CN110866917A - 一种基于机器视觉的药片类型及排列方式识别方法 - Google Patents
一种基于机器视觉的药片类型及排列方式识别方法 Download PDFInfo
- Publication number
- CN110866917A CN110866917A CN201911223033.1A CN201911223033A CN110866917A CN 110866917 A CN110866917 A CN 110866917A CN 201911223033 A CN201911223033 A CN 201911223033A CN 110866917 A CN110866917 A CN 110866917A
- Authority
- CN
- China
- Prior art keywords
- image
- tablet
- arrangement
- information
- contour
- 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
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000001514 detection method Methods 0.000 claims abstract description 25
- 239000003814 drug Substances 0.000 claims abstract description 20
- 238000012545 processing Methods 0.000 claims abstract description 17
- 229940079593 drug Drugs 0.000 claims abstract description 7
- 238000000605 extraction Methods 0.000 claims description 7
- 238000012544 monitoring process Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 5
- 230000000877 morphologic effect Effects 0.000 claims description 4
- 238000012216 screening Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000005286 illumination Methods 0.000 claims description 3
- 230000003993 interaction Effects 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 238000012806 monitoring device Methods 0.000 claims description 2
- 238000004519 manufacturing process Methods 0.000 abstract description 8
- 230000008569 process Effects 0.000 abstract description 5
- 230000009466 transformation Effects 0.000 abstract 2
- 238000005516 engineering process Methods 0.000 description 6
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
Images
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
- 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
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/155—Segmentation; Edge detection involving morphological operators
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
- G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
-
- 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
- G01N2021/8411—Application to online plant, process monitoring
-
