CN117022817A - 具有残片检测功能的矩阵式智能模组数粒系统及方法 - Google Patents
具有残片检测功能的矩阵式智能模组数粒系统及方法 Download PDFInfo
- Publication number
- CN117022817A CN117022817A CN202311291825.9A CN202311291825A CN117022817A CN 117022817 A CN117022817 A CN 117022817A CN 202311291825 A CN202311291825 A CN 202311291825A CN 117022817 A CN117022817 A CN 117022817A
- Authority
- CN
- China
- Prior art keywords
- image
- residue
- detection
- conveying
- particles
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 115
- 238000000034 method Methods 0.000 title claims abstract description 66
- 239000011159 matrix material Substances 0.000 title claims abstract description 34
- 239000008187 granular material Substances 0.000 title claims description 17
- 239000002245 particle Substances 0.000 claims abstract description 152
- 238000007599 discharging Methods 0.000 claims abstract description 31
- 239000000463 material Substances 0.000 claims description 43
- 239000000428 dust Substances 0.000 claims description 38
- 230000006870 function Effects 0.000 claims description 30
- 230000008569 process Effects 0.000 claims description 26
- 239000012634 fragment Substances 0.000 claims description 22
- 230000007246 mechanism Effects 0.000 claims description 20
- 238000012545 processing Methods 0.000 claims description 19
- 238000003709 image segmentation Methods 0.000 claims description 16
- 238000007781 pre-processing Methods 0.000 claims description 15
- 230000009466 transformation Effects 0.000 claims description 12
- 230000001681 protective effect Effects 0.000 claims description 11
- 238000002372 labelling Methods 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 7
- 238000013507 mapping Methods 0.000 claims description 5
- 230000008859 change Effects 0.000 claims description 4
- 238000003860 storage Methods 0.000 claims description 4
- 238000005316 response function Methods 0.000 claims description 3
- 238000001308 synthesis method Methods 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 2
- 210000001503 joint Anatomy 0.000 abstract description 4
- 239000003814 drug Substances 0.000 description 22
- 229940079593 drug Drugs 0.000 description 9
- 238000001914 filtration Methods 0.000 description 6
- 230000007704 transition Effects 0.000 description 6
- 238000004806 packaging method and process Methods 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000007500 overflow downdraw method Methods 0.000 description 4
- 230000011218 segmentation Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 230000004927 fusion Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 239000002775 capsule Substances 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 239000003086 colorant Substances 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000003708 edge detection Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000001965 increasing effect Effects 0.000 description 2
- 238000012843 least square support vector machine Methods 0.000 description 2
- 230000000877 morphologic effect Effects 0.000 description 2
- 238000013441 quality evaluation Methods 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000002146 bilateral effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000002552 dosage form Substances 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011192 particle characterization Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 230000003595 spectral effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65B—MACHINES, APPARATUS OR DEVICES FOR, OR METHODS OF, PACKAGING ARTICLES OR MATERIALS; UNPACKING
- B65B57/00—Automatic control, checking, warning, or safety devices
- B65B57/20—Applications of counting devices for controlling the feed of articles
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65B—MACHINES, APPARATUS OR DEVICES FOR, OR METHODS OF, PACKAGING ARTICLES OR MATERIALS; UNPACKING
- B65B37/00—Supplying or feeding fluent-solid, plastic, or liquid material, or loose masses of small articles, to be packaged
- B65B37/04—Supplying or feeding fluent-solid, plastic, or liquid material, or loose masses of small articles, to be packaged by vibratory feeders
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65B—MACHINES, APPARATUS OR DEVICES FOR, OR METHODS OF, PACKAGING ARTICLES OR MATERIALS; UNPACKING
- B65B37/00—Supplying or feeding fluent-solid, plastic, or liquid material, or loose masses of small articles, to be packaged
- B65B37/16—Separating measured quantities from supply
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65B—MACHINES, APPARATUS OR DEVICES FOR, OR METHODS OF, PACKAGING ARTICLES OR MATERIALS; UNPACKING
- B65B55/00—Preserving, protecting or purifying packages or package contents in association with packaging
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65B—MACHINES, APPARATUS OR DEVICES FOR, OR METHODS OF, PACKAGING ARTICLES OR MATERIALS; UNPACKING
- B65B57/00—Automatic control, checking, warning, or safety devices
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B65—CONVEYING; PACKING; STORING; HANDLING THIN OR FILAMENTARY MATERIAL
- B65B—MACHINES, APPARATUS OR DEVICES FOR, OR METHODS OF, PACKAGING ARTICLES OR MATERIALS; UNPACKING
- B65B57/00—Automatic control, checking, warning, or safety devices
- B65B57/10—Automatic control, checking, warning, or safety devices responsive to absence, presence, abnormal feed, or misplacement of articles or materials to be packaged
- B65B57/14—Automatic control, checking, warning, or safety devices responsive to absence, presence, abnormal feed, or misplacement of articles or materials to be packaged and operating to control, or stop, the feed of articles or material to be packaged
-
- 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
- G06T7/13—Edge detection
-
- 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
- G06T2207/30242—Counting objects in image
Abstract
本发明提供了一种具有残片检测功能的矩阵式智能模组数粒系统及方法，其中数粒系统包括机架，设置在所述机架上的输送部，设置在所述输送部上的供料部，还包括与所述输送部的传送末端对接设置的检测部和出料部，所述检测部具有无盲区残片检测功能。所述检测部的检测单元为采用矩阵式排列的贴片式红外接收传感器，具有全自动补偿光功能，通过软硬件结合，实现无盲区检测，速度快，准确率高。
Description
技术领域
本发明涉及物料包装设备领域，尤其涉及具有残片检测功能的矩阵式智能模组数粒系统。
背景技术
数粒系统用于药品、纽扣等粒状物料的计数及包装，通常计数完成后需要将物料装进包装容器内。
现有的数粒系统通过光电数粒技术实现物料的计数，但是现有的光电数粒技术存在着以下主要缺陷：首先是小尺寸颗粒的识别和检测问题，直径小于2.5mm且运动着的颗粒往往不能准确、有效识别；其次是除尘，如何免除粉尘对电眼的影响，提高检测准确率也是需要解决的问题，最后对于残片检测的精准度和速度尚无法达到预期的要求。
故需要进一步的研发创新，以解决存在的上述问题。
发明内容
发明目的，为克服现有技术的不足，本发明的目的是：提供一种具有残片检测功能的矩阵式智能模组数粒系统，以实现残片快速检测和无盲区检测的目标，而且数粒精度高，下料速度快，应用场合广泛。
技术方案，为了解决背景技术中的技术问题，本发明提供了一种具有残片检测功能的矩阵式智能模组数粒系统，包括：
机架，具有延伸预定长度的本体；
供料部，被配置于机架的一端，用于存储待处理颗粒；
输送部，安装于机架上，输送部至少包括第一输送单元和第二输送单元，第一输送单元的接料端延伸至供料部的出料口；第二输送单元的接料端位于第一输送单元的送料端下方；
检测部，包括至少三组检测单元，均设置于第二输送单元的送料端下方；每一检测单元设置有矩阵排列的、用于对颗粒进行计数的光栅传感器；
出料部，包括至少三组出料通道，分别与检测单元连通，以使颗粒通过检测单元进入出料部；
