CN116612125A - 基于人工智能的食药品胶囊质量检测方法 - Google Patents

基于人工智能的食药品胶囊质量检测方法 Download PDF

Info

Publication number
CN116612125A
CN116612125A CN202310898016.8A CN202310898016A CN116612125A CN 116612125 A CN116612125 A CN 116612125A CN 202310898016 A CN202310898016 A CN 202310898016A CN 116612125 A CN116612125 A CN 116612125A
Authority
CN
China
Prior art keywords
capsule
edge
image
pixel point
sliding window
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
CN202310898016.8A
Other languages
English (en)
Other versions
CN116612125B (zh
Inventor
李炳庆
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.)
Shandong Qingbaotang Biotechnology Co ltd
Original Assignee
Shandong Qingbaotang 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 Shandong Qingbaotang Biotechnology Co ltd filed Critical Shandong Qingbaotang Biotechnology Co ltd
Priority to CN202310898016.8A priority Critical patent/CN116612125B/zh
Publication of CN116612125A publication Critical patent/CN116612125A/zh
Application granted granted Critical
Publication of CN116612125B publication Critical patent/CN116612125B/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
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/11—Region-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
    • G06T7/13—Edge detection
    • 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
    • G06T7/60—Analysis of geometric attributes
    • 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
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30108—Industrial image inspection
    • 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
    • G06T2207/30168—Image quality inspection
    • 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)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Geometry (AREA)
  • Image Analysis (AREA)

Abstract

本申请涉及图像处理领域，提供基于人工智能的食药品胶囊质量检测方法，包括：采集胶囊对应的检测图像；基于所述检测图像确定胶囊对应的灰度图像、反光波动特征图像、边缘走势特征图像以及梯度特征图像；基于灰度图像、反光波动特征图像、边缘走势特征图像以及梯度特征图像从所述检测图像中确定胶囊形变显著图；基于所述胶囊形变显著图进行质量检测。该方法能够得到准确的显著性检测效果。

