CN117853494A - 一种益心舒颗粒生产过程视觉检测方法 - Google Patents
一种益心舒颗粒生产过程视觉检测方法 Download PDFInfo
- Publication number
- CN117853494A CN117853494A CN202410264485.9A CN202410264485A CN117853494A CN 117853494 A CN117853494 A CN 117853494A CN 202410264485 A CN202410264485 A CN 202410264485A CN 117853494 A CN117853494 A CN 117853494A
- Authority
- CN
- China
- Prior art keywords
- edge line
- particle
- areas
- gray
- edge
- 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
- 239000008187 granular material Substances 0.000 title claims abstract description 27
- 238000004519 manufacturing process Methods 0.000 title claims abstract description 18
- 238000000034 method Methods 0.000 title claims description 43
- 238000011179 visual inspection Methods 0.000 title claims description 15
- 239000002245 particle Substances 0.000 claims abstract description 139
- 238000005286 illumination Methods 0.000 claims abstract description 28
- 239000003814 drug Substances 0.000 claims abstract description 23
- 238000001514 detection method Methods 0.000 claims abstract description 18
- 238000003708 edge detection Methods 0.000 claims description 19
- 238000010606 normalization Methods 0.000 claims description 9
- 238000013528 artificial neural network Methods 0.000 claims description 4
- 238000002372 labelling Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000007689 inspection Methods 0.000 claims 2
- 230000000007 visual effect Effects 0.000 abstract description 6
- 238000012545 processing Methods 0.000 abstract description 3
- 230000011218 segmentation Effects 0.000 abstract 1
- 238000004458 analytical method Methods 0.000 description 4
- 229940079593 drug Drugs 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000001788 irregular Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000000825 pharmaceutical preparation Substances 0.000 description 1
- 229940127557 pharmaceutical product Drugs 0.000 description 1
- 230000000704 physical effect Effects 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- 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
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image 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
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A10/00—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE at coastal zones; at river basins
- Y02A10/40—Controlling or monitoring, e.g. of flood or hurricane; Forecasting, e.g. risk assessment or mapping
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像处理技术领域,提出了一种益心舒颗粒生产过程视觉检测方法,包括:采集药品颗粒图像,灰度化处理得到颗粒灰度图像;得到若干封闭区域及若干公共边缘线;根据公共边缘线上像素点及其邻域像素点的灰度值,获取每条公共边缘线的光照变化剧烈程度;得到每条公共边缘线的边缘合并因子;根据相邻封闭区域中像素点的灰度值,以及对应公共边缘线的边缘合并因子,得到相邻封闭区域的合并可能性;得到若干分割区域;根据分割区域的边缘线的链码,得到若干颗粒区域;根据颗粒区域对药品颗粒进行质量检测。本发明旨在解决颗粒堆叠导致检测独立颗粒受到影响的问题。
Description
技术领域
本发明涉及图像处理技术领域,具体涉及一种益心舒颗粒生产过程视觉检测方法。
背景技术
在颗粒药品生产过程中,需要对颗粒药品进行检测和评估,以确保其符合质量标准和规定的要求;通常使用机器视觉对颗粒药品的物理特性(例如颗粒的尺寸、形状、颗粒度分布等)进行检测。
在对颗粒药品进行检测的过程中,需要选取多个独立的颗粒进行检测。但是由于颗粒较小,生产的颗粒一般会堆叠在一起,导致采集的图像存在颗粒与颗粒堆叠产生的空洞,以及颗粒与颗粒之间的堆叠。现有方法中通常通过边缘检测进行独立颗粒的获取,然而堆叠产生的阴影及空洞会导致部分颗粒无法完整获取,进而影响益心舒颗粒的视觉检测结果。
发明内容
本发明提供一种益心舒颗粒生产过程视觉检测方法,以解决现有的颗粒堆叠导致检测独立颗粒受到影响的问题,所采用的技术方案具体如下:
本发明一个实施例提供了一种益心舒颗粒生产过程视觉检测方法,该方法包括以下步骤:
采集药品颗粒图像,灰度化处理得到颗粒灰度图像;
对颗粒灰度图像通过边缘检测得到若干封闭区域及若干公共边缘线;根据公共边缘线上像素点及其邻域像素点的灰度值,获取每条公共边缘线的光照变化剧烈程度;根据公共边缘线的链码及灰度值变化,结合光照变化剧烈程度,得到每条公共边缘线的边缘合并因子;
根据相邻封闭区域中像素点的灰度值,以及对应公共边缘线的边缘合并因子,得到相邻封闭区域的合并可能性;根据相邻封闭区域的合并可能性,得到若干分割区域;根据分割区域的边缘线的链码,得到若干颗粒区域;
根据颗粒区域对药品颗粒进行质量检测。
可选的,所述对颗粒灰度图像通过边缘检测得到若干封闭区域及若干公共边缘线,包括的具体方法为:
对颗粒灰度图像进行边缘检测,得到边缘检测结果,记为颗粒边缘图像;对颗粒边缘图像通过泛洪填充算法得到其中若干区域,将每个区域在颗粒灰度图像中对应的部分记为一个封闭区域,相邻封闭区域之间共用的一段边缘,记为一条公共边缘线,得到若干公共边缘线。
可选的,所述每条公共边缘线的光照变化剧烈程度,具体的获取方法为:
对于任意一条公共边缘线上任意一个像素点,获取该像素点8邻域中像素点的最大灰度值及最小灰度值,将最大灰度值减去最小灰度值得到的差值,作为该像素点的灰度差异程度;
计算该条公共边缘线上每相邻两个像素点的灰度差异程度的差值绝对值,将所有所述差值绝对值的均值,作为该条公共边缘线的光照变化剧烈程度。
可选的,所述得到每条公共边缘线的边缘合并因子,包括的具体方法为:
根据公共边缘线的链码及灰度值变化,获取每条公共边缘线的灰度变化程度及方向变化程度;
将任意一条公共边缘线作为目标公共边缘线,将目标公共边缘线对应的两个封闭区域,记为目标公共边缘线的两个参考区域,获取目标公共边缘线以及两个参考区域的其他每条公共边缘线的长度,将所有所述长度的均值,记为目标公共边缘线的参考长度,将目标公共边缘线的长度与参考长度的差值绝对值,作为目标公共边缘线的长度因子;将目标公共边缘线的光照变化剧烈程度、灰度变化程度、方向变化程度及长度因子的乘积的反比例归一化值,作为目标公共边缘线的边缘合并因子。
可选的,所述每条公共边缘线的灰度变化程度,具体的获取方法为:
计算目标公共边缘线上每相邻两个像素点的灰度值的差值绝对值,记为每相邻两个像素点的灰度差异,将目标公共边缘线上所有灰度差异的均值,作为目标公共边缘线的灰度变化程度。
可选的,所述方向变化程度,具体的获取方法为:
对目标公共边缘线上的像素点按照顺序遍历,对相邻两个像素点获取链码值,将按照顺序每相邻获取的两个链码值的差值绝对值,作为链码差异,将所有链码差异的均值,作为目标公共边缘线的方向变化程度。
可选的,所述得到相邻封闭区域的合并可能性,包括的具体方法为:
目标公共边缘线对应相邻封闭区域的合并可能性的计算方法为:
其中,表示该条公共边缘线的边缘合并因子,/>表示该条公共边缘线的第一个参考区域中像素点的灰度值方差,/>表示该条公共边缘线的第二个参考区域中像素点的灰度值方差,/>为超参数,/>表示求绝对值,/>为以自然常数为底的指数函数。
可选的,所述得到若干分割区域,包括的具体方法为:
若任意相邻两个封闭区域的合并可能性大于合并阈值,对两个封闭区域进行合并;对所有相邻封闭区域都进行合并判断,小于或等于合并阈值不进行合并,将最终合并完成及未进行合并的所有区域,记为若干分割区域。
可选的,所述得到若干颗粒区域,包括的具体方法为:
对于任意一个分割区域,将该分割区域对应的一条闭合的边缘线,记为该分割区域的闭合边缘线,获取该闭合边缘线的链码,对链码中相邻链码值计算差值绝对值,将链码中所有差值绝对值的均值,作为该分割区域的轮廓系数;对所有分割区域的轮廓系数进行归一化,将1减去归一化值得到的差值,记为每个分割区域的颗粒可能性;
若任意一个分割区域的颗粒可能性大于颗粒阈值,该分割区域为一个颗粒区域。
可选的,所述根据颗粒区域对药品颗粒进行质量检测,包括的具体方法为:
通过神经网络构建颗粒质量检测模型,将颗粒灰度图像输入到颗粒质量检测模型中,输出每个颗粒区域的标注结果,标注为0的颗粒区域对应颗粒的质量不合格,标注为1的颗粒区域对应颗粒的质量合格。
本发明的有益效果是:本发明通过对颗粒灰度图像进行边缘检测得到封闭区域,对封闭区域之间的公共边缘线进行边缘合并因子的量化,用以反映公共边缘线两侧是否为颗粒堆叠导致的误分割的颗粒区域,即由于光照及堆叠阴影导致同一颗粒被误分割出的两个封闭区域;结合封闭区域之间灰度值的差异,对封闭区域进行合并得到分割区域,并基于分割区域的边缘形状得到颗粒区域,避免堆叠产生的空洞区域对后续颗粒质量检测造成影响,最终完成益心舒颗粒生成过程的视觉质量检测。其中通过对公共边缘线上像素点的灰度变化、邻域灰度分布及差异以及灰度波动进行分析,量化得到光照变化剧烈程度及边缘合并因子,初步反映公共边缘线两侧封闭区域为误分割区域的可能性;通过对相邻封闭区域中灰度分布及波动进行分析,结合公共边缘线的边缘合并因子,得到合并可能性并进行合并,再对分割区域进行闭合边缘线的链码分析,最终得到颗粒区域,使得误分割的颗粒能够合并,同时通过链码分析排除不规则的空洞区域,使得得到的颗粒区域结果更加准确。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一个实施例所提供的一种益心舒颗粒生产过程视觉检测方法流程示意图;
图2为颗粒灰度图像示意图;
图3为颗粒灰度图像的边缘检测结果示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,其示出了本发明一个实施例所提供的一种益心舒颗粒生产过程视觉检测方法流程图,该方法包括以下步骤:
步骤S001、采集药品颗粒图像,灰度化处理得到颗粒灰度图像。
本实施例的目的是通过机器视觉对益心舒颗粒生产过程中颗粒质量进行检测,因此首先需要获取药品颗粒图像。
具体的,在益心舒颗粒生产流水线上布置工业相机,通过工业相机对生产出的益心舒颗粒进行拍摄,得到药品颗粒图像;对药品颗粒图像进行灰度化处理,得到颗粒灰度图像,如图2所示。
