CN117571731B - 基于灯检机的杂质检测方法及系统 - Google Patents
基于灯检机的杂质检测方法及系统 Download PDFInfo
- Publication number
- CN117571731B CN117571731B CN202410056481.1A CN202410056481A CN117571731B CN 117571731 B CN117571731 B CN 117571731B CN 202410056481 A CN202410056481 A CN 202410056481A CN 117571731 B CN117571731 B CN 117571731B
- Authority
- CN
- China
- Prior art keywords
- detection
- light source
- layer
- impurity
- ampoule
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 162
- 239000012535 impurity Substances 0.000 title claims abstract description 145
- 238000007689 inspection Methods 0.000 title claims description 42
- 239000003708 ampul Substances 0.000 claims abstract description 95
- 238000003062 neural network model Methods 0.000 claims abstract description 30
- 230000003287 optical effect Effects 0.000 claims abstract description 20
- 238000000034 method Methods 0.000 claims description 40
- 230000008569 process Effects 0.000 claims description 25
- 238000012545 processing Methods 0.000 claims description 20
- 238000004458 analytical method Methods 0.000 claims description 17
- 238000005457 optimization Methods 0.000 claims description 17
- 238000002310 reflectometry Methods 0.000 claims description 16
- 238000013528 artificial neural network Methods 0.000 claims description 13
- 238000012937 correction Methods 0.000 claims description 10
- 230000006870 function Effects 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 6
- 238000013135 deep learning Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000010191 image analysis Methods 0.000 claims description 3
- 230000009467 reduction Effects 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 2
- 230000001105 regulatory effect Effects 0.000 claims description 2
- 239000000243 solution Substances 0.000 description 56
- 238000010586 diagram Methods 0.000 description 9
- 239000003814 drug Substances 0.000 description 9
- 238000005286 illumination Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 238000004590 computer program Methods 0.000 description 5
- 229940079593 drug Drugs 0.000 description 5
- 239000007788 liquid Substances 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 239000012047 saturated solution Substances 0.000 description 3
- 230000005856 abnormality Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 238000011897 real-time detection Methods 0.000 description 2