- 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
- G06T2207/10004—Still image; Photographic image
-
- 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
-
- 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
- G06T2207/30242—Counting objects in image
Abstract
本发明公开了一种基于机器视觉的药片类型及排列方式识别方法，使用摄像机拍摄药板的原始图像；对拍摄的图像进行分析提取，寻找图像中代表药板上药片的几何特征或颜色区域；提取所得的信息用于后续不同药品的区分归类以及排列堆叠时的药板位姿校正；对图像处理所得的对象特征数据进行总结；本发明基于机器视觉实现了计算机识别药板药片识别与排列形式分析任务。使得药板生产工序的检测与分类工序自动化。相比原有人工检测检测效率大幅提升。本发明由PC、光源和摄像机构成的硬件系统能够作为一个功能单元嵌入现有的生产线中发挥作用，避免了生产线的全面改造以及因此带来的过多资源耗费。
Description
【技术领域】
本发明属于产品质量检测与目标识别技术领域，涉及一种基于机器视觉的药片类型及排列方式识别方法。
【背景技术】
目标识别技术，根据各类传感器检测所得的对象特征数据，将对象所属的类别按照预定的规则做一划分。此技术在定性检测中将传感器检测所得的数据变为可共后续执行步骤进行适合动作的参考依据。而基于视觉传感器(摄像机)进行的目标识别与分类则由于其海量的无关数据，相较与其他传感器而言更加困难。
机器视觉是基于计算机技术和光学技术，以摄像机作为基本传感器，将采集所得的图像数据借助计算机技术进行高效处理分析，以获取目标信息并完成各种任务的技术。其在各种需求自动化的场合具有宽广的应用前景。使用摄像机作为目标识别的传感器，正是在工业自动化检测领域对机器视觉的应用。针对特定群体目标基于图像数据进行类别细分，能够实现根据其他传感器无法获取的特征参数进行分类识别的任务；并且在任务目标与区分原则变化时具有较高的适应能力。目前，现有的基于图像数据进行分类识别的方法均无法很好的对药品进行自动识别分类。
【发明内容】
本发明的目的在于解决现有技术中现有的基于图像数据进行分类识别的方法均无法很好的对药品进行自动识别分类的问题，提供一种基于机器视觉的药片类型及排列方式识别方法，能够在医疗领域实现药品分类任务的自动化。
为达到上述目的，本发明采用以下技术方案予以实现：
一种基于机器视觉的药片类型及排列方式识别方法，包括以下步骤：
步骤1，图像获取：
使用摄像机拍摄药板的原始图像；辅以色温6500K的平行白色光源照明；摄像机与光源为固定放置，药板移动至拍摄区域后采集照片进行分析；
步骤2，图像处理：
对步骤1拍摄的图像进行分析提取，寻找图像中代表药板上药片的几何特征或颜色区域；提取所得的信息用于后续不同药品的区分归类以及排列堆叠时的药板位姿校正；
步骤3，结果反馈：
对图像处理所得的对象特征数据进行总结；与预置的标准对象数据库中的信息进行比对，以区分其种类并判定附加信息；将检测的结果通过界面向用户实时展示，同时进行数据记录；获取整个批次检测对象的统计信息，并在软件界面的另外区域展示。
本发明进一步的改进在于：
所述步骤1中的相机采用1000万像素以上的RGB相机。
所述步骤2中寻找图像中代表药板上药片的几何特征或颜色区域后，对药片进行计数，并识别药板上药片的排列方式，进一步提取药板的放置姿态的总体位置信息。
所述步骤2的具体方法如下：
步骤2-1，前置处理：
对摄像机拍摄所得的原始图片进行数据的简化与特征增强处理，以获取便于兴趣特征检测的二值图像；
步骤2-2药片辨识：在二值图像中寻找黑白交界像素并形成一级封闭轮廓，忽略封闭轮廓内部的封闭边缘；限定轮廓的长度(包含的像素点数量)作为筛选是否为药片轮廓的依据；并将检测所得的药片轮廓存储于vector中；使用图像对X、Y坐标的一阶矩计算图像质心相对图像原点的坐标(像素值)按轮廓顺序对应存入另一个vector中；至此，完成对药片轮廓的提取与基本辨识，根据提取所得的坐标信息和轮廓类型可以对药板类别进行进一步区分；
步骤2-3行列计数：根据步骤2-2辨识所得的药片个数与相应的图像坐标值分辨药片的排布类型；对于普通的行列式排布分别对行列数量进行计数；针对部分行列有交错的情况也应给出正确的结果；遍历vector中的行列坐标值，统计具有明显差异的数值个数并据此判断行列；定义x方向排布为行，y方向排布为列。
所述步骤2-1的具体方法如下：
步骤2-1-1：使用高斯模糊对原始图像进行滤波；
步骤2-1-2：对图像进行形态学处理以提取反差较为明显的边缘；
步骤2-1-3：图像二值化，将处理获取较为明显边缘特征的图像使用二进制阈值化方法进行分离，获得二值化图像，使得图像中每个药片对应的特征边缘均为几何形态边缘。