Description

基于人工智能的食药品胶囊质量检测方法
技术领域
本申请涉及图像处理领域，特别是涉及基于人工智能的食药品胶囊质量检测方法。
背景技术
随着医学药品的发展，各种保健药品层出不穷。其中，鱼肝油胶囊广泛用于产妇、儿童以及老年人群体，为他们提供了丰富的营养成分。但是，市场上出现的鱼肝油胶囊，其质量好坏不一。鱼肝油胶囊在运输过程中极有可能发生形变，其形变特征包括压缩变形、拉伸变形、坍塌变形以及粘连变形。
目前，对鱼肝油胶囊产生形变的质量检测方法，主要利用光学扫描以对鱼肝油胶囊进行形状检测。随着人工智能化的发展，利用图像处理技术识别鱼肝油胶囊形变缺陷的方法成为了主流。如，视觉显著性检测算法，该方法操作性较高，不需要太过复杂的参数以及处理过程。但是，该算法也有一定的局限性，对多物体的图像，检测多个物体上的缺陷，算法很难得到准确的显著性检测结果。
发明内容
本发明提供基于人工智能的食药品胶囊质量检测方法，该方法能够得到准确的显著性检测效果。
第一方面，本申请提供基于人工智能的食药品胶囊质量检测方法，包括：
采集胶囊对应的检测图像；
基于所述检测图像确定胶囊对应的灰度图像、反光波动特征图像、边缘走势特征图像以及梯度特征图像；
基于灰度图像、反光波动特征图像、边缘走势特征图像以及梯度特征图像从所述检测图像中确定胶囊形变显著图；
基于所述胶囊形变显著图进行质量检测。
在一实施例中，确定反光波动特征图像，包括：
基于像素点的灰度值计算像素点的胶囊凹陷指数；
基于像素点的胶囊凹陷指数计算像素点的反光波动值，基于所有像素点的反光波动值得到反光波动特征图像。
在一实施例中，基于像素点的灰度值计算像素点的胶囊凹陷指数，包括：
从灰度图像中提取胶囊区域图像；
以胶囊区域图像中每一像素点为中心，设置第一预设大小的滑动窗口对所述胶囊区域进行灰度检测，以得到滑动窗口对应的行灰度投影序列和列灰度投影序列；
基于滑动窗口内行灰度投影序列和列灰度投影序列计算像素点的胶囊凹陷指数。
在一实施例中，基于滑动窗口内行灰度投影序列和列灰度投影序列计算像素点的胶囊凹陷指数，包括：
利用如下公式计算像素点的胶囊凹陷指数：
；
其中，a表示滑动窗口内序列的数目，只有投行灰度投影序列和列灰度投影序列， 因此a为2，表示第k个投影序列的箱线图中的上四分位数，表示第k个投影序列的箱 线图中的下四分位数，通过灰度投影算法得到行投影序列和列投影序列，则滑动窗口内的 序列数目为2，k的取值为1、2，可以表示为k取1时，为行灰度投影序列；k取2时，为列灰度投 影序列；或者k取1时，为列灰度投影序列；k取2时，为行灰度投影序列。表示投影序列中投 影值的数目，和分别表示第k个投影序列中的第、第个投影值。
在一实施例中，基于像素点的胶囊凹陷指数计算像素点的反光波动值，包括：
以胶囊区域图像中每一像素点为中心，设置第二预设大小的滑动窗口，对滑动窗口内的像素点进行随机抽样，得到每一滑动窗口对应的样本序列；
基于样本序列中胶囊凹陷指数均值以及中心像素点的胶囊凹陷指数计算像素点的反光波动值。
在一实施例中，基于样本序列中胶囊凹陷指数均值以及中心像素点的胶囊凹陷指数计算像素点的反光波动值，包括：
；
其中，为归一化函数，表示样本序列的信息熵，表示样本序列中的 数据的大小，表示样本序列中第j个胶囊凹陷指数，表示样本序列的胶囊凹陷指数 均值，表示中心像素点x的胶囊凹陷指数。
在一实施例中，确定边缘走势特征图像，包括：