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/84—Systems specially adapted for particular applications
- G01N21/88—Investigating the presence of flaws or contamination
- G01N21/90—Investigating the presence of flaws or contamination in a container or its contents
-
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10024—Color 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
- G06T2207/20—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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Analytical Chemistry (AREA)
- Biochemistry (AREA)
- Chemical & Material Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Immunology (AREA)
- Pathology (AREA)
- Health & Medical Sciences (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Investigating Materials By The Use Of Optical Means Adapted For Particular Applications (AREA)
Abstract
本发明涉及杂质检测领域,尤其涉及基于灯检机的杂质检测方法及系统,包括利用传感器获取光信号数据,将得到的光信号转换为频域信号,建立光源检测神经网络模型对灯检机工作时的光源信号进行检测;通过工业相机或传感器得到安瓿瓶及其所盛溶液的图像,构建不透明杂质识别神经网络模型对不透明杂质进行检测,将有问题的安瓿瓶剔除;对于没有被剔除的安瓿瓶,将光源对安瓿瓶进行投射,根据光电传感器采集的数据信息判断是否存在透明杂质。本发明提供了准确的检测结果,提高了检测效率、降低了人为误判率、保证了检测的一致性和可靠性。
Description
技术领域
本发明涉及杂质检测领域,尤其涉及基于灯检机的杂质检测方法及系统。
背景技术
在医用药品杂质检测领域中,灯检机是一种常用设备,对已经包装成瓶的液体药品质量进行检测,传统灯检机的检测方法通常需要人工操作,需要投入大量的人力、物力,且操作复杂,耗时耗力,存在主观性容易出现误判。随着科技的发展,现在大部分灯检机借助计算机辅助检测,通过计算机分析采集到的图像数据,对成瓶药品的质量进行判断分析,将不合格药品进行剔除。
尽管借助计算机辅助检测技术,灯检机在医用药品杂质检测领域中已经取得了显著进展,但仍然存在如下问题:没有对灯检机工作时的光源进行检测,不稳定的光源会影响杂质检测结果的准确性和一致性;利用计算机对图像分析时,对一些透明杂质无法精准进行检测,使杂质检测存在误差,对药品使用产生不定风险;虽然计算机辅助检测可以提高效率,但对于浓度较低的杂质、较透明、较浑浊的药品溶液,无法准确地识别分析杂质并进行自动高效检测。
因此,有必要设计一种更加智能化、快速准确的方法来进行杂质检测。
发明内容
本发明通过提供基于灯检机的杂质检测方法及系统目的在于对生产完成的成瓶药品质量利用灯检机进行可靠检测,在灯检机中稳定的光源可以提供一致的照明条件,使得样本在不同时间和不同位置下都能获得相似的光照条件,确保检测结果的一致性;通过对不透明杂质和透明杂质分别进行检测判断,具有高灵敏度,为药品的检测结果提供保障,减少了检测的错误率;本发明利用光学透镜和建模算法精确地识别杂质,提供准确的检测结果,提高了检测效率、降低了人为误判率、保证了检测的一致性和可靠性。
本发明技术方案具体如下:
基于灯检机的杂质检测方法,具体包括以下步骤:
S1.利用传感器获取光信号数据,将得到的光信号转换为频域信号,建立光源检测神经网络模型对灯检机工作时的光源信号进行检测;
S2.通过工业相机或传感器得到安瓿瓶及其所盛溶液的图像,构建不透明杂质识别神经网络模型对不透明杂质进行检测,将有问题的安瓿瓶剔除;对于没有被剔除的安瓿瓶,将光源对安瓿瓶进行投射,根据光电传感器采集的数据信息判断是否存在透明杂质。
进一步,步骤S1,具体包括:
对所述光源信号进行检测后,如果光源稳定,并且符合灯检机检测工作要求的光源状态,则开始进行杂质检测;否则发出警报,工作人员对光源进行调整或者更换。
进一步,步骤S1,具体包括:
利用离散傅里叶变换将光信号转换为频域信号;所述光源检测神经网络模型包括输入层、检测层、优化策略层、输出层;输入层与检测层全连接,并将特征数据传递给检测层,检测层对频域信号特征进行检测。
进一步,述步骤S2,具体包括:
灯检机启动时,灯检盘也随即开始转动;将经过预处理的工业相机或传感器得到安瓿瓶及其所盛溶液的图像,输入到所述不透明杂质识别神经网络模型中,通过深度学习输出对应的杂质识别结果。
进一步,在不透明杂质识别神经网络模型的分析层中对安瓿瓶图像分析,具体过程如下:
;
其中,表示分析层的输出,表示在/>时刻对安瓿瓶图像的分析结果;/>表示在转动开始前一时刻安瓿瓶图像的状态;/>表示自适应的增益参数;/>表示对安瓿瓶图像分析的期望状态;/>表示记录的转盘转动的时间;/>表示转动结束时预期安瓿瓶图像状态;V表示安瓿瓶图像的特征向量;同时进行降维操作。
进一步,步骤S2,判断是否存在透明杂质的方法,具体包括:
根据安瓿瓶内待检溶液的溶质含量情况对溶液浓度和溶液的反射率/>进行预设,定义待检溶液浓度为/>,待检溶液反射率定义为/>;
然后通过光电传感器获取经过对安瓿瓶的投射后的光线的强度和波长位置/>,根据获得的光线的强度/>和波长位置/>求出透明度修正参值/>。
进一步,通过对安瓿瓶的投射后光线的强度对溶液的反射率/>进行优化;
将透明度修正参值与预设透明度修正参值/>进行对照,然后根据对照结果对待检溶液浓度/>进行优化;
通过优化调整后的溶液浓度和溶液反射率/>,对待检溶液中的透明杂质进行综测判断。
基于灯检机的杂质检测系统,包括以下内容:
数据获取模块、信号处理模块、光源识别模块、杂质检测模块、预警模块;
数据获取模块,用于获取待检安瓿瓶及安瓿瓶内溶液的数据信息,利用光源照射并通过传感器收集记录所需数据信息;
信号处理模块,将数据获取模块获取到的光源信号数据转换为频域信号数据,对数据进行预处理,为光源识别模块提供数据基础;
光源识别模块,用于对光源的稳定性进行识别检测,如果光源不稳定或不符合工作要求,预警模块将发出警报;
杂质检测模块,用于检测安瓿瓶内的不透明杂质和透明杂质,确保对杂质检测的准确性;杂质检测模块包括第一检测单元、第二检测单元;
第一检测单元,对安瓿瓶内的不透明杂质通过进行检测,迅速捕捉图像,并通过构建的神经网络模型进行识别判断;
第二检测单元,经过第一检测单元后,通过投射检测安瓿瓶中的透明杂质;
预警模块,用于监测杂质检测过程中的工作情况,并在在检测到光源异常、杂质存在时发出警报。
有益效果:
1.本发明通过傅里叶变换将信号从时间域转换到频域,可以将复杂的光信号分解为一些列频域成分,再进行分析处理,可以提供更全面和详细的信号信息;稳定的光源能够提供具有高能量集中度的频率成分,对安瓿瓶的检测结果更加准确可靠。然后基于频域成分建立光源检测神经网络模型,减少了神经网络模型的参数量和计算量,提高模型的效率和速度;通过处理安瓿瓶图像数据,提取不同的特征表示,然后将这些特征进行融合,可以保证检测的实时性能,还可提高不透明杂质的检测准确性,减少误判和漏检的情况,以确保产品质量符合要求。
2.在灯检机中,光源的稳定性对于确保检测结果的准确性至关重要。如果光源输出的亮度或颜色等状态发生异常变化,系统可以发出警报从而调整来保持光源的稳定性,这样可以确保后续的图像检测过程能够在一致的光照条件下进行;减少光照变化对图像质量和检测结果的影响,提高检测的准确性。
3.灯检机利用光源和照相机组合,对待检物体进行图像检测,针对不透明杂质,通过建模分析以及对图像处理,可以及时发现并排除不透明杂质,确保产品的质量和安全性。对于透明杂质,灯检机采用投射法进行检测,通过光电传感器获取信息,可以观察到透明杂质是否存在,有效检测透明杂质如悬浮物等,以保证产品质量。本发明通过先对不透明杂质进行检测再对透明杂质进行检测,对安瓿瓶内液体的质量与安全性提供了双重保障,使其对于杂质的检测更加完全和彻底,避免不合格产品流入市场。
附图说明
图1为本发明所述基于灯检机的杂质检测方法的流程图;
图2为本发明所述基于灯检机的杂质检测系统的模块图;
图3为本发明所述灯检盘的构成示意图;
图4为本发明所述杂质检测模块的结构图。
具体实施方式
为了更好的理解上述技术方案,下面将结合说明书附图以及具体的实施方式对上述技术方案进行详细的说明。同时应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
参照附图1,本实施例提供了基于灯检机的杂质检测方法,包括以下步骤:
S1.当灯检机启动时需要对光源的稳定性进行判断和监测,通过将光信号转换为频域信号,可以分析光源输出的频率成分,稳定的光源应该在特定的频率范围内具有较高的能量集中度。
在具体实施例中,应用傅里叶变换将光信号数据转换为频域信号,傅里叶变换能够将信号分解为一系列频率成分,每个成分具有相应的幅度和相位信息;稳定的光源在特定的频率范围内具有较高的能量集中度;通过频域分析可以检测到光源输出中的任何频率波动或噪声。
使用光传感或其他适当的装置来收集光信号数据,使用适当的采样率捕获到光信号的离散时间域数据;然后进行信号预处理,去除直流分量、滤波等,来提高信号质量和后续频谱分析的准确性;将光信号数据进行数字化表示,表示结果为;利用离散傅里叶变换将/>转换为频域信号,具体过程如下:
;
其中,,j表示虚数单位;/>表示光信号在p点处的频域表示;k表示光信号在频域表示中的频率;p表示时间序列值;当/>越大表示该频率的信号更多。
特别地,在给定的频域数据中,计算特定频率范围/>内的频谱强度总和为,即得到能量集中度;根据待检瓶本身以及周围环境并结合专家经验在前期进行大量实验,然后设置期望阈值,将计算得到的能量集中度与期望阈值进行比较,如果能量集中度较高且超过了期望阈值,则认为光源具有较高的能量集中度,表示光源比较稳定。
本发明通过傅里叶变换将信号从时间域转换到频域,可以将复杂的光信号分解为一些列频域成分,再进行分析处理,可以提供更全面和详细的信号信息;稳定的光源能够提供具有高能量集中度的频率成分,对安瓿瓶的检测结果更加准确可靠。
同时建立光源检测神经网络模型,经上述过程如果光源稳定,并且符合灯检机工作状态要求的光源情况,则进入到杂质检测模块开始杂质检测;否则进入预警模块中,工作人员将对光源进行调整使其达到符合进行检测工作的状态,具体过程如下:
建立光源检测神经网络模型,在灯检机进行工作的时候,基于得到的稳定光源频域信号特征进行检测,将符合期望阈值的频域信号数据输入到光源实时检测神经网络模型中得到光源的实时结果。
训练由深度学习网络组成的光源检测神经网络,经过多次训练,使得光源实时检测神经网络输出准确的光源情况;训练完成的光源实时检测神经网络包括输入层、检测层、优化策略层、输出层。
将符合灯检机工作状态要求的光源的频域信号特征输入到光源检测神经网络的输入层,定义当前频域信号有N个特征,输入层与检测层全连接,并将特征数据传递给检测层,检测层对频域信号特征进行检测,具体过程如下:
;
;
;
其中,表示输入层的输入值;/>表示输入层与检测层间的连接权重值;/>表示检测层的偏置;/>表示输入的第i个特征数据,/>;/>表示在时间序列a时第k个特征的值;/>表示检测系数;/>、/>表示权重常数;/>、/>表示随机常值,/>;/>表示检测初结果;/>表示检测层的输出结果;/>表示学习因子;/>表示第c个检测对象;/>表示调控参数;/>表示阈值。如果光源的频域信号在检测层中判断出大于或等于阈值,则将检测结果传递至优化策略层中。
优化策略层中对检测结果进行优化处理,保证检测的准确性,具体过程如下:
;
;
其中,表示优化策略层的输入;/>表示检测层与优化策略层的连接权重;/>表示优化策略层的偏置;/>表示优化策略层中的调节参值;/>表示优化策略层的输出。优化策略层将优化处理结果传递至输出层,由输出层输出最终光源检测的结果,具体过程为:
;
其中,表示输出层的输出结果;/>表示优化策略层和输出层的连接权重;/>表示输出层的偏置。
然后对光源检测神经网络输出的光源检测结果进一步优化,具体过程为:
预设一个目标函数,其中/>表示先验知识的函数;表示光源检测结果的函数。然后进行最小化目标函数,当达到最大迭代次数,则判断聚类迭代过程结束,即/>,其中/>是学习率,控制每次更新步长。直至迭代更新结束后,从而得到训练完成的光源检测神经网络。
本发明通过傅里叶变换将信号从时间域转换到频域,然后基于频域成分建立光源检测神经网络模型,减少了神经网络模型的参数量和计算量,提高模型的效率和速度,光源检测神经网络模型可以在实时或近实时的情况下进行光源检测,快速地处理输入数据并输出结果;通过训练大量的数据样本,神经网络模型可以学习光源的多样性和变化,具备一定的鲁棒性和泛化能力,即使在不同环境条件下或光源外观发生变化的情况下,模型仍然可以有效地检测光源。
在灯检机中,光源的稳定性对于确保检测结果的准确性至关重要。如果光源输出的亮度或颜色等状态发生异常变化,系统可以发出警报从而调整来保持光源的稳定性,这样可以确保后续的图像检测过程能够在一致的光照条件下进行;减少光照变化对图像质量和检测结果的影响,提高检测的准确性。
S2.通过工业相机或传感器获取安瓿瓶及其所盛溶液的图像,构建不透明杂质识别神经网络模型对不透明杂质进行检测,将有问题的安瓿瓶剔除;对于没有被剔除的安瓿瓶,将光源对安瓿瓶进行投射,根据光电传感器采集的数据信息判断是否存在透明杂质。
在进行检测之前,借助机械装置等方法将安瓿瓶准确放置在检测区域,为后续的杂质检测过程做好铺垫。
参照附图3,本发明中将灯检盘中的所有装瓶区域分为两部分,即第一检测单元A和第二检测单元B;其中第一检测单元靠近进瓶处,第二检测单元根据进瓶方向排在第一检测单元之后,即待检瓶需先经过第一检测单元才会经过第二检测单元。在第一检测单元处设置有多个灯检机照相机组,对待检瓶内溶液中的不透明杂质进行检测;第二检测单元中设置有多个光学透镜组合装置,对待检瓶内溶液中的透明杂质进行检测。当灯检机启动时,灯检盘也随即开始转动,顺时针方向旋转。
S201.对于安瓿瓶内的不透明杂质将需要使用高分辨率的工业相机或传感器来获取安瓿瓶的图像,然后对获取到的安瓿瓶图像(此处包括后文提到的安瓿瓶图像,均指安瓿瓶及其所盛物的图像)信息进行预处理,其中图像预处理使用现有技术进行。然后建立不透明杂质识别神经网络模型,将经过预处理的图像输入到不透明杂质识别神经网络模型中,通过深度学习最终输出对应的杂质识别结果。
不透明杂质识别神经网络包括输入层、卷积层、分析层、全连接层、输出层,进一步得,设立不透明杂质识别神经网络得输入为,卷积层对预处理后的安瓿瓶及其内容物图像进行卷积操作,获得安瓿瓶图像的特征向量,具体过程如下:
;
其中,表示安瓿瓶图像的特征向量;/>表示卷积函数;/>表示权重值;/>表示卷积层的偏置;GZ表示不透明杂质识别神经网络的输入,即预处理后的安瓿瓶图像数据;将卷积层提取到的画面特征传递给分析层,在分析层中对安瓿瓶图像进一步分析,具体过程如下:
;
其中,表示分析层的输出,表示在/>时刻对安瓿瓶图像的分析结果;/>表示在转动开始前一时刻安瓿瓶图像的状态;/>表示自适应的增益参数;/>表示对安瓿瓶图像分析的期望状态;/>表示记录的转盘转动的时间;/>表示转动结束时预期安瓿瓶图像状态;V表示安瓿瓶图像的特征向量。同时进行降维操作。
然后进入到全连接层,由全连接层输出安瓿瓶图像中的杂质识别结果,最终由输出层将不透明杂质信息完整输出。再进行误差计算,通过动量优化对不透明杂质识别神经网络中参数进行优化,训练得到识别精准的不透明杂质识别神经网络模型。
安瓿瓶内的不透明杂质可以通过不透明杂质识别神经网络模型进行识别,一旦检测到不透明杂质,系统可以发出警报并触发自动处理机制,将有问题的安瓿瓶剔除,排除在生产线之外。
本发明通过在第一检测单元中建立的不透明杂质识别神经网络模型,通过处理安瓿瓶图像数据,提取不同的特征表示,然后将这些特征进行融合,可以保证检测的实时性能,还可提高不透明杂质的检测准确性,减少误判和漏检的情况,以确保产品质量符合要求。
S202.安瓿瓶内的透明杂质通常难以通过图像检测方法直接识别,因为它们在图像中可能不明显或难以分辨。投射法将光源对安瓿瓶进行投射,通过光电传感器获取数据信息来判断光线是否受到了透明杂质的干扰;同时,这些干扰信息会通过光电传感器来捕捉光线变化信息然后进一步检测。一旦检测到透明杂质,同样将会触发警报或自动处理机制,对不合格的安瓿瓶进行剔除。
现根据安瓿瓶内待检溶液的溶质含量情况对溶液浓度和溶液的反射率/>进行预设,现定义待检溶液浓度为/>,待检溶液反射率定义为/>;其中,对待检溶液的溶质含量情况进行划分,分为稀溶液、浓溶液、饱和溶液;
在稀溶液中,溶质含量处于较低状态,所对应在稀溶液时的溶液浓度平衡系数为,则相应的待检溶液浓度为/>;
在浓溶液中,溶质浓度相对较高,所对应在浓溶液时的溶液浓度平衡系数为,则相应的待检溶液浓度为/>;
在饱和溶液中,溶质在一定条件下的溶解度达到最大限度,所对应在饱和溶液时的溶液浓度平衡系数为,则相应的待检溶液浓度为/>。
然后通过光电传感器获取经过对安瓿瓶的投射后的光线的强度和波长位置/>,根据获得的光线的强度/>和波长位置/>求出透明度修正参值/>,具体过程如下所示:
;
其中,表示光线强度的参考标值,根据专家意见和实验数据进行预先设定;/>表示在进行投射后r时刻获得的光线强度;/>表示波长位置的参考标值,亦根据专家意见和实验数据进行预先设定;/>表示对波长位置参考标值的调节常数。
同时通过对安瓿瓶的投射后光线的强度对溶液的反射率/>进行优化,具体过程如下:
;
其中,表示投射之前的光线强度,由传感器记录数据;P表示投射后光线强度的偏置;/>表示优化后的溶液反射率。当投射后的光线强度减弱较多时,反射率增加,说明有相对更少的光线可以通过安瓿瓶内溶液,液体内存在透明杂质的干扰;当投射后的光线强度减弱较少时,反射率减少,说明有相对更多的光线通过安瓿瓶内溶液,液体内没有透明杂质的干扰。
将透明度修正参值与预设透明度修正参值/>进行对照(预设透明参值根据大量实验数据提前设定),然后根据对照结果对待检溶液浓度/>进行优化,具体过程如下所示:
如果属于/>,说明待检溶液中的透明杂质会对溶液的检测影响相对平稳,则待检溶液浓度定义为/>,则/>,/>表示待检溶液的透明度修正值的理想偏差阈值范围,/>表示优化因子;
如果不属于/>,说明待检溶液中的透明杂质会对溶液的检测影响显著,则待检溶液浓度定义为/>,则/>。
最后,通过优化调整后的溶液浓度和溶液反射率/>,对待检溶液中的透明杂质进行综测判断,具体为:/>;其中,/>表示优化后溶液浓度的权重系数;/>表示优化后溶液反射率的权重系数;/>表示判断指数。当/>,表示待检溶液中存在透明杂质且透明杂质较少或处于允许范围内;当/>,表示不存在透明杂质或透明杂质极少,此种情况多属于理想化状态;当/>,表示待检溶液中存在透明杂质且透明杂质较多或处于不允许范围内;其中,/>表示根据检测实际需求进行设定的阈值。
综上所述,基于灯检机的杂志检测包括光源稳定性判断和预警、不透明杂质的图像检测以及透明杂质的投射法进行检测,能够提高杂质检测的准确性和效率,从而确保产品质量和安全性。灯检机使用光源来照亮待检物体,通过对光源的稳定性进行判断和预警,可以确保光源的亮度和颜色稳定,避免因光源变化而导致的图像质量问题,有助于提高检测的准确性和可靠性,并减少误判的可能性。
灯检机利用光源和照相机组合,对待检物体进行图像检测,针对不透明杂质,通过建模分析以及对图像处理,可以及时发现并排除不透明杂质,确保产品的质量和安全性。对于透明杂质,灯检机采用投射法进行检测,通过光电传感器获取信息,可以观察到透明杂质是否存在,有效检测透明杂质如悬浮物等,以保证产品质量。本发明通过先对不透明杂质进行检测再对透明杂质进行检测,对安瓿瓶内液体的质量与安全性提供了双重保障,使其对于杂质的检测更加完全和彻底,避免不合格产品流入市场。
参照附图2,本实施例提供了基于灯检机的杂质检测系统,包括以下内容:
数据获取模块、信号处理模块、光源识别模块、杂质检测模块、预警模块;
数据获取模块,用于获取待检安瓿瓶及安瓿瓶内溶液的数据信息,利用光源照射通过传感器收集并记录所需数据信息;
信号处理模块,将数据获取模块获取到的光源信号数据转换为频域信号数据,对数据进行预处理,为光源识别模块提供数据基础;
光源识别模块,用于对光源的稳定性进行识别检测,如果光源不稳定或不符合工作要求,预警模块将发出警报;
杂质检测模块,用于检测安瓿瓶内的不透明杂质和透明杂质,确保对杂质检测的准确性;参照附图4,所述杂质检测模块包括第一检测单元、第二检测单元;
第一检测单元,对安瓿瓶内的不透明杂质通过进行检测,迅速捕捉图像,并通过构建的神经网络模型进行识别判断;
第二检测单元,经过第一检测单元后,通过投射检测安瓿瓶中的透明杂质,保证对杂质检测的准确性;
预警模块,用于监测杂质检测过程中的工作情况,并在在检测到光源异常、杂质存在时或其他异常情况时发出警报;并可以通过声音警报、视觉警示或通过连接到其他系统通知工作人员及时解决问题。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
尽管已描述了本发明的优选实施例,但本领域内的技术人员一旦得知了基本创造性概念,则可对这些实施例作出另外的变更和修改。所以,所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
以上内容仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明权利要求书的保护范围之内。
Claims (7)
1.基于灯检机的杂质检测方法,其特征在于,包括以下步骤:
S1.利用传感器获取光信号数据,将得到的光信号转换为频域信号,建立光源检测神经网络模型对灯检机工作时的光源信号进行检测;
所述光源检测神经网络模型包括输入层、检测层、优化策略层、输出层;输入层与检测层全连接,并将特征数据传递给检测层,检测层对频域信号特征进行检测,具体过程如下:
;
;
;
其中,表示输入层的输入值;/>表示输入层与检测层间的连接权重值;/>表示检测层的偏置;/>表示输入的第i个特征数据,/>;/>表示在时间序列a时第k个特征的值;/>表示检测系数;/>、/>表示权重常数;/>、/>表示随机常值,/>;/>表示检测初结果;表示检测层的输出结果;/>表示学习因子;/>表示第c个检测对象;/>表示调控参数;/>表示阈值;
S2.通过工业相机或传感器得到安瓿瓶及其所盛溶液的图像,构建不透明杂质识别神经网络模型对不透明杂质进行检测,将有问题的安瓿瓶剔除;
所述不透明杂质识别神经网络包括输入层、卷积层、分析层、全连接层、输出层,进一步得,设立不透明杂质识别神经网络得输入为,卷积层对预处理后的安瓿瓶及其内容物图像进行卷积操作,获得安瓿瓶图像的特征向量,具体过程如下:
;
其中,表示安瓿瓶图像的特征向量;/>表示卷积函数;/>表示权重值;/>表示卷积层的偏置;GZ表示不透明杂质识别神经网络的输入,即预处理后的安瓿瓶图像数据;
对于没有被剔除的安瓿瓶,将光源对安瓿瓶进行投射,根据光电传感器采集的数据信息判断是否存在透明杂质;
根据安瓿瓶内待检溶液的溶质含量情况对溶液浓度和溶液的反射率/>进行预设,定义待检溶液浓度为/>,待检溶液反射率定义为/>;
然后通过光电传感器获取经过对安瓿瓶的投射后的光线的强度和波长位置,根据获得的光线的强度/>和波长位置/>求出透明度修正参值/>。
2.根据权利要求1所述的基于灯检机的杂质检测方法,其特征在于,所述步骤S1,具体包括:
对所述光源信号进行检测后,如果光源稳定,并且符合灯检机检测工作要求的光源状态,则开始进行杂质检测;否则发出警报,工作人员对光源进行调整或者更换。
3.根据权利要求1所述的基于灯检机的杂质检测方法,其特征在于,所述步骤S1,具体包括:
利用离散傅里叶变换将光信号转换为频域信号;如果光源的频域信号在所述检测层中判断出大于或等于阈值,则将检测结果传递至所述优化策略层中;在所述优化策略层中对检测结果进行优化处理。
4.根据权利要求1所述的基于灯检机的杂质检测方法,其特征在于,所述步骤S2,具体包括:
灯检机启动时,灯检盘也随即开始转动;将经过预处理的工业相机或传感器得到安瓿瓶及其所盛溶液的图像,输入到所述不透明杂质识别神经网络模型中,通过深度学习输出对应的杂质识别结果。
5.根据权利要求4所述的基于灯检机的杂质检测方法,其特征在于,在所述不透明杂质识别神经网络模型的分析层中对安瓿瓶图像分析,具体过程如下:
;
其中,表示分析层的输出,表示在/>时刻对安瓿瓶图像的分析结果;/>表示在转动开始前一时刻安瓿瓶图像的状态;/>表示自适应的增益参数;/>表示对安瓿瓶图像分析的期望状态;/>表示记录的转盘转动的时间;/>表示转动结束时预期安瓿瓶图像状态;V表示安瓿瓶图像的特征向量;同时进行降维操作。
6.根据权利要求1所述的基于灯检机的杂质检测方法,其特征在于,通过对安瓿瓶的投射后光线的强度对溶液的反射率/>进行优化;
将透明度修正参值与预设透明度修正参值/>进行对照,然后根据对照结果对待检溶液浓度/>进行优化;
通过优化调整后的溶液浓度和溶液反射率/>,对待检溶液中的透明杂质进行综测判断。
7.基于灯检机的杂质检测系统,应用于权利要求1所述的基于灯检机的杂质检测方法,其特征在于,包括以下内容:
数据获取模块、信号处理模块、光源识别模块、杂质检测模块、预警模块;
所述数据获取模块,用于获取待检安瓿瓶及安瓿瓶内溶液的数据信息,利用光源照射并通过传感器收集记录所需数据信息;
所述信号处理模块,将数据获取模块获取到的光源信号数据转换为频域信号数据,对数据进行预处理,为光源识别模块提供数据基础;
所述光源识别模块,用于对光源的稳定性进行识别检测,如果光源不稳定或不符合工作要求,预警模块将发出警报;
所述杂质检测模块,用于检测安瓿瓶内的不透明杂质和透明杂质,确保对杂质检测的准确性;所述杂质检测模块包括第一检测单元、第二检测单元;
所述第一检测单元,对安瓿瓶内的不透明杂质通过进行检测,迅速捕捉图像,并通过构建的神经网络模型进行识别判断;
所述第二检测单元,经过第一检测单元后,通过投射检测安瓿瓶中的透明杂质;
所述预警模块,用于监测杂质检测过程中的工作情况,并在在检测到光源异常、杂质存在时发出警报。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410056481.1A CN117571731B (zh) | 2024-01-16 | 2024-01-16 | 基于灯检机的杂质检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410056481.1A CN117571731B (zh) | 2024-01-16 | 2024-01-16 | 基于灯检机的杂质检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117571731A CN117571731A (zh) | 2024-02-20 |
