CN111242177A - 基于卷积神经网络检测药品包装的方法、系统及设备 - Google Patents

基于卷积神经网络检测药品包装的方法、系统及设备 Download PDF

Info

Publication number
CN111242177A
CN111242177A CN202010001494.0A CN202010001494A CN111242177A CN 111242177 A CN111242177 A CN 111242177A CN 202010001494 A CN202010001494 A CN 202010001494A CN 111242177 A CN111242177 A CN 111242177A
Authority
CN
China
Prior art keywords
neural network
convolutional neural
detection
medicine
classification
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.)
Granted
Application number
CN202010001494.0A
Other languages
English (en)
Other versions
CN111242177B (zh
Inventor
王光夫
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.)
Tianjin Seweilansi Technology Co ltd
Original Assignee
Tianjin Seweilansi Technology Co ltd
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 Tianjin Seweilansi Technology Co ltd filed Critical Tianjin Seweilansi Technology Co ltd
Priority to CN202010001494.0A priority Critical patent/CN111242177B/zh
Publication of CN111242177A publication Critical patent/CN111242177A/zh
Application granted granted Critical
Publication of CN111242177B publication Critical patent/CN111242177B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/06—Recognition of objects for industrial automation
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computational Linguistics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Medical Preparation Storing Or Oral Administration Devices (AREA)

Abstract

本发明涉及一种基于卷积神经网络检测药品包装的方法、系统及设备，将多种药品图像样本和残缺背面铝塑、铝箔材质封皮图像样本进行人工分类标记，通过卷积神经网络进行分类样本训练，同时兼容透明和不透明的两种泡罩板，在流水线的检测区域自动识别药品包装是否存在药品粉碎、渗漏、背面铝塑材质的砂眼、破损、褶皱等缺陷，给出剔除反馈信号并与流水线中的剔除机构联动，自动化程度高，提高生产效率，具有较高的应用和推广价值。