对胶囊区域图像进行边缘检测，得到胶囊对应的边缘像素点；
计算每一边缘像素点的边缘曲率；
确定每一边缘像素点的切线角度，所述切线角度为边缘像素点的切线与水平方向的角度；
基于第三预设大小的滑动窗口内边缘像素点的数目、滑动窗口内第c、第(c-1)个边缘像素点的切线角度，滑动窗口内第c个边缘像素点的边缘曲率计算每个边缘像素点的边缘走势异常值；基于所有边缘像素点的边缘走势异常值得到边缘走势特征图像。
在一实施例中，利用如下公式计算每个边缘像素点的边缘走势异常值：
；
其中，对不属于边缘的像素点，取值为0，属于边缘的像素点，取值为1， 为向下取整函数，表示滑动窗口内边缘像素点的数目，和表示滑动窗口内第c、第 (c-1)个边缘像素点的切线角度，表示滑动窗口内第c个边缘像素点的边缘曲率。
在一实施例中，基于灰度图像、反光波动特征图像、边缘走势特征图像以及梯度特征图像从所述检测图像中确定胶囊形变显著图，包括：
利用四元数傅里叶变换的相位谱模型基于灰度图像、反光波动特征图像、边缘走势特征图像以及梯度特征图像构建超复数四元数矩阵；
基于超复数四元数矩阵确定胶囊形变显著图。
在一实施例中，利用Sobel算子基于所述灰度图像计算像素点的梯度幅值，进而得到梯度特征图。
本申请的有益效果，区别于现有技术，本申请的基于人工智能的食药品胶囊质量检测方法包括：采集胶囊对应的检测图像；基于所述检测图像确定胶囊对应的灰度图像、反光波动特征图像、边缘走势特征图像以及梯度特征图像；基于灰度图像、反光波动特征图像、边缘走势特征图像以及梯度特征图像从所述检测图像中确定胶囊形变显著图；基于所述胶囊形变显著图进行质量检测。该方法能够得到准确的显著性检测效果。
附图说明
图1为本发明基于人工智能的食药品胶囊质量检测方法的一实施例的流程示意图；
图2为确定反光波动特征图像的一实施例的流程示意图；
图3为确定边缘走势特征图像的一实施例的流程示意图。
具体实施方式
下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本申请的一部分实施例，而不是全部的实施例。基于本申请中的实施例，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，都属于本申请保护的范围。
本申请的方法为识别鱼肝油胶囊产生的形变特征，根据形变产生的边缘变化以及反光波动变化，构建反光波动特征图以及边缘走势特征图，利用四元数傅里叶变换的相位谱模型PQRT算法，得到胶囊形变显著图。再利用大津阈值分割技术，将胶囊形变显著图中的胶囊形变区域分割出来，完成鱼肝油的食药品胶囊的质量检测。下面结合附图和实施例对本申请进行详细的说明。
请参见图1，图1为本发明基于人工智能的食药品胶囊质量检测方法的一实施例的流程示意图，包括：
步骤S11：采集胶囊对应的检测图像。
为了防止铝塑板上面的薄膜对鱼肝油胶囊产生的模糊效应，将鱼肝油胶囊从铝塑板上取出，按照铝塑板上的位置以及鱼肝油胶囊尾部朝下的方式，规律性地摆放在平整光滑的表面，并通过CMOS相机对鱼肝油胶囊区域进行图像采集，进而得到胶囊对应的检测图像。
步骤S12：基于所述检测图像确定胶囊对应的灰度图像、反光波动特征图像、边缘走势特征图像以及梯度特征图像。
在一实施例中，为了消除噪声的影响，本发明利用高斯滤波技术对所获图像进行去噪处理，实施者可以采用其他的去噪方法。然后，将去噪后的鱼肝油胶囊图像进行灰度转化，得到鱼肝油胶囊对应的灰度图像。
