CN112345534A - 一种基于视觉的泡罩板中颗粒的缺陷检测方法及系统 - Google Patents
一种基于视觉的泡罩板中颗粒的缺陷检测方法及系统 Download PDFInfo
- Publication number
- CN112345534A CN112345534A CN202011185909.0A CN202011185909A CN112345534A CN 112345534 A CN112345534 A CN 112345534A CN 202011185909 A CN202011185909 A CN 202011185909A CN 112345534 A CN112345534 A CN 112345534A
- Authority
- CN
- China
- Prior art keywords
- particle
- image
- particles
- defect detection
- similarity function
- 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
Links
Images
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
- 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
-
- 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
Abstract
本发明涉及一种基于视觉的泡罩板中颗粒的缺陷检测方法及系统,该方法具体为:获取样本颗粒的缺陷检测图像P1和泡罩板的缺陷检测图像P2,缺陷检测图像含有颗粒轮廓;通过图像相似度函数计算样本颗粒和待检测颗粒的颗粒轮廓内区域的相似度,根据相似度判断待检测颗粒是否合格;缺陷检测图像的获取过程为:通过单目相机拍摄第一颗粒图像,对该图像进行灰度化、二值化处理和边缘检测,转换至世界坐标系,获得第二颗粒图像,在该图像上提取颗粒的颗粒轮廓,颗粒轮廓的尺寸参数与设定尺寸参数之间的误差位于设定误差范围内,再转换至相机坐标系,获得含有颗粒轮廓的缺陷检测图像。与现有技术相比,本发明具有成本低、适用范围广和可靠性高等优点。
Description
技术领域
本发明涉及机器视觉领域,尤其是涉及一种基于视觉的泡罩板中颗粒的缺陷检测方法及系统。
背景技术
泡罩板药片在出厂前往往需要检测员对药片进行缺陷检测,这一环节采用人工的方式不仅工作强度高而且检测速度慢。目前通过视觉进行缺陷自动检测的方法应运而生。在控制外界环境条件下,进行相同或者单调背景下药片或胶囊的检测技术已经相对成熟,但是针对传送带中装入泡罩板中药片识别,由于传送带传送精度问题,以及背景由于泡罩板的存在而不再单调,采用图片灰度化,然后进行边缘检测,往往会在检测到药片或胶囊部分轮廓的同时,还存在大量的泡罩板轮廓,同时由于现有拍摄图片质量和光照的影响,很难从含有工作台以及泡罩板的图片中将药片轮廓辨识到以及筛选候选药片。
现有技术也给出了一些解决方案:
中国专利CN201910217964.4公开了一种基于机器视觉的铝/铝泡罩包装药片识别与定位方法,用语自动识别药片并实现定位。本发明由图像采集,ROI提取,彩色像素统计,显著性物体(药片)提取,药片轮廓识别,轮廓质心提取,坐标排序与夹具位置定位等步骤构成。通过以上步骤,可以自适应地实现不同规格铝/铝泡罩包装药片识别,实现药片位置的量化输出,提高剥药机生产效率。但该专利需要进行药片图像进行提取,计算过程复杂。
中国专利CN202010002924.0提出了一种基于X光成像和深度学习的胶囊识别与检测方法,通过X光成像设备采集各类胶囊样本图像;对胶囊样本图像中各类胶囊样本进行分类标记,使用卷积神经网络对已标记的胶囊样本进行种类分析训练,生成主识别模型;对各类胶囊样本内药品区域和空气区域进行区域分割和种类分析训练,生成子检测模型;获得待检测胶囊在X光下的伪彩色图像;对待检测胶囊进行识别检测;输出检测结果,在现有的胶囊外观检测基础上,通过X光成像设备对胶囊内部进行成像,可以判断不透明胶囊中药量是否满足要求,实现胶囊内外同时检测,自动化程度高。但该专利需要依靠专门的成像设备,成本高。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于视觉的泡罩板中药片缺陷检测方法及系统。过程简单,成本低,适用范围广,可靠性高。
