CN110132985A - 基于低轶稀疏分解的瓶装液体可见异物检测方法及其系统 - Google Patents

基于低轶稀疏分解的瓶装液体可见异物检测方法及其系统 Download PDF

Info

Publication number
CN110132985A
CN110132985A CN201910462944.3A CN201910462944A CN110132985A CN 110132985 A CN110132985 A CN 110132985A CN 201910462944 A CN201910462944 A CN 201910462944A CN 110132985 A CN110132985 A CN 110132985A
Authority
CN
China
Prior art keywords
lost
image
frame image
low
sparse
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.)
Pending
Application number
CN201910462944.3A
Other languages
English (en)
Inventor
王雨青
陈小林
王博
吴志佳
李荅群
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Changchun Institute of Optics Fine Mechanics and Physics of CAS
Original Assignee
Changchun Institute of Optics Fine Mechanics and Physics of CAS
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Changchun Institute of Optics Fine Mechanics and Physics of CAS filed Critical Changchun Institute of Optics Fine Mechanics and Physics of CAS
Priority to CN201910462944.3A priority Critical patent/CN110132985A/zh
Publication of CN110132985A publication Critical patent/CN110132985A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2136—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on sparsity criteria, e.g. with an overcomplete basis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • 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
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
    • G01N21/84—Systems specially adapted for particular applications
    • G01N21/88—Investigating the presence of flaws or contamination
    • G01N21/8851—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges
    • G01N2021/8887—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques
    • G01N2021/889—Scan or image signal processing specially adapted therefor, e.g. for scan signal adjustment, for detecting different kinds of defects, for compensating for structures, markings, edges based on image processing techniques providing a bare video image, i.e. without visual measurement aids
    • 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
    • G06T2207/20036—Morphological image processing

Abstract

本发明公开了一种基于低轶稀疏分解的瓶装液体可见异物检测方法，包括以下步骤：采集连续帧图像；其中，所述连续帧图像包括当前帧图像和前一帧图像；提取连续帧图像中每一帧图像的特征，设定感兴趣区域；对所述感兴趣区域进行低轶稀疏分解，得到低轶部分图像和稀疏部分图像；对所述稀疏部分图像依次进行自适应阈值分割、图像处理去除干扰，得到二值图；其中二值图包括当前帧图像的二值图和前一帧图像的二值图；将所述当前帧图像的二值图和所述前一帧图像的二值图进行差分处理，得到差分图；将差分图进行图像处理去除干扰，输出图像处理后的差分图；根据图像处理后的差分图判断液体中是否存在可见异物；可以有效消除检测干扰，提高检测的准确度。