图像采集单元，被配置于机架上方或侧部，图像采集单元的视场至少包括第一输送单元和第二输送单元输料路径的截面部分；
智控单元，用于接收图像采集单元的图像数据并调用预配置的图像处理模块检测待处理的颗粒中是否具有残片，结合检测部的计数值给出最终判断结果并输出。
根据本申请的一个方面，所述第一输送单元和第二输送单元可拆卸安装于机架上；第一输送单元和第二输送单元的输料工作面与待处理颗粒的颜色形成预定的色差。
根据本申请的一个方面，所述检测部包括：
防护罩，形成有用于收容检测单元的空腔，防护罩设置有观察窗；
料槽，设置于防护罩中，与出料部对应。
根据本申请的一个方面，所述供料部包括：
料仓，具有预定体积的收容空间，其侧部开设有料位观察窗，下方设置有仓门；
出料控制机构，安装于仓门处，用于控制仓门开闭状态；出料控制机构包括设置于仓门上的齿条、固定于料仓上的安装板、转动连接于安装板上的螺杆，以及设置于螺杆上并于齿条配合的齿轮。
根据本申请的一个方面，所述第一输送单元和第二输送单元的下方分别设置有振动机构；沿输料的方向，第一输送单元和第二输送单元形成预定的倾斜角度。
根据本申请的一个方面，所述输送部设置有除尘单元，所述除尘单元包括：
除尘块，至少两个，间隔预定距离设置在输送部；
输尘管，与除尘块连通，用以将灰尘输送至预定的位置。
根据本申请的一个方面，所述智控单元包括：
图像分割模块，接收图像采集单元传送的图像数据，并按照预存储的方法分割成至少两个分别对应第一输送单元和第二输送单元的区域图像；图像分割模块包括至少两个图像分割子模块，每个图像分割子模块用于对不同图像参数的输入图像进行分割，所述图像参数至少包括频率和曝光度；
图像预处理模块，对分割后的区域图像进行预处理；
目标匹配模块，依序对每个区域图像中的目标进行检测并标注颗粒编号，提取颗粒图像特征数据；
残片检测模块，基于每个区域图像的图像特征数据判断是否存在残片，并统计残片数量，结合检测部的计数值，给出残片检测最终结果并输出。
根据本申请的一个方面，所述图像预处理模块的预处理过程具体为：
逐一对时间间隔小于预定值的至少两张区域图像进行伽马校正，以消除相机响应函数的影响；
分别从两张区域图像中提取特征点，并分别为每个区域图像中特征点构建特征描述矩阵，建立两张区域图像中特征点的匹配关系，并基于匹配关系建立变换矩阵，基于变化矩阵将两张区域图像对齐；
采用基于剃度域的合成方法，将对齐后的两张区域图像进行合成，并将合成后的区域图像采用全局算子进行色调映射。
根据本申请的一个方面，所述目标匹配模块获取颗粒图像特征数据的过程具体为：
读取至少两个时刻的区域图像数据，针对每个时刻的区域图像，获取区域图像中每一颗粒边缘线，构建边缘线集合；
选取在先时刻的区域图像，基于边缘线集合，提取颗粒的图像特征数据，构建颗粒数据集合并标注颗粒编号；
根据预配置的算法基于颗粒数据计算两个边缘曲线集合中颗粒编号的差值，并判断是否存在新增颗粒或可疑颗粒。
根据本申请的一个方面，所述残片检测模块的残片检测过程具体包括：
读取至少两个时刻的区域图像的颗粒数据，针对新增颗粒和可疑颗粒分别建立残片追踪集合；
读取不同时刻的区域图像，逐一读取新增颗粒和可疑颗粒，基于每个颗粒的图像特征数据并计算每个颗粒在各个时刻的残片概率值，求取残片概率值的平均值；
基于残片概率值的平均值，判断是否为残片，构建残片数据集合，并计数；
在至少三个时刻的区域图像中，获取残片的位置，并计算移动速度，给定残片颗粒移动至检测部的时刻，给出检测时刻区间，基于该检测区间的计数值，给出残片检测最终结果并输出。
根据本申请的另一个方面，提供一种具有残片检测功能的矩阵式智能模组数粒方法，通过上述任一项技术方案所述的具有残片检测功能的矩阵式智能模组数粒系统实现，并包括如下步骤：
接收图像采集单元传送的图像数据，并按照预存储的方法分割成至少两个分别对应第一输送单元和第二输送单元的区域图像；图像分割模块包括至少两个图像分割子模块，每个图像分割子模块用于对不同图像参数的输入图像进行分割，所述图像参数至少包括频率和曝光度；
对分割后的区域图像进行预处理；
依序对每个区域图像中的目标进行检测并标注颗粒编号，提取颗粒图像特征数据；
基于每个区域图像的图像特征数据判断是否存在残片，并统计残片数量，结合检测部的计数值，给出残片检测最终结果并输出。
根据本申请的一个方面，获取颗粒图像特征数据的过程具体为：
读取至少两个时刻的区域图像数据，针对每个时刻的区域图像，获取区域图像中每一颗粒边缘线，构建边缘线集合；
选取在先时刻的区域图像，基于边缘线集合，提取颗粒的图像特征数据，构建颗粒数据集合并标注颗粒编号；
根据预配置的算法基于颗粒数据计算两个边缘曲线集合中颗粒编号的差值，并判断是否存在新增颗粒或可疑颗粒。
根据本申请的一个方面，残片检测过程具体包括：
读取至少两个时刻的区域图像的颗粒数据，针对新增颗粒和可疑颗粒分别建立残片追踪集合；
读取不同时刻的区域图像，逐一读取新增颗粒和可疑颗粒，基于每个颗粒的图像特征数据并计算每个颗粒在各个时刻的残片概率值，求取残片概率值的平均值；
基于残片概率值的平均值，判断是否为残片，构建残片数据集合，并计数；
在至少三个时刻的区域图像中，获取残片的位置，并计算移动速度，给定残片颗粒移动至检测部的时刻，给出检测时刻区间，基于该检测区间的计数值，给出残片检测最终结果并输出。
有益效果，采用矩阵式排列的贴片式红外接收传感器，具有全自动补偿光功能，实现无盲区检测；输送部采用三级震动送料，避免有叠药现象，三级振板底部全密封，降低粉尘及掉落物料对电气件影响。直接接触药品位置可快速方便的拆卸清洁。输送部的传送轨道上设置除尘装置，免除粉尘对电眼的影响，以适应素片生产，降低粉尘影响。相关技术效果将结合具体实施方式进行详细阐述。
附图说明
图1是本发明数粒系统的结构示意图。
图2是本发明供料部结构示意图。
图3是本发明数粒系统并排设置结构示意图。
图4是本发明吸尘装置结构示意图。
图5是本发明检测部和出料部结构示意。
图6是本发明料嘴结构示意图。
图7是本发明出料部的前部视图。
图8是本发明出料部的后部视图。
图9是本发明数粒系统的另一角度的结构示意图。
附图中，各个附图标记为：
机架1、
供料部2、料仓21、仓门22、第一观察窗23、安装板24、手拧螺杆241、齿轮齿条组件242、滑轨滑块组件243；仓门口25；
输送部3、传送轨道31、振动机构32、除尘装置33、主吸尘管331、转接管I 332、转接管II 333、第一过渡接头334、连接块335、第二过渡接头336、除尘块337；
检测部4、检测装置41、防护罩42、第二观察窗421、料槽43；
出料部5、出料门51、总料门52、料嘴53、升降机构531。
具体实施方式
结合附图1至图9描述本申请数粒系统的相关细节和工作原理，为了便于描述，先描述硬件部分，然后描述方法部分。
具有残片检测功能的矩阵式智能模组数粒系统，包括：
机架，具有延伸预定长度的本体；
供料部，被配置于机架的一端，用于存储待处理颗粒；
输送部，安装于机架上，输送部至少包括第一输送单元和第二输送单元，第一输送单元的接料端延伸至供料部的出料口；第二输送单元的接料端位于第一输送单元的送料端下方；
检测部，包括至少三组检测单元，均设置于第二输送单元的送料端下方；每一检测单元设置有矩阵排列的、用于对颗粒进行计数的光栅传感器；
出料部，包括至少三组出料通道，分别与检测单元连通，以使颗粒通过检测单元进入出料部；
图像采集单元，被配置于机架上方或侧部，图像采集单元的视场至少包括第一输送单元和第二输送单元输料路径的截面部分；
智控单元，用于接收图像采集单元的图像数据并调用预配置的图像处理模块检测待处理的颗粒中是否具有残片，结合检测部的计数值给出最终判断结果并输出。