CN117571731B true CN117571731B (zh) | 2024-04-16 |
Family
ID=89895862
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410056481.1A Active CN117571731B (zh) | 2024-01-16 | 2024-01-16 | 基于灯检机的杂质检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117571731B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117907238A (zh) * | 2024-03-12 | 2024-04-19 | 山东鹰眼制药装备有限公司 | 一种光纤切割检测方法及检测设备 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1719236A (zh) * | 2005-08-02 | 2006-01-11 | 湖南大学 | 多视觉空瓶质量检测方法及多视觉空瓶检测机器人 |
CN202649136U (zh) * | 2012-06-15 | 2013-01-02 | 北京大恒图像视觉有限公司 | 一种口服液瓶盖自动灯检机的光路系统 |
CN103512901A (zh) * | 2013-09-10 | 2014-01-15 | 上海东富龙科技股份有限公司 | 一种采用底光源的安瓿瓶灯检机的图像同步跟随采集装置 |
CN203465219U (zh) * | 2013-09-10 | 2014-03-05 | 上海东富龙科技股份有限公司 | 采用背光源的安瓿瓶灯检机的图像同步跟随采集装置 |
CN106404789A (zh) * | 2015-07-28 | 2017-02-15 | 株式会社完成 | 安瓿瓶视觉检测装置及检测方法 |
WO2017117566A1 (en) * | 2015-12-31 | 2017-07-06 | Industrial Dynamics Company, Ltd. | System and method for inspecting containers using multiple images of the containers |
CN209606340U (zh) * | 2018-11-28 | 2019-11-08 | 广州番禺职业技术学院 | 透明药瓶底部积料缺陷检测系统 |
CN110441254A (zh) * | 2019-08-07 | 2019-11-12 | 中国计量大学 | 一种用于识别塑料的近红外光频梳光谱仪 |
CN111721774A (zh) * | 2020-06-23 | 2020-09-29 | 湖南正中制药机械有限公司 | 一种用于自动灯检机的灯检检测方法 |
WO2023126609A1 (fr) * | 2021-12-30 | 2023-07-06 | Tiama | Procede et dispositif d'inspection de recipients chauds en verre en vue d'identifier des defauts |
EP4242642A1 (en) * | 2022-03-09 | 2023-09-13 | Analitica d.o.o. | Container examination apparatus |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016127173A1 (en) * | 2015-02-06 | 2016-08-11 | The University Of Akron | Optical imaging system and methods thereof |
CN114018819B (zh) * | 2021-03-22 | 2022-11-11 | 北京航空航天大学 | 基于空间频域成像的光学特性测量方法、装置及系统 |
-
2024
- 2024-01-16 CN CN202410056481.1A patent/CN117571731B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1719236A (zh) * | 2005-08-02 | 2006-01-11 | 湖南大学 | 多视觉空瓶质量检测方法及多视觉空瓶检测机器人 |
CN202649136U (zh) * | 2012-06-15 | 2013-01-02 | 北京大恒图像视觉有限公司 | 一种口服液瓶盖自动灯检机的光路系统 |
CN103512901A (zh) * | 2013-09-10 | 2014-01-15 | 上海东富龙科技股份有限公司 | 一种采用底光源的安瓿瓶灯检机的图像同步跟随采集装置 |
CN203465219U (zh) * | 2013-09-10 | 2014-03-05 | 上海东富龙科技股份有限公司 | 采用背光源的安瓿瓶灯检机的图像同步跟随采集装置 |
