CN118045773A - 一种基于机器视觉的中药饮片质量检测分析系统及方法 - Google Patents
一种基于机器视觉的中药饮片质量检测分析系统及方法 Download PDFInfo
- Publication number
- CN118045773A CN118045773A CN202410402349.1A CN202410402349A CN118045773A CN 118045773 A CN118045773 A CN 118045773A CN 202410402349 A CN202410402349 A CN 202410402349A CN 118045773 A CN118045773 A CN 118045773A
- Authority
- CN
- China
- Prior art keywords
- production line
- fine
- target production
- value
- chinese medicine
- 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.)
- Pending
Links
- 239000003814 drug Substances 0.000 title claims abstract description 158
- 238000001514 detection method Methods 0.000 title claims abstract description 120
- 238000004458 analytical method Methods 0.000 title claims abstract description 38
- 238000000034 method Methods 0.000 title claims description 15
- 238000004519 manufacturing process Methods 0.000 claims abstract description 175
- 238000011156 evaluation Methods 0.000 claims description 136
- 238000007689 inspection Methods 0.000 claims description 37
- 238000010224 classification analysis Methods 0.000 claims description 34
- 239000002245 particle Substances 0.000 claims description 24
- 238000012216 screening Methods 0.000 claims description 16
- 230000000877 morphologic effect Effects 0.000 claims description 14
- 238000010606 normalization Methods 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 9
- 101100518501 Mus musculus Spp1 gene Proteins 0.000 claims description 6
- 108700041286 delta Proteins 0.000 claims description 6
- 238000012163 sequencing technique Methods 0.000 claims description 4
- 239000000463 material Substances 0.000 description 3
- 101150081851 SMN1 gene Proteins 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000000465 moulding Methods 0.000 description 1
- 238000000643 oven drying Methods 0.000 description 1
- 230000000144 pharmacologic effect Effects 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 238000002791 soaking Methods 0.000 description 1
Classifications
-
- 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
- Image Analysis (AREA)
Abstract
本发明涉及中药饮片质量检测技术领域,针对传统生产线依赖人工挑选、效率低下且误判率高的问题,提出了一种基于机器视觉的中药饮片质量检测分析系统及方法,本发明,通过采集中药饮片的图像状态、初表观和细表观状态信息,实现了自动化检测与分类,首先,筛选高质和低质图像,剔除低质图得到优选图像集合,接着,基于优选图像集合进行初表观分析,得到评估值并进行初分类,将不符合要求的中药饮片送至相应车间处理,最后,提取符合要求的中药饮片图像进行细检分析,细分类为优质品、良质品和次质品,并分别送至对应车间,从而实现了提高检测准确性和效率,降低了误判率,为中药饮片生产与销售提供了有力支持。
Description
技术领域
本发明涉及中药饮片质量检测技术领域,具体为一种基于机器视觉的中药饮片质量检测分析系统及方法。
背景技术
中药饮片是将原材料进行研磨、煎煮、浸泡、烘干等工艺处理,然后压制成形,形成片剂状的药物;
随着中药饮片市场需求的日益增长,其作为治疗疾病的药材已得到广泛认可,同时,由于其独特的药理作用和文化价值,中药饮片也逐渐成为一种具有特殊意义的礼品,深受消费者喜爱,然而,在传统的中药饮片生产线上,对于中药饮片的质量分类主要依赖于人工挑选操作,这种方法不仅效率低下,无法满足大规模生产的需求,而且存在较大的主观性和误判率,严重影响了中药饮片的质量稳定性和市场竞争力;
为了解决上述缺陷,现提供一种技术方案。
发明内容
本发明的目的就在于解决现有传统的中药饮片生产线上对于中药饮片的质量分类主要依赖于人工挑选操作,无法满足大规模生产的需求,容易存在较大的主观性和误判率的问题,而提出一种基于机器视觉的中药饮片质量检测分析系统及方法。
本发明的目的可以通过以下技术方案实现:
一种基于机器视觉的中药饮片质量检测分析方法,包括以下步骤:
步骤一:采集目标生产线上中药饮片的图像状态信息、初表观状态信息和细表观状态信息;
步骤二:对目标生产线上中药饮片的图像状态信息进行检测分析得到图像评估系数,由此对目标生产线上中药饮片的图像进行筛选判定分析,得到高质图和低质图,将同一批次的单位数量的各图像中被标定为低质图的各图像进行剔除,同时将同一批次的高质图的各图像按照时间帧顺序进行重新排序归入到一起得到优选图像集合;
步骤三:基于优选图像集合对目标生产线上各中药饮片的初表观状态信息进行检测分析得到目标生产线上各中药饮片的初表观状态评估值,由此对目标生产线上各中药饮片进行初分类分析,得到被判定为不符合要求和符合要求的中药饮片,并将被判定为不符合要求的中药饮片输送到对应车间内进行操作处理,将被判定为符合要求的中药饮片进行执行步骤四;
步骤四:从优选图像集合中提取目标生产线上被判定为符合要求的中药饮片图像得到目标生产线上各细检中药饮片的细检图像,由此对目标生产线上各细检中药饮片的细表观状态信息进行检测分析得到目标生产线上各细检中药饮片的细表观状态评估值,据此对目标生产线上各细检中药饮片进行细分类分析,得到优质品、良质品和次质品,并将判定为优质品、良质品和次质品的细检中药饮片分别输送到对应车间内进行对应的操作处理。
进一步的,对目标生产线上中药饮片的图像状态信息进行检测分析,具体的分析如下:
对图像进行中药饮片捕捉框识别并计算中药饮片捕捉框的面积并将其标记为框面值,对中药饮片捕捉框内的中药饮片进行形态特征识别,形态特征包括形状、大小、长度、颜色和纹理等,每种形态特征均对应一个预设形态值,将识别到的所有形态特征匹配到对应的预设形态值并求和得到形态总值,提取框面值和形态总值的数值并将其分别乘以对应的权重系数再求和得到完整值;
将图像分割成若干个区域,识别每个区域的亮度,将亮度大于预设亮度阈值的区域标记为明区域,将亮度小于或等于预设亮度阈值的区域标记为暗区域;分别统计明区域和暗区域的数量,然后将其标记为明区总数和暗区总数;将明区总数除以暗区总数得到亮度比;
获取图像状态信息中的清晰度、对比度、噪声和分辨率,以对比度的数值和分辨率的数值分别为长和宽构建长方形,再以长方形的中心点为起点,清晰度的数值为长度,作长方形的高,以长方形和长方形的高构建长方体,选取长方体的中心点,将噪声的数值按照预设比例换算为半径,以长方形的中心点为起始点和半径在长方体的内部作球形体并进行切割得到空心球,计算长方体的体积并提取体积的数值将其记为图质值。
进一步的,对目标生产线上中药饮片的图像进行筛选判定分析,具体分析如下:
提取完整值、亮度比和图质值的数值,并将其分别标定为wzz、l dz和tuz,依据公式:得到图像评估系数TPZ,其中,e表示自然常数,δ1、δ2和δ3分别表示完整值、亮度比和图质值的比例系数;
将图像评估系数与设置的图像评估阈值进行对比分析,当图像评估系数大于或等于图像评估阈值时,则将对应的图像标定为高质图,当图像评估系数小于图像评估阈值时,则将对应的图像标定为低质图。
进一步的,对目标生产线上各中药饮片进行初分类分析,具体分析如下:
通过获取目标生产线上各中药饮片的初表观状态信息中的形状值、面积值和厚度值,并将其分别标定为xyz、mjz和hdz,提取三者的数值进行归一化处理,依据公式:得到目标生产线上各中药饮片的初表观状态评估值CSP,其中,xyz*、mjz*和hdz*分别表示参考形状值、参考面积值和参考厚度值,|xyz-xyz*|、|mjz-mjz*|、|hdz-hdz*|分别表示形状偏差值、面积偏差值和厚度偏差值,η1、η2和η3分别表示形状偏差程度、面积偏差程度和厚度偏差程度的权重系数;
将目标生产线上各中药饮片的初表观状态评估值与初表观状态评估阈值进行比较分析,若目标生产线上各中药饮片的初表观状态评估值大于或等于初表观状态评估阈值时,则将目标生产线上该中药饮片判定为不符合要求,当目标生产线上各中药饮片的初表观状态评估值小于初表观状态评估阈值时,则将目标生产线上该中药饮片判定为符合要求。
进一步的,对目标生产线上各细检中药饮片的细表观状态信息进行检测分析,具体分析如下:
对目标生产线上各细检中药饮片的细检图像进行检测点均匀布设,并由此获取目标生产线上各细检中药饮片的细检图像对应各检测点的色度,并将其与预设的参考色度进行比较分析,若色度大于预设的参考色度则将该检测点记为高质点,若色度等于预设的参考色度则将该检测点记为中质点,若色度小于预设的参考色度则将该检测点记为低质点,统计目标生产线上各细检中药饮片的细检图像中的高质点数量、中质点数量和低质点数量,并将其分别标定为smn1、smn2和smn3,提取三者的数值进行归一化处理,依据公式:得到色泽值sdz,其中,μ1、μ2和μ3均为预设的比例因子;
从目标生产线上各细检中药饮片的细检图像中提取裂纹数量、总裂纹长度和破损面积,并将其分别标记为裂数值wsz、总裂长值zcz和破损面值psz,同时提取三者的数值进行归一化处理,依据公式:得到美观评估指数mgz,其中,lwz表示裂纹评估指数,a1、a2分别表示裂数值、总裂长值的比例系数,a3、a4分别表示设定的裂纹评估指数、破损面值对应的权值因子;
提取色泽值sdz和美观评估指数mgz的数值进行归一化处理,依据公式:得到目标生产线上各细检中药饮片的细表观状态评估值XPG,其中,γ1和γ2分别表示色泽值和美观评估指数的权重系数,且γ1>γ2。
进一步的,对目标生产线上各细检中药饮片进行细分类分析,具体分析如下:
设置目标生产线上各细检中药饮片的细表观状态评估值的三个梯度对比区间,分别为第一梯度评估区间、第二梯度评估区间和第三梯度评估区间;