在本申请中，通过检测部、图像采集单元和出料部的配合，实现了精确数粒和残片跟踪检测，大大提高了数粒的速度和检测效率。需要说明的是，图像采集单元可以为独立的结构，安装在数粒系统的一侧，也可以直接安装在输送部的两侧。为了减少杂光对拍摄效果的影响，可以在输送部设置遮挡盖。
根据本申请的一个方面，所述第一输送单元和第二输送单元可拆卸安装于机架上；第一输送单元和第二输送单元的输料工作面与待处理颗粒的颜色形成预定的色差，通过可更换的设计，形成较大的色差，便于后续的图像处理，提高图像处理效率。
在某个实施例中，输送部3包括传送轨道31和振动机构32，传送轨道31设置在振动机构32上方，振动机构32驱动传送轨道31振动运作，以促使颗粒向前输送，传送轨道31和振动机构32的数量为多个且一一对应，多个传送轨道31依次顺接形成一个多级阶梯传送轨道。振动机构32为全密封的三级直流振动控制系统，振动盘产生水平前向震动，使得物料在传送轨道31内均匀排列开，传送轨道31为多个V型轨道并列组成。另外传送轨道31上设置除尘装置33，除尘装置33包括主吸尘管331，设置在主吸尘管331上的第一过渡接头334，与第一过渡接头334连接的连接块335，连接块335设置在传送轨道31，用于固定主吸尘管331。除尘装置33还包括设置在主吸尘管331上的第二过渡接头336，与第二过渡接头336连接的转接管I 332，与转接管一连接的转接管II 333，与转接管II 333连接的除尘块337，除尘块337置于除尘口下方，除尘口设置在传送轨道31末端位置，矩阵式设置，数量多个，比如4至12个。
根据本申请的一个方面，所述检测部包括：
防护罩，形成有用于收容检测单元的空腔，防护罩设置有观察窗；
料槽，设置于防护罩中，与出料部对应。
在某个实施例中，检测部4设置在所述出料部5上方，检测部4的检测单元41为采用矩阵式排列的贴片式红外接收传感器，具有全自动补偿光功能，实现无盲区检测。检测部4还包括防护罩42，防护罩上开设有观察窗421，防护罩42由底板、侧板、端板以及盖板组成，以形成防护的空腔，检测单元41置于防护罩42空腔内。检测部4还包括料槽43，料槽43与出料部5对接设置。
根据本申请的一个方面，所述供料部包括：
料仓，具有预定体积的收容空间，其侧部开设有料位观察窗，下方设置有仓门；
出料控制机构，安装于仓门处，用于控制仓门开闭状态；出料控制机构包括设置于仓门上的齿条、固定于料仓上的安装板、转动连接于安装板上的螺杆，以及设置于螺杆上并于齿条配合的齿轮。
在某个实施例中，供料部2包括料仓21，料仓21一侧开设有用于观察料位的第一观察窗23，可以通过第一观察窗了解料位情况；料仓21与输送部3对接面正下方开设有仓门口25；仓门口25两侧分别设置有滑轨滑块组件243和安装板24，滑轨滑块组件243上安装有仓门22，仓门22上设置有齿轮齿条组件242，手拧螺杆241分别与安装板24和齿轮齿条组件242连接，旋转手拧螺杆241调节料仓门22的高度，保障均匀顺畅供料。
根据本申请的一个方面，所述第一输送单元和第二输送单元的下方分别设置有振动机构；沿输料的方向，第一输送单元和第二输送单元形成预定的倾斜角度。通过形成预定角度的倾斜，比如3至15°的倾斜角，形成更好的输送效果。振动的过程中，不仅能改将颗粒分散开来，也能够提供输送的动力。在一些特殊场景下，振动增加了破损的概率，可能会提高残片的比例，可以在后续过程中进行去除。
根据本申请的一个方面，所述输送部设置有除尘单元，所述除尘单元包括：
除尘块，至少两个，间隔预定距离设置在输送部；
输尘管，与除尘块连通，用以将灰尘输送至预定的位置。
出料部包括多个出料门，出料门51与传送轨道31的轨道一一对接设置，出料门51相互独立，并且可自动开启和关闭。出料门51下方设置有控制落料装瓶的总料门52，总料门下方设置有可振动导向装瓶的料嘴53，料嘴53为上宽下窄的管状结构。总料门52侧面设置有升降机构531，此处升降机构531为气动组件，其输出端连接有料嘴53，料嘴53可随升降机构531升降和震动，如装瓶时料嘴53会自动下降罩住瓶口，药粒不会跳出瓶口造成短缺；料嘴震动，避免大药粒装瓶堵塞，加快送料速度。
总之，本申请的具有残片检测功能的矩阵式智能模组数粒系统主要包括机架1，设置在所述机架1上的输送部3，设置在所述输送部3上的供料部2，以及与所述输送部3的传送末端对接设置的检测部4和出料部5，检测部4具有无盲区残片检测功能。
如图7至图9所示，设备工作时把物料倒入供料部2顶部的料仓22中，通过适当调整输送部3中的震动送料器，使料仓22内堆状的物料逐渐沿着震动槽板变成连续不断的条状直线下滑至落料口。接着逐粒跌落检测部4的检测通道，采用光电效应的原理将物料下落时通过红外线动态扫描传感器产生的工作信号输入到高速微处理器通过电子和机械的配合实现计数功能。输送部3每个轨道物料落入同一下料口，震动下料口分别同时装料，将设定数量物料全部灌入包装容器（瓶、罐、袋等）内。
接着描述软件部分。根据本申请的一个方面，所述智控单元包括：
图像分割模块，接收图像采集单元传送的图像数据，并按照预存储的方法分割成至少两个分别对应第一输送单元和第二输送单元的区域图像；图像分割模块包括至少两个图像分割子模块，每个图像分割子模块用于对不同图像参数的输入图像进行分割，所述图像参数至少包括频率和曝光度；
在一个实施例中，图像分割子模块的工作过程：首先，根据输入图像的频率和曝光度，选择合适的滤波器和阈值，对输入图像进行滤波和二值化处理，得到二值化图像；然后，根据二值化图像中的连通区域，将输入图像划分为若干个子区域，并为每个子区域赋予一个标签；最后，根据预设的规则，将不同标签的子区域归属于不同的区域图像，并输出区域图像。
图像预处理模块，对分割后的区域图像进行预处理；
目标匹配模块，依序对每个区域图像中的目标进行检测并标注颗粒编号，提取颗粒图像特征数据；
残片检测模块，基于每个区域图像的图像特征数据判断是否存在残片，并统计残片数量，结合检测部的计数值，给出残片检测最终结果并输出。
根据本申请的一个方面，所述图像预处理模块的预处理过程具体为：
逐一对时间间隔小于预定值的至少两张区域图像进行伽马校正，以消除相机响应函数的影响。
在一个实施例中，伽马校正的过程包括：将输入图像转换为灰度图像，并计算灰度直方图；根据灰度直方图中的峰值和谷值，确定伽马校正参数；使用伽马校正公式对输入图像进行非线性变换，得到伽马校正后的输出图像。
在一个实施例中，对齐的过程包括：分别从两张区域图像中提取特征点，并分别为每个区域图像中特征点构建特征描述矩阵，建立两张区域图像中特征点的匹配关系，并基于匹配关系建立变换矩阵，基于变化矩阵将两张区域图像对齐。
在一个实施例中，特征点提取和匹配的过程是：使用尺度不变特征变换算法在两张区域图像中检测并提取特征点，并为每个特征点生成一个128维的特征描述矩阵；使用最近邻距离比算法计算两张区域图像中特征点之间的相似度，并根据相似度阈值筛选出匹配点对；使用随机抽样一致算法消除误匹配点，并基于匹配点对计算变换矩阵。
在一个实施例中，采用基于剃度域的合成方法，将对齐后的两张区域图像进行合成，并将合成后的区域图像采用全局算子进行色调映射。使用变换矩阵对其中一张区域图像进行仿射变换或透视变换，使其与另一张区域图像在空间位置上保持一致；使用双线性插值算法对变换后的区域图像进行像素值的插值，以保持图像的连续性和平滑性。
在一个实施例中，剃度域合成的过程是：使用拉普拉斯金字塔算法将两张对齐后的区域图像分解为多个尺度的剃度图像；使用权重融合算法根据每个尺度的剃度图像和权重图像，计算出合成后的剃度图像；使用金字塔重建算法将合成后的剃度图像重建为合成后的区域图像。剃度表示某一函数在该点处的二阶导数之和，即函数在该点处的曲率。剃度域是一个用来描述图像中细节或纹理变化的概念，它是通过对图像进行拉普拉斯变换，得到图像的剃度。