Description

基于卷积神经网络检测药品包装的方法、系统及设备
技术领域
本发明涉及药品包装检测技术领域，尤其涉及一种基于卷积神经网络检测药品包装的方法、系统及设备。
背景技术
药品泡罩板是目前胶囊类药品主要的包装形式，一些较贵的药片和部分中成药也是由泡罩板包装，此包装的特点为泡罩板背面外部全面由不透明的铝塑铝形式材质覆盖，而正面分为不透明塑料和透明塑料两种形式。药品出厂时需要对其进行检测，正面透明的药品检测一般比较简单，但是对于正面不透明的塑料泡罩板在外观检测及渗漏检测中都存在着困难。综上所述，设计一款可以同时检测透明和不透明的药品泡罩板中各种不良缺陷的在线检测设备，并可以同时检测背面铝塑铝形式材质的砂眼、破损、褶皱缺陷，以及正面是否存在药品粉碎，渗漏等缺陷，成为了亟待解决的问题。
发明内容
本发明所要解决的技术问题是克服现有技术中存在的不足，提供一种基于卷积神经网络检测药品包装的方法、系统及设备。
本发明是通过以下技术方案予以实现：
一种基于卷积神经网络检测药品包装的方法，其特征在于，包括如下步骤：a.采集多种药品图像样本，进行人工分类标记；b.使用卷积神经网络将已标记的所述药品图像样本进行分类样本训练，生成药品检测模型；c.采集多种残缺背面铝塑、铝箔材质封皮图像样本，进行人工分类标记；d.使用卷积神经网络将已标记的所述封皮图像样本进行分类样本训练，生成封皮检测模型；e.药片板进入检测区域，工业摄像头采集所述药品板上方图像，通过所述药品检测模型进行分类识别，输出正面检测结果；f.工业摄像头采集所述药品板下方图像，通过所述封皮检测模型进行分类识别，输出背面检测结果；g.根据所述正面检测结果和背面检测结果处理药片板。
根据上述技术方案，优选地，所述药品图像样本包括有胶囊、有药片、有药球、脏污胶囊、脏污药片、脏污药球、空包装、不透明包装以及不透明包装有褶皱。
根据上述技术方案，优选地，所述封皮图像样本包括砂眼、裂口以及褶皱缺陷。
根据上述技术方案，优选地，步骤f还包括：使用卷积神经网络训练生成的模型进行分类识别时，设置缺陷阈值。
根据上述技术方案，优选地，步骤g还包括：当正面检测和背面检测合格时，向下位机传送OK信号，药片板向后方传送；当正面检测和背面检测不合格时，向下位机传送NG信号，控制器接收NG信号，通过触发传感器启动气动设备，将不合格药片板剔除。
本发明公开了一种基于卷积神经网络检测药品包装的系统，包括：药品标记单元，采集多种药品图像样本，进行人工分类标记；药品训练单元，使用卷积神经网络将已标记的所述药品图像样本进行分类样本训练，生成药品检测模型；封皮标记单元，采集多种残缺背面铝塑、铝箔材质封皮图像样本，进行人工分类标记；封皮训练单元，使用卷积神经网络将已标记的所述封皮图像样本进行分类样本训练，生成封皮检测模型；药品检测单元，药片板进入检测区域，工业摄像头采集所述药品板上方图像，通过所述药品检测模型进行分类识别，输出正面检测结果；封皮检测单元，工业摄像头采集所述药品板下方图像，通过所述封皮检测模型进行分类识别，输出背面检测结果；处理单元，根据所述正面检测结果和背面检测结果处理药片板。
根据上述技术方案，优选地，所述封皮检测单元包括阈值模块，使用卷积神经网络训练生成的模型进行分类识别时，设置缺陷阈值。
本发明还公开了一种基于卷积神经网络检测药品包装的设备，包括两个传送带、设于两传送带之间的检测区域以及设于检测区域下游位置的剔除机构，所述剔除机构包括与检测区域电连接的控制器、与控制器电连接的触发传感器以及与触发传感器电连接的气动设备。
根据上述技术方案，优选地，所述检测区域包括透明光学玻璃以及设于透明光学玻璃两侧的工业摄像头。
本发明的有益效果是：
本发明通过一种识别技术同时兼容透明和不透明的两种泡罩板，在流水线的检测区域自动识别药品包装是否存在药品粉碎、渗漏、背面铝塑材质的砂眼、破损、褶皱等缺陷，给出剔除反馈信号并与流水线中的剔除机构联动，自动化程度高，提高生产效率，具有较高的应用和推广价值。
附图说明
图1是本发明药品包装的检测流程示意图。
图2是本发明的硬件设备示意图。
图中：1、传送带；2、工业摄像头；3、透明光学玻璃。
具体实施方式
为了使本技术领域的技术人员更好地理解本发明的技术方案，下面结合附图和最佳实施例对本发明作进一步的详细说明。
如图所示，本发明包括如下步骤：a.采集多种药品图像样本，进行人工分类标记；b.使用卷积神经网络将已标记的所述药品图像样本进行分类样本训练，生成药品检测模型；c.采集多种残缺背面铝塑、铝箔材质封皮图像样本，进行人工分类标记；d.使用卷积神经网络将已标记的所述封皮图像样本进行分类样本训练，生成封皮检测模型；e.药片板进入检测区域，工业摄像头2采集所述药品板上方图像，通过所述药品检测模型进行分类识别，输出正面检测结果，其中，通过传统轮廓特征提取算法，将药品板上方图像分别裁剪成N个药品粒识别区域，将裁剪后的区域图像送入预先训练的卷积神经网络中进行分类识别，输出正面检测结果，如果是透明无药品或者是不透明褶皱则报警有药品缺失，如果是判定有脏污则报警有脏污，如果没有以上问题则认为检测合格；f.工业摄像头2采集所述药品板下方图像，通过所述封皮检测模型进行分类识别，输出背面检测结果；g.根据所述正面检测结果和背面检测结果处理药片板。本例中可以使用例如frcnn、yolo等卷积神经网络进行训练，实现轮廓提取同时进行分类。本发明通过一种识别技术同时兼容透明和不透明的两种泡罩板，在流水线的检测区域自动识别药品包装是否存在药品粉碎、渗漏、背面铝塑材质的砂眼、破损、褶皱等缺陷，给出剔除反馈信号并与流水线中的剔除机构联动，自动化程度高，提高生产效率。
根据上述实施例，优选地，所述药品图像样本包括有胶囊、有药片、有药球、脏污胶囊、脏污药片、脏污药球、空包装、不透明包装以及不透明包装有褶皱。对各种不同类别的药品图像样本进行人工标记，并用卷积神经网络进行分类样本训练。
根据上述实施例，优选地，所述封皮图像样本包括砂眼、裂口以及褶皱缺陷。对砂眼、裂口、褶皱类别进行深度学习卷积神经网络样本定位检测模型训练，让模型可以有效的在药品背面进行砂眼、裂口、褶皱缺陷进行检测。
根据上述实施例，优选地，步骤f还包括：使用卷积神经网络训练生成的模型进行分类识别时，设置缺陷阈值。缺陷阈值即可放行的阈值，将缺陷阈值提高则当判定为肯定是缺陷才认定，误判情况较多，将阈值设低则为宁可误判不能漏过。
根据上述实施例，优选地，步骤g还包括：当正面检测和背面检测合格时，向下位机传送OK信号，药片板向后方传送；当正面检测和背面检测不合格时，向下位机传送NG信号，控制器接收NG信号，通过触发传感器启动气动设备，将不合格药片板剔除。检测区域联动流水线中的剔除机构，当检测出某个药片板有缺陷时，通过下游设备计数至该缺陷药片板时触发剔除机构将药片板剔除。
本发明公开了一种基于卷积神经网络检测药品包装的系统，包括：药品标记单元，采集多种药品图像样本，进行人工分类标记；药品训练单元，使用卷积神经网络将已标记的所述药品图像样本进行分类样本训练，生成药品检测模型；封皮标记单元，采集多种残缺背面铝塑、铝箔材质封皮图像样本，进行人工分类标记；封皮训练单元，使用卷积神经网络将已标记的所述封皮图像样本进行分类样本训练，生成封皮检测模型；药品检测单元，药片板进入检测区域，工业摄像头2采集所述药品板上方图像，通过所述药品检测模型进行分类识别，输出正面检测结果；封皮检测单元，工业摄像头2采集所述药品板下方图像，通过所述封皮检测模型进行分类识别，输出背面检测结果；处理单元，根据所述正面检测结果和背面检测结果处理药片板。
根据上述实施例，优选地，所述封皮检测单元包括阈值模块，使用卷积神经网络训练生成的模型进行分类识别时，设置缺陷阈值。
本发明还公开了一种基于卷积神经网络检测药品包装的设备，包括两个传送带1、设于两传送带1之间的检测区域以及设于检测区域下游位置的剔除机构，所述剔除机构包括与检测区域电连接的控制器、与控制器电连接的触发传感器以及与触发传感器电连接的气动设备。当正面检测和背面检测不合格时，向下位机传送NG信号，控制器接收NG信号，计数器计数至该缺陷药片板时，通过触发传感器启动气动设备，将不合格药片板吹出。
根据上述实施例，优选地，所述检测区域包括透明光学玻璃3以及设于透明光学玻璃3两侧的工业摄像头2。
本发明通过一种识别技术同时兼容透明和不透明的两种泡罩板，在流水线的检测区域自动识别药品包装是否存在药品粉碎、渗漏、背面铝塑材质的砂眼、破损、褶皱等缺陷，给出剔除反馈信号并与流水线中的剔除机构联动，自动化程度高，提高生产效率。
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，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (9)