所述步骤3中，使用计算机上的窗体交户程序进行实时监控反馈。
所述步骤3中，使用监控设备进行监控、数据记录与检测结果的实时反馈。
与现有技术相比，本发明具有以下有益效果：
本发明基于机器视觉实现了计算机识别药板药片识别与排列形式分析任务。使得药板生产工序的检测与分类工序自动化。相比原有人工检测检测效率大幅提升。根据后续处理需求设定的光源与拍摄参数能够保证获得的原始数据具有一致的特性，从而保证检测的准确率，使得误检率相比人工大大降低。本发明中的图像获取、处理与特征检测等步骤均可根据检测任务的实际需要调整相应参数，从而使得本方法具有较强的适应能力。最后，本发明由PC、光源和摄像机构成的硬件系统能够作为一个功能单元嵌入现有的生产线中发挥作用，避免了生产线的全面改造以及因此带来的过多资源耗费。
【附图说明】
图1为本发明识别方法的流程图；
图2为本发明实施例经灰度化处理后的图像；
图3为本发明实施例形态学处理后的图像；
图4为本发明实施例高斯模糊1后的图像；
图5为本发明实施例阈值处理1后的图像；
图6为本发明实施例高斯模糊2后的图像；
图7为本发明实施例阈值处理2后的图像；
图8为本发明实施例识别的药片结果在原始图向中表示的结果。
【具体实施方式】
为了使本技术领域的人员更好地理解本发明方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分的实施例，不是全部的实施例，而并非要限制本发明公开的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要的混淆本发明公开的概念。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。
在附图中示出了根据本发明公开实施例的各种结构示意图。这些图并非是按比例绘制的，其中为了清楚表达的目的，放大了某些细节，并且可能省略了某些细节。图中所示出的各种区域、层的形状及它们之间的相对大小、位置关系仅是示例性的，实际中可能由于制造公差或技术限制而有所偏差，并且本领域技术人员根据实际所需可以另外设计具有不同形状、大小、相对位置的区域/层。
本发明公开的上下文中，当将一层/元件称作位于另一层/元件“上”时，该层/元件可以直接位于该另一层/元件上，或者它们之间可以存在居中层/元件。另外，如果在一种朝向中一层/元件位于另一层/元件“上”，那么当调转朝向时，该层/元件可以位于该另一层/元件“下”。
需要说明的是，本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
下面结合附图对本发明做进一步详细描述：
参见图1，本发明基于机器视觉的药片类型及排列方式识别方法，包括以下步骤：
步骤1：图像获取；使用摄像机拍摄药板的原始图像，使用1000万像素以上的RGB相机最佳。期望图像中的药板范围内无因镜面反射形成的纯白(高光溢出)区域。整体灰度变化由颜色和纹理决定。辅以色温6500K的平行白色光源照明，保证色彩还原准确。摄像机与光源为固定放置，药板随机构移动至拍摄区域后采集照片进行分析。
步骤2：图像处理；对步骤1拍摄的图像进行分析提取，寻找图像中代表药板上药片的几何特征或颜色区域。对药片进行计数，并识别药板上药片的排列方式，借此更可进一步提取药板的放置姿态等总体位置信息。提取所得的信息用于后续不同药品的区分归类以及排列堆叠时的药板位姿校正。具体方法如下：
步骤2.1前置处理：对摄像机拍摄所得的原始图片进行数据的简化与特征增强处理以获取便于兴趣特征检测的简单二值图像。1、使用高斯模糊对原始图像进行滤波；2、对图像进行形态学处理以提取反差为明显的边缘；3、图像二值化，将处理获取较为明显边缘特征的图像使用二进制阈值化方法进行分离，获得二值化图像，使得图像中每个药片对应的特征边缘均为较规整的几何形态边缘。
步骤2.2药片辨识：在二值图像中寻找黑白交界像素并形成一级封闭轮廓，忽略封闭轮廓内部的封闭边缘。限定轮廓的长度(包含的像素点数量)作为筛选是否为药片轮廓的依据。并将检测所得的药片轮廓存储于vector中。使用图像对X、Y坐标的一阶矩计算图像质心相对图像原点的坐标(像素值)按轮廓顺序对应存入另一个vector中。至此，完成对药片轮廓的提取与基本辨识，根据提取所得的坐标信息和轮廓类型可以对药板类别进行进一步区分。
步骤2.3行列计数：根据步骤2.2辨识所得的药片个数与相应的图像坐标值分辨药片的排布类型。对于普通的行列式排布分别对行列数量进行计数。针对部分行列有交错的情况也应给出正确的结果。遍历vector中的行列坐标值，统计具有明显差异的数值个数并据此判断行列。定义x方向排布为行，y方向排布为列。
步骤3：结果反馈；对图像处理所得的对象特征数据进行总结。与预置的标准对象数据库中的信息进行比对，以区分其种类并判定附加信息。将检测的结果通过界面向用户实时展示，同时进行数据记录。获取整个批次检测对象的统计信息，并在软件界面的另外区域展示。本步骤可根据方法实现的硬件载体做出调整与适应。可以使用通用计算机上的窗体交户程序进行实时监控反馈，也可以使用专门设计的监控设备进行监控、数据记录与检测结果的实时反馈。