本申请还需要确定胶囊对应的反光波动特征图像。具体的，请结合图2，确定反光波动特征图像，包括：
步骤S21：基于像素点的灰度值计算像素点的胶囊凹陷指数。
在一实施例中，从灰度图像中提取胶囊区域图像。由于鱼肝油胶囊与背景颜色差异较大，那么转化成为灰度图像后，鱼肝油胶囊区域度值与背景区域的灰度值会有较大的差异，并且灰度值较大的部分一般是原图像中亮度较高的区域。由于鱼肝油胶囊通常是透明，即拍摄图像下亮度较高，所以灰度值较大的区域即为鱼肝油胶囊所在的区域。由此，对鱼肝油胶囊灰度图像，利用大津阈值分割技术，其中通过大津阈值分割算法得到阈值，高于阈值的部分为鱼肝油胶囊区域图像，将鱼肝油胶囊区域从图像上提取出来。由于目的是检测鱼肝油胶囊产生的形变现象，在此，根据得到的鱼肝油胶囊区域图像，利用最小外接矩形技术，得到所有鱼肝油胶囊的矩形区域图像，进而得到胶囊区域图像。
以胶囊区域图像中每一像素点为中心，设置第一预设大小的滑动窗口对所述胶囊区域进行灰度检测，以得到滑动窗口对应的行灰度投影序列和列灰度投影序列。具体的，检测的目的是检测出每个鱼肝油胶囊是否发生形变，由此根据鱼肝油胶囊发生形变后的特征进行分析。鱼肝油胶囊发生形变凹陷后，其表面一般会产生视觉性变化，其表面的亮度或者饱和度会发生改变，即灰度也会发生相应的改变。由于正常情况下，鱼肝油胶囊表面亮度以及饱和度较为均匀，即表面灰度较为均匀，而形变凹陷一般会使局部的灰度值产生变化。
基于上述的分析，在此对每个最小外接矩形区域以每个像素点为中心，设置11×11的滑动窗口。根据滑动窗口内的灰度变化规律，利用灰度投影算法，得到滑动窗口对应的行灰度投影序列和列灰度投影序列。由此，通过灰度投影算法得到可以得到滑动窗口对应的行灰度投影序列和列灰度投影序列。
基于滑动窗口内行灰度投影序列和列灰度投影序列计算像素点的胶囊凹陷指数。 滑动窗口位于形状凹陷区域上时，由于胶囊形状凹陷区域相对较小，一般情况下，此时滑动 窗口内包含凹陷区域的边缘，并且其行序列以及列序列的离散程度较大。由此，基于每个中 心像素点的滑动窗口内的灰度的变化规律，计算每个像素点的胶囊凹陷指数，即：
；
其中，其中，a表示滑动窗口内序列的数目，只有投行灰度投影序列和列灰度投影 序列，因此a为2，表示第k个投影序列的箱线图中的上四分位数，表示第k个投影序 列的箱线图中的下四分位数，表示投影序列中投影值的数目，和分别表示第k个 投影序列中的第、第个投影值。
序列的箱线图中上四分位数与下四分位数的差值的绝对值越大，说 明数据的密集程度越小，离散程度越大，由于窗口位于形状凹陷区域时，投影值的离散程度 较大，则胶囊凹陷指数越大，即中心像素点越有可能为凹陷区域像素点。同时，序列中相邻 投影值差值的绝对值越大，由于窗口位于形状凹陷区域时，由于序列中的投 影值一部分是胶囊正常区域上的，另一部分是胶囊凹陷区域上的，即此时的相邻投影值差 值的绝对值较大，则胶囊凹陷指数越大，即中心像素点越有可能为凹陷区域像素点。
步骤S22：基于像素点的胶囊凹陷指数计算像素点的反光波动值，基于所有像素点的反光波动值得到反光波动特征图像。
具体的，没有发生形变凹陷的鱼肝油胶囊，表面晶莹剔透，具有较为一致的反光效应，而发生形变凹陷的区域，由于胶囊凹陷会发生反光效应的变化。另外，计算出来的胶囊凹陷指数的变化特征更能反映凹陷区域反光的变化，因为凹陷区域每个像素点的胶囊凹陷指数都会发生变化，而其他没有发生凹陷的区域内胶囊凹陷指数较小且较为一致。因此，胶囊凹陷指数的有益效果在于更加容易地反映凹陷区域的反光递变现象。
基于上述的分析，以胶囊区域图像中每一像素点为中心，设置第二预设大小的滑动窗口，对滑动窗口内的像素点进行随机抽样，得到每一滑动窗口对应的样本序列；基于样本序列中胶囊凹陷指数均值以及中心像素点的胶囊凹陷指数计算像素点的反光波动值。
具体的，以每个像素点为中心，根据每个像素点的11×11大小的滑动窗口，将滑动 窗口内所有像素点的胶囊凹陷指数作为一个总体，每个像素点的胶囊凹陷指数作为个体， 总体的大小为121。为了简化计算量，通过随机抽样的方式抽取100个数据作为样本，将随机 抽样的结果直接形成样本序列，记为序列。由此，基于每个滑动窗口样本序列的分布特 征，计算每个中心像素点的反光波动值：
；
其中，为归一化函数，表示样本序列的信息熵，表示样本序列中的 数据的大小，表示样本序列中第j个胶囊凹陷指数，表示样本序列的胶囊凹陷指数 均值，表示中心像素点x的胶囊凹陷指数。其中，样本序列的信息熵是基于样本序列中 的胶囊凹陷指数计算得到的。
样本序列的信息熵越大，样本偏差越大，由于凹陷区域内的胶囊 凹陷指数混乱程度较大，则反光波动值越大，越具有胶囊形状凹陷区域的特征。此外，凹 陷区域内的胶囊凹陷指数较大，即胶囊凹陷指数越大，则反光波动值越大。
至此，对于鱼肝油胶囊灰度图像中任意一个像素点，获取像素点的归一化反光波动值，并将该归一化反光波动值替换像素点的灰度值，遍历灰度图像中的所有像素点，进行替换，将替换后的结果记为反光波动特征图。
进一步的，本申请还需要确定边缘走势特征图像，具体的，请参见图3，确定边缘走势特征图像包括：
步骤S31：对胶囊区域图像进行边缘检测，得到胶囊对应的边缘像素点。
鱼肝油胶囊生产过程中发生的形变，极有可能会导致胶囊身形变得不规则且鱼肝油胶囊的形状大小发生改变。而没有发生形变的鱼肝油胶囊，其形状较为规则，并且鱼肝油胶囊的具有高度对称的特征。因此，考虑到胶囊受到挤压导致胶囊身形拉长，以及对称性发生的改变，基于每个最小外接矩形的边缘特征构建边缘走势异常值。
具体的，利用边缘检测算法例如canny算子边缘检测算法对胶囊区域图像进行边缘检测，得到胶囊对应的边缘像素点。
步骤S32：计算每一边缘像素点的边缘曲率。
基于得到的二值化图像中所有的边缘，利用有限差分算法，步长K的经验取值为 10，计算胶囊边缘上的每个边缘像素点的边缘曲率，记为。
步骤S33：确定每一边缘像素点的切线角度，所述切线角度为边缘像素点的切线与水平方向的角度。
利用直线公理，每两个相邻边缘像素点之间可以确定一条直线，由此可以得出每 个边缘像素点的切线与水平方向的角度，记为切线角度。
步骤S34：基于第三预设大小的滑动窗口内边缘像素点的数目、滑动窗口内第c、第(c-1)个边缘像素点的切线角度，滑动窗口内第c个边缘像素点的边缘曲率计算每个边缘像素点的边缘走势异常值；基于所有边缘像素点的边缘走势异常值得到边缘走势特征图像。
每个边缘像素点的边缘曲率反映的是边缘上每个边缘像素点的弯曲程度，边缘线 上相邻边缘像素点的切线角度的变化一定程度上反映了边缘变化的快慢程度。而胶囊受到 挤压导致胶囊身形拉长，即鱼肝油胶囊上的边缘曲率会被降低，切线角度的变化程度会减 小，这是由于胶囊身形拉长，边缘的弯曲程度会减小。因此，基于9×9的滑动窗口，计算每个 边缘像素点的边缘走势异常值。具体的，利用如下公式计算每个边缘像素点的边缘走势 异常值：
；