1.一种基于卷积神经网络检测药品包装的方法，其特征在于，包括如下步骤：a.采集多种药品图像样本，进行人工分类标记；b.使用卷积神经网络将已标记的所述药品图像样本进行分类样本训练，生成药品检测模型；c.采集多种残缺背面铝塑、铝箔材质封皮图像样本，进行人工分类标记；d.使用卷积神经网络将已标记的所述封皮图像样本进行分类样本训练，生成封皮检测模型；e.药片板进入检测区域，工业摄像头采集所述药品板上方图像，通过所述药品检测模型进行分类识别，输出正面检测结果；f.工业摄像头采集所述药品板下方图像，通过所述封皮检测模型进行分类识别，输出背面检测结果；g.根据所述正面检测结果和背面检测结果处理药片板。
2.根据权利要求1所述一种基于卷积神经网络检测药品包装的方法，其特征在于，所述药品图像样本包括有胶囊、有药片、有药球、脏污胶囊、脏污药片、脏污药球、空包装、不透明包装以及不透明包装有褶皱。
3.根据权利要求1或2所述一种基于卷积神经网络检测药品包装的方法，其特征在于，所述封皮图像样本包括砂眼、裂口以及褶皱缺陷。
4.根据权利要求3所述一种基于卷积神经网络检测药品包装的方法，其特征在于，步骤f还包括：使用卷积神经网络训练生成的模型进行分类识别时，设置缺陷阈值。
5.根据权利要求4所述一种基于卷积神经网络检测药品包装的方法，其特征在于，步骤g还包括：当正面检测和背面检测合格时，向下位机传送OK信号，药片板向后方传送；当正面检测和背面检测不合格时，向下位机传送NG信号，控制器接收NG信号，通过触发传感器启动气动设备，将不合格药片板剔除。
6.一种基于卷积神经网络检测药品包装的系统，基于权利要求5所述一种基于卷积神经网络检测药品包装的方法，其特征在于，包括：
药品标记单元，采集多种药品图像样本，进行人工分类标记；
药品训练单元，使用卷积神经网络将已标记的所述药品图像样本进行分类样本训练，生成药品检测模型；
封皮标记单元，采集多种残缺背面铝塑、铝箔材质封皮图像样本，进行人工分类标记；
封皮训练单元，使用卷积神经网络将已标记的所述封皮图像样本进行分类样本训练，生成封皮检测模型；
药品检测单元，药片板进入检测区域，工业摄像头采集所述药品板上方图像，通过所述药品检测模型进行分类识别，输出正面检测结果；
封皮检测单元，工业摄像头采集所述药品板下方图像，通过所述封皮检测模型进行分类识别，输出背面检测结果；
处理单元，根据所述正面检测结果和背面检测结果处理药片板。
7.根据权利要求6所述一种基于卷积神经网络检测药品包装的系统，其特征在于，所述封皮检测单元包括阈值模块，使用卷积神经网络训练生成的模型进行分类识别时，设置缺陷阈值。
8.一种基于卷积神经网络检测药品包装的设备，基于权利要求5所述一种基于卷积神经网络检测药品包装的方法，其特征在于，包括两个传送带、设于两传送带之间的检测区域以及设于检测区域下游位置的剔除机构，所述剔除机构包括与检测区域电连接的控制器、与控制器电连接的触发传感器以及与触发传感器电连接的气动设备。
9.根据权利要求8所述一种基于卷积神经网络检测药品包装的设备，其特征在于，所述检测区域包括透明光学玻璃以及设于透明光学玻璃两侧的工业摄像头。
CN202010001494.0A 2020-01-02 2020-01-02 基于卷积神经网络检测药品包装的方法、系统及设备 Active CN111242177B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010001494.0A CN111242177B (zh) 2020-01-02 2020-01-02 基于卷积神经网络检测药品包装的方法、系统及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010001494.0A CN111242177B (zh) 2020-01-02 2020-01-02 基于卷积神经网络检测药品包装的方法、系统及设备