实施例：
利用本发明方法实现药板的视觉检测，具体过程如下：
步骤1：由RGB相机拍摄原始图像并使用灰度化，结果如图2所示；
步骤2：使用十字形morph_size＝5的核对灰度图像进行形态学处理方式为Black_Hat，结果如图3所示；
步骤3：GAUSS滤波，模板尺寸Size＝11，如图4所示；
步骤4：图像第一次二值化，阈值thershold＝55，如图5所示；对第一次阈值操作所得结果进行第二次GAUSS滤波，模板尺寸Size＝11，如图6所示；
步骤5：第二次阈值化thershold＝50，如图7所示；对二次阈值处理后的图像进行边缘提取，根据长度、连续性筛选可能的药片轮廓边缘并记录于内存；
步骤6：将获得的边缘在原始的灰度图上以红色连续点的形式标识，如图8所示；
步骤7：计算边缘x、y方向一阶矩以获得轮廓的中心坐标并输出于控制台界面；
步骤8：根据各轮廓中心坐标推算药板上药片位置的排列方式，以行列数(3行2列)与药片总数(7个)形式输出于控制台。
以上内容仅为说明本发明的技术思想，不能以此限定本发明的保护范围，凡是按照本发明提出的技术思想，在技术方案基础上所做的任何改动，均落入本发明权利要求书的保护范围之内。
Claims (7)
1.一种基于机器视觉的药片类型及排列方式识别方法，其特征在于，包括以下步骤：
步骤1，图像获取：
使用摄像机拍摄药板的原始图像；辅以色温6500K的平行白色光源照明；摄像机与光源为固定放置，药板移动至拍摄区域后采集照片进行分析；
步骤2，图像处理：
对步骤1拍摄的图像进行分析提取，寻找图像中代表药板上药片的几何特征或颜色区域；提取所得的信息用于后续不同药品的区分归类以及排列堆叠时的药板位姿校正；
步骤3，结果反馈：
对图像处理所得的对象特征数据进行总结；与预置的标准对象数据库中的信息进行比对，以区分其种类并判定附加信息；将检测的结果通过界面向用户实时展示，同时进行数据记录；获取整个批次检测对象的统计信息，并在软件界面的另外区域展示。
2.根据权利要求1所述的基于机器视觉的药片类型及排列方式识别方法，其特征在于，所述步骤1中的相机采用1000万像素以上的RGB相机。
3.根据权利要求1所述的基于机器视觉的药片类型及排列方式识别方法，其特征在于，所述步骤2中寻找图像中代表药板上药片的几何特征或颜色区域后，对药片进行计数，并识别药板上药片的排列方式，进一步提取药板的放置姿态的总体位置信息。
4.根据权利要求1或3所述的基于机器视觉的药片类型及排列方式识别方法，其特征在于，所述步骤2的具体方法如下：
步骤2-1，前置处理：
对摄像机拍摄所得的原始图片进行数据的简化与特征增强处理，以获取便于兴趣特征检测的二值图像；
步骤2-2药片辨识：在二值图像中寻找黑白交界像素并形成一级封闭轮廓，忽略封闭轮廓内部的封闭边缘；限定轮廓的长度(包含的像素点数量)作为筛选是否为药片轮廓的依据；并将检测所得的药片轮廓存储于vector中；使用图像对X、Y坐标的一阶矩计算图像质心相对图像原点的坐标(像素值)按轮廓顺序对应存入另一个vector中；至此，完成对药片轮廓的提取与基本辨识，根据提取所得的坐标信息和轮廓类型可以对药板类别进行进一步区分；
步骤2-3行列计数：根据步骤2-2辨识所得的药片个数与相应的图像坐标值分辨药片的排布类型；对于普通的行列式排布分别对行列数量进行计数；针对部分行列有交错的情况也应给出正确的结果；遍历vector中的行列坐标值，统计具有明显差异的数值个数并据此判断行列；定义x方向排布为行，y方向排布为列。
5.根据权利要求4所述的基于机器视觉的药片类型及排列方式识别方法，其特征在于，所述步骤2-1的具体方法如下：
步骤2-1-1：使用高斯模糊对原始图像进行滤波；
步骤2-1-2：对图像进行形态学处理以提取反差较为明显的边缘；
步骤2-1-3：图像二值化，将处理获取较为明显边缘特征的图像使用二进制阈值化方法进行分离，获得二值化图像，使得图像中每个药片对应的特征边缘均为几何形态边缘。
6.根据权利要求1所述的基于机器视觉的药片类型及排列方式识别方法，其特征在于，所述步骤3中，使用计算机上的窗体交户程序进行实时监控反馈。
7.根据权利要求1所述的基于机器视觉的药片类型及排列方式识别方法，其特征在于，所述步骤3中，使用监控设备进行监控、数据记录与检测结果的实时反馈。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911223033.1A CN110866917A (zh) | 2019-12-03 | 2019-12-03 | 一种基于机器视觉的药片类型及排列方式识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911223033.1A CN110866917A (zh) | 2019-12-03 | 2019-12-03 | 一种基于机器视觉的药片类型及排列方式识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110866917A true CN110866917A (zh) | 2020-03-06 |
