CN113112503A - 一种基于机器视觉实现药品标签自动检测的方法 - Google Patents

一种基于机器视觉实现药品标签自动检测的方法 Download PDF

Info

Publication number
CN113112503A
CN113112503A CN202110519943.5A CN202110519943A CN113112503A CN 113112503 A CN113112503 A CN 113112503A CN 202110519943 A CN202110519943 A CN 202110519943A CN 113112503 A CN113112503 A CN 113112503A
Authority
CN
China
Prior art keywords
label
layer
image
judgment
identification
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
CN202110519943.5A
Other languages
English (en)
Other versions
CN113112503B (zh
Inventor
郑红英
曹燕
王晨龙
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.)
Shanghai Halcrow Medical Technology Co ltd
Original Assignee
Shanghai Bedell Biotechnology 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 Shanghai Bedell Biotechnology Co ltd filed Critical Shanghai Bedell Biotechnology Co ltd
Priority to CN202110519943.5A priority Critical patent/CN113112503B/zh
Publication of CN113112503A publication Critical patent/CN113112503A/zh
Application granted granted Critical
Publication of CN113112503B publication Critical patent/CN113112503B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • 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
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
    • 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
    • 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
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06T2207/10024—Color 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Computation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Quality & Reliability (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于机器视觉实现药品标签自动检测的方法，所述方法包括图像采集、标签定位、标签内容识别和判断步骤，所述的标签内容识别和判断步骤包括标签颜色的识别和判断、标签不变内容的识别和判断、标签可变内容的识别和判断，其中，关于标签可变内容的识别和判断的具体操作包括制作先验模板、对可变区域图像进行二值化分割处理、采用神经网络进行字符识别并用softmax分类器输出识别结果，然后根据识别结果与人工预先输入的比对内容是否一致进行检测结果的判断和输出。采用本发明所述方法，既可实现对药品标签的颜色、外观缺陷及文字内容的自动识别、检测和判断，且具有自动化程度高、检测高速和精度高等优点。