Publications (2)

Publication Number Publication Date
CN111242177A true CN111242177A (zh) 2020-06-05
CN111242177B CN111242177B (zh) 2023-07-21

Family

ID=70865911

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010001494.0A Active CN111242177B (zh) 2020-01-02 2020-01-02 基于卷积神经网络检测药品包装的方法、系统及设备

Country Status (1)

Country Link
CN (1) CN111242177B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113988666A (zh) * 2021-11-01 2022-01-28 常州天晟紫金自动化设备有限公司 一种有机硅混炼胶智能定量包装方法及系统
CN114088730A (zh) * 2022-01-24 2022-02-25 心鉴智控(深圳)科技有限公司 一种运用图像处理检测铝塑泡罩瑕疵的方法及系统
CN115049620A (zh) * 2022-06-17 2022-09-13 中轻长泰(长沙)智能科技股份有限公司 一种纸垛外观检测方法、装置、设备及存储介质
CN115578380A (zh) * 2022-11-18 2023-01-06 菲特（天津）检测技术有限公司 一种基于机器视觉的泡罩缺陷通用检测方法
CN116429976A (zh) * 2023-04-19 2023-07-14 北京市永康药业有限公司 一种注射剂生产包装质量检测方法及系统

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102556437A (zh) * 2010-12-29 2012-07-11 吴士敏 离线式全自动泡罩包装质量检测系统及其方法
CN107525808A (zh) * 2017-07-27 2017-12-29 佛山市南海区广工大数控装备协同创新研究院 一种生产线上泡罩药品分类及缺陷在线视觉检测方法
CN107894431A (zh) * 2017-12-29 2018-04-10 福建工程学院 一种基于机器视觉的两节式胶囊药板质检装置及方法
CN108229561A (zh) * 2018-01-03 2018-06-29 北京先见科技有限公司 一种基于深度学习的颗粒产品缺陷检测方法
CN108344743A (zh) * 2018-02-02 2018-07-31 佛山职业技术学院 一种基于机器视觉药品泡罩包装缺陷检测方法及系统
CN109248868A (zh) * 2018-10-10 2019-01-22 东华大学 基于机器视觉与plc技术的纽扣次品剔除系统
CN109389599A (zh) * 2018-10-25 2019-02-26 北京阿丘机器人科技有限公司 一种基于深度学习的缺陷检测方法及装置
CN110013967A (zh) * 2019-04-16 2019-07-16 浙江理工大学 一种胶囊瑕疵抛丸全检装置

