CN116363129B - 一种滴眼剂生产用智能灯检系统 - Google Patents
一种滴眼剂生产用智能灯检系统 Download PDFInfo
- Publication number
- CN116363129B CN116363129B CN202310629281.6A CN202310629281A CN116363129B CN 116363129 B CN116363129 B CN 116363129B CN 202310629281 A CN202310629281 A CN 202310629281A CN 116363129 B CN116363129 B CN 116363129B
- Authority
- CN
- China
- Prior art keywords
- gray level
- gray
- image
- difference
- segment
- 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
- 239000003889 eye drop Substances 0.000 title claims abstract description 94
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 17
- 238000007689 inspection Methods 0.000 title claims abstract description 15
- 229940012356 eye drops Drugs 0.000 claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 26
- 238000001514 detection method Methods 0.000 claims abstract description 21
- 230000008569 process Effects 0.000 claims abstract description 13
- 238000004590 computer program Methods 0.000 claims abstract description 3
- 230000004069 differentiation Effects 0.000 claims description 9
- 230000000694 effects Effects 0.000 description 13
- 238000013528 artificial neural network Methods 0.000 description 10
- 238000003384 imaging method Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 5
- 238000011156 evaluation Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 3
- 239000000243 solution Substances 0.000 description 3
- 230000007423 decrease Effects 0.000 description 2
- 230000001419 dependent effect Effects 0.000 description 2
- 239000007788 liquid Substances 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 241000894006 Bacteria Species 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 239000003732 agents acting on the eye Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 208000030533 eye disease Diseases 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000003064 k means clustering Methods 0.000 description 1
- 229910052751 metal Inorganic materials 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 150000002739 metals Chemical class 0.000 description 1
- 229940023490 ophthalmic product Drugs 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 230000003068 static effect Effects 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