其中，对不属于边缘的像素点，取值为0，属于边缘的像素点，取值为1，为向下取整函数，表示滑动窗口内边缘像素点的数目，和表示滑动窗口内 第c、第(c-1)个边缘像素点的切线角度，表示滑动窗口内第c个边缘像素点的边缘曲率。
边缘走势异常值的大小主要反映鱼肝油胶囊边缘受到挤压导致胶囊身形拉伸的 异常情况，一定程度上也可以反映边缘对称性发生的改变，属于边缘纹理特征。对不属于边 缘的像素点，取值为0，则边缘走势异常值为0。对属于边缘的像素点，切线角度的变化越小，由于胶囊身形被拉伸，其边缘上的切线角度变化会相应减小，则边缘 走势异常值越大，即越有可能为胶囊身形拉伸边缘上的像素点。同时，每个边缘像素点 的边缘曲率越小，由于胶囊身形被拉伸会导致其边缘的弯曲程度减小，则边缘走势异常值越大，即越有可能为胶囊身形拉伸边缘上的像素点。
至此，对于鱼肝油胶囊灰度图像中任意一个像素点，获取像素点的边缘走势异常值，并将该边缘走势异常值替换像素点的灰度值，遍历灰度图像中的所有像素点，进行替换，将替换后的结果记为边缘走势特征图。
本申请还需要进一步确定梯度特征图。在一实施例中，利用Sobel算子基于所述灰度图像计算像素点的梯度幅值，进而得到梯度特征图。
步骤S13：基于灰度图像、反光波动特征图像、边缘走势特征图像以及梯度特征图像从所述检测图像中确定胶囊形变显著图。
利用四元数傅里叶变换的相位谱模型基于灰度图像、反光波动特征图像、边缘走势特征图像以及梯度特征图像构建超复数四元数矩阵；基于超复数四元数矩阵确定胶囊形变显著图。
具体的，利用四元傅里叶显著性检测算法，分别将鱼肝油胶囊灰度图、反光波动特征图、边缘走势特征图以及梯度特征图作为四元数傅里叶变换的相位谱模型PQRT中的四个特征参数。由此，构造超复数四元数矩阵R，其中每个像素点的超复数四元数为：
；
式子中，为像素点x的超复数四元数，表示像素点x的灰度值，表示像素 点x的反光波动值，表示像素点x的边缘走势异常值，表示像素点x的梯度幅值，，，分别为虚数单位，，，的大小满足， 且，，。
由此，得到超复数四元数矩阵R，对其进行超复数傅里叶变换，通过计算振幅频谱M和相位谱N，再利用不同尺寸的高斯函数核获得震动频谱的尺度空间，最后进行四元数傅里叶反变换，并将反变换结果与高斯滤波器进行计算得到胶囊形变显著图。
步骤S14：基于所述胶囊形变显著图进行质量检测。
根据得到的胶囊形变显著图，利用大津阈值分割技术，通过最大类间方差法得到分割阈值，由于形变区域显著值较高，则高于分割阈值的区域即为胶囊形变区域，将其分割出来，大津阈值分割为公知技术，具体不再赘述。
由此，根据鱼肝油胶囊是否发生较多的形变，评估其食药品胶囊的质量，从而完成食药品胶囊的质量检测。
本发明的方法，根据鱼肝油胶囊发生形变凹陷后，其表面一般会产生视觉性变化，其表面的亮度或者饱和度会发生改变，由此构建反光波动值。另外，基于胶囊受到挤压导致胶囊身形拉长，以及对称性发生的改变，根据边缘上的边缘曲率以及切线角度，构建边缘走势异常值。通过反光波动值以及边缘走势异常值构建反光波动特征图以及边缘走势特征图，进而得到胶囊形变显著图。通过胶囊形变产生的异常现象，构建特征指标，使胶囊形变特征的完备性更强，得到更加准确的显著性检测效果。
以上仅为本申请的实施方式，并非因此限制本申请的专利范围，凡是利用本申请说明书及附图内容所作的等效结构或等效流程变换，或直接或间接运用在其他相关的技术领域，均同理包括在本申请的专利保护范围内。

Claims (10)

1.基于人工智能的食药品胶囊质量检测方法，其特征在于，包括：
采集胶囊对应的检测图像；
基于所述检测图像确定胶囊对应的灰度图像、反光波动特征图像、边缘走势特征图像以及梯度特征图像；
基于灰度图像、反光波动特征图像、边缘走势特征图像以及梯度特征图像从所述检测图像中确定胶囊形变显著图；
基于所述胶囊形变显著图进行质量检测。
2.根据权利要求1所述的基于人工智能的食药品胶囊质量检测方法，其特征在于，确定反光波动特征图像，包括：
基于像素点的灰度值计算像素点的胶囊凹陷指数；
基于像素点的胶囊凹陷指数计算像素点的反光波动值，基于所有像素点的反光波动值得到反光波动特征图像。
3.根据权利要求2所述的基于人工智能的食药品胶囊质量检测方法，其特征在于，基于像素点的灰度值计算像素点的胶囊凹陷指数，包括：
从灰度图像中提取胶囊区域图像；
以胶囊区域图像中每一像素点为中心，设置第一预设大小的滑动窗口对所述胶囊区域进行灰度检测，以得到滑动窗口对应的行灰度投影序列和列灰度投影序列；
基于滑动窗口内行灰度投影序列和列灰度投影序列计算像素点的胶囊凹陷指数。
4.根据权利要求3所述的基于人工智能的食药品胶囊质量检测方法，其特征在于，基于滑动窗口内行灰度投影序列和列灰度投影序列计算像素点的胶囊凹陷指数，包括：
利用如下公式计算像素点的胶囊凹陷指数：
；
其中，a表示滑动窗口内序列的数目，只有投行灰度投影序列和列灰度投影序列，因此a为2，表示第k个投影序列的箱线图中的上四分位数，/>表示第k个投影序列的箱线图中的下四分位数，/>表示投影序列中投影值的数目，/>和/>分别表示第k个投影序列中的第/>、第/>个投影值。
5.根据权利要求2所述的基于人工智能的食药品胶囊质量检测方法，其特征在于，基于像素点的胶囊凹陷指数计算像素点的反光波动值，包括：
以胶囊区域图像中每一像素点为中心，设置第二预设大小的滑动窗口，对滑动窗口内的像素点进行随机抽样，得到每一滑动窗口对应的样本序列；
基于样本序列中胶囊凹陷指数均值以及中心像素点的胶囊凹陷指数计算像素点的反光波动值。
6.根据权利要求5所述的基于人工智能的食药品胶囊质量检测方法，其特征在于，基于样本序列中胶囊凹陷指数均值以及中心像素点的胶囊凹陷指数计算像素点的反光波动值，包括：
；
其中，为归一化函数，/>表示样本序列的信息熵，/>表示样本序列中的数据的大小，/>表示样本序列中第j个胶囊凹陷指数，/>表示样本序列/>的胶囊凹陷指数均值，/>表示中心像素点x的胶囊凹陷指数。
7.根据权利要求3所述的基于人工智能的食药品胶囊质量检测方法，其特征在于，确定边缘走势特征图像，包括：
对胶囊区域图像进行边缘检测，得到胶囊对应的边缘像素点；
计算每一边缘像素点的边缘曲率；
确定每一边缘像素点的切线角度，所述切线角度为边缘像素点的切线与水平方向的角度；
基于第三预设大小的滑动窗口内边缘像素点的数目、滑动窗口内第c、第(c-1)个边缘像素点的切线角度，滑动窗口内第c个边缘像素点的边缘曲率计算每个边缘像素点的边缘走势异常值；基于所有边缘像素点的边缘走势异常值得到边缘走势特征图像。
8.根据权利要求7所述的基于人工智能的食药品胶囊质量检测方法，其特征在于，利用如下公式计算每个边缘像素点的边缘走势异常值：
；
其中，对不属于边缘的像素点，取值为0，属于边缘的像素点，/>取值为1，/>为向下取整函数，/>表示滑动窗口内边缘像素点的数目，/>和/>表示滑动窗口内第c、第(c-1)个边缘像素点的切线角度，/>表示滑动窗口内第c个边缘像素点的边缘曲率。
9.根据权利要求1所述的基于人工智能的食药品胶囊质量检测方法，其特征在于，基于灰度图像、反光波动特征图像、边缘走势特征图像以及梯度特征图像从所述检测图像中确定胶囊形变显著图，包括：
利用四元数傅里叶变换的相位谱模型基于灰度图像、反光波动特征图像、边缘走势特征图像以及梯度特征图像构建超复数四元数矩阵；
基于超复数四元数矩阵确定胶囊形变显著图。
10.根据权利要求1所述的基于人工智能的食药品胶囊质量检测方法，其特征在于，利用Sobel算子基于所述灰度图像计算像素点的梯度幅值，进而得到梯度特征图。
CN202310898016.8A 2023-07-21 2023-07-21 基于人工智能的食药品胶囊质量检测方法 Active CN116612125B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310898016.8A CN116612125B (zh) 2023-07-21 2023-07-21 基于人工智能的食药品胶囊质量检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310898016.8A CN116612125B (zh) 2023-07-21 2023-07-21 基于人工智能的食药品胶囊质量检测方法

Publications (2)

Publication Number Publication Date
CN116612125A true CN116612125A (zh) 2023-08-18
CN116612125B CN116612125B (zh) 2023-09-29

Family

ID=87680480

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310898016.8A Active CN116612125B (zh) 2023-07-21 2023-07-21 基于人工智能的食药品胶囊质量检测方法

Country Status (1)

Country Link
CN (1) CN116612125B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116993715A (zh) * 2023-09-18 2023-11-03 山东庆葆堂生物科技有限公司 一种玻璃瓶气密性检测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190164013A1 (en) * 2016-08-08 2019-05-30 Hohai University Memory-guide simulated pattern recognition method
CN110032946A (zh) * 2019-03-21 2019-07-19 西安交通大学 一种基于机器视觉的铝/铝泡罩包装药片识别与定位方法
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
CN110910561A (zh) * 2018-09-18 2020-03-24 深圳怡化电脑股份有限公司 一种纸币污损识别方法、装置、存储介质和金融设备
CN112146590A (zh) * 2020-09-21 2020-12-29 北京运达华开科技有限公司 一种受电弓滑板磨耗检测方法及系统
CN112634231A (zh) * 2020-12-23 2021-04-09 香港中文大学深圳研究院 一种图像分类方法、装置、终端设备和存储介质
CN116229378A (zh) * 2023-05-09 2023-06-06 盛锋电力科技有限公司 一种smc电缆分接箱异常监测、预警方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20190164013A1 (en) * 2016-08-08 2019-05-30 Hohai University Memory-guide simulated pattern recognition method
CN110910561A (zh) * 2018-09-18 2020-03-24 深圳怡化电脑股份有限公司 一种纸币污损识别方法、装置、存储介质和金融设备
CN110032946A (zh) * 2019-03-21 2019-07-19 西安交通大学 一种基于机器视觉的铝/铝泡罩包装药片识别与定位方法
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
CN112146590A (zh) * 2020-09-21 2020-12-29 北京运达华开科技有限公司 一种受电弓滑板磨耗检测方法及系统
CN112634231A (zh) * 2020-12-23 2021-04-09 香港中文大学深圳研究院 一种图像分类方法、装置、终端设备和存储介质
CN116229378A (zh) * 2023-05-09 2023-06-06 盛锋电力科技有限公司 一种smc电缆分接箱异常监测、预警方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
RADHAKRISHNA ACHANTA等: "Saliency detection for content-aware image resizing", 2009 16TH IEEE INTERNATIONAL CONFERENCE ON IMAGE PROCESSING (ICIP) *
薛璨: "基于机器视觉的药品包装质量检测", 中国优秀硕士学位论文全文数据库工程科技I辑, no. 02, pages 3 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116993715A (zh) * 2023-09-18 2023-11-03 山东庆葆堂生物科技有限公司 一种玻璃瓶气密性检测方法
CN116993715B (zh) * 2023-09-18 2023-12-19 山东庆葆堂生物科技有限公司 一种玻璃瓶气密性检测方法

Also Published As

Publication number Publication date
CN116612125B (zh) 2023-09-29

Similar Documents

Publication Publication Date Title
CN115222741B (zh) 一种电缆表面缺陷检测方法
CN111563889B (zh) 基于计算机视觉的液晶屏幕Mura缺陷检测方法
CN113592845A (zh) 一种电池涂布的缺陷检测方法及装置、存储介质
CN112308832B (zh) 一种基于机器视觉的轴承质量检测方法
CN109801286B (zh) 一种lcd导光板的表面缺陷检测方法
CN116612125B (zh) 基于人工智能的食药品胶囊质量检测方法
CN111369523B (zh) 显微图像中细胞堆叠的检测方法、系统、设备及介质
CN109632808A (zh) 棱边缺陷检测方法、装置、电子设备及存储介质
CN113706490B (zh) 一种晶片缺陷检测方法
CN107644417B (zh) 应变片外观缺损检测方法
CN113298769B (zh) Fpc软排线外观缺陷检测方法、系统和介质
CN114881915A (zh) 一种基于对称性的手机玻璃盖板视窗区缺陷检测方法
WO2017120796A1 (zh) 路面病害的检测方法及其装置、电子设备
CN116228768B (zh) 一种电子元器件表面划痕检测方法
CN111047556A (zh) 一种带钢表面缺陷检测方法及装置
CN116883408B (zh) 基于人工智能的积算仪壳体缺陷检测方法
JP2015197396A (ja) 画像検査方法および画像検査装置
CN110276759B (zh) 一种基于机器视觉的手机屏坏线缺陷诊断方法
CN117333489B (zh) 一种薄膜破损检测装置及检测系统
CN117315670A (zh) 一种基于计算机视觉的水表读数区域检测方法
CN114092385A (zh) 基于机器视觉的工业机械故障检测方法及装置
CN116542963A (zh) 一种基于机器学习的浮法玻璃缺陷检测系统及检测方法
Prabha et al. Defect detection of industrial products using image segmentation and saliency
CN112116579B (zh) 一种透明药瓶的缺陷检测方法和装置
TW200842339A (en) Mura detection method and system

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