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102556437A (zh) * 2010-12-29 2012-07-11 吴士敏 离线式全自动泡罩包装质量检测系统及其方法
CN107525808A (zh) * 2017-07-27 2017-12-29 佛山市南海区广工大数控装备协同创新研究院 一种生产线上泡罩药品分类及缺陷在线视觉检测方法
CN107894431A (zh) * 2017-12-29 2018-04-10 福建工程学院 一种基于机器视觉的两节式胶囊药板质检装置及方法
CN108229561A (zh) * 2018-01-03 2018-06-29 北京先见科技有限公司 一种基于深度学习的颗粒产品缺陷检测方法
CN108344743A (zh) * 2018-02-02 2018-07-31 佛山职业技术学院 一种基于机器视觉药品泡罩包装缺陷检测方法及系统
CN109248868A (zh) * 2018-10-10 2019-01-22 东华大学 基于机器视觉与plc技术的纽扣次品剔除系统
CN109389599A (zh) * 2018-10-25 2019-02-26 北京阿丘机器人科技有限公司 一种基于深度学习的缺陷检测方法及装置
CN110013967A (zh) * 2019-04-16 2019-07-16 浙江理工大学 一种胶囊瑕疵抛丸全检装置

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113988666A (zh) * 2021-11-01 2022-01-28 常州天晟紫金自动化设备有限公司 一种有机硅混炼胶智能定量包装方法及系统
CN113988666B (zh) * 2021-11-01 2022-08-09 常州天晟紫金自动化设备有限公司 一种有机硅混炼胶智能定量包装方法及系统
CN114088730A (zh) * 2022-01-24 2022-02-25 心鉴智控(深圳)科技有限公司 一种运用图像处理检测铝塑泡罩瑕疵的方法及系统
CN115049620A (zh) * 2022-06-17 2022-09-13 中轻长泰(长沙)智能科技股份有限公司 一种纸垛外观检测方法、装置、设备及存储介质
CN115049620B (zh) * 2022-06-17 2024-03-26 中轻长泰(长沙)智能科技股份有限公司 一种纸垛外观检测方法、装置、设备及存储介质
CN115578380A (zh) * 2022-11-18 2023-01-06 菲特（天津）检测技术有限公司 一种基于机器视觉的泡罩缺陷通用检测方法
CN116429976A (zh) * 2023-04-19 2023-07-14 北京市永康药业有限公司 一种注射剂生产包装质量检测方法及系统
CN116429976B (zh) * 2023-04-19 2023-11-21 北京市永康药业有限公司 一种注射剂生产包装质量检测方法及系统

Also Published As

Publication number Publication date
CN111242177B (zh) 2023-07-21

Similar Documents

Publication Publication Date Title
CN111242177A (zh) 基于卷积神经网络检测药品包装的方法、系统及设备
CN107270841A (zh) 一种包装袋喷码缺陷检测机构
US10718717B2 (en) Inspection of sealing quality in blister packages
CN103287777B (zh) 误操作防止装置以及设有误操作防止装置的分拣设备
CN216762267U (zh) 一种用于包装前的模盒烟支组烟支表面检测装置
CN107127163A (zh) 一种新型纽扣分拣装置
CN210847264U (zh) 一种基于机器视觉的软包装剔废装置
CN112605000A (zh) 一种模切片材自动光学检测方法及其设备
WO2022215296A1 (ja) 検査装置、ブリスター包装機及びブリスターパックの製造方法
CN109759348A (zh) 一种全自动缺陷泡罩药板分拣设备和分拣方法
CN1474177A (zh) 多传感器融合智能透明容器检测设备及检测方法
JP3983756B2 (ja) 打ち抜きステージ
CN214777069U (zh) 两相机烟箱外观质量检测装置
JP5161905B2 (ja) 錠剤検査装置及びｐｔｐ包装機
CN109675821A (zh) 一种片剂物质自动化包装设备
CN106925532A (zh) 一种基于光电触发信号的容器标准规格在线检测系统及检测方法
CN216771575U (zh) 一种包装产品外观检测装置
CN216827301U (zh) 一种药品包装过程的自动检测系统
CN109647738A (zh) 一种高速成像分拣系统及分拣方法
CN217165388U (zh) 一种不合格手套分级筛选装置
CN213337368U (zh) 一种检测无死角的瓶盖视觉检测设备
CN212494033U (zh) 烟包外观检测装置及烟包包装机
JP2006208209A (ja) 検査装置及びｐｔｐ包装機
CN207964660U (zh) 一种烟标多警句检测设备
CN110473389A (zh) 集成电路板生产过程智能生产监控系统

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