Family
ID=69658209
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911223033.1A Pending CN110866917A (zh) | 2019-12-03 | 2019-12-03 | 一种基于机器视觉的药片类型及排列方式识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110866917A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113570593A (zh) * | 2021-08-10 | 2021-10-29 | 深圳诺博医疗科技有限公司 | 一种药剂精确计数方法、装置、计算机设备及存储介质 |
| WO2022104452A1 (en) * | 2020-11-09 | 2022-05-27 | Pleora Technologies Inc. | Artificial intelligence functionality deployment system and method and system and method using same |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102218407A (zh) * | 2011-03-29 | 2011-10-19 | 杭州旭美智能科技有限公司 | 一种视觉智能识别胶囊装置 |
| US20150172525A1 (en) * | 2013-12-13 | 2015-06-18 | Canon Kabushiki Kaisha | Imaging apparatus having light source identification and image quality correction functions and method for controlling imaging apparatus |
| CN106583268A (zh) * | 2016-12-20 | 2017-04-26 | 浙江工业大学 | 基于机器视觉的pe瓶检测与分拣系统 |
| CN107729826A (zh) * | 2017-09-29 | 2018-02-23 | 苏州安斯特灵智能科技有限公司 | 药品包装图像识别方法及其装置 |
| CN108545265A (zh) * | 2018-06-20 | 2018-09-18 | 中国计量大学 | 一种基于机器视觉的药片胶囊计数装置及其方法 |
| CN109727231A (zh) * | 2018-12-17 | 2019-05-07 | 江苏鸿祺生物科技有限公司 | 一种用于识别检测椭球型软胶囊的外观不规则缺陷的自比对检测方法 |
| CN110032946A (zh) * | 2019-03-21 | 2019-07-19 | 西安交通大学 | 一种基于机器视觉的铝/铝泡罩包装药片识别与定位方法 |
-
2019
- 2019-12-03 CN CN201911223033.1A patent/CN110866917A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102218407A (zh) * | 2011-03-29 | 2011-10-19 | 杭州旭美智能科技有限公司 | 一种视觉智能识别胶囊装置 |
| US20150172525A1 (en) * | 2013-12-13 | 2015-06-18 | Canon Kabushiki Kaisha | Imaging apparatus having light source identification and image quality correction functions and method for controlling imaging apparatus |
| CN106583268A (zh) * | 2016-12-20 | 2017-04-26 | 浙江工业大学 | 基于机器视觉的pe瓶检测与分拣系统 |
| CN107729826A (zh) * | 2017-09-29 | 2018-02-23 | 苏州安斯特灵智能科技有限公司 | 药品包装图像识别方法及其装置 |
| CN108545265A (zh) * | 2018-06-20 | 2018-09-18 | 中国计量大学 | 一种基于机器视觉的药片胶囊计数装置及其方法 |
