CN113284096B - 一种基于高频信息与轮廓信息的药盒内药板的计数方法 - Google Patents
一种基于高频信息与轮廓信息的药盒内药板的计数方法 Download PDFInfo
- Publication number
- CN113284096B CN113284096B CN202110501984.1A CN202110501984A CN113284096B CN 113284096 B CN113284096 B CN 113284096B CN 202110501984 A CN202110501984 A CN 202110501984A CN 113284096 B CN113284096 B CN 113284096B
- Authority
- CN
- China
- Prior art keywords
- image
- medicine
- counting
- contour
- gray
- 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.)
- Active
Links
- 239000003814 drug Substances 0.000 title claims abstract description 199
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000001514 detection method Methods 0.000 claims abstract description 27
- 238000012545 processing Methods 0.000 claims abstract description 12
- 238000004519 manufacturing process Methods 0.000 claims abstract description 8
- 229940079593 drug Drugs 0.000 claims description 51
- 238000001914 filtration Methods 0.000 claims description 6
- 238000012216 screening Methods 0.000 claims description 5
- 238000010586 diagram Methods 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 239000002245 particle Substances 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000007781 pre-processing Methods 0.000 description 2
- 235000012431 wafers Nutrition 0.000 description 2
- 206010042674 Swelling Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000002349 favourable effect Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 229940127554 medical product Drugs 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000877 morphologic effect Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000007789 sealing Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 229940126589 solid medicine Drugs 0.000 description 1
- 230000008961 swelling Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000005303 weighing Methods 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/20—Image enhancement or restoration using local operators
- G06T5/30—Erosion or dilatation, e.g. thinning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- 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
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06T7/62—Analysis of geometric attributes of area, perimeter, diameter or volume
-
- 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
- G06T2207/30242—Counting objects in image
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于高频信息与轮廓信息的药盒内药板的计数方法,包括:实时采集药品生产线上药盒中药板的原始图像,并对原始图像依次进行灰度化处理和等比例缩放,得到灰度图像;提取灰度图像中的高频部分;对高频部分依次进行二值化处理和去噪处理;对去噪处理后的二值图像进行初次膨胀处理,得到初始膨胀图像;采用Sobel算子提取初始膨胀图像中的垂直梯度信息,得到药板边缘细化图像;对药板边缘细化图像进行二次膨胀处理,得到最终膨胀图像;对最终膨胀图像进行轮廓检测,统计周长符合预设周长阈值的轮廓数量,作为药盒内药板的最终计数结果。本发明具有很高的检测精度,可以满足药厂生产线实时快速的需求。
Description
技术领域
本发明涉及图像处理技术领域,更具体的说是涉及一种基于高频信息与轮廓信息的药盒内药板的计数方法。
背景技术
随着社会老龄化的加剧,人们对医药产品的需求量正在逐步扩大,因此药品的质量检测也愈加严格。药板包装由于便携并且密封性好,成为了固体药品包装的主流,但是包装内药板数量的计数大多以人工为主,不仅费时费力,准确度也不高。除了人工检视,还有光电技术,称重技术等被应用到药板计数上,但是局限性比较大,灵活性和适用性不佳。
目前,机器视觉技术伴随着自动化技术的不断发展而越来越受到重视,但在药板计数的过程中的应用并不多见,但在其他工业生产过程中应用颇多。在太阳能晶片计数方面,通过对二值图像进行特殊的形态学处理后,运用一种二值化计数方法实现太阳能晶片自动计数,有较高的计数精度。在纸张计数方面,通过改进基于水平线方向引导增长的直线段提取算法获取条纹图像进而实现纸张计数,测量误差小于0.75%。在薄片检测方面,提出了一种局部直方图均衡化和基于双高斯二阶导的线状增强相结合的算法,对薄片检测结果进行峰值检测计数,其计数误差小于0.01%。上述物品的形状和摆放方式与药板虽有相似之处,但药板具有不规则形状,以及药粒、药板纹理和光线都会影响其计数的精度,无法直接使用上述算法进行计数。
因此,如何提供一种能够适用于药板计数,且计数准确率高的基于高频信息与轮廓信息的药盒内药板的计数方法是本领域技术人员亟需解决的问题。
发明内容
有鉴于此,本发明提供了一种基于高频信息与轮廓信息的药盒内药板的计数方法,能够准确对药盒内药板数量进行计数。
为了实现上述目的,本发明采用如下技术方案:
一种基于高频信息与轮廓信息的药盒内药板的计数方法,包括以下步骤:
实时采集药品生产线上药盒中药板的原始图像,并对所述原始图像依次进行灰度化处理和等比例缩放,得到灰度图像;
提取所述灰度图像中的高频部分,作为药板边缘图像;
对所述药板边缘图像进行二值化处理,得到二值化图像,并滤除所述二值化图像中的多余噪点;
对滤除噪点后的所述二值图像进行初次膨胀处理,得到初始膨胀图像;
采用Sobel算子提取所述初始膨胀图像中的垂直梯度信息,得到药板边缘细化图像;
对所述药板边缘细化图像进行二次膨胀处理,得到最终膨胀图像;
对所述最终膨胀图像进行轮廓检测,统计周长符合预设周长阈值的轮廓数量,作为药盒内药板的最终计数结果。
优选的,在上述一种基于高频信息与轮廓信息的药盒内药板的计数方法中,所述提取所述灰度图像中的高频部分,作为药板边缘图像,包括:
采用中值滤波器提取所述灰度图像中的低频部分图像;
将所述灰度图像和所述低频部分图像中对应像素点的灰度值做减法运算,得到所述灰度图像中的高频部分图像,作为所述药板边缘图像。
优选的,在上述一种基于高频信息与轮廓信息的药盒内药板的计数方法中,所述中值滤波器的窗口尺寸为5*5。
优选的,在上述一种基于高频信息与轮廓信息的药盒内药板的计数方法中,所述二值化处理包括:将所述药板边缘图像灰度值的最大类间方差作为灰度阈值,将所述药板边缘图像中高于灰度阈值的像素点的灰度值设为0,将低于灰度阈值的像素点的灰度值设为255,将黑色像素点组合成的部分作为背景,将白色像素点组合成的部分作为药板边缘。
优选的,在上述一种基于高频信息与轮廓信息的药盒内药板的计数方法中,所述去噪处理包括:
根据药板的纵向放置方向或横向放置方向,将所述二值图像中的各列或各行像素点的平均值作为噪点阈值;
遍历所述二值图像中每一列或每一行的白色像素点数量,将小于噪点阈值的整列或整行像素点设为黑色,大于或等于噪点阈值的整列或整行像素点保留白色。
优选的,在上述一种基于高频信息与轮廓信息的药盒内药板的计数方法中,所述噪点阈值的表达式如下:
其中,p表示噪点阈值,c表示二值图像中的总列数,n表示每列的白色像素数量,m表示含有白色像素的列数。
优选的,在上述一种基于高频信息与轮廓信息的药盒内药板的计数方法中,所述初次膨胀处理和/或所述二次膨胀处理均选取6*36的卷积核。
优选的,在上述一种基于高频信息与轮廓信息的药盒内药板的计数方法中,所述轮廓检测包括:
计算所述最终膨胀图像中所有线段轮廓周长的平均值;
将所有线段轮廓周长的平均值减去150,作为轮廓周长筛选的周长阈值;
将小于周长阈值的白色轮廓滤除,将大于周长阈值的白色轮廓重新绘制并计数。
经由上述的技术方案可知,与现有技术相比,本发明公开提供了一种基于高频信息与轮廓信息的药盒内药板的计数方法,首先对原始图像进行灰度化和等比例缩放等预处理,然后提取预处理后图像中的高频部分并进行二值化处理,通过遍历图像中的每一列或每一行白色像素,进行滤除操作来消除噪声的影响,接着用Sobel算子提取药板的纵向边缘并进行膨胀处理,最终用轮廓检测的方法实现药板计数。本发明对药盒内药板计数的准确率可达到96%,每张样本的检测时间在0.2s以内,具有很高的检测精度,可以满足药厂生产线实时快速的需求。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1附图为本发明提供的基于高频信息与轮廓信息的药盒内药板的计数方法的流程图;
图2a附图为本发明提供的药盒A中药板的原始图像;
图2b附图为本发明提供的药盒B中药板的原始图像;
图3a附图为本发明提供的药盒A中药板的高频图像,即药板边缘图像;
图3b附图为本发明提供的药盒B中药板的高频图像,即药板边缘图像;
图4a附图为本发明提供的药盒A中药板的二值化图像;
图4b附图为本发明提供的药盒B中药板的二值化图像;
图5a附图为本发明提供的药盒A中药板滤除噪点后的二值化图像;
图5b附图为本发明提供的药盒B中药板滤除噪点后的二值化图像;
图6附图为本发明提供的药盒A中药板初次膨胀处理后的示意图;
图7附图为本发明提供的药盒A中药板的边缘细化图像;
图8附图为本发明提供的药盒A中药板二次膨胀处理后的图像;
图9a附图为本发明提供的药盒A中药板的轮廓检测结果示意图;
图9b附图为本发明提供的药盒B中药板的轮廓检测结果示意图;
图10a附图为本发明提供的药盒C的原始图像;
图10b附图为本发明提供的药盒D的原始图像;
图11a附图为本发明提供的药盒C的轮廓检测结果示意图;
图11b附图为本发明提供的药盒D的轮廓检测结果示意图;
图12a附图为本发明提供的药盒C中的药板计数结果示意图;
图12b附图为本发明提供的药盒D中的药板计数结果示意图;。
具体实施方式
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实施例,而不是全部的实施例。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,都属于本发明保护的范围。
如图1所示,本发明实施例公开了一种基于高频信息与轮廓信息的药盒内药板的计数方法,包括以下步骤:
S1、实时采集药品生产线上药盒中药板的原始图像,并对原始图像依次进行灰度化处理和等比例缩放,得到灰度图像;
S2、提取灰度图像中的高频部分,作为药板边缘图像;
S3、对药板边缘图像进行二值化处理,得到二值化图像,并滤除二值化图像中的多余噪点;
S4、对滤除噪点后的二值图像进行初次膨胀处理,得到初始膨胀图像;
S5、采用Sobel算子提取初始膨胀图像中的垂直梯度信息,得到药板边缘细化图像;
S6、对药板边缘细化图像进行二次膨胀处理,得到最终膨胀图像;
S7、对最终膨胀图像进行轮廓检测,统计周长符合预设周长阈值的轮廓数量,作为药盒内药板的最终计数结果。
下面对上述各步骤进行详细描述:
本发明根据药厂生产线上实际工作的特点,使用分辨率为1600x1200的黑白千兆网相机实时采集图像。采集的药盒内药板的原始图像如图2a、图2b所示。所采集图像中的药板排列整齐并且有一定的间隔,但是药板以外的背景、药板上的药粒大小、边缘纹理、药板长度有所不同。
S1图像预处理:
在药板计数过程中,需要对采集的药盒图像进行灰度化处理,通过对像素的RGB三个分量进行加权平均,使图像中的每个像素值只用一个灰度值来表示,既可以保持有效的边缘信息,也能减少图像的数据量。由于所采集图像的分辨率为1600x1200,为了减少数据量并且提升药板计数过程的速度,需要将灰度化图像通过区域插值的方法进行等比例缩放,不仅保持了图像的原态比例,同时也能避免产生波纹的现象。令等比例缩放图像的高度为一个固定值a,宽度b的计算公式如下式所示。
S2:高频部分提取:
灰度图像中,图像的细节部分往往是灰度级变化显著的地方,它对应于图像频域中的高频部分,药盒灰度图像中的药板边缘灰度级变化显著,因此,需要提取图像中的高频部分来获取药板边缘实现药板计数。
一副图像可分解为高频和低频两部分,可通过原图与低频图像作差获取高频部分。低频部分可通过低通滤波器获取,低通滤波量会随着滤波器尺寸的增加而越来越大,从而导致细节层图像相应增强,反之,会导致细节层图像减弱,因此,滤波器及其尺寸的选取很重要。本发明实施例选取中值滤波器来获取低频图像,因为中值滤波可以消除杂散噪声点,有利于保留边缘的尖锐度,它是将当前像素点所在邻域内所有像素值从小到大排序,用中值代替邻域中间的像素值。中值滤波器的尺寸过大会使药盒、药粒等部分的细节增强,尺寸过小会使药板边缘模糊,通过对比,最终选取的滤波尺寸大小为5x5。假设预处理后的图像为G(x,y),通过中值滤波获取的低频图像为L(x,y),为了获取药板边缘,需要使两幅图像上对应像素的灰度值做减法运算来得到高频图像H(x,y),如下式所示,药盒A的高频图像如图3a所示,药盒B的高频图像如图3b所示。
H(x,y)=G(x,y)-L(x,y)