- G06T7/0004—Industrial image inspection
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/04—Context-preserving transformations, e.g. by using an importance map
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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
-
- 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
- G06T2207/20084—Artificial neural networks [ANN]
-
- 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)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Artificial Intelligence (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Quality & Reliability (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像处理技术领域,具体涉及一种滴眼剂生产用智能灯检系统。该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,以实现如下步骤:获取滴眼剂翻转过程中滴眼剂的灰度图像及其对应的灰度直方图;基于每帧灰度图像对应的灰度直方图中每个灰度级对应的频率获得各灰度级段;根据每帧灰度图像对应的灰度直方图中每个灰度级段中灰度级的数量和对应的频率,得到每个灰度级段对应的差异程度;基于差异程度对灰度级段进行分类,获得每帧灰度图像对应的各类灰度级段;根据各类灰度级段中每个灰度级段对应的差异程度,确定目标灰度图像,进而对滴眼剂进行异物检测。本发明提高了滴眼剂异物检测结果的准确性。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种滴眼剂生产用智能灯检系统。
背景技术
滴眼剂是一种常见的眼科药物,用于治疗眼部疾病。然而,由于生产过程中的各种因素,滴眼剂中可能会存在异物,如纤维、金属、细菌等,这些异物可能会对患者的眼部健康造成威胁。因此,滴眼剂中异物的检测变得非常重要。目前,滴眼剂中异物的检测采用灯检的方法,通过将生产过程中的滴眼剂翻转,采集滴眼剂翻转后的图像,进行异物检测。现有的异物检测通过训练完成的神经网络完成异常检测,但是在通过神经网络进行滴眼剂的异常检测时,反转后的滴眼剂中如果存在异物,则会导致采集滴眼剂图像的效果不稳定,并且在利用神经网络进行滴眼剂中异物识别时,如果系统算力不够,而图像采集速度较快,比如每秒30帧,则会导致无法及时处理采集的滴眼剂异物图像,进而导致滴眼剂异物检测效果较差。
发明内容
为了解决现有方法在对滴眼剂异物进行检测时存在的检测效果较差的问题,本发明的目的在于提供一种滴眼剂生产用智能灯检系统,所采用的技术方案具体如下:
本发明提供了一种滴眼剂生产用智能灯检系统,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,以实现如下步骤:
获取滴眼剂翻转过程中不少于两帧滴眼剂的灰度图像及其对应的灰度直方图;
基于每帧灰度图像对应的灰度直方图中每个灰度级对应的频率,对每帧灰度图像对应的灰度直方图中的灰度级进行划分,获得各灰度级段;根据每帧灰度图像对应的灰度直方图中每个灰度级段中灰度级的数量、每个灰度级段中各灰度级对应的频率,得到每帧灰度图像对应的灰度直方图中每个灰度级段对应的差异程度;
基于每帧灰度图像对应的灰度直方图中每个灰度级段对应的差异程度对每帧灰度图像对应的灰度直方图中的灰度级段进行分类,获得每帧灰度图像对应的各类灰度级段;根据每帧灰度图像对应的各类灰度级段中每个灰度级段对应的差异程度,确定目标灰度图像;
基于所述目标灰度图像对滴眼剂进行异物检测。
优选的,所述基于每帧灰度图像对应的灰度直方图中每个灰度级对应的频率,对每帧灰度图像对应的灰度直方图中的灰度级进行划分,获得各灰度级段,包括:
对于任意一帧灰度图像对应的灰度直方图:
将该灰度直方图中第一个灰度级作为初始灰度级,将与初始灰度级相邻的灰度级作为目标灰度级,根据初始灰度级对应的频率和目标灰度级对应的频率,得到初始灰度级和目标灰度级之间的差异指标;
若所述初始灰度级和目标灰度级之间的差异指标小于预设差异指标阈值,则将初始灰度级和目标灰度级进行合并获得灰度级段,将目标灰度级的下一个灰度级作为新的目标灰度级,若初始灰度级和新的目标灰度级之间的差异指标小于预设差异指标阈值,则将初始灰度级和新的目标灰度级之间的所有灰度级进行合并获得灰度级段,以此类推,直到初始灰度级和新的目标灰度级之间的差异指标大于或等于预设差异阈值,将新的目标灰度级作为新的初始灰度级,获得各灰度级段;若初始灰度级和目标灰度级之间的差异指标大于或等于预设差异指标阈值,则将初始灰度级作为一个灰度级段,将目标灰度级作为新的初始灰度级,获得各灰度级段。