Description

一种基于机器视觉实现药品标签自动检测的方法
技术领域
本发明是涉及一种基于机器视觉实现药品标签自动检测的方法，属于视觉自动检测技术领域。
背景技术
药品标签作为药品包装的组成部分，在药品质量要求的各个环节中，尤其是在使用过程中起着非常重要的作用，通常包括药品名称、型号规格、用法用量、生产批号、生产日期、有效期等信息，成为企业跟踪产品、质量监控和生产管理的有效载体，同时也是消费者对药品进行了解的有效工具。
由于药品标签在现代快速印刷生产过程中，受生产工艺、环境和设备等诸多不确定因素的影响，各种印刷缺陷与错误难以避免。若不合格的药品标签随药品流入市场势必给生产厂家带来损失，也将给消费者带来困扰，因此，对出厂药品标签的质量检测愈加为生产厂商所重视，也是药品生产过程中的重要质检环节。而目前现阶段，主要靠人工来检测药品标签的缺陷和错误，这不仅效率低、劳动强度大，还容易产生漏检和误检，不能满足现代智能制造的生产需求。
近年来，随着计算机技术的发展，数字图像处理的理论和方法不断完善，利用机器视觉实现产品无接触自动检测的技术己逐渐变得切实可行。目前已有基于机器视觉技术对标签包装缺陷进行检测的专利报道，如：申请号为201710157387.5的发明专利申请中公开了一种采用视觉图像采集，可对药瓶上的标签粘贴位置缺陷进行自动检测；另外，申请号为201810947550.2的发明专利申请中公开了一种标签印刷质量检测及数据校验方法，该专利根据标签内容及其变化特征将图形区域分别划分为条码类图形区域、字符类图形区域及标准类图形区域，其中对字符类图形区域的识别和缺陷检测是基于模板匹配的方法，是通过对识别的每个字符给予对应的置信度，将识别结果中置信度小于置信度阈值60％的判定为缺陷字符，置信度介于阈值60％～90％之间的字符与检测模板库中对应字符类的模板图像进行模板匹配，置信度大于阈值90％的直接认为合格字符来进行缺陷检测以获取缺陷检测结果。由于实际生产过程中，对药品标签的检测不仅包括标签颜色和外观缺陷的检测，还包括文字内容的印刷错误的检测，尤其是，对于同一种药品的标签，虽然在药品名称、型号规格、用法用量、生产企业等信息上是固定不变的内容，但其中的生产批号、生产日期、有效期等信息会不断发生变化，如果采用上述现有技术中的单一模板匹配方式检测，需要频繁更换模板，不仅导致检测效率和精度较低，而且会导致检测成本很高，因此，该技术至今还不能广泛应用于实际生产中。本领域亟需一种能对药品标签实现快速、高精度在线自动识别和检测的技术，这将对真正实现药品标签自动检测具有决定性意义。
发明内容
针对现有技术存在的上述问题和需求，本发明的目的是提供一种基于机器视觉实现药品标签自动检测的方法。
为实现上述发明目的，本发明采用的技术方案如下：
一种基于机器视觉实现药品标签自动检测的方法，包括图像采集、标签定位、标签内容识别和判断步骤，所述的标签内容识别和判断步骤包括标签颜色的识别和判断、标签不变内容的识别和判断、标签可变内容的识别和判断，其中，关于标签可变内容的识别和判断的具体操作如下：
S1、制作一个与待检测标签上的可变区域的字符数量和位置信息相适配的先验模板；
S2、使用最大类间方差法获取可变区域的分割阈值T，并用分割阈值T对可变区域图像进行二值化分割处理；
S3、在经过步骤S2分割处理后的二值图像上计算垂直方向的积分投影曲线，并用高斯滤波方法平滑该曲线，然后计算平滑后曲线的极小值找出所有的波谷位置，得到一个位置序列，再将相邻的两个波谷作为左右边界，提取出一组矩形区域；
S4、结合步骤S1制作的先验模板，对步骤S3提取得到的矩形区域进行合并、分裂和删除操作，分割出每个独立的字符图像；
S5、将分割出的每个字符图像输入神经网络进行识别，然后使用softmax分类器输出识别结果，根据识别结果与人工预先输入的比对内容是否一致进行检测结果的判断和输出。
一种实施方案，步骤S2中所述类间方差的定义如下：
g＝w0×w1×(μ0-μ1)2
其中：g为类间方差，w0，w1分别为文字区域和背景区域的像素个数在图像中出现的概率；μ0，μ1分别为文字区域和背景区域的平均灰度值。
一种实施方案，步骤S2中所述分割阈值T采用遍历法获取得到。
一种实施方案，步骤S5中所述神经网络包括输入层、卷积层、下采样层和激活层，各层参数为：所述输入层的大小为64*64；所述卷积层共有4层，4个卷积层的特征图数量依次为16，32，64和128，且每层卷积操作如下：
Figure BDA0003057507730000031
其中：
Figure BDA0003057507730000032
表示第l层的第j个特征图，l表示卷积层数，k表示卷积核，Mj表示某一个特征图选择，
Figure BDA0003057507730000033
表示第l层的第j个输出图的偏置，所有参数值均采用随机正态初始化方法获得；所述下采样层共有4层，每层下采样操作如下：
Figure BDA0003057507730000034
其中：down(·)表示最大值下采样，β和b分别表示系数和偏置，所有参数值均采用随机正态初始化方法获得；所述激活层采用Relu激活函数，即：Relu＝max(0，x)。
一种优选方案，在下采样层与激活层之间设有归一化层(BN)，对于每一批训练样本，其计算方式如下：
Figure BDA0003057507730000035
Figure BDA0003057507730000036
其中：m为每一批训练的样本数量，xi表示输入数据，μb和
Figure BDA0003057507730000037
分别表示均值和方差，
Figure BDA0003057507730000038
表示归一化后的数据，∈是一个很小的正数，如1*10-6，yi表示重构之后的数据，γ和β是两个学习参数，需要每次修正；也就是说，每一批训练数据经过BN层后，可使最终输出的均值和方差保持不变，从而可在一定程度上稳定数据的分布。
一种实施方案，步骤S5中所述softmax分类器的计算方式如下：
Figure BDA0003057507730000039
其中：fj表示得分向量f的第j个元素值，pi表示将样本分类为类别i的概率，选择概率最大的节点对应的文字为识别结果。
一种优选方案，所述图像采集采用触发抓拍方式。