在一个实施例中，色调映射的过程是：使用双边滤波算法对合成后的区域图像进行边缘保留的平滑处理，得到基础层图像；使用细节层增强算法对合成后的区域图像和基础层图像进行差分运算，得到细节层图像；最后，使用全局色调映射算法对基础层图像和细节层图像进行线性组合，得到色调映射后的区域图像。
根据本申请的一个方面，所述目标匹配模块获取颗粒图像特征数据的过程具体为：
读取至少两个时刻的区域图像数据，针对每个时刻的区域图像，获取区域图像中每一颗粒边缘线，构建边缘线集合；
在一个实施例中，获取边缘线的过程是：使用Canny边缘检测器对输入区域图像进行边缘检测，得到二值化边缘图像；使用霍夫变换或概率霍夫变换对二值化边缘图像进行直线检测，并将检测到的直线连接起来，得到边缘线。
选取在先时刻的区域图像，基于边缘线集合，提取颗粒的图像特征数据，构建颗粒数据集合并标注颗粒编号；
在一个实施例中，提取颗粒特征数据的过程为：根据边缘线集合中每条边缘线的长度、方向、曲率等参数，计算出每条边缘线所代表的颗粒形状、大小、方向等特征；根据输入区域图像中每条边缘线所包围的区域内的灰度值或颜色值，计算出每条边缘线所代表的颗粒亮度、色彩等特征；将每条边缘线所代表的颗粒特征组合成一个向量，并为每个向量赋予一个唯一的编号，构建颗粒数据集合。
比如一个圆形的片剂，当分散开时，出现的是弧形或经过射影几何变换后的弧形，两个片剂重叠在一起时，出现交叉的弧形。而如果出现残片，就可能出现直线或折线，这样的话，就可以通过边缘识别来快速判断是否存在残片。尤其是通过对疑似残片进行追踪，就可以去除误检等情况，大大提高了残片识别的效率。
根据预配置的算法基于颗粒数据计算两个边缘曲线集合中颗粒编号的差值，并判断是否存在新增颗粒或可疑颗粒。
在一个实施例中，计算编号差值的过程是：使用最小二乘法或最小二乘支持向量机对先时刻和后时刻的颗粒数据集合进行拟合，得到两个拟合函数；然后，使用欧氏距离或曼哈顿距离计算两个拟合函数之间的差异，并将差异值作为编号差值；根据编号差值和预设的阈值，判断是否存在新增颗粒或可疑颗粒，并将其加入到残片追踪集合中。
在构建这个方法的时候，可以采用随机破损的残片构建一个反向训练集，采用正常的颗粒，构建一个正向训练集，药物颗粒不同的状态，得到的边缘线和面积等参数是不同的，如果跟正向训练集比较接近，则给出非残片的概率大，如果跟反向训练集比较接近（相似度大），则给出残片的概率大，用这两个概率之比或其他形式作为比较参数值，并设定阈值。
在一个连续的图像检测过程中，如果是正常颗粒或残片，则概率值是趋于稳定的，比如如果是正常的，则图像面积和边缘线条的相似度就会与正向训练集很相似，图像面积平均值会趋于正常。如果是残片，则图像面积平均值会偏小，然后边缘会出现折线等情况。因此通过追踪一个周期内的情况，即可判断是否为残片。如果在运动的过程中，概率值变小且稳定，则说明在转运的过程中出现了残片。
根据本申请的一个方面，所述残片检测模块的残片检测过程具体包括：
读取至少两个时刻的区域图像的颗粒数据，针对新增颗粒和可疑颗粒分别建立残片追踪集合；残片追踪集合是一个动态更新的数据结构，用于存储每个时刻被判定为新增颗粒或可疑颗粒的颗粒编号、图像特征数据、残片概率值等信息。
读取不同时刻的区域图像，逐一读取新增颗粒和可疑颗粒，基于每个颗粒的图像特征数据并计算每个颗粒在各个时刻的残片概率值，求取残片概率值的平均值；
在一个实施例中，计算残片概率值的过程是：使用卷积神经网络或深度置信网络对输入区域图像进行特征提取，并将提取到的特征作为输入层；使用逻辑回归或支持向量机作为输出层，对输入层进行分类，并输出每个类别的概率值；根据预设的类别标签，选择对应于残片的概率值作为残片概率值。
基于残片概率值的平均值，判断是否为残片，构建残片数据集合，并计数；
在一个实施例中，判断是否为残片的过程是：根据预设的阈值，将残片概率值分为两类：高于阈值的为正类（即残片），低于阈值的为负类（即非残片）；对每个时刻的新增颗粒和可疑颗粒，求取其在所有时刻的残片概率值的平均值，并根据平均值的大小，将其划分为正类或负类；将划分为正类的颗粒编号、图像特征数据、残片概率值等信息加入到残片数据集合中，并对残片数据集合进行计数，得到残片数量。
在至少三个时刻的区域图像中，获取残片的位置，并计算移动速度，给定残片颗粒移动至检测部的时刻，给出检测时刻区间，基于该检测区间的计数值，给出残片检测最终结果并输出。
在一个实施例中，获取残片位置和移动速度的过程是：根据残片数据集合中的颗粒编号，在每个时刻的区域图像中找到对应的颗粒，并获取其在图像坐标系中的位置；使用最小二乘法或最小二乘支持向量机对每个颗粒在不同时刻的位置进行拟合，得到一个拟合函数；最后，使用导数或微分对拟合函数进行求导，得到每个颗粒在不同时刻的移动速度。
在一个实施例中，给出检测时刻区间和最终结果的过程是：首先，根据预设的参数，计算出残片颗粒从区域图像移动至检测部所需的时间，并以此为基准，给出一个检测时刻区间；然后，在该检测时刻区间内，读取检测部的计数值，并与残片数量进行比较；最后，根据比较结果，给出残片检测最终结果，并输出。如果比较结果一致，则输出“无残片”，如果比较结果不一致，则输出“有残片”和残片数量。
在进一步的实施例中，通过拍摄的图像信息，可以提取在各个区域图像中不同时刻的形状信息，判断形状和面积是否小于预设值，如果小于预设值，则给出属于残片的概率，由于在不同的状态下，形状可能发生倾斜，因此采用平均面积的方式来判断，进而提高准确率。
在进一步的实施例中，由于不同的药物颗粒的剂型不同，有的为片剂，有的为胶囊。颜色也不相同，而且可能会存在反光的情况。因此可以采用连通域的方法进行处理。为了更加清楚地描述，给出完整的数据处理流程。
获取区域图像，使用阈值分割或区域生长等方法，将原始图像数据分割成若干个子图像，每个子图像包含一个或多个药品颗粒。
使用灰度化或彩色空间转换方法，将子图像转换为适合后续处理的格式；使用直方图均衡化或自适应直方图均衡化等方法，增强子图像的对比度；使用中值滤波或高斯滤波方法，去除子图像中的噪声；使用形态学操作或边缘检测等方法，提取子图像中的药品颗粒轮廓。
使用连通域分析或轮廓跟踪方法，根据药品颗粒轮廓，将每个子图像中的每个药品颗粒分割出来，并为每个药品颗粒赋予一个唯一的编号。
使用模板匹配或特征提取法，根据药品颗粒的形状、大小、颜色等特征，将每个药品颗粒划分为不同的类别，如圆片、胶囊等，并为每个类别赋予一个唯一的标签。
使用光流法或卡尔曼滤波器法，根据不同时刻的子图像中相同编号或相似特征的药品颗粒，建立起它们之间的匹配关系，并计算它们在不同时刻的位置和速度。
使用支持向量机或卷积神经网络等方法，根据药品颗粒的特征和匹配关系，判断每个药品颗粒是否为残片，并统计残片数量；结合检测部的计数值，给出残片检测最终结果并输出。
在进一步的实施例中，为了准确识别残片进入了哪些包装瓶中，同时提高残片的跟踪效率。对疑似残片的图像数据进行跟踪，计算其进入检测部的时间，如果在光栅上能够得出其残片的概率，则能够进一步提高识别出残片的概率。由于采用矩阵式光栅，残片遮挡的光栅数量在概率上要比正常颗粒要少，因此可以给出一个判断标准。
如果成本允许，则可以采用多频率或多曝光度的相机，从而给出更多的图像信息。
具体地数据处理流程如下：
使用深度相机或多频率、多曝光参数的相机对药品颗粒进行图像采集，得到包含深度信息或不同频率、曝光度的图像数据，并将其传送给智控单元；
使用深度分割法或多频率分割法，将图像数据分割成若干个子图像，每个子图像包含一个或多个药品颗粒；
使用深度融合法或多曝光融合法，将不同深度或不同曝光度的子图像进行融合，得到更清晰、更完整的子图像；
进行图像预处理、目标检测、目标分类和目标匹配，对融合后的子图像进行后续处理，得到数粒和残片分析的结果，并输出。
具体地，数据处理过程如下，需要注意的是，为了更加完整的描述数据处理过程，给出了数据处理的全过程，该数据处理过程与上述实施例的数据处理过程可能存在重叠。
S11：使用深度相机对药品颗粒进行图像采集，得到包含深度信息的图像数据；