优选的,根据初始灰度级对应的频率和目标灰度级对应的频率,得到初始灰度级和目标灰度级之间的差异指标,包括:
将初始灰度级对应的频率和目标灰度级对应的频率之间的差值的绝对值,确定为初始灰度级与目标灰度级之间的频率差异;将所述频率差异与初始灰度级对应的频率的比值,确定为初始灰度级和目标灰度级之间的差异指标。
优选的,根据每帧灰度图像对应的灰度直方图中每个灰度级段中灰度级的数量、每个灰度级段中各灰度级对应的频率,得到每帧灰度图像对应的灰度直方图中每个灰度级段对应的差异程度,包括:
对于任意一帧灰度图像对应的灰度直方图:
将该灰度直方图中所有灰度级段中灰度级的数量的均值,确定为第一均值;将该灰度直方图中每个灰度级段中灰度级的数量与所述第一均值的差值的绝对值,确定为每个灰度级段对应的第一差异;
根据该灰度直方图中每个灰度级段对应的差异指标和所述每个灰度级段对应的第一差异,得到该灰度直方图中每个灰度级段对应的差异程度,所述差异指标和所述第一差异均与所述差异程度呈正相关关系;所述每个灰度级段对应的差异指标为对应灰度级段中第一个灰度级与最后一个灰度级之间的差异指标。
优选的,所述基于每帧灰度图像对应的灰度直方图中每个灰度级段对应的差异程度对每帧灰度图像对应的灰度直方图中的灰度级段进行分类,获得每帧灰度图像对应的各类灰度级段,包括:
对于任意一帧灰度图像:
基于灰度图像对应的灰度直方图中每个灰度级段对应的差异程度,对灰度图像对应的灰度直方图中的所有灰度级段进行聚类,获得灰度图像对应的两类灰度级段。
优选的,根据每帧灰度图像对应的各类灰度级段中每个灰度级段对应的差异程度,确定目标灰度图像,包括:
对于任意一帧灰度图像:计算该帧灰度图像对应的各类灰度级段中所有灰度级段对应的差异程度的均值,将该帧灰度图像对应的两类灰度级段中所有灰度级段对应的差异程度的均值之间的差值的绝对值,确定为该帧灰度图像的分化程度;
将分化程度最大的灰度图像确定为目标灰度图像。
本发明至少具有如下有益效果:
本发明考虑到现有方法在对成像效果进行评估时,是通过图像的整体灰度方差完成对灰度直方图分布均匀性的评估,进而对图像效果进行评价,该方法无法实现整体均匀性和局部单峰之间的集中程度的同时度量,本发明基于每帧灰度图像对应的灰度直方图的灰度分布情况,对每帧灰度图像对应的灰度直方图中的灰度级进行了划分,获得各灰度级段;如果灰度直方图中的灰度分布相对均匀,则对应的灰度级段的数量较少;如果灰度直方图中的灰度分布局部变化较大,则会使得灰度直方图中的局部区域具有较多的子灰度级段;每个灰度级段中灰度级的数量能够反映对应灰度级段的长度,本发明又结合每个灰度级段中灰度级的数量,确定了每个灰度级段对应的差异程度,进而对每帧灰度图像对应的灰度直方图中的灰度级段进行分类,获得每帧灰度图像对应的各类灰度级段,同一类中所有灰度级段对应的差异程度相近;根据每帧灰度图像对应的各类灰度级段中每个灰度级段对应的差异程度,从所有灰度图像中选取最优灰度图像,也即获得了目标灰度图像,进而完成对滴眼剂的图像进行评估,选择最佳的滴眼剂的灰度图像对滴眼剂进行异物检测,在保证滴眼剂的检测结果稳定性的同时提高了滴眼剂异物检测结果的准确性。
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和优点,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的介绍,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的前提下,还可以根据这些附图获得其它附图。
图1为本发明实施例所提供的一种滴眼剂生产用智能灯检系统所执行的方法的流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种滴眼剂生产用智能灯检系统进行详细说明如下。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种滴眼剂生产用智能灯检系统的具体方案。
一种滴眼剂生产用智能灯检系统实施例:
本实施例所针对的具体场景为:当滴眼剂生产完成后,需要对其进行质量检测,判断其中是否存在异物,本实施例采集滴眼剂翻转过程中的多帧灰度图像及其对应的灰度直方图,对每个灰度直方图进行分析,从采集到的所有灰度图像中选取最优灰度图像,将其作为异物检测时的基础图像,对滴眼剂中是否存在异物进行判断。
本实施例提出了一种滴眼剂生产用智能灯检系统,该系统以实现如图1所示的步骤,具体步骤如下:
步骤S1,获取滴眼剂翻转过程中不少于两帧滴眼剂的灰度图像及其对应的灰度直方图。
本实施例首先在滴眼剂的生产线上固定相机,用于采集生产完成的滴眼剂的图像,相机和数据处理中心通过有线的形式进行连接,相机在采集到滴眼剂的图像数据后,通过有线传输的方式,将滴眼剂的图像数据发送至数据处理中心。将生产完成的滴眼剂进行多次翻转,每次翻转之后间隔0.5s采集一次滴眼剂的图像,本实施例对于同一滴眼剂共采集10帧图像,在具体应用中,采集的图像数量和每次翻转之后的时间间隔实施者可根据具体情况进行设置。本实施例采集到的滴眼剂图像为RGB图像,由于滴眼剂中不存在较多的颜色,为了减少计算量,本实施例分别对采集到的每帧RGB图像进行灰度化处理,将灰度化处理后的图像记为滴眼剂的灰度图像。图像灰度化处理为现有技术,此处不再过多赘述。