一种优选方案，所述标签定位采用带有旋转角度的模板匹配方式，所述匹配方式采用图像金字塔匹配方式，即：首先在下采样4倍的图像上粗略匹配，找到大致候选区域，然后将该候选区域对应到下采样2倍的图像上，做进一步匹配，以继续缩小匹配范围，最后在原图上做精确匹配。
一种优选方案，对标签颜色的识别和判断的具体操作如下：
1)将图像从RGB空间转换到HSV色彩空间；
2)将图像分成N*N的不同区域，并统计每个区域各自的颜色直方图；
3)将所有子区域的直方图联合起来组成最终的颜色直方图；
4)采用离散余弦相似度方法计算最终的颜色直方图的相似度(取值范围在0～1.0之间，值越大表示相似度越高)，当相似度值大于用户设定的阈值时，则认为标签颜色正常；否则，认为标签颜色异常。
一种优选方案，对标签不变内容的识别和判断采用单尺度模板匹配方法。
与现有技术相比，本发明具有如下有益效果：
采用本发明所述方法，不仅可实现对药品标签的颜色、外观缺陷及文字内容的自动识别、检测和判断，而且检测流程简单可靠，用户参与度少，并且检测高速(可实现秒级检测)、检测精度高(准确度可高达99.99％)，具有很强的实用性和普及推广应用价值。
具体实施方式
下面结合实施例对本发明技术方案做进一步详细、完整地说明。
实施例
下面以肌钙蛋白检测试剂为例，来详细说明采用本发明所述方法实现对药品包装上的标签实现自动检测的整个过程：
由于该检测试剂的包装形式为袋装，因此被检测标签是贴在包装袋上。
当试剂袋随着传送带运动到检测位时，通过触发光源和相机抓拍实现图像采集，并开始检测分析：
首先，检测标签位置，此时标签可能会有倾斜、偏移，所以本发明采用带有旋转角度的模板匹配方式，这样可以很好地容忍这些问题，同时为了加快匹配速度，本发明采用三层金字塔的匹配方式，首先在下采样4倍的图像上粗略匹配，找到大致候选区域，然后将该候选区域对应到下采样2倍的图像上，做进一步匹配，以继续缩小匹配范围，最后在原图上做精确匹配；
在标签定位完成之后，截取标签图像，并将图像从RGB空间转换到HSV空间，然后将图像分成8×8的不同区域，统计各自的颜色直方图，再将所有子区域的直方图联合起来组成最终的颜色直方图，最后采用离散余弦相似度方式计算直方图相似度(取值范围在0～1.0之间，值越大表示相似度越高)，当相似度值大于用户设定的阈值(如0.8)时，则认为颜色正常，否则认为标签颜色异常；
接着进行文字检测，对其中不变的部分采用单尺度模板匹配方法，对其中可变部分(如：生产批号、生产日期、有效期)的识别和判断的具体操作如下：
S1、先制作一个先验模板，该模板没有任何内容，只有可变部分的文字数量和各文字相对位置信息；
S2、然后对图像做二值化处理，即确定分割阈值T，将图像分为文字区域和背景区域；
本发明使用最大类间方差法获取可变区域的分割阈值T，根据方差的概念，类间方差g可描述为：
g＝w0×w1×(μ0-μ1)2
其中：g为类间方差，w0，w1分别为文字区域和背景区域的像素个数在图像中出现的概率；μ0，μ1分别为文字区域和背景区域的平均灰度值；
采用遍历法(从像素值0-255)，可获取得到使类间方差最大的分割阈值T；
S3、在经过步骤S2分割处理后的二值图像上计算垂直方向的积分投影曲线，并用高斯滤波方法平滑该曲线，然后计算平滑后曲线的极小值找出所有的波谷位置，得到一个位置序列，再将相邻的两个波谷作为左右边界，提取出一组矩形区域；
S4、结合步骤S1制作的先验模板，对步骤S3提取得到的矩形区域进行合并、分裂和删除操作，分割出每个独立的字符图像；为了更大程度的容忍光照变化，字符分割后，再次使用上述最大类间方差法分割每个单独的字符，可得到更加清晰完整的字符二值图像；
S5、将分割出的每个字符图像输入神经网络进行识别，然后使用softmax分类器输出识别结果，根据识别结果与人工预先输入的比对内容是否一致进行检测结果的判断和输出；所述神经网络包括输入层、卷积层、下采样层和激活层，各层参数为：所述输入层的大小为64*64；所述卷积层共有4层，4个卷积层的特征图数量依次为16，32，64和128，且每层卷积操作如下：
Figure BDA0003057507730000051
其中：
Figure BDA0003057507730000052
表示第l层的第j个特征图，l表示卷积层数，k表示卷积核，Mj表示某一个特征图选择，
Figure BDA0003057507730000053
表示第l层的第j个输出图的偏置，所有参数值均采用随机正态初始化方法获得；所述下采样层共有4层，每层下采样操作如下：
Figure BDA0003057507730000061
其中：down(·)表示最大值下采样，β和b分别表示系数和偏置，所有参数值均采用随机正态初始化方法获得；所述激活层采用Relu激活函数，即：Relu＝max(0，x)；所述softmax分类器的计算方式如下：
Figure BDA0003057507730000062
其中：fj表示得分向量f的第j个元素值，pi表示将样本分类为类别i的概率，选择概率最大的节点对应的文字为识别结果。
作为优选方案，为了增强网络的泛化、学习能力，在下采样层与激活层之间增加归一化层(Batch Normalizaion，BN)，对于每一批训练样本，其计算方式如下：
Figure BDA0003057507730000063
Figure BDA0003057507730000064
其中：m为每一批训练的样本数量，xi表示输入数据，μb和
Figure BDA0003057507730000065
分别表示均值和方差，
Figure BDA0003057507730000066
表示归一化后的数据，∈是一个很小的正数，如1*10-6，yi表示重构之后的数据，γ和β是两个学习参数，需要每次修正；也就是说，每一批训练数据经过BN层后，可使最终输出的均值和方差保持不变，从而可在一定程度上稳定数据的分布。
由上所述可见，采用本发明方法，只需人工设置所需要的几个检测阈值和可变部分的比对文字，其余均无须人工介入，不仅自动化程度高，而且检测高速(可以实现秒级检测)，检测精度高(准确度可高达到99.99％)，对实现药品标签自动质检具有显著实用价值。
最后需要在此指出的是：以上仅是本发明的部分优选实施例，不能理解为对本发明保护范围的限制，本领域的技术人员根据本发明的上述内容做出的一些非本质的改进和调整均属于本发明的保护范围。