S3、二值化处理:
高频提取后,图中的药板边缘并不明显,需要通过二值化操作使其在整幅图像中凸显出来。
大津法可以实现图像二值化,计算简单,不受图像亮度和对比度的影响。它是把图像灰度值的最大类间方差作为阈值,图像中高于阈值的像素灰度值设为0,低于阈值的像素灰度值变成255,使图像分割成背景和药板边缘两部分。药盒A二值化后的图像如图4a所示,药盒B二值化后的图像如图4b所示,每一个药板边缘由不同数量的白色像素组合而成,但二值图像中药板间隔以及药板周围会有很多噪点,为了防止后续膨胀处理后使药板产生粘连现象,需要将其去除。由于本实施例中药板是纵向放置的,可以遍历图像上每一列的白色像素数量,将二值图像中各列白色像素的平均值作为阈值,如果某一列小于阈值,就将这一列的像素设置为黑色,如果大于或等于阈值,就仍是白色像素。
假设二值图像共有c列,每列的白色像素数量为n,含有白色像素的列数为m,初始化m=0,对图像的每一列进行遍历,若某列白色像素数量n大于0,则m加1,若某列白色像素数量n小于0,则m不变,那么阈值p的计算下式所示:
药盒A去除噪点的二值图像如图5a所示,药盒B去除噪点的二值图像图5b所示,可以看出大部分噪点被成功去除。
S4、初次膨胀处理:
图像经过二值化后,药板边缘会产生断连问题,膨胀可以使图像中的白色区域扩张,连起被分离的部分。如果膨胀的模板过小,处理后的图像依旧会存在很多断点,形成多个轮廓,影响计数,如果选取的模板过大,会使药板产生粘连现象,甚至会使噪声膨胀成药板边缘,通过对二值图像的分析和测试,需选取6x36的卷积核对药盒的二值图像进行膨胀,药盒A膨胀处理后的图像如图6所示,实现了图像中细小像素点的消除,使其连接起来成为轮廓边缘。
S5、Sobel算子提取垂直梯度信息:
竖向的药板边缘对应的是图像中的纵向分量,通过Sobel算子提取图像的垂直梯度信息可使药板边缘细化,并且去除了横向分量,避免了药板产生粘连现象,经过纵向边缘提取的图像如图7所示。
S6、二次膨胀处理:
药板边缘细化处理后的药板边缘会产生断连现象,还需再进行一次膨胀处理,使断连的部分连接起来,处理的结果如图8所示,这样,使每个药板边缘都成为了完整的轮廓。
S7、轮廓检测:
经过二次膨胀处理后,药板边缘已经变成了长度不同的白色线段,通过轮廓检测的方法可以识别出图像中白色线段的轮廓,对所检测到的轮廓进行周长筛选,可以滤除较短的噪声轮廓,留下符合要求的药板边缘轮廓。
首先要找到图像中所有的线段轮廓,计算所有轮廓周长的平均值,由于每种药板的边缘周长不同,部分药板边缘经过处理后还会比实际短,噪声周长也会对轮廓周长的平均值产生影响,不能直接使用轮廓周长平均值作为下限值,经过分析测试,用轮廓周长平均值减去150以后的值可以作为周长筛选的下限值(即预设周长阈值),有效防止了药板边缘被滤除掉的现象,经过周长筛选,小于下限值的白色轮廓会被滤除,大于下限值的白色轮廓将会被重新绘制并计数。药盒A轮廓检测的结果如图9a所示,药盒B轮廓检测的结果如图9b所示,药板轮廓可以与药板一一对应。
为进一步验证本发明基于高频信息与轮廓信息的药盒内药板的计数方法的优越性,进行了如下实验验证。
所涉及的硬件包括黑白千兆网相机、白色条形光源、光电传感器等,光源的选取十分重要,会影响到图像的处理效果,在采集图像前,可通过控制光源角度和亮度来改善图像质量。图10a、图10b是所采集的药盒C和药盒D的原始图像,药盒C的轮廓检测结果如图11a所示,药板计数结果如图12a所示,计数结果为6板,结果准确。药盒D的轮廓检测结果如图11b所示,药板计数结果如图12b所示,计数结果为5,计数结果准确。检测时间都在0.2s以内,由此可知,通过本发明的计数方法可以正确、快速地实现药板计数功能。
为了验证发明计数方法的准确率,选取了药盒C和药盒D两种药板所对应的100张药板分布状态不一致的待测图像,检测结果如表1所示。
表1药板计数的测试结果
药盒C | 药盒D | |
待测图像总张数 | 100 | 100 |
检测结果正确的图像张数 | 96 | 98 |
准确率 | 96% | 98% |
由此可知,本发明可以避免药粒大小、药板长度、药板以外背景等因素的影响对药板进行计数的影响,准确率可达96%以上,具有一定的稳定性,可以满足药板生产线的实际需求。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (6)
1.一种基于高频信息与轮廓信息的药盒内药板的计数方法,其特征在于,包括以下步骤:
实时采集药品生产线上药盒中药板的原始图像,并对所述原始图像依次进行灰度化处理和等比例缩放,得到灰度图像;
提取所述灰度图像中的高频部分,作为药板边缘图像,包括:
采用中值滤波器提取所述灰度图像中的低频部分图像;
将所述灰度图像和所述低频部分图像中对应像素点的灰度值做减法运算,得到所述灰度图像中的高频部分图像,作为所述药板边缘图像;
对所述药板边缘图像进行二值化处理,得到二值化图像,并滤除所述二值化图像中的多余噪点;
对滤除噪点后的所述二值化图像进行初次膨胀处理,得到初始膨胀图像;
采用Sobel算子提取所述初始膨胀图像中的垂直梯度信息,得到药板边缘细化图像;
对所述药板边缘细化图像进行二次膨胀处理,得到最终膨胀图像;