根据每帧灰度图像中像素点的灰度值,构建每帧灰度图像对应的灰度直方图;灰度直方图的构建过程为现有技术,此处不再过多赘述。本实施例选择采用灰度直方图进行图像质量评估,是因为若灰度直方图中灰度分布比较均匀,则其对应的灰度图像整体的对比度较高,在灰度直方图中如果局部具有较高峰值,则说明其对应灰度图像中较强对比度的部分。
至此,获得了滴眼剂翻转过程中多帧滴眼剂的灰度图像以及每帧灰度图像对应的灰度直方图。
步骤S2,基于每帧灰度图像对应的灰度直方图中每个灰度级对应的频率,对每帧灰度图像对应的灰度直方图中的灰度级进行划分,获得各灰度级段;根据每帧灰度图像对应的灰度直方图中每个灰度级段中灰度级的数量、每个灰度级段中各灰度级对应的频率,得到每帧灰度图像对应的灰度直方图中每个灰度级段对应的差异程度。
考虑到滴眼剂在翻转后,滴眼剂内的溶液会发生转动,带动异物发生运动,导致不同时刻下的滴眼剂的成像效果不同,如果对采集的全部图像均进行异物识别,则计算量过大,会造成用于异物识别的算力不足,发生程序堵塞问题,从而影响滴眼剂的灯检结果,因此本实施例将从所有的灰度图像中选取最优灰度图像,用于滴眼剂异物的检测。
为了从采集到的所有灰度图像中选择最优灰度图像,本实施例通过对同一滴眼剂不同的滴眼剂成像结果对应的灰度直方图进行分析,如果灰度直方图整体分布均匀,则说明对应灰度图像整体的对比度较高;但是如果灰度直方图过于均匀,则会造成异物成像失真,由于异物的整体灰度值近似,因此异物应当对应灰度直方图中的单峰状区域,并且对应像素点的灰度值分布应当较集中。在滴眼剂翻转后,异物会随着液体运动,本实施例将结合不同灰度图像中疑似异物部分的运动轨迹对每帧灰度图像进行分析,提高对异物判断的准确率,进而更好的筛选异物成像效果较佳的图像。
现有方法在对成像效果进行评估时,是通过图像的整体灰度方差完成对灰度直方图分布均匀性的评估,进而对图像效果进行评价,该方法无法实现整体均匀性和局部单峰之间的集中程度的同时度量。本实施例将对灰度直方图中的灰度级进行划分获得多个灰度级段,基于灰度级段之间的关系对成像效果进行分析。
对于任意一帧滴眼剂的灰度图像对应的灰度直方图:将该灰度直方图中第一个灰
度级作为初始灰度级,将与初始灰度级相邻的灰度级作为目标灰度级,根据初始灰度级对
应的频率和目标灰度级对应的频率,得到初始灰度级和目标灰度级之间的差异指标;其中
初始灰度级和目标灰度级之间的差异指标的获取过程具体为:将初始灰度级对应的频率和
目标灰度级对应的频率之间的差值的绝对值,确定为初始灰度级与目标灰度级之间的频率
差异;将所述频率差异与初始灰度级对应的频率的比值,确定为初始灰度级和目标灰度级
之间的差异指标。设置预设差异指标阈值,若所述初始灰度级和目标灰度级之间的差异
指标小于预设差异指标阈值,则将初始灰度级和目标灰度级进行合并获得灰度级段,将目
标灰度级的下一个灰度级作为新的目标灰度级,若初始灰度级和新的目标灰度级之间的差
异指标小于预设差异指标阈值,则将初始灰度级和新的目标灰度级之间的所有灰度级进行
合并获得灰度级段,以此类推,直到初始灰度级和新的目标灰度级之间的差异指标大于或
等于预设差异阈值,将新的目标灰度级作为新的初始灰度级,获得各灰度级段;若初始灰度
级和目标灰度级之间的差异指标大于或等于预设差异指标阈值,则将初始灰度级作为一个
灰度级段,将目标灰度级作为新的初始灰度级,获得各灰度级段。具体的,首先根据该灰度
直方图中第一个灰度级对应的频率和第二个灰度级对应的频率,计算第一个灰度级对应的
频率和第二个灰度级对应的频率之间的差值的绝对值,将该绝对值与第一个灰度级对应的
频率的比值作为第一个灰度级和第二个灰度级之间的差异指标,若小于,则将第
一个灰度级和第二个灰度级进行合并,计算第一个灰度级与第三个灰度级之间的差异指标,若小于,则将第三个灰度级与第一个灰度级和第二个灰度级进行合并;若大
于或等于,则第三个灰度级不与第一个灰度级和第二个灰度级进行合并,也即第一个灰
度级和第二个灰度级合并在一起构成一个灰度级段,然后计算第三个灰度级与第四个灰度
级之间的差异指标,若小于,则将第三个灰度级与第四个灰度级进行合并,以此
类推,直到对该灰度直方图中的所有灰度级进行划分;若大于或等于,则将第一个灰
度级作为一个灰度级段,计算第二个灰度级与第三个灰度级之间的差异指标,根据第二个
灰度级与第三个灰度级之间的差异指标和的大小关系,判断第二个灰度级是否与第三个
灰度级进行合并,以此类推,直到对该灰度直方图中的所有灰度级进行划分。采用上述方
法,本实施例对该灰度直方图中的所有灰度级进行了划分,获得了多个灰度级段。本实施例
中的预设差异指标阈值为0.2,在具体应用中,实施者可根据具体情况进行设置。
本实施例通过上述方法对所有灰度图像对应的灰度直方图中的灰度级进行划分,每个灰度直方图对应多个灰度级段。如果灰度直方图中的灰度分布相对均匀,则对应的灰度级段的数量较少,若整个灰度直方图中的灰度分布绝对统一,则该灰度直方图只对应一个灰度级段。如果灰度直方图中的灰度分布局部变化较大,则会使得灰度直方图中的局部区域具有较多的灰度级段。