| CN109727231A (zh) * | 2018-12-17 | 2019-05-07 | 江苏鸿祺生物科技有限公司 | 一种用于识别检测椭球型软胶囊的外观不规则缺陷的自比对检测方法 |
| CN110032946A (zh) * | 2019-03-21 | 2019-07-19 | 西安交通大学 | 一种基于机器视觉的铝/铝泡罩包装药片识别与定位方法 |
Non-Patent Citations (2)
| Title |
|---|
| A. FOURCADE 等: "Deep learning in medical image analysis: A third eye for doctors", 《J STOMATOL ORAL MAXILLOFAC SURG》 * |
| 徐海波 等: "工业炸药药卷传输姿态在线检测方法", 《爆破器材》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2022104452A1 (en) * | 2020-11-09 | 2022-05-27 | Pleora Technologies Inc. | Artificial intelligence functionality deployment system and method and system and method using same |
| CN113570593A (zh) * | 2021-08-10 | 2021-10-29 | 深圳诺博医疗科技有限公司 | 一种药剂精确计数方法、装置、计算机设备及存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111951237B (zh) | 外观视觉检测方法 | |
| CN108982508B (zh) | 一种基于特征模板匹配和深度学习的塑封体ic芯片缺陷检测方法 | |
| CN109816644B (zh) | 一种基于多角度光源影像的轴承缺陷自动检测系统 | |
| CN110060237B (zh) | 一种故障检测方法、装置、设备及系统 | |
| CN107389701A (zh) | 一种基于图像的pcb表观缺陷自动检测系统及方法 | |
| CN109308700A (zh) | 一种基于印刷品字符的视觉识别缺陷检测方法 | |
| CN109087286A (zh) | 一种基于计算机图像处理和模式识别的检测方法及应用 | |
| CN110032946B (zh) | 一种基于机器视觉的铝/铝泡罩包装药片识别与定位方法 | |
| CN110533654A (zh) | 零部件的异常检测方法及装置 | |
| CN103440035A (zh) | 一种三维空间中的手势识别系统及其识别方法 | |
| CN110335233B (zh) | 基于图像处理技术的高速公路护栏板缺陷检测系统和方法 | |
| CN106067031B (zh) | 基于人工纠错机制与深度学习网络协作机器视觉识别系统 | |
| CN113252568A (zh) | 基于机器视觉的镜片表面缺陷检测方法、系统、产品、终端 | |
| CN110570422A (zh) | 一种基于矩阵分析的胶囊缺陷视觉检测方法 | |
| CN110866917A (zh) | 一种基于机器视觉的药片类型及排列方式识别方法 | |
| CN114863464B (zh) | 一种pid图纸图件信息的二阶识别方法 | |
| CN111665199A (zh) | 一种基于机器视觉的电线电缆颜色检测识别方法 | |
| CN111487192A (zh) | 一种基于人工智能的机器视觉表面缺陷检测装置及方法 | |
| Abdellah et al. | Defect detection and identification in textile fabric by SVM method | |
| CN111178405A (zh) | 一种融合多种神经网络的相似物体识别方法 | |
| CN114332622A (zh) | 一种基于机器视觉的标签检测方法 | |
| Zhang et al. | Fabric defect detection based on visual saliency map and SVM | |
| CN113333329A (zh) | 一种基于深度学习的烟支缺陷检测系统 | |
| CN108564020B (zh) | 基于全景3d图像的微手势识别方法 | |
| CN106156774A (zh) | 影像处理方法及影像处理系统 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200306 |
|
| RJ01 | Rejection of invention patent application after publication |