对所述最终膨胀图像进行轮廓检测,统计周长符合预设周长阈值的轮廓数量,作为药盒内药板的最终计数结果;所述轮廓检测包括:
计算所述最终膨胀图像中所有线段轮廓周长的平均值;
将所有线段轮廓周长的平均值减去150,作为轮廓周长筛选的周长阈值;
将小于周长阈值的白色轮廓滤除,将大于周长阈值的白色轮廓重新绘制并计数。
2.根据权利要求1所述的一种基于高频信息与轮廓信息的药盒内药板的计数方法,其特征在于,所述中值滤波器的窗口尺寸为5*5。
3.根据权利要求1所述的一种基于高频信息与轮廓信息的药盒内药板的计数方法,其特征在于,所述二值化处理包括:将所述药板边缘图像灰度值的最大类间方差作为灰度阈值,将所述药板边缘图像中高于灰度阈值的像素点的灰度值设为0,将低于灰度阈值的像素点的灰度值设为255,将黑色像素点组合成的部分作为背景,将白色像素点组合成的部分作为药板边缘。
4.根据权利要求3所述的一种基于高频信息与轮廓信息的药盒内药板的计数方法,其特征在于,去噪处理包括:
根据药板的纵向放置方向或横向放置方向,将所述二值图像中的各列或各行像素点的平均值作为噪点阈值;
遍历所述二值图像中每一列或每一行的白色像素点数量,将小于噪点阈值的整列或整行像素点设为黑色,大于或等于噪点阈值的整列或整行像素点保留白色。
5.根据权利要求4所述的一种基于高频信息与轮廓信息的药盒内药板的计数方法,其特征在于,所述噪点阈值的表达式如下:
其中,p表示噪点阈值,c表示二值图像中的总列数,n表示每列的白色像素数量,m表示含有白色像素的列数。
6.根据权利要求1所述的一种基于高频信息与轮廓信息的药盒内药板的计数方法,其特征在于,所述初次膨胀处理和/或所述二次膨胀处理均选取6*36的卷积核。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110501984.1A CN113284096B (zh) | 2021-05-08 | 2021-05-08 | 一种基于高频信息与轮廓信息的药盒内药板的计数方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110501984.1A CN113284096B (zh) | 2021-05-08 | 2021-05-08 | 一种基于高频信息与轮廓信息的药盒内药板的计数方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113284096A CN113284096A (zh) | 2021-08-20 |
CN113284096B true CN113284096B (zh) | 2023-08-25 |
Family
ID=77278287
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110501984.1A Active CN113284096B (zh) | 2021-05-08 | 2021-05-08 | 一种基于高频信息与轮廓信息的药盒内药板的计数方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113284096B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114820742B (zh) * | 2022-04-01 | 2024-06-14 | 杭州电子科技大学上虞科学与工程研究院有限公司 | 基于二值化和形态学的瓷砖纹理特征提取方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7079281B1 (en) * | 2000-08-01 | 2006-07-18 | Eastman Kodak Company | Edge enhancement processor and method with adjustable threshold setting |
US7079287B1 (en) * | 2000-08-01 | 2006-07-18 | Eastman Kodak Company | Edge enhancement of gray level images |
CN1885317A (zh) * | 2006-07-06 | 2006-12-27 | 上海交通大学 | 基于形态学和信息熵的自适应边缘检测方法 |
CN107679437A (zh) * | 2017-09-26 | 2018-02-09 | 四川元匠科技有限公司 | 基于Zbar的条形码图像识别算法 |
CN110414411A (zh) * | 2019-07-24 | 2019-11-05 | 中国人民解放军战略支援部队航天工程大学 | 基于视觉显著性的海面船只候选区域检测方法 |
CN111476792A (zh) * | 2020-05-27 | 2020-07-31 | 东北大学 | 一种板带钢图像轮廓的提取方法 |
CN111539312A (zh) * | 2020-04-21 | 2020-08-14 | 罗嘉杰 | 一种从图像中抽取表格的方法 |
-
2021