当某个灰度级段中灰度级的数量越小时,说明该灰度级段的间隔值越小。由于滴眼剂为颜色均一的溶液,因此正常情况下,其对应的灰度图像中像素点的灰度值集中分布,滴眼剂在翻转后,液体发生运动,可能会使得灰度值分布相对没有静止状态下的集中,并且异物往往也是灰度分布比较集中的物体,而灰度分布集中像素在直方图中,也会使得对应的灰度级出现局部集中分布的情况,因此若某个灰度级段中灰度级的数量越小,则说明局部的灰度级分布的越集中。图像清晰的情况下对比度较高,对比度高表示具有较大的动态范围,当灰度图像均匀分布时,会具有较高的图像对比度。因此,本实施例将结合灰度直方图对应的每个灰度级段中灰度级的数量和灰度直方图中每个灰度级段对应的差异指标,对每个灰度级段对应的差异程度进行评价。
具体的,对于任意一帧滴眼剂的灰度图像对应的灰度直方图:将该灰度直方图中所有灰度级段中灰度级的数量的均值,确定为第一均值;将该灰度直方图中每个灰度级段中灰度级的数量与所述第一均值的差值的绝对值,确定为每个灰度级段对应的第一差异;根据该灰度直方图中每个灰度级段对应的差异指标和所述每个灰度级段对应的第一差异,得到该灰度直方图中每个灰度级段对应的差异程度,所述差异指标和所述第一差异均与所述差异程度呈正相关关系。其中,所述每个灰度级段对应的差异指标为对应灰度级段中第一个灰度级与最后一个灰度级之间的差异指标,该灰度直方图中第n个灰度级段对应的差异指标的获取过程为:计算第n个灰度级段中第一个灰度级对应的频率与最后一个灰度级对应的频率之间的差值的绝对值,将该绝对值与该灰度级段中第一个灰度级对应的频率的比值,作为该灰度直方图中第n个灰度级段对应的差异指标。正相关关系表示因变量会随着自变量的增大而增大,因变量会随着自变量的减小而减小,具体关系可以为相乘关系、相加关系、指数函数的幂等,由实际应用进行确定。作为一个具体实施方式,给出差异程度的具体计算公式,滴眼剂的灰度图像对应的灰度直方图中第n个灰度级段对应的差异程度的具体计算公式为:
其中,为滴眼剂的灰度图像对应的灰度直方图中第n个灰度级段对应的差异程
度,为滴眼剂的灰度图像对应的灰度直方图中第n个灰度级段对应的差异指标,为滴眼
剂的灰度图像对应的灰度直方图中第n个灰度级段中灰度级的数量,为滴眼剂的灰度图像
对应的灰度直方图中所有灰度级段中灰度级的数量的均值,| |为取绝对值符号。
表示滴眼剂的灰度图像对应的灰度直方图中第n个灰度级段对应的第一
差异,也即表征滴眼剂的灰度图像对应的灰度直方图中第n个灰度级段中灰度级的数量与
该灰度直方图中所有灰度级段中灰度级的数量的均值的差异;表示滴眼剂的灰度图像对
应的灰度直方图中第n个灰度级段中灰度级的数量,能够反映滴眼剂的灰度图像对应的灰
度直方图中第n个灰度级段的间隔值,滴眼剂的灰度图像对应的灰度直方图中第n个灰度级
段中灰度级的数量越多,说明该灰度级段越长;滴眼剂的灰度图像对应的灰度直方图中第n
个灰度级段对应的差异指标越大,说明该灰度级段中灰度级对应的频率变化越大。当滴眼
剂的灰度图像对应的灰度直方图中第n个灰度级段中灰度级的数量与该灰度直方图中所有
灰度级段中灰度级的数量的均值的差异越大、滴眼剂的灰度图像对应的灰度直方图中第n
个灰度级段对应的差异指标越大时,说明滴眼剂的灰度图像对应的灰度直方图中第n个灰
度级段对应的差异程度越大。
采用上述方法,能够获得每帧灰度图像对应的灰度直方图中每个灰度级段对应的差异程度。
步骤S3,基于每帧灰度图像对应的灰度直方图中每个灰度级段对应的差异程度对每帧灰度图像对应的灰度直方图中的灰度级段进行分类,获得每帧灰度图像对应的各类灰度级段;根据每帧灰度图像对应的各类灰度级段中每个灰度级段对应的差异程度,确定目标灰度图像。
本实施例在步骤S2中获得了每帧灰度图像对应的灰度直方图中每个灰度级段对应的差异程度,接下来本实施例将结合差异程度从所有灰度图像中筛选最优灰度图像,将筛选出的最优灰度图像作为目标灰度图像,用于后续滴眼剂的异物检测。
对于任意一帧灰度图像对应的灰度直方图:
基于该灰度直方图中每个灰度级段对应的差异程度,采用k-means聚类算法对该灰度直方图中的所有灰度级段进行聚类,k-means聚类时k的值为2,也即对该灰度直方图中的所有灰度级段进行了二分类,获得两类灰度级段,每一类灰度级段对应的差异程度相近。k-means为现有技术,此处不再过多赘述。计算该帧灰度图像对应的各类灰度级段中所有灰度级段对应的差异程度的均值,将该帧灰度图像对应的两类灰度级段中所有灰度级段对应的差异程度的均值之间的差值的绝对值,确定为该帧灰度图像的分化程度。
采用上述方法,能够获得每帧灰度图像的分化程度,分化程度能够反映灰度直方图中灰度值分布的集中程度和均匀程度之间的差异,分化程度越大,说明灰度直方图中灰度值分布的集中程度和均匀程度之间的差异越大,因此本实施例将分化程度最大的灰度图像确定为目标灰度图像,也即从所有灰度图像中筛选出了最优灰度图像,用于后续滴眼剂的异物检测。
步骤S4,基于所述目标灰度图像对滴眼剂进行异物检测。
在筛选出目标灰度图像后,利用训练完成的异物检测神经网络对目标灰度图像进行神经网络推理,完成滴眼剂的异物检测。其中本实施例中的异物检测神经网络选用yolo-v5神经网络,用于滴眼剂的异物检测,数据集由相关人员进行采集、标注,标注后对数据集进行扩张,得到最终的yolo-v5神经网络训练所需的数据集合。yolo-v5神经网络的训练过程以及利用神经网络进行异物检测均为公知技术,此处不再过多赘述。
至此,采用本实施例提供的一种滴眼剂生产用智能灯检系统,完成对滴眼剂的异物检测。
本实施例考虑到现有方法在对成像效果进行评估时,是通过图像的整体灰度方差完成对灰度直方图分布均匀性的评估,进而对图像效果进行评价,该方法无法实现整体均匀性和局部单峰之间的集中程度的同时度量,本实施例基于每帧灰度图像对应的灰度直方图的灰度分布情况,对每帧灰度图像对应的灰度直方图中的灰度级进行了划分,获得各灰度级段;如果灰度直方图中的灰度分布相对均匀,则对应的灰度级段的数量较少;如果灰度直方图中的灰度分布局部变化较大,则会使得灰度直方图中的局部区域具有较多的子灰度级段;每个灰度级段中灰度级的数量能够反映对应灰度级段的长度,本实施例又结合每个灰度级段中灰度级的数量,确定了每个灰度级段对应的差异程度,进而对每帧灰度图像对应的灰度直方图中的灰度级段进行分类,获得每帧灰度图像对应的各类灰度级段,同一类中所有灰度级段对应的差异程度相近;根据每帧灰度图像对应的各类灰度级段中每个灰度级段对应的差异程度,从所有灰度图像中选取最优灰度图像,也即获得了目标灰度图像,进而完成对滴眼剂的图像进行评估,选择最佳的滴眼剂的灰度图像对滴眼剂进行异物检测,在保证滴眼剂的检测结果稳定性的同时提高了异物检测结果的准确性。
Claims (2)
1.一种滴眼剂生产用智能灯检系统,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,以实现如下步骤:
获取滴眼剂翻转过程中不少于两帧滴眼剂的灰度图像及其对应的灰度直方图;
基于每帧灰度图像对应的灰度直方图中每个灰度级对应的频率,对每帧灰度图像对应的灰度直方图中的灰度级进行划分,获得各灰度级段;根据每帧灰度图像对应的灰度直方图中每个灰度级段中灰度级的数量、每个灰度级段中各灰度级对应的频率,得到每帧灰度图像对应的灰度直方图中每个灰度级段对应的差异程度;
基于每帧灰度图像对应的灰度直方图中每个灰度级段对应的差异程度对每帧灰度图像对应的灰度直方图中的灰度级段进行分类,获得每帧灰度图像对应的各类灰度级段;根据每帧灰度图像对应的各类灰度级段中每个灰度级段对应的差异程度,确定目标灰度图像;
基于所述目标灰度图像对滴眼剂进行异物检测;
所述基于每帧灰度图像对应的灰度直方图中每个灰度级对应的频率,对每帧灰度图像对应的灰度直方图中的灰度级进行划分,获得各灰度级段,包括:
对于任意一帧灰度图像对应的灰度直方图:
将该灰度直方图中第一个灰度级作为初始灰度级,将与初始灰度级相邻的灰度级作为目标灰度级,根据初始灰度级对应的频率和目标灰度级对应的频率,得到初始灰度级和目标灰度级之间的差异指标;
若所述初始灰度级和目标灰度级之间的差异指标小于预设差异指标阈值,则将初始灰度级和目标灰度级进行合并获得灰度级段,将目标灰度级的下一个灰度级作为新的目标灰度级,若初始灰度级和新的目标灰度级之间的差异指标小于预设差异指标阈值,则将初始灰度级和新的目标灰度级之间的所有灰度级进行合并获得灰度级段,以此类推,直到初始灰度级和新的目标灰度级之间的差异指标大于或等于预设差异阈值,将新的目标灰度级作为新的初始灰度级,获得各灰度级段;若初始灰度级和目标灰度级之间的差异指标大于或等于预设差异指标阈值,则将初始灰度级作为一个灰度级段,将目标灰度级作为新的初始灰度级,获得各灰度级段;
根据每帧灰度图像对应的灰度直方图中每个灰度级段中灰度级的数量、每个灰度级段中各灰度级对应的频率,得到每帧灰度图像对应的灰度直方图中每个灰度级段对应的差异程度,包括:
对于任意一帧灰度图像对应的灰度直方图:
将该灰度直方图中所有灰度级段中灰度级的数量的均值,确定为第一均值;将该灰度直方图中每个灰度级段中灰度级的数量与所述第一均值的差值的绝对值,确定为每个灰度级段对应的第一差异;
根据该灰度直方图中每个灰度级段对应的差异指标和所述每个灰度级段对应的第一差异,得到该灰度直方图中每个灰度级段对应的差异程度,所述差异指标和所述第一差异均与所述差异程度呈正相关关系;所述每个灰度级段对应的差异指标为对应灰度级段中第一个灰度级与最后一个灰度级之间的差异指标;
该灰度直方图中第n个灰度级段对应的差异指标的获取过程为:计算第n个灰度级段中第一个灰度级对应的频率与最后一个灰度级对应的频率之间的差值的绝对值,将该绝对值与该灰度级段中第一个灰度级对应的频率的比值,作为该灰度直方图中第n个灰度级段对应的差异指标;
所述基于每帧灰度图像对应的灰度直方图中每个灰度级段对应的差异程度对每帧灰度图像对应的灰度直方图中的灰度级段进行分类,获得每帧灰度图像对应的各类灰度级段,包括:
对于任意一帧灰度图像:
基于灰度图像对应的灰度直方图中每个灰度级段对应的差异程度,对灰度图像对应的灰度直方图中的所有灰度级段进行聚类,获得灰度图像对应的两类灰度级段;
根据每帧灰度图像对应的各类灰度级段中每个灰度级段对应的差异程度,确定目标灰度图像,包括:
对于任意一帧灰度图像:计算该帧灰度图像对应的各类灰度级段中所有灰度级段对应的差异程度的均值,将该帧灰度图像对应的两类灰度级段中所有灰度级段对应的差异程度的均值之间的差值的绝对值,确定为该帧灰度图像的分化程度;
将分化程度最大的灰度图像确定为目标灰度图像。