步骤S002、对颗粒灰度图像通过边缘检测得到若干封闭区域及若干公共边缘线;根据公共边缘线上像素点及其邻域像素点的灰度值,获取每条公共边缘线的光照变化剧烈程度;根据公共边缘线的链码及灰度值变化,结合光照变化剧烈程度,得到每条公共边缘线的边缘合并因子。
优选的,在本发明一个实施例中,对颗粒灰度图像通过边缘检测得到若干封闭区域及若干公共边缘线,包括的具体方法为:
对颗粒灰度图像通过canny算子进行边缘检测,得到边缘检测结果,记为颗粒边缘图像,如图3所示;对颗粒边缘图像通过泛洪填充算法得到其中若干区域,将每个区域在颗粒灰度图像中对应的部分记为一个封闭区域,相邻封闭区域之间共用的一段边缘,记为一条公共边缘线,则得到若干公共边缘线;其中泛洪填充算法获取区域为现有方法,本实施例不再赘述。
需要说明的是,通过边缘检测及泛洪填充获取封闭区域后,药品颗粒图像为颗粒堆叠下拍摄得到的图像,由于堆叠及光照影响,封闭区域中会包含间隙空洞区域,以及部分本应为同一颗粒而被误分割成两个或多个的部分颗粒区域;因此需要基于公共边缘线上像素点灰度值对公共边缘线进行分析,进而判断是否为两个误分割的封闭区域之间的公共边缘线。
优选的,在本发明一个实施例中,根据公共边缘线上像素点及其邻域像素点的灰度值,获取每条公共边缘线的光照变化剧烈程度,包括的具体方法为:
对于任意一条公共边缘线上任意一个像素点,获取该像素点8邻域中像素点的最大灰度值及最小灰度值,将最大灰度值减去最小灰度值得到的差值,作为该像素点的灰度差异程度;获取该条公共边缘线上每个像素点的灰度差异程度,计算该条公共边缘线上每相邻两个像素点的灰度差异程度的差值绝对值,将得到的所有差值绝对值的均值,作为该条公共边缘线的光照变化剧烈程度。
所需说明的是,误分割区域之间的公共边缘线上像素点的灰度值变化波动较小,其邻域灰度值整体分布相近,因此灰度差异程度均较小,进而光照变化剧烈程度也会较小;而颗粒与颗粒、颗粒与空洞之间的公共边缘线上像素点的灰度值变化波动较大,且邻域灰度值差异较大,因此灰度差异程度会较大,进而光照变化剧烈程度较大。
需要说明的是,对于颗粒由于光照及堆叠导致的误分割区域,由于颗粒本身尺度较小,因此公共边缘线的长度不会过长,同时光照产生的阴影形成的分界线通常为直线,因此本实施例通过分析公共边缘线的链码变化对公共边缘线进行分析,判断其是否为误分割区域之间的公共边缘线。
优选的,在本发明一个实施例中,根据公共边缘线的链码及灰度值变化,结合光照变化剧烈程度,得到每条公共边缘线的边缘合并因子,包括的具体方法为:
对于任意一条公共边缘线,计算该条公共边缘线上每相邻两个像素点的灰度值的差值绝对值,记为每相邻两个像素点的灰度差异,将该条公共边缘线上所有灰度差异的均值,作为该条公共边缘线的灰度变化程度;对该条公共边缘线上的像素点按照顺序遍历,本实施例从公共边缘线上其中一个端点开始遍历,到另一个端点停止,则按照遍历顺序,对相邻两个像素点获取链码值,需要说明的是,由于遍历顺序已经固定,则相邻两个像素点的指向固定,链码值固定;则得到若干链码值,将按照顺序每相邻获取的两个链码值的差值绝对值,作为链码差异,将所有链码差异的均值,作为该条公共边缘线的方向变化程度。
进一步的,将该条公共边缘线对应的两个封闭区域,记为该条公共边缘线的两个参考区域,获取该条公共边缘线以及两个参考区域的其他每条公共边缘线的长度,将得到的所有长度的均值,记为该条公共边缘线的参考长度,将该条公共边缘线的长度与参考长度的差值绝对值,作为该条公共边缘线的长度因子;将该条公共边缘线的光照变化剧烈程度、灰度变化程度、方向变化程度及长度因子的乘积的反比例归一化值,作为该条公共边缘线的边缘合并因子,本实施例采用模型来呈现反比例关系及归一化处理,/>为模型的输入,实施者可根据实际情况来设置反比例函数及归一化函数。
所需说明的是,通过公共边缘线上相邻像素点的灰度差异来量化灰度变化程度,而灰度变化程度越小,公共边缘线上灰度变化波动越小,为误分割区域的公共边缘线的可能性越大,则边缘合并因子越大;通过链码变化来量化公共边缘线的方向变化程度,相邻链码之间差异越小,方向变化越少,则方向变化程度越小,则公共边缘线的方向变化越符合直线特征,边缘合并因子越大;通过长度因子获取,长度与参考长度差异越大,属于两封闭区域内部的边缘线的可能性越小,边缘合并因子越大,结合光照变化剧烈程度,最终得到边缘合并因子。
至此,通过对公共边缘线上像素点的灰度变化、邻域灰度分布及差异以及灰度波动进行分析,量化得到光照变化剧烈程度及边缘合并因子,初步反映公共边缘线两侧封闭区域为误分割区域的可能性。
步骤S003、根据相邻封闭区域中像素点的灰度值,以及对应公共边缘线的边缘合并因子,得到相邻封闭区域的合并可能性;根据相邻封闭区域的合并可能性,得到若干分割区域;根据分割区域的边缘线的链码,得到若干颗粒区域。
优选的,在本发明一个实施例中,根据相邻封闭区域中像素点的灰度值,以及对应公共边缘线的边缘合并因子,得到相邻封闭区域的合并可能性,包括的具体方法为:
对于任意一条公共边缘线,其对应两个相邻的封闭区域,在步骤S002中已经记为该条公共边缘线的两个参考区域,则该条公共边缘线对应相邻封闭区域的合并可能性的计算方法为:
其中,表示该条公共边缘线的边缘合并因子,/>表示该条公共边缘线的第一个参考区域中像素点的灰度值方差,/>表示该条公共边缘线的第二个参考区域中像素点的灰度值方差,/>为避免指数函数输出值过小的超参数,本实施例采用/>进行叙述,/>表示求绝对值,/>为以自然常数为底的指数函数,本实施例采用/>模型来呈现反比例关系及归一化处理,/>为模型的输入,实施者可根据实际情况来设置反比例函数及归一化函数;按照上述方法获取每条公共边缘线对应相邻封闭区域的合并可能性。
所需说明的是,同一颗粒由于光照及堆叠导致被误分割为两个封闭区域后,由于颗粒本身特性未被影响,则两个封闭区域内灰度分布及变化整体相似,因此两个封闭区域内的灰度值方差之间的差异越小,两个封闭区域为同一颗粒的可能性越大,越需要进行合并,同时结合两封闭区域之间公共边缘线的边缘合并因子,最终得到合并可能性。
优选的,在本发明一个实施例中,根据相邻封闭区域的合并可能性,得到若干分割区域,包括的具体方法为:
预设一个合并阈值,本实施例合并阈值采用0.65进行叙述,若任意相邻两个封闭区域的合并可能性大于合并阈值,则对两个封闭区域进行合并;对所有相邻封闭区域都进行合并判断,小于或等于合并阈值则不进行合并,将最终合并完成及未进行合并的所有区域,记为若干分割区域;特别说明的是,由于是对相邻两封闭区域进行合并判断,因此存在一个封闭区域与多个相邻的封闭区域合并的情况,该种情况则将最终合并的若干区域作为一个分割区域即可。
优选的,在本发明一个实施例中,根据分割区域的边缘线的链码,得到若干颗粒区域,包括的具体方法为:
对于任意一个分割区域,该分割区域为封闭区域,则对应一条闭合的边缘线,记为该分割区域的闭合边缘线,获取该闭合边缘线的链码,对链码中相邻链码值计算差值绝对值,将链码中所有差值绝对值的均值,作为该分割区域的轮廓系数;对所有分割区域的轮廓系数进行线性归一化,将1减去归一化值得到的差值,记为每个分割区域的颗粒可能性。
进一步的,预设一个颗粒阈值,本实施例颗粒阈值采用0.8进行叙述,若任意一个分割区域的颗粒可能性大于颗粒阈值,则该分割区域为一个颗粒区域,得到若干颗粒区域。
所需说明的是,颗粒整体呈现矩形,则其对应的区域的闭合边缘线上链码整体变化较小,则轮廓系数较小,以此来进行判断得到颗粒区域。
至此,通过对相邻封闭区域中灰度分布及波动进行分析,结合公共边缘线的边缘合并因子,得到合并可能性并进行合并,再对分割区域进行闭合边缘线的链码分析,最终得到颗粒区域,使得误分割的颗粒能够合并,同时通过链码分析排除不规则的空洞区域,使得得到的颗粒区域结果更加准确。
步骤S004、根据颗粒区域对药品颗粒进行质量检测。
优选的,在本发明一个实施例中,根据颗粒区域对药品颗粒进行质量检测,包括的具体方法为:
采用神经网络对药品颗粒进行质量检测,网络结构采用CNN网络,获取大量药品颗粒图像构成训练数据集,对训练数据集中每张药品图像中每个颗粒进行人工标注,其中质量合格的颗粒标注为1,质量不合格的颗粒标注为0,损失函数采用交叉熵损失函数,对神经网络进行训练,得到颗粒质量检测模型。
进一步的,将颗粒灰度图像输入到颗粒质量检测模型中,输出每个颗粒区域的标注结果,标注为0的颗粒区域对应颗粒的质量不合格,标注为1的颗粒区域对应颗粒的质量合格。
至此,通过对颗粒灰度图像进行边缘检测得到封闭区域,对封闭区域之间的公共边缘线进行边缘合并因子的量化,用以反映公共边缘线两侧是否为颗粒堆叠导致的误分割的颗粒区域,即由于光照及堆叠阴影导致同一颗粒被误分割出的两个封闭区域;结合封闭区域之间灰度值的差异,对封闭区域进行合并得到分割区域,并基于分割区域的边缘形状得到颗粒区域,避免堆叠产生的空洞区域对后续颗粒质量检测造成影响,最终完成益心舒颗粒生成过程的视觉质量检测。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种益心舒颗粒生产过程视觉检测方法,其特征在于,该方法包括以下步骤:
采集药品颗粒图像,灰度化处理得到颗粒灰度图像;
对颗粒灰度图像通过边缘检测得到若干封闭区域及若干公共边缘线;根据公共边缘线上像素点及其邻域像素点的灰度值,获取每条公共边缘线的光照变化剧烈程度;根据公共边缘线的链码及灰度值变化,结合光照变化剧烈程度,得到每条公共边缘线的边缘合并因子;
根据相邻封闭区域中像素点的灰度值,以及对应公共边缘线的边缘合并因子,得到相邻封闭区域的合并可能性;根据相邻封闭区域的合并可能性,得到若干分割区域;根据分割区域的边缘线的链码,得到若干颗粒区域;
根据颗粒区域对药品颗粒进行质量检测。
2.根据权利要求1所述的一种益心舒颗粒生产过程视觉检测方法,其特征在于,所述对颗粒灰度图像通过边缘检测得到若干封闭区域及若干公共边缘线,包括的具体方法为:
对颗粒灰度图像进行边缘检测,得到边缘检测结果,记为颗粒边缘图像;对颗粒边缘图像通过泛洪填充算法得到其中若干区域,将每个区域在颗粒灰度图像中对应的部分记为一个封闭区域,相邻封闭区域之间共用的一段边缘,记为一条公共边缘线,得到若干公共边缘线。
3.根据权利要求1所述的一种益心舒颗粒生产过程视觉检测方法,其特征在于,所述每条公共边缘线的光照变化剧烈程度,具体的获取方法为:
对于任意一条公共边缘线上任意一个像素点,获取该像素点8邻域中像素点的最大灰度值及最小灰度值,将最大灰度值减去最小灰度值得到的差值,作为该像素点的灰度差异程度;
计算该条公共边缘线上每相邻两个像素点的灰度差异程度的差值绝对值,将所有所述差值绝对值的均值,作为该条公共边缘线的光照变化剧烈程度。
4.根据权利要求1所述的一种益心舒颗粒生产过程视觉检测方法,其特征在于,所述得到每条公共边缘线的边缘合并因子,包括的具体方法为:
根据公共边缘线的链码及灰度值变化,获取每条公共边缘线的灰度变化程度及方向变化程度;
将任意一条公共边缘线作为目标公共边缘线,将目标公共边缘线对应的两个封闭区域,记为目标公共边缘线的两个参考区域,获取目标公共边缘线以及两个参考区域的其他每条公共边缘线的长度,将所有所述长度的均值,记为目标公共边缘线的参考长度,将目标公共边缘线的长度与参考长度的差值绝对值,作为目标公共边缘线的长度因子;将目标公共边缘线的光照变化剧烈程度、灰度变化程度、方向变化程度及长度因子的乘积的反比例归一化值,作为目标公共边缘线的边缘合并因子。
5.根据权利要求4所述的一种益心舒颗粒生产过程视觉检测方法,其特征在于,所述每条公共边缘线的灰度变化程度,具体的获取方法为:
计算目标公共边缘线上每相邻两个像素点的灰度值的差值绝对值,记为每相邻两个像素点的灰度差异,将目标公共边缘线上所有灰度差异的均值,作为目标公共边缘线的灰度变化程度。
6.根据权利要求4所述的一种益心舒颗粒生产过程视觉检测方法,其特征在于,所述方向变化程度,具体的获取方法为:
对目标公共边缘线上的像素点按照顺序遍历,对相邻两个像素点获取链码值,将按照顺序每相邻获取的两个链码值的差值绝对值,作为链码差异,将所有链码差异的均值,作为目标公共边缘线的方向变化程度。
7.根据权利要求4所述的一种益心舒颗粒生产过程视觉检测方法,其特征在于,所述得到相邻封闭区域的合并可能性,包括的具体方法为:
目标公共边缘线对应相邻封闭区域的合并可能性的计算方法为:
其中,表示该条公共边缘线的边缘合并因子,/>表示该条公共边缘线的第一个参考区域中像素点的灰度值方差,/>表示该条公共边缘线的第二个参考区域中像素点的灰度值方差,/>为超参数,/>表示求绝对值,/>为以自然常数为底的指数函数。
8.根据权利要求1所述的一种益心舒颗粒生产过程视觉检测方法,其特征在于,所述得到若干分割区域,包括的具体方法为:
若任意相邻两个封闭区域的合并可能性大于合并阈值,对两个封闭区域进行合并;对所有相邻封闭区域都进行合并判断,小于或等于合并阈值不进行合并,将最终合并完成及未进行合并的所有区域,记为若干分割区域。
9.根据权利要求1所述的一种益心舒颗粒生产过程视觉检测方法,其特征在于,所述得到若干颗粒区域,包括的具体方法为:
对于任意一个分割区域,将该分割区域对应的一条闭合的边缘线,记为该分割区域的闭合边缘线,获取该闭合边缘线的链码,对链码中相邻链码值计算差值绝对值,将链码中所有差值绝对值的均值,作为该分割区域的轮廓系数;对所有分割区域的轮廓系数进行归一化,将1减去归一化值得到的差值,记为每个分割区域的颗粒可能性;
若任意一个分割区域的颗粒可能性大于颗粒阈值,该分割区域为一个颗粒区域。
10.根据权利要求1所述的一种益心舒颗粒生产过程视觉检测方法,其特征在于,所述根据颗粒区域对药品颗粒进行质量检测,包括的具体方法为:
通过神经网络构建颗粒质量检测模型,将颗粒灰度图像输入到颗粒质量检测模型中,输出每个颗粒区域的标注结果,标注为0的颗粒区域对应颗粒的质量不合格,标注为1的颗粒区域对应颗粒的质量合格。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410264485.9A CN117853494B (zh) | 2024-03-08 | 2024-03-08 | 一种药物颗粒生产过程视觉检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410264485.9A CN117853494B (zh) | 2024-03-08 | 2024-03-08 | 一种药物颗粒生产过程视觉检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117853494A true CN117853494A (zh) | 2024-04-09 |
CN117853494B CN117853494B (zh) | 2024-06-14 |
Family
ID=90536763
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410264485.9A Active CN117853494B (zh) | 2024-03-08 | 2024-03-08 | 一种药物颗粒生产过程视觉检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117853494B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118429372A (zh) * | 2024-04-19 | 2024-08-02 | 山东龙佰钛业科技有限公司 | 一种视觉辅助的锆英石粒度精细化检测方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110715886A (zh) * | 2019-10-29 | 2020-01-21 | 南京航空航天大学 | 基于光学低相干成像的滑油磨屑在线监测方法 |
CN115147423A (zh) * | 2022-09-06 | 2022-10-04 | 江苏欧罗曼家纺有限公司 | 基于改进的链码法的棉花顶检测方法 |
US20230070200A1 (en) * | 2020-04-23 | 2023-03-09 | Beijing Huaco Healthcare Technologies Co., Ltd. | Gabor wavelet-fused multi-scale local level set ultrasonic image segmentation method |
CN116030060A (zh) * | 2023-03-29 | 2023-04-28 | 高唐县红发塑业有限公司 | 一种塑料颗粒质量检测方法 |
CN117423046A (zh) * | 2023-12-19 | 2024-01-19 | 山东水利建设集团有限公司 | 基于图像处理的水泥砂浆搅拌过程视觉检测方法 |
CN117593201A (zh) * | 2024-01-18 | 2024-02-23 | 杭州稻道农业科技有限公司 | 一种基于高分卫星影像的小田并大田的整合方法 |
-
2024
- 2024-03-08 CN CN202410264485.9A patent/CN117853494B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110715886A (zh) * | 2019-10-29 | 2020-01-21 | 南京航空航天大学 | 基于光学低相干成像的滑油磨屑在线监测方法 |
US20230070200A1 (en) * | 2020-04-23 | 2023-03-09 | Beijing Huaco Healthcare Technologies Co., Ltd. | Gabor wavelet-fused multi-scale local level set ultrasonic image segmentation method |
CN115147423A (zh) * | 2022-09-06 | 2022-10-04 | 江苏欧罗曼家纺有限公司 | 基于改进的链码法的棉花顶检测方法 |
CN116030060A (zh) * | 2023-03-29 | 2023-04-28 | 高唐县红发塑业有限公司 | 一种塑料颗粒质量检测方法 |
CN117423046A (zh) * | 2023-12-19 | 2024-01-19 | 山东水利建设集团有限公司 | 基于图像处理的水泥砂浆搅拌过程视觉检测方法 |
CN117593201A (zh) * | 2024-01-18 | 2024-02-23 | 杭州稻道农业科技有限公司 | 一种基于高分卫星影像的小田并大田的整合方法 |
Non-Patent Citations (1)
Title |
---|
吴露露;马旭;齐龙;李泽华;郑志雄;: "基于叶片形态的田间植物检测方法", 农业机械学报, no. 11, 25 November 2013 (2013-11-25) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN118429372A (zh) * | 2024-04-19 | 2024-08-02 | 山东龙佰钛业科技有限公司 | 一种视觉辅助的锆英石粒度精细化检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117853494B (zh) | 2024-06-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2021000524A1 (zh) | 孔位保护门检测方法、装置、计算机设备和存储介质 | |
CN115082467B (zh) | 基于计算机视觉的建材焊接表面缺陷检测方法 | |
CN117853494B (zh) | 一种药物颗粒生产过程视觉检测方法 | |
CN115239704B (zh) | 一种木材表面缺陷的精准检测修复方法 | |
CN115082418B (zh) | 一种汽车零部件精密识别方法 | |
CN107945161A (zh) | 基于纹理特征提取的道路表面缺陷检测方法 | |
Zhao et al. | A sparse-representation-based robust inspection system for hidden defects classification in casting components | |
CN117237368A (zh) | 一种桥梁裂缝检测方法及系统 | |
JP5852919B2 (ja) | ひび割れ検出方法 | |
CN110473201A (zh) | 一种刹车片表面缺陷的自动检测方法及装置 | |
CN111968098A (zh) | 一种带钢表面缺陷检测方法、装置和设备 | |
CN115082472B (zh) | 一种轮毂模具浇注成型产品的质量检测方法及系统 | |
CN118279304B (zh) | 基于图像处理的异型金属件异常识别方法、装置及介质 | |
CN118097310B (zh) | 一种数字化检测混凝土表面缺陷的方法 | |
CN116246174A (zh) | 基于图像处理的甘薯种类识别方法 | |
CN116030056A (zh) | 一种钢表面裂缝的检测方法及系统 | |
CN117274251B (zh) | 基于图像数据的药品生产过程中药片质量检测方法 | |
CN116776647B (zh) | 一种复合镍铜铝散热底板的性能预测方法及系统 | |
CN116309561B (zh) | 一种基于防漏电绝缘材料的表面缺陷识别方法 | |
CN117388256A (zh) | 基于Swin Transformer的管道焊缝缺陷检测方法 | |
CN116797602A (zh) | 一种用于工业产品检测的表面缺陷鉴定方法和装置 | |
CN114820611A (zh) | 基于人工智能的机械零件质量评估方法及系统 | |
CN111047595A (zh) | 一种基于自适应阈值帧差法的实时海浪分割方法及装置 | |
CN116563286B (zh) | 一种移动硬盘盒生产质量快速检测系统 | |
CN116452587B (zh) | 一种环保建筑结构钢板缺陷识别方法 |
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 |