- 2021-05-08 CN CN202110501984.1A patent/CN113284096B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7079281B1 (en) * | 2000-08-01 | 2006-07-18 | Eastman Kodak Company | Edge enhancement processor and method with adjustable threshold setting |
US7079287B1 (en) * | 2000-08-01 | 2006-07-18 | Eastman Kodak Company | Edge enhancement of gray level images |
CN1885317A (zh) * | 2006-07-06 | 2006-12-27 | 上海交通大学 | 基于形态学和信息熵的自适应边缘检测方法 |
CN107679437A (zh) * | 2017-09-26 | 2018-02-09 | 四川元匠科技有限公司 | 基于Zbar的条形码图像识别算法 |
CN110414411A (zh) * | 2019-07-24 | 2019-11-05 | 中国人民解放军战略支援部队航天工程大学 | 基于视觉显著性的海面船只候选区域检测方法 |
CN111539312A (zh) * | 2020-04-21 | 2020-08-14 | 罗嘉杰 | 一种从图像中抽取表格的方法 |
CN111476792A (zh) * | 2020-05-27 | 2020-07-31 | 东北大学 | 一种板带钢图像轮廓的提取方法 |
Non-Patent Citations (1)
Title |
---|
基于机器视觉的药板智能计数算法研究和系统设计;赵宁;《中国优秀硕士学位论文全文数据库 (医药卫生科技辑)》(第01期);E079-178 * |
Also Published As
Publication number | Publication date |
---|---|
CN113284096A (zh) | 2021-08-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107657606B (zh) | 一种显示装置的亮度缺陷检测方法与装置 | |
CN108921176B (zh) | 一种基于机器视觉的指针式仪表定位与识别方法 | |
CN111179225B (zh) | 一种基于灰度梯度聚类的试纸表面纹理缺陷检测方法 | |
CN107941808B (zh) | 基于机器视觉的3d打印成型质量检测系统及方法 | |
CN111968144B (zh) | 一种图像边缘点获取方法及装置 | |
CN106934803A (zh) | 电子器件表面缺陷的检测方法及装置 | |
CN105447512A (zh) | 一种精粗结合的光学表面缺陷的检测方法及装置 | |
CN110276759B (zh) | 一种基于机器视觉的手机屏坏线缺陷诊断方法 | |
CN111223078B (zh) | 瑕疵等级判定的方法及存储介质 | |
CN113506246B (zh) | 基于机器视觉的混凝土3d打印构件精细检测方法 | |
CN110648330B (zh) | 摄像头玻璃的缺陷检测方法 | |
CN106651792B (zh) | 一种卫星影像条带噪声去除方法及装置 | |
Tsai et al. | Low-contrast surface inspection of mura defects in liquid crystal displays using optical flow-based motion analysis | |
Jin et al. | TFT-LCD mura defect detection using DCT and the dual-γ piecewise exponential transform | |
CN112801111B (zh) | 基于梯度方向的图像直线边缘点分类方法及装置 | |
CN112669295A (zh) | 一种基于二次阈值分割理论的锂电池极片缺陷检测方法 | |
CN113284096B (zh) | 一种基于高频信息与轮廓信息的药盒内药板的计数方法 | |
CN116228768A (zh) | 一种电子元器件表面划痕检测方法 | |
CN108805854B (zh) | 一种复杂环境下药片快速计数与完整性检测方法 | |
CN116612125A (zh) | 基于人工智能的食药品胶囊质量检测方法 | |
CN109829912B (zh) | Tft阵列基板的缺陷检测方法 | |
CN111476792B (zh) | 一种板带钢图像轮廓的提取方法 | |
CN109636785A (zh) | 一种识别金刚砂颗粒的视觉处理方法 | |
CN111553927B (zh) | 棋盘格角点检测方法、检测系统、计算机装置及存储介质 | |
CN113112396A (zh) | 导电粒子的检测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |