CN115272324B - 一种制药设备制药过程筛网缺陷检测方法及系统 - Google Patents

一种制药设备制药过程筛网缺陷检测方法及系统 Download PDF

Info

Publication number
CN115272324B
CN115272324B CN202211186223.2A CN202211186223A CN115272324B CN 115272324 B CN115272324 B CN 115272324B CN 202211186223 A CN202211186223 A CN 202211186223A CN 115272324 B CN115272324 B CN 115272324B
Authority
CN
China
Prior art keywords
screen
spectrum
image
points
detected
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
Application number
CN202211186223.2A
Other languages
English (en)
Other versions
CN115272324A (zh
Inventor
王云
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.)
Nantong Xinxin Pharmaceutical Co ltd
Original Assignee
Nantong Xinxin Pharmaceutical 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 Nantong Xinxin Pharmaceutical Co ltd filed Critical Nantong Xinxin Pharmaceutical Co ltd
Priority to CN202211186223.2A priority Critical patent/CN115272324B/zh
Publication of CN115272324A publication Critical patent/CN115272324A/zh
Application granted granted Critical
Publication of CN115272324B publication Critical patent/CN115272324B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/10—Image enhancement or restoration using non-spatial domain filtering
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • 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
    • G06T2207/20048—Transform domain processing
    • G06T2207/20056—Discrete and fast Fourier transform, [DFT, FFT]
    • 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
    • G06T2207/20092—Interactive image processing based on input by user
    • G06T2207/20104—Interactive definition of region of interest [ROI]
    • 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)
  • Multimedia (AREA)
  • Quality & Reliability (AREA)
  • Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)

Abstract

本发明公开了一种制药设备制药过程筛网缺陷检测方法及系统，涉及缺陷检测领域。主要包括：采集待检测筛网的表面图像进行灰度化以及傅里叶变换获得频谱图像；分别确定经过频谱图像的中心点且与频谱图像边缘相交的各线段，将所经过的高亮点的数量大于预设数量阈值的线段作为感兴趣线段，并获得每一感兴趣线段上包含的点的频谱变化曲线；根据频谱变化曲线中相邻极大值点间的距离，分别获得每一频谱变化曲线的规整程度值，以获得待检测筛网对应的异常程度值，从而判断待检测筛网是否存在缺陷。本发明实施例中无需针对不同直径的筛孔的筛网或不同类型的缺陷制作相应的匹配模板，也无需提前确定所采用的匹配模板，即可完成对筛网中缺陷的检测。

Description

一种制药设备制药过程筛网缺陷检测方法及系统
技术领域
本申请涉及缺陷检测领域，具体涉及一种制药设备制药过程筛网缺陷检测方法及系统。
背景技术
对于粉末状或颗粒状药物的制药过程，筛分过程是其中最重要的一环之一，而筛分过程主要通过筛网实现，因此，筛网的质量的好坏对于筛分后所得到的粉末状或颗粒状药物的质量具有重要影响。
筛网在生产过程中可能会出现破损、筛孔变形、筛孔大小不均匀等缺陷，使得存在缺陷的筛网可能被装配至制药设备中；此外，由于筛网的长期使用，也可能使得筛网中存在上述缺陷，因此，需要对制药设备在制药过程中筛网进行缺陷检测，以便及时将存在缺陷的筛网进行更换。
目前对于筛网进行缺陷检测，主要通过采集待测筛网的表面图像，并利用提前制作的筛孔模板进行模板匹配的方式，检测筛网中所存在的缺陷。
然而，通过模板匹配对筛网中缺陷进行检测的过程中，需要针对不同类型的缺陷制作不同的匹配模板，同时，不同直径的筛孔的筛网也需要采用不同的匹配模板，使得需要花费大量的人力及物力用于匹配模板的制作。
发明内容
针对上述技术问题，本发明提供了一种制药设备制药过程筛网缺陷检测方法及系统，通过获得待检测筛网的傅里叶变换后的频谱图像，并对频谱图像中感兴趣线段的频谱变化曲线中极大值点的间距进行分析，判断待检测筛网中是否存在缺陷，无需针对不同直径的筛孔的筛网或不同类型的缺陷制作相应的匹配模板，也无需提前确定所采用的匹配模板，从而提高了对筛网中缺陷的检测效率。
第一方面，本发明实施例提出了一种制药设备制药过程筛网缺陷检测方法，包括：
采集待检测筛网的表面图像并进行灰度化获得灰度图像。
对灰度图像进行傅里叶变化获得频谱图像，并将频谱图像中频谱值不小于其邻域内各点的频谱值的点作为高亮点。
分别确定经过频谱图像的中心点且与频谱图像边缘相交的各线段，将所经过的高亮点的数量大于预设数量阈值的线段作为感兴趣线段，并分别获得每一感兴趣线段上包含的点的频谱变化曲线。
根据频谱变化曲线中相邻极大值点间的距离，分别获得每一频谱变化曲线的规整程度值，并基于所有频谱变化曲线的规整程度值的方差，获得待检测筛网对应的异常程度值，以利用异常程度值判断待检测筛网是否存在缺陷。
进一步的，制药设备制药过程筛网缺陷检测方法中，根据频谱变化曲线中相邻极大值点间的距离，分别获得每一频谱变化曲线的规整程度值，包括：
Figure 465727DEST_PATH_IMAGE002
式中
Figure DEST_PATH_IMAGE003
表示频谱变化曲线的规整程度值，/>
Figure 97566DEST_PATH_IMAGE004
表示频谱变化曲线对应的感兴趣线段的长度，/>
Figure DEST_PATH_IMAGE005
表示频谱变化曲线对应的感兴趣线段所经过的高亮点的数量，/>
Figure 264367DEST_PATH_IMAGE006
表示以自然常数为底数的指数函数，/>
Figure DEST_PATH_IMAGE007
为超参数，/>
Figure 32472DEST_PATH_IMAGE008
为频谱变化曲线中极大值点的数量，/>
Figure DEST_PATH_IMAGE009
为频谱变化曲线中第n个相邻极大值点间的距离，/>
Figure 990807DEST_PATH_IMAGE010
为频谱变化曲线中相邻极大值点间的距离的平均值。
进一步的，制药设备制药过程筛网缺陷检测方法中，基于所有频谱变化曲线的规整程度值的方差，获得待检测筛网对应的异常程度值，包括：
所有频谱变化曲线的规整程度值的方差越大，所获得的待检测筛网对应的异常程度值越大。
进一步的，制药设备制药过程筛网缺陷检测方法中，利用异常程度值判断待检测筛网是否存在缺陷，包括：
判断异常程度值是否大于预设第一阈值，若判断结果为是，则待检测筛网存在缺陷，否则，待检测筛网不存在缺陷。
进一步的，制药设备制药过程筛网缺陷检测方法中，分别获得每一感兴趣线段上包含的点的频谱变化曲线后，所述方法还包括：
判断相邻两极大值点之间的频谱变化曲线部分是否存在频谱值非0的点，若判断结果为是，则将相邻两极大值点中频谱值最小的极大值点剔除。
进一步的，制药设备制药过程筛网缺陷检测方法中，对灰度图像进行傅里叶变化获得频谱图像后，所述方法还包括：
将频谱图像进行上下等分，选择等分后任一张图像作为新的频谱图像，并将等分前频谱图像的中心点作为新的频谱图像的中心点。
第二方面，本发明实施例提出了一种制药设备制药过程筛网缺陷检测系统，包括：存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现本发明实施例中制药设备制药过程筛网缺陷检测方法。
本发明提供了一种制药设备制药过程筛网缺陷检测方法及系统，相比于现有技术，本发明实施例的有益效果在于：通过获得待检测筛网的傅里叶变换后的频谱图像，并对频谱图像中感兴趣线段的频谱变化曲线中极大值点的间距进行分析，从而获得待检测筛网中筛孔的周期性特征，进而判断待检测筛网中是否存在缺陷，无需针对不同直径的筛孔的筛网或不同类型的缺陷制作相应的匹配模板，也无需提前确定所采用的匹配模板，从而提高了对筛网中缺陷的检测效率。
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一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种制药设备制药过程筛网缺陷检测方法的流程示意图；
图2是本发明实施例中筛网的灰度图像的示意图；
图3是本发明实施例中筛网的灰度图像经过傅里叶变换后的频谱图像；
图4是本发明实施例中正常筛网的感兴趣线段的频谱变化曲线的示意图；
图5是本发明实施例中存在缺陷的筛网的感兴趣线段的频谱变化曲线的示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。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。
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征；在本实施例的描述中，除非另有说明，“多个”的含义是两个或两个以上。
本发明实施例提供了一种制药设备制药过程筛网缺陷检测方法，如图1所示，包括：
步骤S101、采集待检测筛网的表面图像并进行灰度化获得灰度图像。
对于粉末状制剂以及颗粒状制剂的制造过程，筛分过程都起着重要的作用，而筛分过程主要通过筛网实现，因此，筛网是否存在缺陷对于所制造的药物的质量存在影响。
在制药过程中，可以在对粉末状制剂或者颗粒状制剂进行筛分前，采集待检测筛网的表面图像，以便对待检测筛网的缺陷进行检测，并保证每次进行图像采集的过程中，所采用的光照条件一致，图像采集方向垂直于筛网所处的平面，此外，可以通过对图像采集过程中焦距的调节，采集到仅包含待检测筛网的表面，从而避免筛网以外部分对于后续检测过程的不良影响。
对所采集的表面图像进行灰度化获得灰度图像，由于所采集的表面图像为RGB图像，RGB是一种颜色标准，通过对红(R)、绿(G)、蓝(B)三个颜色通道的变化以及它们相互之间的叠加来得到各式各样的颜色，RGB即是代表红、绿、蓝三个通道的颜色；可以通过将表面图像中像素点在RGB三个通道中像素值的最大值，作为灰度化后所得到的灰度图像中像素点的灰度值。
步骤S102、对灰度图像进行傅里叶变化获得频谱图像，并将频谱图像中频谱值不小于其邻域内各点的频谱值的点作为高亮点。
如图2所示为本发明实施例中所提供的筛网的示意图，合格的筛网中网孔会呈现周期性变化，当筛网中存在缺陷时，筛网中网孔原有的周期性被破坏；同时，图3为筛网的灰度图像经过傅里叶变换后的频谱图像，如图3所示，在筛网的表面图像对应的频谱图中包括多个高亮点，当筛网中存在缺陷时，筛网的周期性被破坏，相应的频谱图中高亮点的规律性也会被破坏，因此可以通过频谱图中高亮点的变化，反映待检测筛网是否存在缺陷。
需要说明的是，本发明实施例中高亮点指的是频谱图像中频谱值不小于其邻域内各点的频谱值的点，同时，由于筛网中大部分为正常的筛孔，可以通过筛网中网孔的周期特性判断筛网是否存在缺陷。
可选的，可以将相邻的多个高亮点组成高亮点区域，并将高亮点区域的中心点作为整个高亮点区域对应的高亮点，同时，该高亮点区域的中心点以外的高亮点不再作为高亮点，如此，可以有效的降低后续进行计算的高亮点的数量，从而减少缺陷检测过程的计算量，同时高亮点区域的中心能够有效代表其所在区域的所有高亮点，使得高亮点的数量减少的同时不影响缺陷检测的精度。
步骤S103、分别确定经过频谱图像的中心点且与频谱图像边缘相交的各线段，将所经过的高亮点的数量大于预设数量阈值的线段作为感兴趣线段，并分别获得每一感兴趣线段上包含的点的频谱变化曲线。
可选的，由于频谱图像通过中心化后是关于图像的中心点对称的，即对频谱图像进行处理时可以不对整张频谱图像进行分析处理，而是改为对频谱图像进行上下等分，选择等分后任意一张频谱图像作为新的频谱图像，从而减少所需要处理的频谱图像的尺寸，达到减少计算量的目的，作为一个示例，本发明实施例中可以选择等分后上半部分作为新的频谱图像，同时，在进行频谱图像上下等分的情况下，将等分前的频谱图像的中心点在等分后的频谱图像的对应点，作为等分后频谱图像的中心点。
分别确定经过频谱图像的中心点且与频谱图像边缘相交的各线段，将所经过的高亮点的数量大于预设数量阈值的线段作为感兴趣线段，如此，便于利用每一感兴趣线段上包含的点的频谱变化曲线，分析待检测筛网是否存在缺陷；同时，由于包含足够数量的高亮点的线段，才能有效反映筛网的周期性特征，因此本发明实施例对于所经过的高亮点数量不大于预设数量阈值的线段不予考虑，作为一个示例，本发明实施例中预设数量阈值为5。
可选的，可以在分别获得每一感兴趣线段上包含的点的频率变化曲线后，判断相邻两极大值点之间的频谱变化曲线部分是否存在频谱值非0的点，若判断结果为是，则将相邻两极大值点中频谱值最小的极大值点剔除；由于频谱变化曲线中连续的非零段中，可能存在着多个极大值点，然而，这些极大值点中对于待检测筛网的由于存在缺陷所造成的变化的表征，能够发挥作用这些极大值点中的最大值，因此，通过该步骤可以有效排出多余的极大值点的干扰，需要说明的是，本发明实施例中所述将相邻两极大值点中频谱值最小的极大值点剔除，在于在后续进行相邻极大值点间的距离计算的过程中，这些所剔除的极大值点不再作为极大值点参与计算。
步骤S104、根据频谱变化曲线中相邻极大值点间的距离，分别获得每一频谱变化曲线的规整程度值，并基于所有频谱变化曲线的规整程度值的方差，获得待检测筛网对应的异常程度值，以利用异常程度值判断待检测筛网是否存在缺陷。
获取相邻极大值点间的距离，并获得频谱变化曲线上相邻极大值点间的距离的平均值，由于正常筛网的频谱曲线变化是相对规律的，故可以将获取当前角度的距离序列均值作为参照值。
如图4所示，在筛网中不存在缺陷的情况下，正常筛网的表面图像中感兴趣线段对应的频谱变化曲线的极大值距离相对均匀；当筛网中存在缺陷时，如图5所示，筛网的表面图像中感兴趣线段对应的频谱变化曲线的均匀性被不同程度的破坏，同时频谱变化曲线的极大值点的数量变多。
因此，可以根据频谱变化曲线中相邻极大值点间的距离，分别获得每一频谱变化曲线的规整程度值：
Figure 922991DEST_PATH_IMAGE002
式中，
Figure 329702DEST_PATH_IMAGE003
表示频谱变化曲线的规整程度值，/>
Figure 155575DEST_PATH_IMAGE004
表示频谱变化曲线对应的感兴趣线段的长度，/>
Figure 756583DEST_PATH_IMAGE005
表示频谱变化曲线对应的感兴趣线段所经过的高亮点的数量，/>
Figure 910484DEST_PATH_IMAGE006
表示以自然常数为底数的指数函数，/>
Figure 855306DEST_PATH_IMAGE007
为超参数，/>
Figure 270107DEST_PATH_IMAGE008
为频谱变化曲线中极大值点的数量，/>
Figure 540551DEST_PATH_IMAGE009
为频谱变化曲线中第n个相邻极大值点间的距离，/>
Figure 539338DEST_PATH_IMAGE010
为频谱变化曲线中相邻极大值点间的距离的平均值，作为一个示例本发明实施例中/>
Figure DEST_PATH_IMAGE011
。
需要说明的是，本发明实施例中通过频谱变化曲线对应的感兴趣线段所经过的高亮点的数量，与频谱变化曲线对应的感兴趣线段的长度的比例，可以反映感兴趣线段上高亮点的平均密度，且平均密度越大，待检测筛网中存在缺陷的可能性越大；同时，感兴趣线段的频谱变化曲线中相邻极大值点间的距离的变化程度越大，待检测筛网中存在缺陷的可能性越大。
此外，感兴趣线段中的点与频谱图像的中心点的距离越小，该点表示越低频的信息，当筛网图像的低频信息发生较大变化时，待检测筛网中越可能存在缺陷，因此，可以为感兴趣线段上各极大值点赋予不同的权重，且极大值点距离频谱图像的中心点的距离越小，其对应的权重越大。
其次，可以基于所有频谱变化曲线的规整程度值的方差，获得待检测筛网对应的异常程度值，且所有频谱变化曲线的规整程度值的方差越大，所获得的待检测筛网对应的异常程度值越大。
作为一种可行的实施方式，本发明实施例中异常程度值的获得过程可以包括：
Figure 350168DEST_PATH_IMAGE012
，其中，/>
Figure DEST_PATH_IMAGE013
为异常程度值，/>
Figure 448836DEST_PATH_IMAGE014
为待检测筛网中所有频谱变化曲线的规整程度值的方差，需要说明的是，待检测筛网中所有频谱变化曲线的规整程度值的方差越大，说明不同的感兴趣线段对应的规整程度值间的差异越大，待检测筛网中越有可能存在缺陷。
最后，可以利用异常程度值判断待检测筛网是否存在缺陷，判断异常程度值是否大于预设第一阈值，若判断结果为是，则待检测筛网存在缺陷，可以将筛网进行更换，否则，待检测筛网不存在缺陷，无需进行更换。
此外，在待检测筛网中存在缺陷的情况下，还可以判断异常程度值是否大于预设第二阈值，且预设第二阈值大于预设第一阈值，在判断结果为是的情况下，
同时，在对异常程度值归一化至[0，1]范围内的情况下，作为一个示例，本发明实施例中预设第一阈值为0.4，预设第二阈值为0.7。
在确定待检测筛网存在缺陷的情况下，可以联系有关生产厂家对存在缺陷的筛网进行重铸。
此外，还可以对待检测筛网的表面图像进行区域划分，并利用本发明实施例中判断待检测筛网是否存在缺陷的方法，分别判断每一区域是否存在缺陷，从而确定出存在缺陷的筛网中所存在的缺陷具体位置。
基于与上述方法相同的发明构思，本实施例还提供了一种制药设备制药过程筛网缺陷检测系统，本实施例中制药设备制药过程筛网缺陷检测系统包括存储器和处理器，所述处理器执行所述存储器存储的计算机程序，以实现如制药设备制药过程筛网缺陷检测方法实施例中所描述的对制药设备加工时的配件进行缺陷检测。
由于制药设备制药过程筛网缺陷检测方法实施例中已经对制药设备加工时的配件进行缺陷检测的方法进行了说明，此处不再赘述。
综上所述，本发明提供了一种制药设备制药过程筛网缺陷检测方法及系统，通过获得待检测筛网的傅里叶变换后的频谱图像，并对频谱图像中感兴趣线段的频谱变化曲线中极大值点的间距进行分析，判断待检测筛网中是否存在缺陷，无需针对不同直径的筛孔的筛网或不同类型的缺陷制作相应的匹配模板，也无需提前确定所采用的匹配模板，从而提高了对筛网中缺陷的检测效率。
本发明中涉及诸如“包括”、“包含”、“具有”等等的词语是开放性词汇，指“包括但不限于”，且可与其互换使用。这里所使用的词汇“或”和“和”指词汇“和/或”，且可与其互换使用，除非上下文明确指示不是如此。这里所使用的词汇“诸如”指词组“诸如但不限于”，且可与其互换使用。
还需要指出的是，在本发明的方法和系统中，各部件或各步骤是可以分解和/或重新组合的。这些分解和/或重新组合应视为本公开的等效方案。
上述实施例仅仅是为清楚地说明所做的举例，并不构成对本发明的保护范围的限制。对于所属领域的普通技术人员来说，在上述说明的基础上还可以做出其它不同形式的变化或变动，这里无需也无法对所有的实施方式予以穷举。凡是与本发明相同或相似的设计均属于本发明的保护范围之内。

Claims (5)

1.一种制药设备制药过程筛网缺陷检测方法，其特征在于，包括：
采集待检测筛网的表面图像并进行灰度化获得灰度图像；
对灰度图像进行傅里叶变化获得频谱图像，并将频谱图像中频谱值不小于其邻域内各点的频谱值的点作为高亮点；
分别确定经过频谱图像的中心点且与频谱图像边缘相交的各线段，将所经过的高亮点的数量大于预设数量阈值的线段作为感兴趣线段，并分别获得每一感兴趣线段上包含的点的频谱变化曲线；
根据频谱变化曲线中相邻极大值点间的距离，分别获得每一频谱变化曲线的规整程度值，并基于所有频谱变化曲线的规整程度值的方差，获得待检测筛网对应的异常程度值，利用异常程度值判断待检测筛网是否存在缺陷；
根据频谱变化曲线中相邻极大值点间的距离，分别获得每一频谱变化曲线的规整程度值，包括：
Figure QLYQS_1
式中
Figure QLYQS_3
表示频谱变化曲线的规整程度值，/>
Figure QLYQS_6
表示频谱变化曲线对应的感兴趣线段的长度，/>
Figure QLYQS_9
表示频谱变化曲线对应的感兴趣线段所经过的高亮点的数量，/>
Figure QLYQS_4
表示以自然常数为底数的指数函数，/>
Figure QLYQS_5
为超参数，/>
Figure QLYQS_7
为频谱变化曲线中极大值点的数量，/>
Figure QLYQS_8
为频谱变化曲线中第n个相邻极大值点间的距离，/>
Figure QLYQS_2
为频谱变化曲线中相邻极大值点间的距离的平均值；
对灰度图像进行傅里叶变化获得频谱图像后，所述方法还包括：
将频谱图像进行上下等分，选择等分后任一张图像作为新的频谱图像，并将等分前频谱图像的中心点作为新的频谱图像的中心点。
2.根据权利要求1所述的方法，其特征在于，基于所有频谱变化曲线的规整程度值的方差，获得待检测筛网对应的异常程度值，包括：
所有频谱变化曲线的规整程度值的方差越大，所获得的待检测筛网对应的异常程度值越大。
3.根据权利要求1所述的方法，其特征在于，利用异常程度值判断待检测筛网是否存在缺陷，包括：
判断异常程度值是否大于预设第一阈值，若判断结果为是，则待检测筛网存在缺陷，否则，待检测筛网不存在缺陷。
4.根据权利要求1所述的方法，其特征在于，分别获得每一感兴趣线段上包含的点的频谱变化曲线后，所述方法还包括：
判断相邻两极大值点之间的频谱变化曲线部分是否存在频谱值非0的点，若判断结果为是，则将相邻两极大值点中频谱值最小的极大值点剔除。
5.一种制药设备制药过程筛网缺陷检测系统，包括：存储器和处理器，其特征在于，所述处理器执行所述存储器存储的计算机程序，以实现如权利要求1-4中任一项所述的制药设备制药过程筛网缺陷检测方法。
CN202211186223.2A 2022-09-28 2022-09-28 一种制药设备制药过程筛网缺陷检测方法及系统 Active CN115272324B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211186223.2A CN115272324B (zh) 2022-09-28 2022-09-28 一种制药设备制药过程筛网缺陷检测方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211186223.2A CN115272324B (zh) 2022-09-28 2022-09-28 一种制药设备制药过程筛网缺陷检测方法及系统

Publications (2)

Publication Number Publication Date
CN115272324A CN115272324A (zh) 2022-11-01
CN115272324B true CN115272324B (zh) 2023-06-23

Family

ID=83756734

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211186223.2A Active CN115272324B (zh) 2022-09-28 2022-09-28 一种制药设备制药过程筛网缺陷检测方法及系统

Country Status (1)

Country Link
CN (1) CN115272324B (zh)

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105182101B (zh) * 2015-07-06 2018-07-27 京东方科技集团股份有限公司 在触摸屏按压测试中检测不良的方法和装置
CN105424726B (zh) * 2016-01-12 2018-06-22 苏州富鑫林光电科技有限公司 基于机器视觉的发光面板检测方法
CN113643294B (zh) * 2021-10-14 2022-02-18 江苏祥顺布业有限公司 基于频谱分析的纺织品缺陷自适应检测方法
CN113971670B (zh) * 2021-12-23 2022-04-15 武汉市利隆捷精密螺丝制造有限公司 基于计算机视觉的螺纹缺陷分析方法及系统

Also Published As

Publication number Publication date
CN115272324A (zh) 2022-11-01

Similar Documents

Publication Publication Date Title
CN116205906B (zh) 一种电缆内部生产异常无损检测方法
US5343390A (en) Method and system for automated selection of regions of interest and detection of septal lines in digital chest radiographs
US6415063B1 (en) Method and apparatus for defective pixel identification
JP2002539566A (ja) 基準ダイの選択装置及び方法
EP3660491A1 (en) Defect inspecting method and defect inspecting device
CN115330989B (zh) 一种用于激光束切割的控制方法
CN116612112B (zh) 一种水桶表面缺陷视觉检测方法
CN115100206A (zh) 用于具有周期图案纺织物的印花缺陷识别方法
DE10041354A1 (de) Verfahren zur Überprüfung auf Fremdpartikel oder Fehler und entsprechende Vorrichtung
CN115272324B (zh) 一种制药设备制药过程筛网缺陷检测方法及系统
CN115018835A (zh) 一种汽车起动机齿轮检测方法
CN117237747B (zh) 基于人工智能的五金件缺陷分类识别方法
CN117252874B (zh) 一种塑胶模具生产质量视觉检测方法
CN116205923B (zh) 基于x-ray的汽车轮毂内部缺陷无损检测方法
RU2420593C2 (ru) Способ анализа клеточных структур и их компонентов
CN114998346B (zh) 一种防水布质量数据处理、识别方法
CN114387249A (zh) 检测方法及检测装置、设备和存储介质
JP2021042955A (ja) 食品検査装置、食品検査方法及び食品検査装置の食品再構成ニューラルネットワークの学習方法
JP3372839B2 (ja) 画質測定方法及び装置、これを用いた表示装置の製造方法
CN113298762B (zh) flare检测方法
CN116721105B (zh) 基于人工智能的爆珠生产异常在线检测方法
CN117129481B (zh) 一种在锂电行业检测系统中光源改进的方法
US20230334652A1 (en) Method and apparatus for the detection of anomalies in two-dimensional digital images of products
CN111879799B (zh) 一种光学系统空间分辨率的手动测试方法
Yan et al. Innovative wafer defect inspection mode: self-adaptive Pattern to Pattern inspection

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