深度相机是一种能够测量物体距离相机的距离的相机，它通过发射红外光或激光，并接收反射回来的光，计算出物体的深度值。深度相机可以生成包含深度信息的图像数据，即每个像素点除了有颜色值外，还有深度值。
S12：使用多频率、多曝光参数的相机对药品颗粒进行图像采集，得到不同频率、曝光度的图像数据；
多频率、多曝光参数的相机是一种能够在不同的光谱范围和不同的曝光时间下拍摄物体的相机，它通过调节滤波器和快门速度，获取物体在不同条件下的反射特性。多频率、多曝光参数的相机可以生成不同频率、曝光度的图像数据，即每个物体在不同波长和亮度下呈现出不同的颜色和细节。
S13：将包含深度信息或不同频率、曝光度的图像数据传送给智控单元；
智控单元是一个用于接收、存储、处理和输出图像数据的设备，它由一个中央处理器、一个内存、一个硬盘、一个显示器和一个键盘等组成。智控单元可以通过无线网络或有线网络与深度相机或多频率、多曝光参数的相机进行通信，接收包含深度信息或不同频率、曝光度的图像数据，并将其存储在硬盘中。
S21：使用深度分割方法，将包含深度信息的图像数据分割成若干个子图像；
深度分割的原理是：首先，根据深度信息，将图像数据中的每个像素点划分为前景或背景，前景是指距离相机较近的物体，背景是指距离相机较远的物体；然后，根据前景和背景的区别，将图像数据中的每个连通区域划分为一个子图像，并为每个子图像赋予一个唯一的标识。
S22：使用多频率分割方法，将不同频率、曝光度的图像数据分割成若干个子图像；
多频率分割的原理是：首先，根据不同频率、曝光度的图像数据，计算出每个像素点在不同条件下的颜色值和灰度值；然后，根据颜色值和灰度值的差异，将图像数据中的每个连通区域划分为一个子图像，并为每个子图像赋予一个唯一的标识。
使用深度融合方法，将不同深度的子图像进行融合；
深度融合的原理是：首先，根据不同深度的子图像中的深度信息，计算出每个子图像在空间中的位置和方向；然后，根据位置和方向信息，将不同深度的子图像进行对齐和配准；最后，根据对齐和配准后的子图像中的颜色值和灰度值，采用加权平均或梯度域优化等方法，将不同深度的子图像进行融合，得到更清晰、更完整的子图像。
S32：使用多曝光融合方法，将不同曝光度的子图像进行融合；
多曝光融合的原理是：首先，根据不同曝光度的子图像中的颜色值和灰度值，计算出每个子图像在亮度和对比度上的质量评估值；然后，根据质量评估值，采用**基于权重或基于梯度等方法，选择每个子图像中最优质量的部分，并将其拼接成一个全局最优质量的子图像；最后，根据拼接后的子图像中的颜色值和灰度值，采用基于直方图的方法进行拼接和融合，对拼接后的子图像进行色调映射，得到更自然、更平滑的子图像。
图像预处理的原理是：首先，使用灰度化或彩色空间转换方法，将融合后的子图像转换为适合后续处理的格式；然后，使用直方图均衡化或自适应直方图均衡化方法，增强融合后的子图像的对比度；接着，使用中值滤波或高斯滤波方法，去除融合后的子图像中的噪声；最后，使用形态学操作方法，提取融合后的子图像中的药品颗粒轮廓。
后续的步骤如上述实施例所述。
本发明数粒系统检测部采用矩阵式排列的贴片式红外接收传感器，具有全自动补偿光功能，实现无盲区检测，并且采用三级振动输送以及输送部设置除尘装置，以上设置，提高了小装量产品的装瓶速度，数粒精度高，下料速度快，可根据实际需求进行模块化组合，应用场合广泛。
以上详细描述了本发明的优选实施方式，但是，本发明并不限于上述实施方式中的具体细节，在本发明的技术构思范围内，可以对本发明的技术方案进行多种等同变换，这些等同变换均属于本发明的保护范围。
Claims (10)
1.具有残片检测功能的矩阵式智能模组数粒系统，其特征在于，包括：
机架（1），具有延伸预定长度的本体；
供料部（2），被配置于机架的一端，用于存储待处理颗粒；
输送部（3），安装于机架上，输送部至少包括第一输送单元和第二输送单元，第一输送单元的接料端延伸至供料部的出料口；第二输送单元的接料端位于第一输送单元的送料端下方；
检测部（4），包括至少三组检测单元，均设置于第二输送单元的送料端下方；每一检测单元设置有矩阵排列的、用于对颗粒进行计数的光栅传感器；
出料部（5），包括至少三组出料通道，分别与检测单元连通，以使颗粒通过检测单元进入出料部；
图像采集单元，被配置于机架上方或侧部，图像采集单元的视场至少包括第一输送单元和第二输送单元输料路径的截面部分；
智控单元，用于接收图像采集单元的图像数据并调用预配置的图像处理模块检测待处理的颗粒中是否具有残片，结合检测部的计数值给出最终判断结果并输出。
2.如权利要求1所述的具有残片检测功能的矩阵式智能模组数粒系统，其特征在于，所述第一输送单元和第二输送单元可拆卸安装于机架上；第一输送单元和第二输送单元的输料工作面与待处理颗粒的颜色形成预定的色差。
3.如权利要求1所述的具有残片检测功能的矩阵式智能模组数粒系统，其特征在于，所述检测部包括：
防护罩，形成有用于收容检测单元的空腔，防护罩设置有观察窗；
料槽，设置于防护罩中，与出料部对应。
4.如权利要求1所述的具有残片检测功能的矩阵式智能模组数粒系统，其特征在于，
所述供料部包括：
料仓，具有预定体积的收容空间，其侧部开设有料位观察窗，下方设置有仓门；
出料控制机构，安装于仓门处，用于控制仓门开闭状态；出料控制机构包括设置于仓门上的齿条、固定于料仓上的安装板、转动连接于安装板上的螺杆，以及设置于螺杆上并于齿条配合的齿轮。
5.如权利要求1所述的具有残片检测功能的矩阵式智能模组数粒系统，其特征在于，所述第一输送单元和第二输送单元的下方分别设置有振动机构；沿输料的方向，第一输送单元和第二输送单元形成预定的倾斜角度。
6.如权利要求1所述的具有残片检测功能的矩阵式智能模组数粒系统，其特征在于，所述输送部设置有除尘单元，所述除尘单元包括：
除尘块，至少两个，间隔预定距离设置在输送部；
输尘管，与除尘块连通，用以将灰尘输送至预定的位置。
7.如权利要求1至6任一项所述的具有残片检测功能的矩阵式智能模组数粒系统，其特征在于，所述智控单元包括：
图像分割模块，接收图像采集单元传送的图像数据，并按照预存储的方法分割成至少两个分别对应第一输送单元和第二输送单元的区域图像；图像分割模块包括至少两个图像分割子模块，每个图像分割子模块用于对不同图像参数的输入图像进行分割，所述图像参数至少包括频率和曝光度；
图像预处理模块，对分割后的区域图像进行预处理；
目标匹配模块，依序对每个区域图像中的目标进行检测并标注颗粒编号，提取颗粒图像特征数据；
残片检测模块，基于每个区域图像的图像特征数据判断是否存在残片，并统计残片数量，结合检测部的计数值，给出残片检测最终结果并输出。
8.如权利要求7所述的具有残片检测功能的矩阵式智能模组数粒系统，其特征在于，所述图像预处理模块的预处理过程具体为：
逐一对时间间隔小于预定值的至少两张区域图像进行伽马校正，以消除相机响应函数的影响；
分别从两张区域图像中提取特征点，并分别为每个区域图像中特征点构建特征描述矩阵，建立两张区域图像中特征点的匹配关系，并基于匹配关系建立变换矩阵，基于变化矩阵将两张区域图像对齐；
采用基于剃度域的合成方法，将对齐后的两张区域图像进行合成，并将合成后的区域图像采用全局算子进行色调映射。
9.如权利要求8所述的具有残片检测功能的矩阵式智能模组数粒系统，其特征在于，所述目标匹配模块获取颗粒图像特征数据的过程具体为：
读取至少两个时刻的区域图像数据，针对每个时刻的区域图像，获取区域图像中每一颗粒边缘线，构建边缘线集合；
选取在先时刻的区域图像，基于边缘线集合，提取颗粒的图像特征数据，构建颗粒数据集合并标注颗粒编号；
根据预配置的算法基于颗粒数据计算两个边缘曲线集合中颗粒编号的差值，并判断是否存在新增颗粒或可疑颗粒；
所述残片检测模块的残片检测过程具体包括：