2.根据权利要求1所述的一种滴眼剂生产用智能灯检系统,其特征在于,根据初始灰度级对应的频率和目标灰度级对应的频率,得到初始灰度级和目标灰度级之间的差异指标,包括:
将初始灰度级对应的频率和目标灰度级对应的频率之间的差值的绝对值,确定为初始灰度级与目标灰度级之间的频率差异;将所述频率差异与初始灰度级对应的频率的比值,确定为初始灰度级和目标灰度级之间的差异指标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310629281.6A CN116363129B (zh) | 2023-05-31 | 2023-05-31 | 一种滴眼剂生产用智能灯检系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310629281.6A CN116363129B (zh) | 2023-05-31 | 2023-05-31 | 一种滴眼剂生产用智能灯检系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116363129A CN116363129A (zh) | 2023-06-30 |
CN116363129B true CN116363129B (zh) | 2023-08-22 |
Family
ID=86923786
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310629281.6A Active CN116363129B (zh) | 2023-05-31 | 2023-05-31 | 一种滴眼剂生产用智能灯检系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116363129B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101354359A (zh) * | 2008-09-04 | 2009-01-28 | 湖南大学 | 药液内运动可见异物的检测跟踪与识别方法 |
CN102945505A (zh) * | 2012-11-17 | 2013-02-27 | 中国水产科学研究院渔业机械仪器研究所 | 一种小球藻自动计数方法 |
WO2014064916A1 (ja) * | 2012-10-25 | 2014-05-01 | 三菱電機株式会社 | 画像処理装置及び画像処理方法 |
WO2022015915A1 (en) * | 2020-07-16 | 2022-01-20 | Boston Eye Diagnostics, Inc. | System and method for acquisition and quantification of images with ocular staining |
CN114638827A (zh) * | 2022-05-18 | 2022-06-17 | 卡松科技股份有限公司 | 一种润滑油机械杂质视觉检测方法及装置 |
WO2022141178A1 (zh) * | 2020-12-30 | 2022-07-07 | 深圳市大疆创新科技有限公司 | 图像处理方法及装置 |
CN115049674A (zh) * | 2022-08-17 | 2022-09-13 | 南通万格环境科技有限公司 | 基于大数据的工业污水处理方法及系统 |
CN115311303A (zh) * | 2022-10-12 | 2022-11-08 | 南通富兰妮纺织品有限公司 | 一种纺织品经纬缺陷检测方法 |
CN115830459A (zh) * | 2023-02-14 | 2023-03-21 | 山东省国土空间生态修复中心(山东省地质灾害防治技术指导中心、山东省土地储备中心) | 基于神经网络的山地林草生命共同体损毁程度检测方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9495343B2 (en) * | 2014-09-30 | 2016-11-15 | Konica Minolta Laboratory U.S.A., Inc. | Horizontal and vertical line detection and removal for document images |
-
2023
- 2023-05-31 CN CN202310629281.6A patent/CN116363129B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101354359A (zh) * | 2008-09-04 | 2009-01-28 | 湖南大学 | 药液内运动可见异物的检测跟踪与识别方法 |
WO2014064916A1 (ja) * | 2012-10-25 | 2014-05-01 | 三菱電機株式会社 | 画像処理装置及び画像処理方法 |
CN102945505A (zh) * | 2012-11-17 | 2013-02-27 | 中国水产科学研究院渔业机械仪器研究所 | 一种小球藻自动计数方法 |
WO2022015915A1 (en) * | 2020-07-16 | 2022-01-20 | Boston Eye Diagnostics, Inc. | System and method for acquisition and quantification of images with ocular staining |
WO2022141178A1 (zh) * | 2020-12-30 | 2022-07-07 | 深圳市大疆创新科技有限公司 | 图像处理方法及装置 |
CN114638827A (zh) * | 2022-05-18 | 2022-06-17 | 卡松科技股份有限公司 | 一种润滑油机械杂质视觉检测方法及装置 |
CN115049674A (zh) * | 2022-08-17 | 2022-09-13 | 南通万格环境科技有限公司 | 基于大数据的工业污水处理方法及系统 |
CN115311303A (zh) * | 2022-10-12 | 2022-11-08 | 南通富兰妮纺织品有限公司 | 一种纺织品经纬缺陷检测方法 |
CN115830459A (zh) * | 2023-02-14 | 2023-03-21 | 山东省国土空间生态修复中心(山东省地质灾害防治技术指导中心、山东省土地储备中心) | 基于神经网络的山地林草生命共同体损毁程度检测方法 |
Non-Patent Citations (1)
Title |
---|
KDP晶体表面残留颗粒的机器视觉检测方法研究;关利超 等;《机械设计与制造》;第2014年卷(第12期);第190-193页 * |
Also Published As
Publication number | Publication date |
---|---|
CN116363129A (zh) | 2023-06-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104834912B (zh) | 一种基于图像信息检测的天气识别方法及装置 | |
CN101751680B (zh) | 图像处理装置以及图像处理方法 | |
CN105828065B (zh) | 一种视频画面过曝检测方法及装置 | |
CN106355584A (zh) | 基于局部熵确定阈值的眼底图像微动脉瘤自动检测方法 | |
CN108154087A (zh) | 一种基于特征匹配的红外人体目标检测跟踪方法 | |
CN116188327B (zh) | 一种用于安防监控视频的图像增强方法 | |
CN108921857A (zh) | 一种面向监视场景的视频图像焦点区域分割方法 | |
RU2395787C2 (ru) | Способ обнаружения объектов | |
Wang et al. | An automatic approach for retinal vessel segmentation by multi-scale morphology and seed point tracking | |
CN115170567B (zh) | 一种船舶用的防水钢板缺陷检测方法 | |
CN114648806A (zh) | 一种多机制自适应的眼底图像分割方法 | |
CN115082429A (zh) | 一种基于图像处理的铝棒缺陷检测方法 | |
CN107564041B (zh) | 一种可见光图像空中运动目标的检测方法 | |
CN115171024A (zh) | 一种基于视频序列的面部多特征融合疲劳检测方法及系统 | |
KR101343623B1 (ko) | 적응적 피부색 검출 방법, 그리고 이를 이용한 얼굴 검출 방법 및 그 장치 | |
CN116363129B (zh) | 一种滴眼剂生产用智能灯检系统 | |
CN116758074B (zh) | 一种多光谱食品图像智能增强方法 | |
CN116757972B (zh) | 一种抗光影噪声影响的织物缺陷检测方法 | |
CN116503422A (zh) | 一种基于注意力机制与多尺度特征融合的视杯视盘分割方法 | |
CN113066077B (zh) | 火焰检测方法及装置 | |
CN114757963A (zh) | 一种夜间复杂光照变化下的运动目标提取方法 | |
US10274711B2 (en) | Microscopic image recognition system and method for detecting protein-based molecule | |
Savarkar et al. | Diabetic retinopathy using image processing detection, classification and analysis | |
CN112101377B (zh) | 一种基于区域特征分析的在线间歇中空滤棒检测方法 | |
Thike et al. | Vehicle detection using upper local ternary features with SVM classification |
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 |