CN106404789A (zh) * | 2015-07-28 | 2017-02-15 | 株式会社完成 | 安瓿瓶视觉检测装置及检测方法 |
WO2017117566A1 (en) * | 2015-12-31 | 2017-07-06 | Industrial Dynamics Company, Ltd. | System and method for inspecting containers using multiple images of the containers |
CN209606340U (zh) * | 2018-11-28 | 2019-11-08 | 广州番禺职业技术学院 | 透明药瓶底部积料缺陷检测系统 |
CN110441254A (zh) * | 2019-08-07 | 2019-11-12 | 中国计量大学 | 一种用于识别塑料的近红外光频梳光谱仪 |
CN111721774A (zh) * | 2020-06-23 | 2020-09-29 | 湖南正中制药机械有限公司 | 一种用于自动灯检机的灯检检测方法 |
WO2023126609A1 (fr) * | 2021-12-30 | 2023-07-06 | Tiama | Procede et dispositif d'inspection de recipients chauds en verre en vue d'identifier des defauts |
EP4242642A1 (en) * | 2022-03-09 | 2023-09-13 | Analitica d.o.o. | Container examination apparatus |
Non-Patent Citations (3)
Title |
---|
基于DSP和自组织竞争神经网络的数粒机控制系统;蔡锦达;唐静;齐建虹;李祥伟;;控制工程;20170320(第03期);全文 * |
基于改进型PCNN的智能灯检机研究;葛继;王耀南;张辉;周博文;;仪器仪表学报;20090915(第09期);全文 * |
基于神经网络的医药微弱异物视觉检测机器人;吴成中;王耀南;冯明涛;张辉;周显恩;;电子测量与仪器学报;20151215(第12期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN117571731A (zh) | 2024-02-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117571731B (zh) | 基于灯检机的杂质检测方法及系统 | |
CN101566582B (zh) | 基于机器视觉的粉针剂生产中药瓶标贴信息在线检测系统 | |
CN102192911B (zh) | 一种基于机器视觉的金属瓶盖质量检测系统 | |
CN112115927B (zh) | 一种基于深度学习的机房设备智能识别方法及系统 | |
CN103785622B (zh) | 基于机器视觉的零件分拣装置的零件分拣方法 | |
CN108318436B (zh) | 反应曲线生成方法、装置及光学检测系统 | |
CN111487250A (zh) | 一种应用于注塑件不良品检测的智能视觉检测方法及系统 | |
CN110333242A (zh) | 一种pet瓶质量的检测方法及其系统 | |
CN116206266B (zh) | 一种基于封口机的视觉对位系统 | |
CN104132945A (zh) | 一种基于光纤传导的棒材表面质量在线视觉检测装置 | |
CN107891012B (zh) | 基于等效算法的珍珠大小及圆形度分拣装置 | |
CN109451721B (zh) | 贴片检测设备和方法 | |
CN105510339A (zh) | 一种基于机器视觉的饮料瓶满箱检测方法 | |
US20220284699A1 (en) | System and method of object detection using ai deep learning models | |
CN103718025A (zh) | 容器口部检查方法及装置 | |
US20220343113A1 (en) | Automatic model reconstruction method and automatic model reconstruction system for component recognition model | |
CN109406534A (zh) | 一种药瓶底部拉环缺陷检测装置及方法 | |
CN115984780A (zh) | 工业固体废物出入库判别方法、装置、电子设备及介质 | |
CN113588650A (zh) | 医用污水净化监测系统 | |
CN209280586U (zh) | 一种药瓶底部拉环缺陷检测装置 | |
CN112766141A (zh) | 一种烟草卷包设备异物检测方法及系统 | |
CN205404403U (zh) | 一种总氮水质监测系统 | |
CN112507952A (zh) | 自适应人体测温区域筛选方法及额头无遮挡区域提取方法 | |
CN206333359U (zh) | 一种基于工业相机的烟叶厚度监测装置 | |
CN111797952B (zh) | 一种智能血浆质量判读仪及其质量检测方法 |
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 |