本发明的目的可以通过以下技术方案来实现:
一种基于视觉的泡罩板中颗粒的缺陷检测方法,具体为:
获取样本颗粒的缺陷检测图像P1和泡罩板的缺陷检测图像P2,所述的P1含有样本颗粒的颗粒轮廓,所述的P2含有泡罩板上各个待检测颗粒的颗粒轮廓;
通过图像相似度函数计算样本颗粒的颗粒轮廓内的区域与待检测颗粒的颗粒轮廓内的区域的相似度,若相似度大于设定阈值,则判定该待检测颗粒合格,否则判定该待检测颗粒不合格;
其中,所述的缺陷检测图像及颗粒轮廓的获取过程具体为:
通过标定过的单目相机拍摄含有颗粒的第一颗粒图像,对第一颗粒图像依次进行灰度化、二值化处理和边缘检测,再转换至世界坐标系,获得第二颗粒图像,在第二颗粒图像上提取颗粒的颗粒轮廓,该颗粒轮廓的尺寸参数与设定尺寸参数之间的误差位于设定误差范围内,将第二颗粒图像转换至相机坐标系,获得含有颗粒轮廓的缺陷检测图像。
进一步地,通过Canny边缘检测算子对第一颗粒图像进行边缘检测,通过Hough变换算法在第二颗粒图像上提取颗粒轮廓;
所述的Hough变换算法能容忍特征边界描述中的间隙,并且相对不受图像噪声的影响,所述的Hough变换算法可以扩展到任意形状的物体识别,但在仅有目标形状情况无法得知颗粒的尺寸,而Canny边缘检测算子能够检测到颗粒的边缘,所述的Hough变换算法再根据获得的边缘提取颗粒轮廓。
进一步地,判断泡罩板的缺陷检测图像所含有的颗粒轮廓的数量是否等于设定数量,若是则判定该泡罩板合格,否则判定该泡罩板不合格,缺少颗粒。
进一步地,所述的图像相似度函数为基于深度学习的相似度函数,或为颜色相似度函数和结构相似度函数的乘积,所述的结构相似度函数提取结构相似性SSIM指数,所述的颜色相似度函数提取巴氏系数。
一种基于视觉的泡罩板中颗粒的缺陷检测系统,包括:
图像获取模块,用于通过单目相机获取相机坐标系下的第一颗粒图像;
图像处理模块,用于对第一颗粒图像依次进行灰度化、二值化处理和边缘检测,并转换至世界坐标系,获得第二颗粒图像;
轮廓提取模块,用于在第二颗粒图像上提取颗粒的颗粒轮廓,该颗粒轮廓的尺寸参数与设定尺寸参数之间的误差位于设定误差范围内,再将第二颗粒图像转换至相机坐标系,获得含有颗粒轮廓的缺陷检测图像;
缺陷检测模块,用于获取样本颗粒的缺陷检测图像P1和泡罩板的缺陷检测图像P2,并通过图像相似度函数计算样本颗粒的颗粒轮廓内的区域与待检测颗粒的颗粒轮廓内的区域的相似度,若相似度大于设定阈值,则判定该待检测颗粒合格,否则判定该待检测颗粒不合格。
进一步地,所述的图像处理模块通过Canny边缘检测算子对第一颗粒图像进行边缘检测,所述的轮廓提取模块通过Hough变换算法提取颗粒的颗粒轮廓;
所述的Hough变换算法能容忍特征边界描述中的间隙,并且相对不受图像噪声的影响,所述的Hough变换算法可以扩展到任意形状的物体识别,但在仅有目标形状情况无法得知颗粒的尺寸,而Canny边缘检测算子能够检测到颗粒的边缘,所述的Hough变换算法再根据获得的边缘提取颗粒轮廓。
进一步地,所述的缺陷检测模块判断泡罩板的缺陷检测图像含有的颗粒轮廓的数量是否等于设定数量,若是则判定该泡罩板合格,否则判定该泡罩板不合格。
进一步地,所述的图像相似度函数为基于深度学习的相似度函数,或为颜色相似度函数和结构相似度函数的乘积,所述的结构相似度函数提取结构相似性SSIM指数,所述的颜色相似度函数提取巴氏系数。
与现有技术相比,本发明具有以如下有益效果:
(1)本发明通过单目相机拍摄含有颗粒的第一颗粒图像,经过轮廓提取和坐标系转换,获得含有颗粒轮廓的缺陷检测图像,在提取颗粒轮廓时通过设定尺寸参数和设定误差范围限制颗粒轮廓的尺寸参数,无论待检测颗粒是否完全填充第二颗粒轮廓,提取难度低,再通过图像相似度函数计算样本颗粒和待检测颗粒各自的颗粒轮廓所包含区域之间的相似度,通过相似度判断待检测颗粒是否合格,缺陷检测过程只需要一台单目相机和一颗合格的样本颗粒,成本低,提取颗粒轮廓的尺寸参数稳定,能充分利用颗粒轮廓内的图像信息,避免环境因素导致颗粒轮廓的大小不一,检测可靠性高,适用于任意形状的颗粒以及各种光照环境,适用范围广;
(2)本发明通过Hough变换算法对颗粒边缘进行提取,精确地获得第二颗粒轮廓,检测的准确度高;
(3)本发明通过泡罩板的缺陷检测图像含有的颗粒轮廓的数量判断泡罩板是否缺少颗粒,操作简单,准确性高;
(4)本发明采用颜色相似度函数和结构相似度函数的乘积作为图像相似度函数,颜色相似度函数提取巴氏系数,结构相似度函数提取结构相似性SSIM指数,从颜色和结构方面判断待检测颗粒和样本颗粒在表观方面的相似度,进一步确定待检测颗粒是否存在缺陷,准确度高;
(5)本发明采用基于深度学习的相似度函数,能充分提取特征,相似度计算准确度高。
附图说明
图1为本发明的方法流程图;
图2为颗粒分布区域的获取流程图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
实施例1
一种基于视觉的泡罩板中颗粒的缺陷检测方法,颗粒的形状为圆形片状,如图1,该方法具体为:
S1:获取样本颗粒的缺陷检测图像P1和泡罩板的缺陷检测图像P2,P1含有样本颗粒的颗粒轮廓,P2含有泡罩板上各个待检测颗粒的颗粒轮廓;
S2:通过图像相似度函数Sim(B0,B1)计算样本颗粒的颗粒轮廓内的区域与待检测颗粒的颗粒轮廓内的区域的相似度,B0为样本颗粒的颗粒轮廓内区域的表观信息,B1为待检测颗粒的颗粒轮廓内区域的表观信息,Sim(B0,B1)为颜色相似度函数和结构相似度函数的乘积,结构相似度函数提取结构相似性SSIM指数,颜色相似度函数提取巴氏系数;
S3:若相似度大于设定阈值,则判定该待检测颗粒合格,否则判定该待检测颗粒不合格,存在残缺或污损。
本实施例中的缺陷检测方法还可以判断泡罩板的缺陷检测图像所含有的颗粒轮廓的数量是否等于设定数量,若是则判定该泡罩板合格,否则判定该泡罩板不合格,缺少颗粒。
如图2,含有颗粒轮廓的缺陷检测图像的获取过程具体为:
S101:对单目相机进行标定,通过单目相机获取相机坐标系下的含有颗粒的第一颗粒图像;
S102:对第一颗粒图像依次进行灰度化、二值化处理和边缘检测,获得二值图像BWc以及BWc上的颗粒边缘,利用以下公式找到BWc中像素为1的像素坐标(xc,yc):
(xc,yc)=find(BWc==1)
再将BWc转换至世界坐标系,获得第二颗粒图像,(xc,yc)对应转换为世界坐标系下的(xw,yw),世界坐标系与相机坐标系的对应关系如下:
fx=af
fy=βf
其中,zw=0,(cx,cy)为像主点坐标,γ为径向畸变参数,a和β表示图像上单位距离上像素的个数,R为相机方向的旋转矩阵,t为相机中心位置的三维平移向量,第三颗粒图像中除了(xw,yw)的像素值为1外,其余像素点的像素值均为0;
S103:通过Hough变换算法在第二颗粒图像上对步骤S102检测到的颗粒边缘进行轮廓提取,获得颗粒的圆形的颗粒轮廓,此时该颗粒轮廓上像素点的坐标为(xd,yd),圆形的颗粒轮廓的半径与设定半径之间的误差位于设定误差范围内;
S104:将第二颗粒图像转换至相机坐标系,获得缺陷检测图像,(xd,yd)对应转换为(xc′,yc′),此时(xc′,yc′)所构成的封闭区域即缺陷检测图像上的颗粒轮廓。
实施例2
本实施例中,颗粒的形状为胶囊状,颗粒轮廓为腰形轮廓,颗粒轮廓的尺寸参数为腰形轮廓的两个半圆的直径以及圆心间距,两个半圆的直径与设定直径的误差均位于设定直径误差范围内,两个半圆的圆心间距与设定间距的误差也位于设定间距误差范围内。其它与实施例1相同。
实施例3
本实施例中,图像相似度函数为基于深度学习的相似度函数,其它与实施例1相同。
实施例4
一种基于视觉的泡罩板中颗粒的缺陷检测系统,包括图像获取模块、图像处理模块、轮廓提取模块和缺陷检测模块;
图像获取模块用于通过单目相机获取相机坐标系下的第一颗粒图像;
图像处理模块用于对第一颗粒图像依次进行灰度化、二值化处理和边缘检测,并转换至世界坐标系,获得第二颗粒图像;
轮廓提取模块用于在第二颗粒图像上提取颗粒的颗粒轮廓,该颗粒轮廓的尺寸参数与设定尺寸参数之间的误差位于设定误差范围内,再将第二颗粒图像转换至相机坐标系,获得含有颗粒轮廓的缺陷检测图像;
缺陷检测模块用于获取样本颗粒的缺陷检测图像P1和泡罩板的缺陷检测图像P2,并通过图像相似度函数计算样本颗粒的颗粒轮廓内的区域与待检测颗粒的颗粒轮廓内的区域的相似度,若相似度大于设定阈值,则判定该待检测颗粒合格,否则判定该待检测颗粒不合格。
图像处理模块通过Canny边缘检测算子对第一颗粒图像进行边缘检测,轮廓提取模块通过Hough变换算法提取颗粒的颗粒轮廓;
Hough变换算法能容忍特征边界描述中的间隙,并且相对不受图像噪声的影响,Hough变换算法可以扩展到任意形状的物体识别,但在仅有目标形状情况无法得知颗粒的尺寸,而Canny边缘检测算子能够检测到颗粒的边缘,Hough变换算法再根据获得的边缘提取颗粒轮廓。
缺陷检测模块判断泡罩板的缺陷检测图像含有的颗粒轮廓的数量是否等于设定数量,若是则判定该泡罩板合格,否则判定该泡罩板不合格。
图像相似度函数为颜色相似度函数和结构相似度函数的乘积,结构相似度函数提取结构相似性SSIM指数,颜色相似度函数提取巴氏系数。
实施例5
本实施例中,图像相似度函数为基于深度学习的相似度函数,其它与实施例4相同。
实施例6
本实施例中,颗粒的形状为胶囊状,获得的颗粒轮廓为腰形轮廓,颗粒轮廓的尺寸参数为腰形轮廓的两个半圆的直径以及圆心间距,两个半圆的直径与设定直径的误差均位于设定误差范围内,两个半圆的圆心间距与设定间距的误差也位于设定间距误差范围内。其它与实施例4相同。
实施例1、实施例2、实施例3、实施例4、实施例5和实施例6提出了一种基于视觉的泡罩板中颗粒的缺陷检测方法及系统,根据颗粒的真实尺寸和形状信息提取颗粒的颗粒轮廓,颗粒轮廓内的颗粒不一定完整,通过相似度判定待检测颗粒是否合格,与采用背景减除方法或者结合灰度图片二值化和边缘检测的方法相比,精度更高,缺陷检测过程只需要一台单目相机和一颗合格的样本颗粒,成本低,提取颗粒轮廓的尺寸参数稳定,能充分利用颗粒轮廓内的图像信息,避免环境因素导致颗粒轮廓的大小不一,检测可靠性高,适用于任意形状的颗粒以及各种光照环境,适用范围广。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种基于视觉的泡罩板中颗粒的缺陷检测方法,其特征在于,具体为:
获取样本颗粒的缺陷检测图像P1和泡罩板的缺陷检测图像P2,所述的P1含有样本颗粒的颗粒轮廓,所述的P2含有泡罩板上各个待检测颗粒的颗粒轮廓;
通过图像相似度函数计算样本颗粒的颗粒轮廓内的区域与待检测颗粒的颗粒轮廓内的区域的相似度,若相似度大于设定阈值,则判定该待检测颗粒合格,否则判定该待检测颗粒不合格;
其中,所述的缺陷检测图像及颗粒轮廓的获取过程具体为:
通过标定过的单目相机拍摄含有颗粒的第一颗粒图像,对第一颗粒图像依次进行灰度化、二值化处理和边缘检测,再转换至世界坐标系,获得第二颗粒图像,在第二颗粒图像上提取颗粒的颗粒轮廓,该颗粒轮廓的尺寸参数与设定尺寸参数之间的误差位于设定误差范围内,将第二颗粒图像转换至相机坐标系,获得含有颗粒轮廓的缺陷检测图像。
2.根据权利要求1所述的一种基于视觉的泡罩板中颗粒的缺陷检测方法,其特征在于,通过Hough变换算法提取颗粒轮廓。
3.根据权利要求1所述的一种基于视觉的泡罩板中颗粒的缺陷检测方法,其特征在于,判断泡罩板的缺陷检测图像所含有的颗粒轮廓的数量是否等于设定数量,若是则判定该泡罩板合格,否则判定该泡罩板不合格。
4.根据权利要求1所述的一种基于视觉的泡罩板中颗粒的缺陷检测方法,其特征在于,所述的图像相似度函数为颜色相似度函数和结构相似度函数的乘积。
5.根据权利要求1所述的一种基于视觉的泡罩板中颗粒的缺陷检测方法,其特征在于,所述的图像相似度函数为基于深度学习的相似度函数。
6.一种基于视觉的泡罩板中颗粒的缺陷检测系统,其特征在于,包括:
图像获取模块,用于通过单目相机获取相机坐标系下的第一颗粒图像;
图像处理模块,用于对第一颗粒图像依次进行灰度化、二值化处理和边缘检测,并转换至世界坐标系,获得第二颗粒图像;
轮廓提取模块,用于在第二颗粒图像上提取颗粒的颗粒轮廓,该颗粒轮廓的尺寸参数与设定尺寸参数之间的误差位于设定误差范围内,再将第二颗粒图像转换至相机坐标系,获得含有颗粒轮廓的缺陷检测图像;