Claims (10)

1.一种基于机器视觉实现药品标签自动检测的方法，包括图像采集、标签定位、标签内容识别和判断步骤；其特征在于：所述的标签内容识别和判断步骤包括标签颜色的识别和判断、标签不变内容的识别和判断、标签可变内容的识别和判断，其中，关于标签可变内容的识别和判断的具体操作如下：
S1、制作一个与待检测标签上的可变区域的字符数量和位置信息相适配的先验模板；
S2、使用最大类间方差法获取可变区域的分割阈值T，并用分割阈值T对可变区域图像进行二值化分割处理；
S3、在经过步骤S2分割处理后的二值图像上计算垂直方向的积分投影曲线，并用高斯滤波方法平滑该曲线，然后计算平滑后曲线的极小值找出所有的波谷位置，得到一个位置序列，再将相邻的两个波谷作为左右边界，提取出一组矩形区域；
S4、结合步骤S1制作的先验模板，对步骤S3提取得到的矩形区域进行合并、分裂和删除操作，分割出每个独立的字符图像；
S5、将分割出的每个字符图像输入神经网络进行识别，然后使用softmax分类器输出识别结果，根据识别结果与人工预先输入的比对内容是否一致进行检测结果的判断和输出。
2.根据权利要求1所述的方法，其特征在于，步骤S2中所述类间方差的定义如下：
g＝w0×w1×(μ0-μ1)2
其中：g为类间方差，w0，w1分别为文字区域和背景区域的像素个数在图像中出现的概率；μ0，μ1分别为文字区域和背景区域的平均灰度值。
3.根据权利要求1所述的方法，其特征在于：步骤S2中所述分割阈值T采用遍历法获取得到。
4.根据权利要求1所述的方法，其特征在于，步骤S5中所述神经网络包括输入层、卷积层、下采样层和激活层，各层参数为：所述输入层的大小为64*64；所述卷积层共有4层，4个卷积层的特征图数量依次为16，32，64和128，且每层卷积操作如下：
Figure FDA0003057507720000011
其中：
Figure FDA0003057507720000012
表示第l层的第j个特征图，l表示卷积层数，k表示卷积核，Mj表示某一个特征图选择，bj l表示第l层的第j个输出图的偏置，所有参数值均采用随机正态初始化方法获得；所述下采样层共有4层，每层下采样操作如下：
Figure FDA0003057507720000013
其中：down(·)表示最大值下采样，β和b分别表示系数和偏置，所有参数值均采用随机正态初始化方法获得；所述激活层采用Relu激活函数，即：Relu＝max(0，x)。
5.根据权利要求4所述的方法，其特征在于，在下采样层与激活层之间设有归一化层，对于每一批训练样本，其计算方式如下：
Figure FDA0003057507720000021
Figure FDA0003057507720000022
其中：m为每一批训练的样本数量，xi表示输入数据，μb和
Figure FDA0003057507720000023
分别表示均值和方差，
Figure FDA0003057507720000024
表示归一化后的数据，∈是一个很小的正数，如1*10-6，yi表示重构之后的数据，γ和β是两个学习参数，需要每次修正。
6.根据权利要求1所述的方法，其特征在于，步骤S5中所述softmax分类器的计算方式如下：
Figure FDA0003057507720000025
其中：fj表示得分向量f的第j个元素值，pi表示将样本分类为类别i的概率，选择概率最大的节点对应的文字为识别结果。
7.根据权利要求1所述的方法，其特征在于：所述图像采集采用触发抓拍方式。
8.根据权利要求1所述的方法，其特征在于：所述标签定位采用带有旋转角度的模板匹配方式，所述匹配方式采用图像金字塔匹配方式，即：首先在下采样4倍的图像上粗略匹配，找到大致候选区域，然后将该候选区域对应到下采样2倍的图像上，做进一步匹配，以继续缩小匹配范围，最后在原图上做精确匹配。
9.根据权利要求1所述的方法，其特征在于，对标签颜色的识别和判断的具体操作如下：
1)将图像从RGB空间转换到HSV色彩空间；
2)将图像分成N*N的不同区域，并统计每个区域各自的颜色直方图；
3)将所有子区域的直方图联合起来组成最终的颜色直方图；
4)采用离散余弦相似度方法计算最终的颜色直方图的相似度，当相似度值大于用户设定的阈值时，则认为标签颜色正常；否则，认为标签颜色异常。
10.根据权利要求1所述的方法，其特征在于：对标签不变内容的识别和判断采用单尺度模板匹配方法。
CN202110519943.5A 2021-05-10 2021-05-10 一种基于机器视觉实现药品标签自动检测的方法 Active CN113112503B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110519943.5A CN113112503B (zh) 2021-05-10 2021-05-10 一种基于机器视觉实现药品标签自动检测的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110519943.5A CN113112503B (zh) 2021-05-10 2021-05-10 一种基于机器视觉实现药品标签自动检测的方法

Publications (2)

Publication Number Publication Date
CN113112503A true CN113112503A (zh) 2021-07-13
CN113112503B CN113112503B (zh) 2022-11-22

Family

ID=76721999

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110519943.5A Active CN113112503B (zh) 2021-05-10 2021-05-10 一种基于机器视觉实现药品标签自动检测的方法

Country Status (1)

Country Link
CN (1) CN113112503B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113899675A (zh) * 2021-10-13 2022-01-07 淮阴工学院 一种基于机器视觉的混凝土抗渗自动检测方法、装置
CN114417904A (zh) * 2022-01-18 2022-04-29 南京信息职业技术学院 一种基于深度学习的条形码识别方法及图书检索系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101807257A (zh) * 2010-05-12 2010-08-18 上海交通大学 图像标签信息识别方法
CN103207992A (zh) * 2013-04-07 2013-07-17 布法罗机器人科技（苏州）有限公司 车辆牌照字符和颜色联合识别方法
CN107451592A (zh) * 2017-06-30 2017-12-08 广东数相智能科技有限公司 一种处方药品核对方法及装置
CN107480682A (zh) * 2017-08-25 2017-12-15 重庆慧都科技有限公司 一种商品包装生产日期检测方法
CN108548820A (zh) * 2018-03-28 2018-09-18 浙江理工大学 化妆品纸质标签缺陷检测方法
CN109085176A (zh) * 2018-08-20 2018-12-25 深圳科瑞技术股份有限公司 一种标签印刷质量检测及数据校验方法
CN110428027A (zh) * 2019-07-22 2019-11-08 杭州沃朴物联科技有限公司 基于lcd防伪标签的识别验伪方法、装置、设备及介质
CN110927184A (zh) * 2019-11-15 2020-03-27 扬州迪飞特测控设备有限公司 芯片封装缺陷的视觉检测方法
CN111830017A (zh) * 2020-07-10 2020-10-27 山东商业职业技术学院 获取色变试纸综合颜色变化的装置及方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101807257A (zh) * 2010-05-12 2010-08-18 上海交通大学 图像标签信息识别方法
CN103207992A (zh) * 2013-04-07 2013-07-17 布法罗机器人科技（苏州）有限公司 车辆牌照字符和颜色联合识别方法
CN107451592A (zh) * 2017-06-30 2017-12-08 广东数相智能科技有限公司 一种处方药品核对方法及装置
CN107480682A (zh) * 2017-08-25 2017-12-15 重庆慧都科技有限公司 一种商品包装生产日期检测方法
CN108548820A (zh) * 2018-03-28 2018-09-18 浙江理工大学 化妆品纸质标签缺陷检测方法
CN109085176A (zh) * 2018-08-20 2018-12-25 深圳科瑞技术股份有限公司 一种标签印刷质量检测及数据校验方法
CN110428027A (zh) * 2019-07-22 2019-11-08 杭州沃朴物联科技有限公司 基于lcd防伪标签的识别验伪方法、装置、设备及介质
CN110927184A (zh) * 2019-11-15 2020-03-27 扬州迪飞特测控设备有限公司 芯片封装缺陷的视觉检测方法
CN111830017A (zh) * 2020-07-10 2020-10-27 山东商业职业技术学院 获取色变试纸综合颜色变化的装置及方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
EZEKIEL ADEBAYO ADEWUMI: ""A Convolutional Neural Network(CNN) based Pill Image Retrieval System"", 《RIT SCHOLAR WORKS》 *
刘慧芳: ""基于全景拼接技术的药瓶标签校验方法研究"", 《中国优秀博硕士学位论文全文数据库（硕士） 信息科技辑》 *
王敏 等: ""基于Halcon的智能电表显示屏信息缺失的检测"", 《电测与仪表》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113899675A (zh) * 2021-10-13 2022-01-07 淮阴工学院 一种基于机器视觉的混凝土抗渗自动检测方法、装置
CN114417904A (zh) * 2022-01-18 2022-04-29 南京信息职业技术学院 一种基于深度学习的条形码识别方法及图书检索系统

Also Published As

Publication number Publication date
CN113112503B (zh) 2022-11-22

Similar Documents

Publication Publication Date Title
CN109492643B (zh) 基于ocr的证件识别方法、装置、计算机设备及存储介质
CN113112503B (zh) 一种基于机器视觉实现药品标签自动检测的方法
CN116188475B (zh) 一种外观缺陷自动光学检测的智慧控制方法、系统及介质
US9031312B2 (en) Rapid processing and detection of non-uniformities in web-based materials
CN112085024A (zh) 一种罐表面字符识别方法
CN110927171A (zh) 一种基于机器视觉的轴承滚子倒角面缺陷检测方法
CN110766690B (zh) 基于深度学习点监督思想的麦穗检测和计数方法
CN115375614A (zh) 用于对通过制造过程制造的产品进行分类的系统和方法
CN113252614B (zh) 一种基于机器视觉的透明度检测方法
Caldeira et al. Industrial optical character recognition system in printing quality control of hot-rolled coils identification
CN111259893A (zh) 一种基于深度学习的智能工具管理方法
Gan et al. Automated leather defect inspection using statistical approach on image intensity
CN114998192B (zh) 基于深度学习的缺陷检测方法、装置、设备和存储介质
CN116228678A (zh) 芯片封装缺陷自动识别和处理方法
CN115147363A (zh) 一种基于深度学习算法的影像缺陷检测和分类方法及系统
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
CN117115147B (zh) 一种基于机器视觉的纺织品检测方法及系统
CN112445849B (zh) 一种报表分析方法及装置
CN114581928A (zh) 一种表格识别方法及系统
Zhao et al. Multi-surface defect detection for universal joint bearings via multimodal feature and deep transfer learning
CN116664540A (zh) 基于高斯线检测的橡胶密封圈表面缺陷检测方法
CN116704270A (zh) 一种基于图像处理的智能设备定位标记方法
Pohudina et al. Method for identifying and counting objects
CN111178464A (zh) 一种基于神经网络的ocr识别在物流行业快递面单的应用
CN115169375B (zh) 基于ar与枪球联动的高位物料可视化方法

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
TA01 Transfer of patent application right

Effective date of registration: 20221027

Address after: 201210 Room 301, No. 5, Lane 88, Shengrong Road, China (Shanghai) pilot Free Trade Zone, Pudong New Area, Shanghai

Applicant after: SHANGHAI HALCROW MEDICAL TECHNOLOGY Co.,Ltd.

Address before: No.2 workshop, 399 Desheng Road, Fengxian District, Shanghai, 201411

Applicant before: Shanghai Bedell Biotechnology Co.,Ltd.

TA01 Transfer of patent application right
GR01 Patent grant
GR01 Patent grant