Description

基于低轶稀疏分解的瓶装液体可见异物检测方法及其系统
技术领域
本发明属于图像处理技术领域，尤其涉及一种基于低轶稀疏分解的瓶装液体可见异物检测方法及其系统。
背景技术
随着人口持续增长以及各种疾病的增多，医药市场对输液药品的需求量不断扩大，对输液药品的质量需要严格管控，如输液药品中存在纤维、橡胶、毛发等微小的可见杂质，不能达到医药产品质量标准，是需要进行剔除的不合格品。
目前，对输液药品如输液瓶液体中是否存在可见异物进行检测的方法，常采用可见异物运动检测法如帧差法、背景消除法以及神经网络分割，但是在可见异物运动检测中，采集图像中可能会存在夹持装置，夹持装置与输液瓶之间可能会存在一定程度的抖动，甚至特殊情况下瓶壁附着有缓慢移动的气泡，这些因素会对帧差法、背景消除法以及神经网络分割法造成干扰，导致检测结果不稳定且不准确。
发明内容
为解决上述技术问题，本发明实施例提供了一种基于低轶稀疏分解的瓶装液体可见异物检测方法及其系统，可以有效消除夹持装置、瓶壁刻度、划痕、附着气泡等检测干扰，提高检测的准确度。
本发明实施例的第一方面提供了一种基于低轶稀疏分解的瓶装液体可见异物检测方法，包括以下步骤：
采集连续帧图像；其中，所述连续帧图像包括当前帧图像和前一帧图像；
提取连续帧图像中每一帧图像的特征，设定感兴趣区域；对所述感兴趣区域进行低轶稀疏分解，得到低轶部分图像和稀疏部分图像；对所述稀疏部分图像依次进行自适应阈值分割、图像处理去除干扰，得到二值图；其中二值图包括当前帧图像的二值图和前一帧图像的二值图；将所述当前帧图像的二值图和所述前一帧图像的二值图进行差分处理，得到差分图；将差分图进行图像处理去除干扰，输出图像处理后的差分图；根据图像处理后的差分图判断液体中是否存在可见异物。
本发明实施例的第一方面的第一种可能实现的方式中，所述提取连续帧图像中每一帧图像的特征，得到感兴趣区域的步骤，包括：将每一帧图像转换为灰度图像，提取所述灰度图像中的灰度特征、梯度特征、边缘特征，获得瓶内液面、瓶底、左侧瓶壁和右侧瓶壁信息；根据所述瓶内液面、瓶底、左侧瓶壁和右侧瓶壁信息，确定感兴趣区域的上坐标、下坐标、左坐标和右坐标，得到感兴趣区域。
本发明实施例的第一方面的第二种可能实现的方式中，所述对所述感兴趣区域进行低轶稀疏分解，得到低轶部分图像和稀疏部分图像的步骤，包括：将所述感兴趣区域转换为观测数据矩阵D，将所述观测数据矩阵D分解为低轶部分矩阵A和稀疏部分矩阵E；分别将低轶部分矩阵A转换为低轶部分图像，将稀疏部分矩阵E转换为稀疏部分图像；
其中，
式中，λ为非负参数；||E||0为稀疏部分矩阵E的l0范数，即稀疏部分矩阵E中非零元素的个数；rank(A)为低轶部分矩阵A的轶函数，即低轶部分矩阵A中非零奇异值的个数。
结合本发明实施例的第一方面的第二种可能实现的方式，在第三种可能实现的方式中，所述观测数据矩阵D、低轶部分矩阵A和稀疏部分矩阵E之间满足公式
其中，||A||*为低轶部分矩阵A的核范数，即低轶部分矩阵A中所有奇异值之和；||E||1为稀疏部分矩阵E的l1范数，即稀疏部分矩阵E所有元素的绝对值之和。
结合本发明实施例的第一方面的第三种可能实现的方式中，在第四种可能实现的方式中，通过迭代阈值算法、加速近似梯度算法、增广拉格朗日乘子法或交替方向法求解公式
本发明实施例的第一方面的第五种可能实现的方式中，所述对所述稀疏部分图像依次进行自适应阈值分割、图像处理去除干扰，得到二值图的步骤中，包括，对所述稀疏部分图像依次进行自适应阈值分割；
对自适应阈值分割后的图像进行腐蚀和/或膨胀图像处理，得到二值图。
本发明实施例的第一方面的第六种可能实现的方式中，所述将差分图进行图像处理去除干扰，输出图像处理后的差分图的步骤，包括：将所述差分图采用腐蚀和/或膨胀进行图像处理，输出图像处理后的差分图。
本发明实施例的第二方面提供了一种基于低轶稀疏分解的瓶装液体可见异物检测系统，包括：采集图像单元，用于采集连续帧图像；其中，所述连续帧图像包括当前帧图像和前一帧图像；确定感兴趣区域单元，用于提取连续帧图像中每一帧图像的特征，设定感兴趣区域；低轶稀疏分解单元，用于对所述感兴趣区域进行低轶稀疏分解，得到低轶部分图像和稀疏部分图像；第一图像处理单元，用于对所述稀疏部分图像依次进行自适应阈值分割、图像处理去除干扰，得到二值图；其中二值图包括当前帧图像的二值图和前一帧图像的二值图；差分处理单元，用于将所述当前帧图像的二值图和所述前一帧图像的二值图进行差分处理，得到差分图；第二图像处理单元，将差分图进行图像处理去除干扰，输出图像处理后的差分图；判断单元，用于根据图像处理后的差分图判断液体中是否存在可见异物。
本发明实施例的第二方面的第一种可能实现的方式中，所述确定感兴趣区域单元包括提取特征单元和确定感兴趣区域子单元；所述提取特征单元，用于所述将每一帧图像转换为灰度图像，提取所述灰度图像中的灰度特征、梯度特征、边缘特征，获得输液瓶的液面、瓶底、左侧瓶壁和右侧瓶壁信息；所述确定感兴趣区域子单元，用于根据所述输液瓶的液面、瓶底、左侧瓶壁和右侧瓶壁信息，确定感兴趣区域的上坐标、下坐标、左坐标和右坐标，得到感兴趣区域。
本发明实施例的第二方面的第二种可能实现的方式中，所述第一图像处理单元包括自适应阈值分割子单元和第一图像处理子单元；所述自适应阈值分割子单元，用于对所述稀疏部分图像依次进行自适应阈值分割；所述第一图像处理子单元，用于对自适应阈值分割后的图像进行腐蚀和/或膨胀图像处理，得到二值图。
本发明实施例与现有技术相比存在的有益效果是：
本发明实施例，一方面对单帧图像进行低秩稀疏分解，可以将夹持装置、输液瓶刻度、文字、划痕等背景与异物有效地分离开来，消除了机械抖动带来的检测干扰；另一方面选取感兴趣区域进行低秩稀疏分解，在不影响检测效果的前提下，提高了计算效率；又一方面利用帧间稀疏部分差分并辅以图像处理手段，有效地去除了细小气泡以及瓶壁附着气泡滑动带来的影响。
附图说明
为了更清楚地说明本发明实施例中的技术方案，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地介绍，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性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的基于低轶稀疏分解的瓶装液体可见异物检测方法第一实施例的流程示意图；
图2是本发明提供的当前帧图像；
图3是本发明提供的当前帧图像的感兴趣区域图像；
图4是本发明提供的当前帧感兴趣区域的低轶部分图像；
图5是本发明提供的当前帧感兴趣区域的稀疏部分图像；
图6是本发明提供的图像处理后的当前帧感兴趣区域稀疏部分图像；
图7是本发明提供的连续两帧感兴趣区域稀疏部分差分图；
图8是本发明提供的包含检测到的可见异物图像；
图9是本发明提供的基于低轶稀疏分解的瓶装液体可见异物检测系统的第一实施例的结构示意图；
图10是本发明提供的基于低轶稀疏分解的瓶装液体可见异物检测系统的第二实施例的结构示意图；
图11是本发明提供的基于低轶稀疏分解的瓶装液体可见异物检测系统的第三实施例的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本发明实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本发明。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本发明的描述。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
本发明实施例公开了一种基于低轶稀疏分解的瓶装液体可见异物检测方法及其系统。
请参阅图1，图1示出了本发明第一实施例提供的基于低轶稀疏分解的瓶装液体可见异物检测方法的流程示意图，具体地：
S101，采集连续帧图像；
结合图2，图2示出了当前帧图像；其中，所述连续帧图像包括当前帧图像和前一帧图像；
S102、提取连续帧图像中每一帧图像的特征，设定感兴趣区域；
结合图3，图3示出了当前帧图像的感兴趣区域；具体地，可以将每一帧图像转换为灰度图像，采集图像I(x，y)，其中，I、x、y分别表示图像I在X、Y轴方向的坐标值x、y；
提取所述灰度图像中的灰度特征、梯度特征、边缘特征，获得瓶内液面、瓶底、左侧瓶壁和右侧瓶壁信息；
根据所述瓶内液面、瓶底、左侧瓶壁和右侧瓶壁信息，确定感兴趣区域的上坐标、下坐标、左坐标和右坐标，分别表示为yT，yD，xL，xR，得到感兴趣区域(ROI，region ofinterest)。其中，ROI满足以下公式：
ROI＝I(x,y)|xL<x<xR,yT<y<yD|。
S103、对所述感兴趣区域进行低轶稀疏分解，得到低轶部分图像和稀疏部分图像；
结合图4和图5，图4示出了当前帧感兴趣区域的低轶部分图像；图5示出了当前帧感兴趣区域稀疏部分图像；
具体地，将所述感兴趣区域转换为观测数据矩阵D，将所述观测数据矩阵D分解为低轶部分矩阵A和稀疏部分矩阵E；分别将低轶部分矩阵A转换为低轶部分图像，将稀疏部分矩阵E转换为稀疏部分图像；其中低轶部分矩阵A为背景部分；稀疏部分矩阵E为前景部分，即表示感兴趣的目标部分，包括可见异物和气泡等；利用低轶稀疏分解将感兴趣区域中的感兴趣目标和背景分离开，获取感兴趣目标在感兴趣区域中的位置和尺度信息；
其中，
式中，λ为非负参数；||E||0为稀疏部分矩阵E的l0范数，即稀疏部分矩阵E中非零元素的个数，l0即稀疏部分矩阵E中非零元素的个数；rank(A)为低轶部分矩阵A的轶函数，即低轶部分矩阵A中非零奇异值的个数；s.t.指subject to，是一种数学符号，表示受限制于，理解为当满足后面等式时求得前面最小化公式。
对公式进行优化求解，所述观测数据矩阵D、低轶部分矩阵A和稀疏部分矩阵E之间还满足公式
其中，||A||*为低轶部分矩阵A的核范数，即低轶部分矩阵A中所有奇异值之和；||E||1为稀疏部分矩阵E的l1范数，即稀疏部分矩阵E所有元素的绝对值之和，l1即稀疏部分矩阵E中所有元素的绝对值之和。
可以通过迭代阈值算法、加速近似梯度算法、增广拉格朗日乘子法或交替方向法求解公式
S104、对所述稀疏部分图像依次进行自适应阈值分割、图像处理去除干扰，得到二值图；其中二值图包括当前帧图像的二值图和前一帧图像的二值图；
结合图6，图6示出了图像处理后的当前帧感兴趣区域稀疏部分图像；
对步骤S103中稀疏部分图像E设定自适应阈值，自适应阈值记为Thr，自适应阈值分割得到分割图像T，其中
对分割图像T进行腐蚀和/或膨胀图像处理，得到二值图M；对分割图像T图像处理的过程中，可以先腐蚀后膨胀处理，也可以先膨胀后腐蚀处理，也可加入孔洞填充的图像处理方式。
S105、将所述当前帧的二值图Mi和所述前一帧的二值图Mi-1进行差分处理，得到差分图(diff，differential image)；其中diff＝Mi-Mi-1。
结合图7，图7示出了连续两帧感兴趣区域稀疏部分差分图。
S106、将差分图进行图像处理去除干扰，输出图像处理后的差分图。
将所述差分图采用腐蚀和/或膨胀进行图像处理，输出图像处理后的差分图。
S107、根据图像处理后的差分图判断液体中是否存在可见异物。
结合图8，图8示出了包含检测到的可见异物图像；可以通过肉眼判别是否存在可见异物。
对所述差分图图像处理的过程中，可以先腐蚀后膨胀处理，也可以先膨胀后腐蚀处理，也可加入小面积连通分量去除的图像处理方式。
本发明实施例，考虑到背景部分的低秩性以及前景部分的稀疏性，低秩稀疏矩阵分解方法根据相邻帧之间图像背景的相关性来构建低秩矩阵恢复模型，而运动目标则可视为稀疏的噪声，将每帧图像以列向量形式进行排列，使得到的视频序列数据进行稀疏与低秩分解，该方法结果较为稳定、效果较好，能够有效处理各种复杂背景图像，需要调整的参数较少，应用上更为方便。
本发明实施例，一方面对单帧图像进行低秩稀疏分解，可以将夹持装置、输液瓶刻度、文字、划痕等背景与异物有效地分离开来，消除了机械抖动带来的检测干扰，提高检测的准确度；另一方面选取感兴趣区域进行低秩稀疏分解，在不影响检测效果的前提下，提高了计算效率；又一方面利用帧间稀疏部分差分并辅以图像处理手段，有效地去除了细小气泡以及瓶壁附着气泡滑动带来的影响。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
本发明实施例中，还提供了基于低轶稀疏分解的瓶装液体可见异物检测系统，基于低轶稀疏分解的瓶装液体可见异物检测系统包括各单元用于执行图1对应的实施例中的各步骤。具体请参阅图1对应的实施例中的相关描述。
图9是本发明提供的基于低轶稀疏分解的瓶装液体可见异物检测系统的第一实施例的结构示意图。如图9所示，该实施例的基于低轶稀疏分解的瓶装液体可见异物检测系统2包括：
采集图像单元21，用于采集连续帧图像；其中，所述连续帧图像包括当前帧图像和前一帧图像；
确定感兴趣区域单元22，用于提取连续帧图像中每一帧图像的特征，设定感兴趣区域；
低轶稀疏分解单元23，用于对所述感兴趣区域进行低轶稀疏分解，得到低轶部分图像和稀疏部分图像；
第一图像处理单元24，用于对所述稀疏部分图像依次进行自适应阈值分割、图像处理去除干扰，得到二值图；其中二值图包括当前帧图像的二值图和前一帧图像的二值图；
差分处理单元25，用于将所述当前帧图像的二值图和所述前一帧图像的二值图进行差分处理，得到差分图；
第二图像处理单元26，将差分图进行图像处理去除干扰，输出图像处理后的差分图；
判断单元27，用于根据图像处理后的差分图判断液体中是否存在可见异物。
图10是本发明提供的低轶稀疏分解的瓶装液体可见异物检测系统的第二实施例的结构示意图，基于图9，还包括确定感兴趣区域单元22包括提取特征单元221和确定感兴趣区域子单元222；
所述提取特征单元221，用于所述将每一帧图像转换为灰度图像，提取所述灰度图像中的灰度特征、梯度特征、边缘特征，获得输液瓶的液面、瓶底、左侧瓶壁和右侧瓶壁信息；
所述确定感兴趣区域子单元222，用于根据所述输液瓶的液面、瓶底、左侧瓶壁和右侧瓶壁信息，确定感兴趣区域的上坐标、下坐标、左坐标和右坐标，得到感兴趣区域。
图11是本发明提供的低轶稀疏分解的瓶装液体可见异物检测系统的第三实施例的结构示意图，基于图9，所述第一图像处理单元24包括自适应阈值分割子单元241和第一图像处理子单元242；
所述自适应阈值分割子单元241，用于对所述稀疏部分图像依次进行自适应阈值分割；
所述第一图像处理子单元242，用于对自适应阈值分割后的图像进行腐蚀和/或膨胀图像处理，得到二值图。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，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发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于低轶稀疏分解的瓶装液体可见异物检测方法，其特征在于，包括以下步骤：
采集连续帧图像；其中，所述连续帧图像包括当前帧图像和前一帧图像；
提取连续帧图像中每一帧图像的特征，设定感兴趣区域；
对所述感兴趣区域进行低轶稀疏分解，得到低轶部分图像和稀疏部分图像；
对所述稀疏部分图像依次进行自适应阈值分割、图像处理去除干扰，得到二值图；其中二值图包括当前帧图像的二值图和前一帧图像的二值图；
将所述当前帧图像的二值图和所述前一帧图像的二值图进行差分处理，得到差分图；
将差分图进行图像处理去除干扰，输出图像处理后的差分图；
根据图像处理后的差分图判断液体中是否存在可见异物。
2.根据权利要求1所述的基于低轶稀疏分解的瓶装液体可见异物检测方法，其特征在于，所述提取连续帧图像中每一帧图像的特征，得到感兴趣区域的步骤，包括：
将每一帧图像转换为灰度图像，提取所述灰度图像中的灰度特征、梯度特征、边缘特征，获得瓶内液面、瓶底、左侧瓶壁和右侧瓶壁信息；
根据所述瓶内液面、瓶底、左侧瓶壁和右侧瓶壁信息，确定感兴趣区域的上坐标、下坐标、左坐标和右坐标，得到感兴趣区域。
3.根据权利要求1所述的基于低轶稀疏分解的瓶装液体可见异物检测方法，其特征在于，所述对所述感兴趣区域进行低轶稀疏分解，得到低轶部分图像和稀疏部分图像的步骤，包括：
将所述感兴趣区域转换为观测数据矩阵D，将所述观测数据矩阵D分解为低轶部分矩阵A和稀疏部分矩阵E；
分别将低轶部分矩阵A转换为低轶部分图像，将稀疏部分矩阵E转换为稀疏部分图像；
其中，
式中，λ为非负参数；||E||0为稀疏部分矩阵E的l0范数，即稀疏部分矩阵E中非零元素的个数；rank(A)为低轶部分矩阵A的轶函数，即低轶部分矩阵A中非零奇异值的个数。
4.根据权利要求3所述的基于低轶稀疏分解的瓶装液体可见异物检测方法，其特征在于，所述观测数据矩阵D、低轶部分矩阵A和稀疏部分矩阵E之间满足公式
其中，||A||*为低轶部分矩阵A的核范数，即低轶部分矩阵A中所有奇异值之和；||E||1为稀疏部分矩阵E的l1范数，即稀疏部分矩阵E所有元素的绝对值之和。
5.根据权利要求4所述的基于低轶稀疏分解的瓶装液体可见异物检测方法，其特征在于，
通过迭代阈值算法、加速近似梯度算法、增广拉格朗日乘子法或交替方向法求解公式
6.根据权利要求1所述的基于低轶稀疏分解的瓶装液体可见异物检测方法，其特征在于，所述对所述稀疏部分图像依次进行自适应阈值分割、图像处理去除干扰，得到二值图的步骤中，包括：
对所述稀疏部分图像依次进行自适应阈值分割；
对自适应阈值分割后的图像进行腐蚀和/或膨胀图像处理，得到二值图。
7.根据权利要求1所述的基于低轶稀疏分解的瓶装液体可见异物检测方法，其特征在于，所述将差分图进行图像处理去除干扰，输出图像处理后的差分图的步骤，包括：
将所述差分图采用腐蚀和/或膨胀进行图像处理，输出图像处理后的差分图。
8.一种基于低轶稀疏分解的瓶装液体可见异物检测系统，其特征在于，包括：
采集图像单元，用于采集连续帧图像；其中，所述连续帧图像包括当前帧图像和前一帧图像；
确定感兴趣区域单元，用于提取连续帧图像中每一帧图像的特征，设定感兴趣区域；
低轶稀疏分解单元，用于对所述感兴趣区域进行低轶稀疏分解，得到低轶部分图像和稀疏部分图像；
第一图像处理单元，用于对所述稀疏部分图像依次进行自适应阈值分割、图像处理去除干扰，得到二值图；其中二值图包括当前帧图像的二值图和前一帧图像的二值图；
差分处理单元，用于将所述当前帧图像的二值图和所述前一帧图像的二值图进行差分处理，得到差分图；
第二图像处理单元，将差分图进行图像处理去除干扰，输出图像处理后的差分图；
判断单元，用于根据图像处理后的差分图判断液体中是否存在可见异物。
9.根据权利要求8所述的基于低轶稀疏分解的瓶装液体可见异物检测系统，其特征在于，所述确定感兴趣区域单元包括提取特征单元和确定感兴趣区域子单元；
所述提取特征单元，用于所述将每一帧图像转换为灰度图像，提取所述灰度图像中的灰度特征、梯度特征、边缘特征，获得输液瓶的液面、瓶底、左侧瓶壁和右侧瓶壁信息；
所述确定感兴趣区域子单元，用于根据所述输液瓶的液面、瓶底、左侧瓶壁和右侧瓶壁信息，确定感兴趣区域的上坐标、下坐标、左坐标和右坐标，得到感兴趣区域。
10.根据权利要求8所述的基于低轶稀疏分解的瓶装液体可见异物检测系统，其特征在于，所述第一图像处理单元包括自适应阈值分割子单元和第一图像处理子单元；
所述自适应阈值分割子单元，用于对所述稀疏部分图像依次进行自适应阈值分割；
所述第一图像处理子单元，用于对自适应阈值分割后的图像进行腐蚀和/或膨胀图像处理，得到二值图。
CN201910462944.3A 2019-05-30 2019-05-30 基于低轶稀疏分解的瓶装液体可见异物检测方法及其系统 Pending CN110132985A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910462944.3A CN110132985A (zh) 2019-05-30 2019-05-30 基于低轶稀疏分解的瓶装液体可见异物检测方法及其系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910462944.3A CN110132985A (zh) 2019-05-30 2019-05-30 基于低轶稀疏分解的瓶装液体可见异物检测方法及其系统

Publications (1)

Publication Number Publication Date
CN110132985A true CN110132985A (zh) 2019-08-16

Family

ID=67582988

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910462944.3A Pending CN110132985A (zh) 2019-05-30 2019-05-30 基于低轶稀疏分解的瓶装液体可见异物检测方法及其系统

Country Status (1)

Country Link
CN (1) CN110132985A (zh)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101806752A (zh) * 2010-03-12 2010-08-18 长沙图创机电科技有限公司 用于瓶装液体药品中可见异物视觉检测的方法及设备
CN102519972A (zh) * 2011-12-10 2012-06-27 山东明佳包装检测科技有限公司 一种pet瓶瓶盖和液位的检测方法
US20130346082A1 (en) * 2012-06-20 2013-12-26 Microsoft Corporation Low-dimensional structure from high-dimensional data
CN107944444A (zh) * 2017-11-21 2018-04-20 北京化工大学 一种瓶装液体异物检测方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101806752A (zh) * 2010-03-12 2010-08-18 长沙图创机电科技有限公司 用于瓶装液体药品中可见异物视觉检测的方法及设备
CN102519972A (zh) * 2011-12-10 2012-06-27 山东明佳包装检测科技有限公司 一种pet瓶瓶盖和液位的检测方法
US20130346082A1 (en) * 2012-06-20 2013-12-26 Microsoft Corporation Low-dimensional structure from high-dimensional data
CN107944444A (zh) * 2017-11-21 2018-04-20 北京化工大学 一种瓶装液体异物检测方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
黄霞 等: "基于低秩矩阵分解的运动目标检测", 《计算机系统应用》 *

Similar Documents

Publication Publication Date Title
Liu et al. Attribute-aware face aging with wavelet-based generative adversarial networks
CN106960202B (zh) 一种基于可见光与红外图像融合的笑脸识别方法
Sadr-Kazemi et al. An image processing algorithm for measurement of flotation froth bubble size and shape distributions
CN109934224B (zh) 基于马尔科夫随机场和视觉对比机制的小目标检测方法
Al Hamad et al. Development of an efficient neural-based segmentation technique for Arabic handwriting recognition
CN104881662B (zh) 一种单幅图像行人检测方法
CN110751154B (zh) 一种基于像素级分割的复杂环境多形状文本检测方法
CN106980825B (zh) 一种基于归一化像素差特征的人脸姿势分类方法
CN112580521B (zh) 一种基于maml元学习算法的多特征真假视频检测方法
CN105973904A (zh) 一种基于图像背景概率图的食用油杂质检测方法
CN102867171B (zh) 一种基于标记传播与邻域嵌入保持的人脸表情识别方法
CN112464844A (zh) 一种基于深度学习与运动目标检测的人体行为动作识别方法
CN108416795A (zh) 基于排序池化融合空间特征的视频动作识别方法
Sreemathy et al. Sign language recognition using artificial intelligence
CN109522865A (zh) 一种基于深度神经网络的特征加权融合人脸识别方法
CN106056592B (zh) 一种基于稀疏表示的视觉显著性检测方法
CN110132985A (zh) 基于低轶稀疏分解的瓶装液体可见异物检测方法及其系统
CN109165551B (zh) 一种自适应加权融合显著性结构张量和lbp特征的表情识别方法
Nagashree et al. Hand gesture recognition using support vector machine
Haifeng et al. Moving object detection based on background subtraction of block updates
Yeung et al. Extracting smooth and transparent layers from a single image
Wang et al. An improved deeplab model for clothing image segmentation
CN107122714A (zh) 一种基于边缘约束的实时行人检测方法
Sabri et al. Computer motherboard component recognition using texture and shape features
Das et al. Extraction of time invariant lips based on morphological operation and corner detection method

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20190816

RJ01 Rejection of invention patent application after publication