缺陷检测模块,用于获取样本颗粒的缺陷检测图像P1和泡罩板的缺陷检测图像P2,并通过图像相似度函数计算样本颗粒的颗粒轮廓内的区域与待检测颗粒的颗粒轮廓内的区域的相似度,若相似度大于设定阈值,则判定该待检测颗粒合格,否则判定该待检测颗粒不合格。
7.根据权利要求6所述的一种基于视觉的泡罩板中颗粒的缺陷检测系统,其特征在于,所述的轮廓提取模块通过Hough变换算法提取颗粒的颗粒轮廓。
8.根据权利要求6所述的一种基于视觉的泡罩板中颗粒的缺陷检测系统,其特征在于,所述的缺陷检测模块判断泡罩板的缺陷检测图像含有的颗粒轮廓的数量是否等于设定数量,若是则判定该泡罩板合格,否则判定该泡罩板不合格。
9.根据权利要求6所述的一种基于视觉的泡罩板中颗粒的缺陷检测系统,其特征在于,所述的图像相似度函数为颜色相似度函数和结构相似度函数的乘积。
10.根据权利要求6所述的一种基于视觉的泡罩板中颗粒的缺陷检测系统,其特征在于,所述的图像相似度函数为基于深度学习的相似度函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011185909.0A CN112345534B (zh) | 2020-10-30 | 2020-10-30 | 一种基于视觉的泡罩板中颗粒的缺陷检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011185909.0A CN112345534B (zh) | 2020-10-30 | 2020-10-30 | 一种基于视觉的泡罩板中颗粒的缺陷检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112345534A true CN112345534A (zh) | 2021-02-09 |
CN112345534B CN112345534B (zh) | 2023-08-04 |
Family
ID=74356595
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011185909.0A Active CN112345534B (zh) | 2020-10-30 | 2020-10-30 | 一种基于视觉的泡罩板中颗粒的缺陷检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112345534B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113560219A (zh) * | 2021-07-12 | 2021-10-29 | 长沙理工大学 | 一种基于机器视觉的药品泡罩包装缺陷检测系统及方法 |
CN115393318A (zh) * | 2022-08-25 | 2022-11-25 | 朗天药业(湖北)有限公司 | 一种血塞通滴丸外观质量检测方法及系统 |
Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000221139A (ja) * | 1999-01-29 | 2000-08-11 | Yamatake Corp | 欠陥検出装置 |
JP2011179853A (ja) * | 2010-02-26 | 2011-09-15 | Ckd Corp | 錠剤検査装置及びptp包装機 |
CN102879404A (zh) * | 2012-10-07 | 2013-01-16 | 复旦大学 | 工业结构化场景中医用胶囊缺陷自动检测的系统 |
JP2016121980A (ja) * | 2014-12-24 | 2016-07-07 | 株式会社リコー | 画像検査装置、画像検査システム及び画像検査方法 |
CN105784711A (zh) * | 2014-12-25 | 2016-07-20 | 锐视(厦门)科技有限公司 | 一种鱼肝油软胶囊外观缺陷视觉检测方法及其装置 |
CN106290382A (zh) * | 2016-07-01 | 2017-01-04 | 广东技术师范学院 | 泡罩药片包装缺陷视觉检测装置及方法 |
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 |
CN108414533A (zh) * | 2018-04-26 | 2018-08-17 | 德清炬诚电子科技有限公司 | 泡罩类包装药品视觉检测设备及方法 |
CN109297984A (zh) * | 2018-11-13 | 2019-02-01 | 正大天晴药业集团股份有限公司 | 一种泡罩包装缺陷检测方法、装置及设备 |
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 |
CN109884070A (zh) * | 2019-03-08 | 2019-06-14 | 武汉大学 | 一种基于机器视觉的铝铝泡罩包装药片缺陷检测方法 |
-
2020
- 2020-10-30 CN CN202011185909.0A patent/CN112345534B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2000221139A (ja) * | 1999-01-29 | 2000-08-11 | Yamatake Corp | 欠陥検出装置 |
JP2011179853A (ja) * | 2010-02-26 | 2011-09-15 | Ckd Corp | 錠剤検査装置及びptp包装機 |
CN102879404A (zh) * | 2012-10-07 | 2013-01-16 | 复旦大学 | 工业结构化场景中医用胶囊缺陷自动检测的系统 |
JP2016121980A (ja) * | 2014-12-24 | 2016-07-07 | 株式会社リコー | 画像検査装置、画像検査システム及び画像検査方法 |
CN105784711A (zh) * | 2014-12-25 | 2016-07-20 | 锐视(厦门)科技有限公司 | 一种鱼肝油软胶囊外观缺陷视觉检测方法及其装置 |
CN106290382A (zh) * | 2016-07-01 | 2017-01-04 | 广东技术师范学院 | 泡罩药片包装缺陷视觉检测装置及方法 |
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 |
CN108414533A (zh) * | 2018-04-26 | 2018-08-17 | 德清炬诚电子科技有限公司 | 泡罩类包装药品视觉检测设备及方法 |
CN109297984A (zh) * | 2018-11-13 | 2019-02-01 | 正大天晴药业集团股份有限公司 | 一种泡罩包装缺陷检测方法、装置及设备 |
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 |
CN109884070A (zh) * | 2019-03-08 | 2019-06-14 | 武汉大学 | 一种基于机器视觉的铝铝泡罩包装药片缺陷检测方法 |
Non-Patent Citations (8)
Title |
---|
付燕等: "一种真彩色图像客观质量评价方法", 《科学技术与工程》 * |
付燕等: "一种真彩色图像客观质量评价方法", 《科学技术与工程》, 8 March 2014 (2014-03-08), pages 233 - 235 * |
吴婉: "机器视觉中泡罩药品包装缺陷检测算法研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 * |
吴婉: "机器视觉中泡罩药品包装缺陷检测算法研究", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》, 15 July 2015 (2015-07-15), pages 10 - 17 * |
赖大虎等: "基于极端学习机的胶囊缺陷检测", 《福州大学学报(自然科学版)》 * |
赖大虎等: "基于极端学习机的胶囊缺陷检测", 《福州大学学报(自然科学版)》, no. 04, 28 August 2012 (2012-08-28) * |
龙永红等: "基于共生矩阵和颜色特征的泡罩包装缺陷检测", 《湖南大学学报(自然科学版)》 * |
龙永红等: "基于共生矩阵和颜色特征的泡罩包装缺陷检测", 《湖南大学学报(自然科学版)》, no. 06, 25 December 2005 (2005-12-25) * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113560219A (zh) * | 2021-07-12 | 2021-10-29 | 长沙理工大学 | 一种基于机器视觉的药品泡罩包装缺陷检测系统及方法 |
CN113560219B (zh) * | 2021-07-12 | 2023-01-24 | 长沙理工大学 | 一种基于机器视觉的药品泡罩包装缺陷检测系统及方法 |
CN115393318A (zh) * | 2022-08-25 | 2022-11-25 | 朗天药业(湖北)有限公司 | 一种血塞通滴丸外观质量检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112345534B (zh) | 2023-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108898610B (zh) | 一种基于mask-RCNN的物体轮廓提取方法 | |
CN108920992B (zh) | 一种基于深度学习的医药标签条码的定位与识别方法 | |
CN107492091B (zh) | 基于机器视觉的标签外观检测方法及终端设备 | |
CN108229561B (zh) | 一种基于深度学习的颗粒产品缺陷检测方法 | |
CN107966454A (zh) | 一种基于fpga的端塞缺陷检测装置及检测方法 | |
CN101995223A (zh) | 一种芯片外观检测方法及系统 | |
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 | |
CN112345534B (zh) | 一种基于视觉的泡罩板中颗粒的缺陷检测方法及系统 | |
CN105403147A (zh) | 一种基于嵌入式的瓶胚检测系统和检测方法 | |
CN108710909B (zh) | 一种可变形旋转不变装箱物体清点方法 | |
CN112862770A (zh) | 一种基于人工智能的缺陷分析诊断系统、方法、装置 | |
CN111126393A (zh) | 车辆外观改装判断方法、装置、计算机设备及存储介质 | |
CN115937203A (zh) | 一种基于模板匹配的视觉检测方法、装置、设备及介质 | |
CN114331986A (zh) | 一种基于无人机视觉的坝体裂纹识别与测量方法 | |
CN115775236A (zh) | 基于多尺度特征融合的表面微小缺陷视觉检测方法及系统 | |
CN115752969A (zh) | 一种铝箔封口密封性检测方法及系统和设备 | |
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 | |
CN113705564B (zh) | 一种指针式仪表识别读数方法 | |
CN114332622A (zh) | 一种基于机器视觉的标签检测方法 | |
CN113283439B (zh) | 基于图像识别的智能计数方法、装置及系统 | |
CN116523922B (zh) | 一种轴承表面缺陷识别方法 | |
CN111539330B (zh) | 一种基于双svm多分类器的变电站数显仪表识别方法 | |
CN114688969A (zh) | 一种光学镜片尺寸检测装置及方法 | |
CN109191489B (zh) | 一种飞行器着陆标志的检测跟踪方法与系统 | |
CN112419225A (zh) | 一种基于引脚分割的sop型芯片检测方法及系统 |
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 |