读取至少两个时刻的区域图像的颗粒数据，针对新增颗粒和可疑颗粒分别建立残片追踪集合；
读取不同时刻的区域图像，逐一读取新增颗粒和可疑颗粒，基于每个颗粒的图像特征数据并计算每个颗粒在各个时刻的残片概率值，求取残片概率值的平均值；
基于残片概率值的平均值，判断是否为残片，构建残片数据集合，并计数；
在至少三个时刻的区域图像中，获取残片的位置，并计算移动速度，给定残片颗粒移动至检测部的时刻，给出检测时刻区间，基于该检测区间的计数值，给出残片检测最终结果并输出。
10.具有残片检测功能的矩阵式智能模组数粒方法，其特征在于，基于权利要求7至9任一项的具有残片检测功能的矩阵式智能模组数粒系统实现。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311291825.9A CN117022817B (zh) | 2023-10-08 | 2023-10-08 | 具有残片检测功能的矩阵式智能模组数粒系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311291825.9A CN117022817B (zh) | 2023-10-08 | 2023-10-08 | 具有残片检测功能的矩阵式智能模组数粒系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117022817A true CN117022817A (zh) | 2023-11-10 |
| CN117022817B CN117022817B (zh) | 2023-12-01 |
Family
ID=88645249
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311291825.9A Active CN117022817B (zh) | 2023-10-08 | 2023-10-08 | 具有残片检测功能的矩阵式智能模组数粒系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117022817B (zh) |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS6033036A (ja) * | 1983-08-02 | 1985-02-20 | Ckd Corp | 錠剤の欠け検出装置 |
| US5463839A (en) * | 1994-08-04 | 1995-11-07 | The Lakso Company | Apparatus for packaging a predetermined quantity of objects and a counting device therefor |
| JPH11301601A (ja) * | 1998-04-22 | 1999-11-02 | Takenaka Komuten Co Ltd | 錠剤検査計数充填機 |
| US6483935B1 (en) * | 1999-10-29 | 2002-11-19 | Cognex Corporation | System and method for counting parts in multiple fields of view using machine vision |
| US20040112909A1 (en) * | 2001-02-05 | 2004-06-17 | Taizo Yamamoto | Counting and feeding device for small article |
| JP2004198175A (ja) * | 2002-12-17 | 2004-07-15 | Lion Engineering Co Ltd | 物品の外観検査方法 |
| US20060271237A1 (en) * | 2005-05-25 | 2006-11-30 | Jvm Co., Ltd. | System for detecting medicine packet |
| US20090146087A1 (en) * | 2005-10-19 | 2009-06-11 | Klaus Julius | Optical Semi-Quantitative 100% Filling Check of Pharmaceutical Capsules on Capsule-filling Machines |
| US20100133066A1 (en) * | 2008-12-02 | 2010-06-03 | Count Lab, Inc. | Discrete article spacing apparatus for vibration trays |
| US20100192523A1 (en) * | 2007-07-10 | 2010-08-05 | Boehringer Ingelheim International Gmbh | Optical Filling Control of Pharmaceutical Capsules in Capsule Filling Machines |
| CN105270688A (zh) * | 2015-03-06 | 2016-01-27 | 南通恒力医药设备有限公司 | 一种基于视觉监测的电子数粒机 |
| CN106780440A (zh) * | 2016-11-29 | 2017-05-31 | 北京邮电大学 | 爆炸电路板残片图像自动比对识别方法 |
| CN111703658A (zh) * | 2019-06-19 | 2020-09-25 | 乌尔曼包装系统有限责任及合伙两合公司 | 用于传送医药产品的设备和方法 |
| US20200319117A1 (en) * | 2019-04-05 | 2020-10-08 | Blue Sky Ventures (Ontario) Inc. | Sensor assembly for moving items and related filling machine and methods |
| CN113879655A (zh) * | 2021-09-29 | 2022-01-04 | 浙江工贸职业技术学院 | 一种用于物流包装的标签智能贴标装置 |
| CN114674831A (zh) * | 2022-04-16 | 2022-06-28 | 心鉴智控(深圳)科技有限公司 | 一种泡罩药片瑕疵成像方法及系统 |
-
2023
- 2023-10-08 CN CN202311291825.9A patent/CN117022817B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS6033036A (ja) * | 1983-08-02 | 1985-02-20 | Ckd Corp | 錠剤の欠け検出装置 |
| US5463839A (en) * | 1994-08-04 | 1995-11-07 | The Lakso Company | Apparatus for packaging a predetermined quantity of objects and a counting device therefor |
| JPH11301601A (ja) * | 1998-04-22 | 1999-11-02 | Takenaka Komuten Co Ltd | 錠剤検査計数充填機 |
| US6483935B1 (en) * | 1999-10-29 | 2002-11-19 | Cognex Corporation | System and method for counting parts in multiple fields of view using machine vision |
| US20040112909A1 (en) * | 2001-02-05 | 2004-06-17 | Taizo Yamamoto | Counting and feeding device for small article |
| JP2004198175A (ja) * | 2002-12-17 | 2004-07-15 | Lion Engineering Co Ltd | 物品の外観検査方法 |
| US20060271237A1 (en) * | 2005-05-25 | 2006-11-30 | Jvm Co., Ltd. | System for detecting medicine packet |
| US20090146087A1 (en) * | 2005-10-19 | 2009-06-11 | Klaus Julius | Optical Semi-Quantitative 100% Filling Check of Pharmaceutical Capsules on Capsule-filling Machines |
| US20100192523A1 (en) * | 2007-07-10 | 2010-08-05 | Boehringer Ingelheim International Gmbh | Optical Filling Control of Pharmaceutical Capsules in Capsule Filling Machines |
| US20100133066A1 (en) * | 2008-12-02 | 2010-06-03 | Count Lab, Inc. | Discrete article spacing apparatus for vibration trays |
| CN105270688A (zh) * | 2015-03-06 | 2016-01-27 | 南通恒力医药设备有限公司 | 一种基于视觉监测的电子数粒机 |
| CN106780440A (zh) * | 2016-11-29 | 2017-05-31 | 北京邮电大学 | 爆炸电路板残片图像自动比对识别方法 |
| US20200319117A1 (en) * | 2019-04-05 | 2020-10-08 | Blue Sky Ventures (Ontario) Inc. | Sensor assembly for moving items and related filling machine and methods |
| CN111703658A (zh) * | 2019-06-19 | 2020-09-25 | 乌尔曼包装系统有限责任及合伙两合公司 | 用于传送医药产品的设备和方法 |
| CN113879655A (zh) * | 2021-09-29 | 2022-01-04 | 浙江工贸职业技术学院 | 一种用于物流包装的标签智能贴标装置 |
| CN114674831A (zh) * | 2022-04-16 | 2022-06-28 | 心鉴智控(深圳)科技有限公司 | 一种泡罩药片瑕疵成像方法及系统 |
Non-Patent Citations (2)
| Title |
|---|
| 汪威;雷茜;丁善婷;李浩然;黄玉春;王磊;: "太阳能电池残片再利用的优化排样算法", 可再生能源, no. 03, pages 53 - 59 * |
| 郑龙;袁俊;: "基于机器视觉的药品铝塑包装检测及应用", 科技通报, no. 07, pages 182 - 185 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117022817B (zh) | 2023-12-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20230046145A1 (en) | Systems and methods for detecting waste receptacles using convolutional neural networks | |
| EP3460765B1 (en) | Banknote management method and system | |
| Noordam et al. | High-speed potato grading and quality inspection based on a color vision system | |
| Verma | Image processing techniques for grading & classification of rice | |
| CN108229561B (zh) | 一种基于深度学习的颗粒产品缺陷检测方法 | |
| TW202009802A (zh) | 基於深度學習及電腦視覺技術之垃圾分類系統及方法 | |
| CN111047555A (zh) | 基于图像处理技术的矿石图像粒度检测算法 | |
| CN109166125B (zh) | 一种基于多边缘融合机制的三维深度图像分割算法 | |
| JP2007505733A (ja) | 廃棄物の流れ中の目標物を分類する装置および方法 | |
| CA3215397A1 (en) | Methods and arrangements to aid recycling | |
| CN102713579B (zh) | 外观检查装置 | |
| CN106981064A (zh) | 基于机器视觉技术的药品瓶包装标准认证在线检测系统 | |
| CN117022817B (zh) | 具有残片检测功能的矩阵式智能模组数粒系统及方法 | |
| CN107742119A (zh) | 一种基于背影成像的物体轮廓提取和匹配装置及方法 | |
| CN113361657A (zh) | 用于识别烟箱箱号的装置、方法、烟丝装箱设备和工控机 | |
| CN207397296U (zh) | 一种基于背影成像的物体识别装置 | |
| CN113409239B (zh) | 一种基于辐射成像的集装箱空箱检测方法 | |
| CN117023091B (zh) | 具有全自动剔除反瓶功能的自动循环高速理瓶系统及方法 | |
| CN114821165A (zh) | 一种轨道检测图像采集分析方法 | |
| Vanijjirattikhan et al. | High accuracy conveyor-based object counting algorithm | |
| CN116129365B (zh) | 输送设备上颗粒物料的检测方法和系统 | |
| CN114852435B (zh) | 一种用于定量包装多头组合秤的自动控制系统 | |
| CN109583446A (zh) | 基于人工神经网络的土样盒号识别系统及方法 | |
| McDonnell et al. | Using style-transfer to understand material classification for robotic sorting of recycled beverage containers | |
| JP2981857B2 (ja) | 包装容器の製函中の接着部材塗着状態判別装置、方法、システム及び接着部材塗着状態の判別を実行するためのプログラムを記録した媒体 |
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 |