于矩阵分析的胶囊缺陷视觉检测方法 | |
CN101739549B (zh) | 人脸检测方法及系统 | |
CN105160297A (zh) | 基于肤色特征的蒙面人事件自动检测方法 | |
CN103439348A (zh) | 基于差影法的遥控器按键缺陷检测方法 | |
CN104732236B (zh) | 一种基于分层处理的人群异常行为智能检测方法 | |
CN109345524A (zh) | 一种基于视觉的轴承外观缺陷检测系统 | |
CN104700423A (zh) | 一种瓶盖检测方法和装置 | |
CN110310275A (zh) | 一种基于图像处理的链式传送带缺陷检测方法 | |
CN105930840B (zh) | 基于统计分析的药品条码缺陷检测方法 | |
CN104298993A (zh) | 一种适用于轨道沿线复杂场景下的杆号定位和识别方法 | |
CN113487570B (zh) | 基于改进的yolov5x网络模型的高温连铸坯表面缺陷检测方法 | |
CN111274872B (zh) | 基于模板匹配的视频监控动态不规则多监管区域判别方法 | |
CN116109633B (zh) | 一种轴承保持器的窗口检测方法及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |