CN110687132A - 一种基于深度学习算法的液体内异物与气泡智能视觉检测系统 - Google Patents
一种基于深度学习算法的液体内异物与气泡智能视觉检测系统 Download PDFInfo
- Publication number
- CN110687132A CN110687132A CN201910948420.5A CN201910948420A CN110687132A CN 110687132 A CN110687132 A CN 110687132A CN 201910948420 A CN201910948420 A CN 201910948420A CN 110687132 A CN110687132 A CN 110687132A
- Authority
- CN
- China
- Prior art keywords
- module
- image
- stage
- neural network
- detection
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 51
- 239000007788 liquid Substances 0.000 title claims abstract description 28
- 238000013135 deep learning Methods 0.000 title claims description 12
- 230000000007 visual effect Effects 0.000 title claims description 11
- 238000012216 screening Methods 0.000 claims abstract description 19
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 230000004438 eyesight Effects 0.000 claims abstract description 5
- 238000007667 floating Methods 0.000 claims abstract description 5
- 230000002159 abnormal effect Effects 0.000 claims description 24
- 238000012545 processing Methods 0.000 claims description 15
- 239000002245 particle Substances 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 239000003814 drug Substances 0.000 claims description 12
- 238000013527 convolutional neural network Methods 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 9
- 238000001914 filtration Methods 0.000 claims description 6
- 230000006870 function Effects 0.000 claims description 6
- 238000012544 monitoring process Methods 0.000 claims description 6
- 241000282414 Homo sapiens Species 0.000 claims description 3
- 238000013075 data extraction Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000012806 monitoring device Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 238000012549 training Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 abstract description 12
- 238000004519 manufacturing process Methods 0.000 abstract description 10
- 230000000694 effects Effects 0.000 abstract description 4
- 238000001802 infusion Methods 0.000 abstract description 3
- 238000009987 spinning Methods 0.000 abstract description 3
- 238000013461 design Methods 0.000 abstract description 2
- 238000000034 method Methods 0.000 description 8
- 238000003384 imaging method Methods 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 239000003708 ampul Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 239000012535 impurity Substances 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000003754 machining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000036651 mood Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
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
- G01N21/90—Investigating the presence of flaws or contamination in a container or its contents
-
- 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
-
- 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
- G06V10/30—Noise filtering
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Theoretical Computer Science (AREA)
- Pathology (AREA)
- Analytical Chemistry (AREA)
- Data Mining & Analysis (AREA)
- Biochemistry (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Immunology (AREA)
- Health & Medical Sciences (AREA)
- Chemical & Material Sciences (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
Abstract
一种基于深度学习算法的液体内异物与气泡智能视觉检测系统，其特征在于：包括多个工站、多个光源和多个工业相机，以及图像采集模块、图像预处理及筛选模块、分组转发模块、两级分类模块和分类结果统计模块。本发明创造性地在流水线上直接检测自旋后运动中的液瓶，去掉了输液瓶旋转后急停的步骤，这样不仅能够简化灯检机硬件电路设计，而且由于不再需要旋转后急停再进行拍照，所以减少了时间损耗，使检测速度变快；首创瓶身水平放置后检测方法，大大提高异物检出概率，对漂浮异物也有较好的检出效果，使用多相机多工站，做到输液瓶的内外全方位检测，另外，针对快速沉底异物单独使用一个工站进行检测，检出效果可达100％。
Description
技术领域
本发明涉及智能视觉检测技术领域，特别涉及一种基于深度学习算法的液体内异物与 气泡智能视觉检测系统。
背景技术
近年来，市场上中药口服液的种类和数量增长迅速。然而目前研究的可见异物检测方 法主要是传统的较大输液瓶、安瓿瓶的静态检测方法。中药药液瓶瓶身较小，自旋后在流 水线上继续运动的设备在制造上早已可以实现，然而相应检测流水线上直线运动中的药液 瓶中杂质技术却没有跟上研究步伐。
目前多数还停留在人工检测阶段，检测方法为由培训过的工人在日光灯下观察药液中 是否有可见异物，若有则将瓶子丢弃在专门盛装不合格品的大容器内，这种方法称为人工 灯检。由于长时间的工作会使得人眼疲劳，影响检测效果，并且需要每个员工时刻保持高 度责任心对自己的工作认真仔细，因此人工检测结果在很大程度上都和每个人的视力、责 任心、甚至心情等众多主观因素有关，不能保证检测结果的客观准确。有些企业为保证检 测质量，规定灯检工人每工作一小段时间便需休息一段时间，这样的做法虽然可以在一定 程度上减少了主观因素对检测结果的影响，但大大降低了生产效率，使得最后的药液质量 检测环节成为影响医药产品生产过程速度的瓶颈环节，也成为影响医药生产行业效益的一 个重要因素。在我国，由于生产工艺原因，盛装药液的容器质量参差不齐，瓶壁厚度不均， 密度分布也不均匀，因此，虽然德国、日本等发达国家已经有比较成熟的全自动灯检设备， 但设备不仅价格高昂，而且由于国内外的容器标准等的不同会造成过高的次品率，使企业 得不偿失。
因此开发适合我国国情的全自动灯检设备势在必行，即采用机器视觉的方法模拟人类 眼睛进行检测，但在视觉方面由于以下几点难点使得现在市面上仍没有一台能够客观准确 的检测出异物的全自动灯捡机：
(1)成像过程中的图像随机噪声以及其他众多干扰。在成像过程中的干扰主要包
括以下几点：
a)由于生产环境不洁，空气中含有的微小悬浮物或灰尘颗粒等；
b)容器本身缺陷如玻璃瓶上的裂痕会造成强烈反光，对异物跟踪与识别造成严
重干扰；
(2)瓶壁上的刻字、凹痕等会偶尔遮挡异物，造成识别错误；
(3)由于机械加工精度影响，在成像过程中装药液的瓶子会发生移动，增加检测
识别的难度；
(4)不同产品所含有的异物种类、数量不同，即使同一类产品的不同个体也会含有多 种异物并且数量不一、大小迥异，需要找寻一种通用有效的检测识别方法。检测速度和检 测精度的要求增加了检测难度。由于检测速度的要求，一方面限制了获取图像帧数，另一 方面也限制了先进检测算法的应用。
发明内容
本发明的主要目的在于提供一种基于深度学习算法的液体内异物与气泡智能视觉检 测系统，可以有效解决背景技术中的问题。
为实现上述目的，本发明采取的技术方案为：一种基于深度学习算法的液体内异物与 气泡智能视觉检测系统，其特征在于：包括多个工站、多个光源和多个工业相机，以及图 像采集模块、图像预处理及筛选模块、分组转发模块、两级分类模块和分类结果统计模块； 所述工站包括吊环工站、瓶盖工站、外观微粒工站、微粒工站、仿人工工站和沉底工站；所述光源均连接有光源控制器；所述吊环工站配备有一个环形光源和多个工业相机，所述瓶盖工站配备有一个环形光源和多个工业相机，所述外观微粒工站配备有两个弧面光源和多个工业相机、所述微粒工站配备有两个弧面光源和多个工业相机、所述仿人工工站配备有一个大背光源和多个工业相机，所述沉底工站配备有一个小背光源和多个工业相机，各个目标水平放置在各个工站上。
进一步的，所述吊环工站和所述瓶盖工站均包括可旋转的机械手，工业相机布设在机 械手的侧面，光源配置在机械手的下部或上部，所述外观微粒工站、所述微粒工站、所述 仿人工工站和所述沉底工站均包括一传送带，工业相机布设在传送带的两侧和上部，所述 弧面光源布设在传送带的两侧，大背光源和小背光源配置在传送带下部。
进一步的，所述图像采集模块连接各工业相机，采集各工业相机的图像数据；所述图 像预处理及筛选模块对所述图像采集模块采集到的图像使用中值滤波去噪，并通过二阶 Sobel滤波对感兴趣区域进行相应的边缘提取并通过对所述图像进行分割计算提取工程阈 值，通过工程阈值筛选出异常的图像帧；所述分组转发模块对所述图像预处理及筛选模块 处理过的图像数据进行统一编码并将其发送到两级分类模块；所述编码将包括所属组信 息、当前时间信息以及预处理结果信息设置唯一性的ID；所属组信息根据异常类型或者处 理方案进行分组；所述两级分类模块对所述分组转发模块发送的图像数据进行可疑异常检 测和第二级的异常目标检测；所述可疑异常检测对特定目标图像进行初筛选，得到特定目 标的图像帧；所述第二级的异常目标检测通过卷积神经网络对预先采集的实际样图训练， 对当前目标下的吊环或瓶盖或瓶体外观或沉底异物或液体内颗粒、毛发状漂浮物进行监测 得到异常报警信息，对可疑异常检测得到的特定目标的图像帧进行当前目标下的目标异常 程度进行辨别；所述分类结果统计模块统计所述两级分类模块得到的分类结果并通过对分 类结果的连续时间性判断做出分类结果判定，并将相应的结果数据保存到本地；所述分类 结果判定采用时间连续性判定，即通过判断是否在根据不同的要求和不同的目标所确定的 设定时间段出现相同结果得到最终判断结果，并且将得到的结果存储到本地用于线下模型 优化；所述图像采集模块采用添加输出功能的监控设备或者可执行图像数据提取的处理单 元；所述图像预处理及筛选模块使用具备图像数据处理功能的监控设备或者可执行图像数 据处理的处理单元。
进一步的，所述两级分类模块包括第一级神经网络和第二级神经网络；所述第一级神 经网络由一个神经网络模型组成，所述神经网络模型选用RCNN、Fast R-CNN、FasterR-CNN、 FPN、YOLOv1、YOLO v2、SSD或RetinaNet；所述第二级神经网络使用卷积神经网络模型， 根据检测目标的数目确定所述神经网络模型数量。
进一步的，还包括主控中心，所述主控中心包括消息管理模块以及预警和显示模块； 所述消息管理模块用于接收和传递各模块间事件消息；所述预警和显示模块用于接收分类 结果并对相应的结果发送至异常目标剔除设备并输出到显示设备。
进一步的，所述异常目标剔除设备采用药瓶剔除机，所述显示设备为电脑客户端或者 网页端。
与现有技术相比，本发明具有如下有益效果：
本发明创造性地在流水线上直接检测自旋后运动中的液瓶，去掉了输液瓶旋转后急停 的步骤，这样不仅能够简化灯检机硬件电路设计，而且由于不再需要旋转后急停再进行拍 照，所以减少了时间损耗，使检测速度变快；首创瓶身水平放置后检测方法，大大提高异 物检出概率，对漂浮异物也有较好的检出效果，使用多相机多工站，做到输液瓶的内外全 方位检测，另外，针对快速沉底异物单独使用一个工站进行检测，检出效果可达100％。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具 体实施方式，进一步阐述本发明。
实施例1。
本实施例中的一种基于深度学习算法的液体内异物与气泡智能视觉检测系统，包括六 个工站、八个光源和二十七个工业相机，以及图像采集模块、图像预处理及筛选模块、分 组转发模块、两级分类模块和分类结果统计模块；所述工站包括吊环工站、瓶盖工站、外观微粒工站、微粒工站、仿人工工站和沉底工站；所述光源均连接有光源控制器；所述吊 环工站配备有一个环形光源和四个工业相机，所述瓶盖工站配备有一个环形光源和四个工业相机，所述外观微粒工站配备有两个弧面光源和五个工业相机、所述微粒工站配备有两个弧面光源和六个工业相机、所述仿人工工站配备有一个大背光源和四个工业相机，所述沉底工站配备有一个小背光源和四个工业相机，各个目标水平放置在各个工站上。
本实施例中的所述吊环工站和所述瓶盖工站均包括可旋转的机械手，工业相机布设在 机械手的侧面，光源配置在机械手的下部或上部，所述外观微粒工站、所述微粒工站、所 述仿人工工站和所述沉底工站均包括一传送带，工业相机布设在传送带的两侧和上部，所 述弧面光源布设在传送带的两侧，大背光源和小背光源配置在传送带下部。
本实施例中的所述图像采集模块连接各工业相机，采集各工业相机的图像数据；所述 图像预处理及筛选模块对所述图像采集模块采集到的图像使用中值滤波去噪，并通过二阶 Sobel滤波对感兴趣区域进行相应的边缘提取并通过对所述图像进行分割计算提取工程阈 值，通过工程阈值筛选出异常的图像帧；所述分组转发模块对所述图像预处理及筛选模块 处理过的图像数据进行统一编码并将其发送到两级分类模块；所述编码将包括所属组信 息、当前时间信息以及预处理结果信息设置唯一性的ID；所属组信息根据异常类型或者处 理方案进行分组；所述两级分类模块对所述分组转发模块发送的图像数据进行可疑异常检 测和第二级的异常目标检测；所述可疑异常检测对特定目标图像进行初筛选，得到特定目 标的图像帧；所述第二级的异常目标检测通过卷积神经网络对预先采集的实际样图训练， 对当前目标下的吊环或瓶盖或瓶体外观或沉底异物或液体内颗粒、毛发状漂浮物进行监测 得到异常报警信息，对可疑异常检测得到的特定目标的图像帧进行当前目标下的目标异常 程度进行辨别；所述分类结果统计模块统计所述两级分类模块得到的分类结果并通过对分 类结果的连续时间性判断做出分类结果判定，并将相应的结果数据保存到本地；所述分类 结果判定采用时间连续性判定，即通过判断是否在根据不同的要求和不同的目标所确定的 设定时间段出现相同结果得到最终判断结果，并且将得到的结果存储到本地用于线下模型 优化；所述图像采集模块采用添加输出功能的监控设备或者可执行图像数据提取的处理单 元；所述图像预处理及筛选模块使用具备图像数据处理功能的监控设备或者可执行图像数 据处理的处理单元。
本实施例中的所述两级分类模块包括第一级神经网络和第二级神经网络；所述第一级 神经网络由一个神经网络模型组成，所述神经网络模型选用RetinaNet；所述第二级神经 网络使用卷积神经网络模型，根据检测目标的数目确定所述神经网络模型数量。
本实施例中的还包括主控中心，所述主控中心包括消息管理模块以及预警和显示模 块；所述消息管理模块用于接收和传递各模块间事件消息；所述预警和显示模块用于接收 分类结果并对相应的结果发送至异常目标剔除设备并输出到显示设备。
本实施例中的所述异常目标剔除设备采用药瓶剔除机，所述显示设备为电脑客户端或 者网页端。
在本发明的描述中，需要理解的是，术语“同轴”、“底部”、“一端”、“顶部”、 “中部”、“另一端”、“上”、“一侧”、“顶部”、“内”、“前部”、“中央”、 “两端”等指示的方位或位置关系仅是为了便于描述本发明和简化描述，而不是指示或暗 示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对 本发明的限制。
此外，术语“第一”、“第二”、“第三”、“第四”仅用于描述目的，而不能理解 为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量，由此，限定有“第一”、 “第二”、“第三”、“第四”的特征可以明示或者隐含地包括至少一个该特征。
在本发明中，除非另有明确的规定和限定，术语“安装”、“设置”、“连接”、“固 定”、“旋接”等术语应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或 成一体；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接 相连，可以是两个元件内部的连通或两个元件的相互作用关系，除非另有明确的限定，对 于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明中的具体含义。
尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解 在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变 型，本发明的范围由所附权利要求及其等同物限定。
Claims (6)
1.一种基于深度学习算法的液体内异物与气泡智能视觉检测系统，其特征在于：包括多个工站、多个光源和多个工业相机，以及图像采集模块、图像预处理及筛选模块、分组转发模块、两级分类模块和分类结果统计模块；
所述工站包括吊环工站、瓶盖工站、外观微粒工站、微粒工站、仿人工工站和沉底工站；所述光源均连接有光源控制器；所述吊环工站配备有一个环形光源和多个工业相机，所述瓶盖工站配备有一个环形光源和多个工业相机，所述外观微粒工站配备有两个弧面光源和多个工业相机、所述微粒工站配备有两个弧面光源和多个工业相机、所述仿人工工站配备有一个大背光源和多个工业相机，所述沉底工站配备有一个小背光源和多个工业相机，各个目标水平放置在各个工站上。
2.根据权利要求1所述的一种基于深度学习算法的液体内异物与气泡智能视觉检测系统，其特征在于：所述吊环工站和所述瓶盖工站均包括可旋转的机械手，工业相机布设在机械手的侧面，光源配置在机械手的下部或上部，所述外观微粒工站、所述微粒工站、所述仿人工工站和所述沉底工站均包括一传送带，工业相机布设在传送带的两侧和上部，所述弧面光源布设在传送带的两侧，大背光源和小背光源配置在传送带下部。
3.根据权利要求1所述的一种基于深度学习算法的液体内异物与气泡智能视觉检测系统，其特征在于：所述图像采集模块连接各工业相机，采集各工业相机的图像数据；
所述图像预处理及筛选模块对所述图像采集模块采集到的图像使用中值滤波去噪，并通过二阶Sobel滤波对感兴趣区域进行相应的边缘提取并通过对所述图像进行分割计算提取工程阈值，通过工程阈值筛选出异常的图像帧；
所述分组转发模块对所述图像预处理及筛选模块处理过的图像数据进行统一编码并将其发送到两级分类模块；所述编码将包括所属组信息、当前时间信息以及预处理结果信息设置唯一性的ID；所属组信息根据异常类型或者处理方案进行分组；
所述两级分类模块对所述分组转发模块发送的图像数据进行可疑异常检测和第二级的异常目标检测；
所述可疑异常检测对特定目标图像进行初筛选，得到特定目标的图像帧；所述第二级的异常目标检测通过卷积神经网络对预先采集的实际样图训练，对当前目标下的吊环或瓶盖或瓶体外观或沉底异物或液体内颗粒、毛发状漂浮物进行监测得到异常报警信息，对可疑异常检测得到的特定目标的图像帧进行当前目标下的目标异常程度进行辨别；
所述分类结果统计模块统计所述两级分类模块得到的分类结果并通过对分类结果的连续时间性判断做出分类结果判定，并将相应的结果数据保存到本地；
所述分类结果判定采用时间连续性判定，即通过判断是否在根据不同的要求和不同的目标所确定的设定时间段出现相同结果得到最终判断结果，并且将得到的结果存储到本地用于线下模型优化；
所述图像采集模块采用添加输出功能的监控设备或者可执行图像数据提取的处理单元；
所述图像预处理及筛选模块使用具备图像数据处理功能的监控设备或者可执行图像数据处理的处理单元。
4.根据权利要求3所述的一种基于深度学习算法的液体内异物与气泡智能视觉检测系统，其特征在于：所述两级分类模块包括第一级神经网络和第二级神经网络；所述第一级神经网络由一个神经网络模型组成，所述神经网络模型选用RCNN、Fast R-CNN、Faster R-CNN、FPN、YOLOv1、YOLO v2、SSD或RetinaNet；所述第二级神经网络使用卷积神经网络模型，根据检测目标的数目确定所述神经网络模型数量。
5.根据权利要求3所述的一种基于深度学习算法的液体内异物与气泡智能视觉检测系统，其特征在于：还包括主控中心，所述主控中心包括消息管理模块以及预警和显示模块；所述消息管理模块用于接收和传递各模块间事件消息；所述预警和显示模块用于接收分类结果并对相应的结果发送至异常目标剔除设备并输出到显示设备。
6.根据权利要求5所述的一种基于深度学习算法的液体内异物与气泡智能视觉检测系统，其特征在于：所述异常目标剔除设备采用药瓶剔除机，所述显示设备为电脑客户端或者网页端。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910948420.5A CN110687132A (zh) | 2019-10-08 | 2019-10-08 | 一种基于深度学习算法的液体内异物与气泡智能视觉检测系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910948420.5A CN110687132A (zh) | 2019-10-08 | 2019-10-08 | 一种基于深度学习算法的液体内异物与气泡智能视觉检测系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110687132A true CN110687132A (zh) | 2020-01-14 |
Family
ID=69111471
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910948420.5A Pending CN110687132A (zh) | 2019-10-08 | 2019-10-08 | 一种基于深度学习算法的液体内异物与气泡智能视觉检测系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110687132A (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111401128A (zh) * | 2020-01-16 | 2020-07-10 | 杭州电子科技大学 | 一种提高车辆识别率的方法 |
| CN111950466A (zh) * | 2020-08-13 | 2020-11-17 | 北京福通互联科技集团有限公司 | 基于轨迹级联算法的瓶装白酒检测方法和检测装置 |
| CN112418131A (zh) * | 2020-12-01 | 2021-02-26 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于半锚式检测器的目标检测方法 |
| WO2021213864A1 (de) * | 2020-04-24 | 2021-10-28 | Krones Ag | Verfahren und vorrichtung zur inspektion von behältern |
| CN113916899A (zh) * | 2021-10-11 | 2022-01-11 | 四川科伦药业股份有限公司 | 基于视觉识别的大输液软袋产品的检测方法、系统及装置 |
| CN114595757A (zh) * | 2022-03-04 | 2022-06-07 | 浙江科技学院 | 一种用于灌装输液瓶生产的质量检测系统 |
| CN116071364A (zh) * | 2023-03-29 | 2023-05-05 | 苏州飞搜科技有限公司 | 一种灌装注射器内液体含有异物检测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005017004A (ja) * | 2003-06-24 | 2005-01-20 | Sukiyan Technol:Kk | ガラス瓶の異物検査システム |
| JP2013134099A (ja) * | 2011-12-26 | 2013-07-08 | Kirin Techno-System Co Ltd | 異物検査装置 |
| CN103308527A (zh) * | 2013-05-30 | 2013-09-18 | 屈桢深 | 输液瓶内异物的检测方法及检测系统 |
| CN105115986A (zh) * | 2015-08-12 | 2015-12-02 | 中南大学 | 一种中药口服液瓶中可见异物检测系统及方法 |
| CN109460744A (zh) * | 2018-11-26 | 2019-03-12 | 南京邮电大学 | 一种基于深度学习的视频监控系统 |
-
2019
- 2019-10-08 CN CN201910948420.5A patent/CN110687132A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2005017004A (ja) * | 2003-06-24 | 2005-01-20 | Sukiyan Technol:Kk | ガラス瓶の異物検査システム |
| JP2013134099A (ja) * | 2011-12-26 | 2013-07-08 | Kirin Techno-System Co Ltd | 異物検査装置 |
| CN103308527A (zh) * | 2013-05-30 | 2013-09-18 | 屈桢深 | 输液瓶内异物的检测方法及检测系统 |
| CN105115986A (zh) * | 2015-08-12 | 2015-12-02 | 中南大学 | 一种中药口服液瓶中可见异物检测系统及方法 |
| CN109460744A (zh) * | 2018-11-26 | 2019-03-12 | 南京邮电大学 | 一种基于深度学习的视频监控系统 |
Non-Patent Citations (2)
| Title |
|---|
| 周金丽 等: "口服液可见异物智能检测系统", 计算机工程, vol. 38, no. 23, 31 December 2012 (2012-12-31), pages 247 - 250 * |
| 齐显军 等: "一种基于机器视觉的全自动灯检机图像采集系统", 机电工程技术, vol. 41, no. 07, 31 July 2012 (2012-07-31), pages 6 - 7 * |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111401128A (zh) * | 2020-01-16 | 2020-07-10 | 杭州电子科技大学 | 一种提高车辆识别率的方法 |
| WO2021213864A1 (de) * | 2020-04-24 | 2021-10-28 | Krones Ag | Verfahren und vorrichtung zur inspektion von behältern |
| CN111950466A (zh) * | 2020-08-13 | 2020-11-17 | 北京福通互联科技集团有限公司 | 基于轨迹级联算法的瓶装白酒检测方法和检测装置 |
| CN112418131A (zh) * | 2020-12-01 | 2021-02-26 | 佛山市南海区广工大数控装备协同创新研究院 | 一种基于半锚式检测器的目标检测方法 |
| CN113916899A (zh) * | 2021-10-11 | 2022-01-11 | 四川科伦药业股份有限公司 | 基于视觉识别的大输液软袋产品的检测方法、系统及装置 |
| CN113916899B (zh) * | 2021-10-11 | 2024-04-19 | 四川科伦药业股份有限公司 | 基于视觉识别的大输液软袋产品的检测方法、系统及装置 |
| CN114595757A (zh) * | 2022-03-04 | 2022-06-07 | 浙江科技学院 | 一种用于灌装输液瓶生产的质量检测系统 |
| CN114595757B (zh) * | 2022-03-04 | 2024-05-10 | 浙江科技学院 | 一种用于灌装输液瓶生产的质量检测系统 |
| CN116071364A (zh) * | 2023-03-29 | 2023-05-05 | 苏州飞搜科技有限公司 | 一种灌装注射器内液体含有异物检测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110687132A (zh) | 一种基于深度学习算法的液体内异物与气泡智能视觉检测系统 | |
| CN109374635B (zh) | 一种口罩缺陷检测装置及方法 | |
| CN105245831B (zh) | 抛洒物智能检测装置 | |
| CN105954301B (zh) | 一种基于机器视觉的瓶口质量检测方法 | |
| CN101696945A (zh) | 机器视觉系统对光伏玻璃瑕疵的在线检测方法 | |
| CN110310275A (zh) | 一种基于图像处理的链式传送带缺陷检测方法 | |
| CN104091170B (zh) | 基于机器视觉的霉菌自动辨别方法 | |
| CN104764746B (zh) | 一种全方位pet瓶盖防盗环缺陷的检测方法 | |
| CN113843178B (zh) | 一种验瓶机及玻璃瓶的缺陷检测方法 | |
| CN107154042A (zh) | 一种包衣机视觉检测方法与装置 | |
| WO2022100145A1 (zh) | 一种基于人工智能视觉技术的输液袋异物识别方法及检测方法 | |
| CN104539899A (zh) | 一种利用视频信号对监控摄像头异常情况进行判别的方法 | |
| CN101696943A (zh) | 机器视觉系统对医用手术刀瑕疵的在线检测方法 | |
| CN108520260B (zh) | 瓶装口服液中可见异物的识别方法 | |
| CN114324398A (zh) | 一种药食品包装标签智能视觉检测系统及检测方法 | |
| CN108535277A (zh) | 一种白酒大密度大质量异物自动检测方法及装置 | |
| CN103592312A (zh) | 基于机器视觉的线缆在线检测方法 | |
| CN201689061U (zh) | 圆柱体透明瓶壁的检测装置 | |
| CN206330901U (zh) | 一种键盘自动检测仪 | |
| CN203018331U (zh) | 一种输液瓶胶塞成像检测装置 | |
| CN202256177U (zh) | 基于机器视觉的管材表面缺陷检测设备 | |
| CN204373688U (zh) | 一种电镀生产线外观和尺寸检验设备 | |
| CN116008294B (zh) | 一种基于机器视觉的键帽表面颗粒缺陷检测方法 | |
| CN216369036U (zh) | 一种验瓶机 | |
| CN214472828U (zh) | 一种苹果表面缺陷自动检测装置 |
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 |