当目标生产线上各细检中药饮片的细表观状态评估值处于预设的第一梯度评估区间时,则将目标生产线上该细检中药饮片判定为优质品,当目标生产线上各细检中药饮片的细表观状态评估值处于预设的第二梯度评估区间时,则将目标生产线上该细检中药饮片判定为良质品,当当目标生产线上各细检中药饮片的细表观状态评估值处于预设的第三梯度评估区间时,则将目标生产线上该细检中药饮片判定为次质品。
进一步的,一种基于机器视觉的中药饮片质量检测分析系统,包括:
数据采集单元,用于采集目标生产线上中药饮片的图像状态信息、初表观状态信息和细表观状态信息,并将其通过服务器分别发送到图像筛选单元、初检分类分析单元、细检测分类分析单元;
图像筛选单元,用于对目标生产线上中药饮片的图像状态信息进行检测得到图像评估系数,由此对目标生产线上中药饮片的图像进行筛选判定分析,得到高质图和低质图,将同一批次的单位数量的各图像中被标定为低质图的各图像进行剔除,同时将同一批次的高质图的各图像按照时间帧顺序进行重新排序归入到一起得到优选图像集合;
初检分类分析单元,基于优选图像集合对目标生产线上各中药饮片的初表观状态信息进行检测分析得到目标生产线上各中药饮片的初表观状态评估值,由此对目标生产线上各中药饮片进行初分类分析,得到被判定为不符合要求和符合要求的中药饮片,并将被判定为不符合要求的中药饮片输送到对应车间内进行操作处理,将被判定为符合要求的中药饮片进行执行细检测分类分析单元;
细检测分类分析单元,从优选图像集合中提取目标生产线上被判定为符合要求的中药饮片图像得到目标生产线上各细检中药饮片的细检图像,由此对目标生产线上各细检中药饮片的细表观状态信息进行检测分析得到目标生产线上各细检中药饮片的细表观状态评估值,据此对目标生产线上各细检中药饮片进行细分类分析,得到优质品、良质品和次质品,并将判定为优质品、良质品和次质品的细检中药饮片分别输送到对应车间内进行对应的操作处理,并在显示终端进行显示说明。
与现有技术相比,本发明的有益效果是:
本发明,通过采集目标生产线上中药饮片的图像状态信息、初表观状态信息和细表观状态信息,充分利用了机器视觉技术,通过高精度的图像采集设备,实时捕获生产线上的中药饮片图像,从而实现了为后续的质量检测分析提供了原始数据支持;
通过对目标生产线上中药饮片的图像状态信息进行检测分析得到图像评估系数,利用图像处理和分析算法,对采集到的中药饮片图像进行筛选判定,区分出高质图和低质图,同时,将同一批次中被判定为低质图的图像进行剔除,确保后续分析的准确性和可靠性,并将同一批次的高质图按照时间帧顺序进行重新排序,归入到一起形成优选图像集合,从而实现了为后续的质量评估提供高质量的图像数据,从而实现了确保生产线上中药饮片的质量符合标准,避免了不合格产品进入后续环节;
通过基于优选图像集合对目标生产线上各中药饮片的初表观状态信息进行检测分析得到初表观状态评估值,同时对优选图像集合进行深入分析,提取出中药饮片的初表观特征,进而对其进行初分类分析,将不符合要求的中药饮片及时输送到对应车间进行处理,确保生产线上中药饮片的质量符合标准,而被判定为符合要求的中药饮片则进入下一步的分析处理流程;
通过从优选图像集合中提取目标生产线上被判定为符合要求的中药饮片图像,得到各细检中药饮片的细检图像,并对这些细检图像进行更进一步分析,提取出更加细微的表观状态信息,从而得到细表观状态评估值,根据这一评估值,对中药饮片进行细分类分析,区分出优质品、良质品和次质品,从而实现了更加精准地把握中药饮片的质量状况,为后续的市场销售和使用提供有力保障。
附图说明
为了便于本领域技术人员理解,下面结合附图对本发明作进一步的说明;
图1为本发明的方法流程图
图2为本发明的系统总框图。
具体实施方式
下面将结合实施例对本发明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作出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
如图1所示,一种基于机器视觉的中药饮片质量检测分析方法,包括以下步骤:
步骤一:数据采集:采集目标生产线上中药饮片的图像状态信息、初表观状态信息和细表观状态信息;
步骤二:图像筛选:对目标生产线上中药饮片的图像状态信息进行检测,由此对目标生产线上中药饮片的图像进行筛选判定分析,具体的分析过程如下:
对图像进行中药饮片捕捉框识别并计算中药饮片捕捉框的面积并将其标记为框面值,对中药饮片捕捉框内的中药饮片进行形态特征识别,形态特征包括形状、大小、长度、颜色和纹理等,每种形态特征均对应一个预设形态值,将识别到的所有形态特征匹配到对应的预设形态值并求和得到形态总值,提取框面值和形态总值的数值并将其分别乘以对应的权重系数再求和得到完整值;
将图像分割成若干个区域,识别每个区域的亮度,将亮度大于预设亮度阈值的区域标记为明区域,将亮度小于或等于预设亮度阈值的区域标记为暗区域;分别统计明区域和暗区域的数量,然后将其标记为明区总数和暗区总数;将明区总数除以暗区总数得到亮度比;
获取图像状态信息中的清晰度、对比度、噪声和分辨率,以对比度的数值和分辨率的数值分别为长和宽构建长方形,再以长方形的中心点为起点,清晰度的数值为长度,作长方形的高,以长方形和长方形的高构建长方体,选取长方体的中心点,将噪声的数值按照预设比例换算为半径,以长方形的中心点为起始点和半径在长方体的内部作球形体并进行切割得到空心球,计算长方体的体积并提取体积的数值将其记为图质值;
提取完整值、亮度比和图质值的数值,并将其分别标定为wzz、l dz和tuz,依据公式:得到图像评估系数TPZ,其中,e表示自然常数,δ1、δ2和δ3分别表示完整值、亮度比和图质值的比例系数,且δ1>δ2>δ3,比例系数用于均衡各项数据在公式计算中的占比权重,从而促进计算结果的准确性;
设置图像评估系数的图像评估阈值为TPY,将图像评估系数TPZ与设置的图像评估阈值TPY进行对比分析,当图像评估系数TPZ大于或等于图像评估阈值TPY时,则将对应的图像标定为高质图,当图像评估系数TPZ小于图像评估阈值TPY时,则将对应的图像标定为低质图;将同一批次的单位数量的各图像中被标定为低质图的各图像进行剔除,同时将同一批次的高质图的各图像按照时间帧顺序进行重新排序归入到一起得到优选图像集合;
步骤三:初检分类:基于优选图像集合对目标生产线上各中药饮片的初表观状态信息进行检测,由此对目标生产线上各中药饮片进行初分类分析,具体的分析过程如下:
通过获取目标生产线上各中药饮片的初表观状态信息中的形状值、面积值和厚度值,并将其分别标定为xyz、mjz和hdz,提取三者的数值进行归一化处理,依据公式:得到目标生产线上各中药饮片的初表观状态评估值CSP,其中,xyz*、mjz*和hdz*分别表示参考形状值、参考面积值和参考厚度值,|xyz-xyz*|、|mjz-mjz*|、|hdz-hdz*|分别表示形状偏差值、面积偏差值和厚度偏差值,η1、η2和η3分别表示形状偏差程度、面积偏差程度和厚度偏差程度的权重系数,且η1>η2>η3,权重系数用于均衡各项数据在公式计算中的占比权重,从而促进计算结果的准确性;
需要说明的是,形状值表示目标生产线上各中药饮片的形状特征值,具体的求解为:将目标生产线上各中药饮片的形状特征与存储在云数据库中的形状特征状态表进行匹配分析,由此得到目标生产线上各中药饮片的形状特征状态等级,且得到的每个形状特征均对应一个形状特征状态等级,同时将其与形状特征状态等级对应的形状特征值进行匹配,由此得到目标生产线上各中药饮片的形状特征值;面积值表示目标生产线上各中药饮片的面积大小;厚度值表示目标生产线上各中药饮片的厚度;
设置目标生产线上各中药饮片的初表观状态评估阈值为CSY,将目标生产线上各中药饮片的初表观状态评估值CSP与初表观状态评估阈值CSY进行比较分析,若目标生产线上各中药饮片的初表观状态评估值CSP大于或等于初表观状态评估阈值CSY时,则将目标生产线上该中药饮片判定为不符合要求,当目标生产线上各中药饮片的初表观状态评估值CSP小于初表观状态评估阈值CSY时,则将目标生产线上该中药饮片判定为符合要求;
将目标生产线上被判定为不符合要求的中药饮片输送到Q1车间内进行操作处理,并在显示终端进行显示说明;
将目标生产线上被判定为符合要求的中药饮片进行执行步骤四;
步骤四:细检测分类:从优选图像集合中提取目标生产线上被判定为符合要求的中药饮片图像得到目标生产线上各细检中药饮片的细检图像,由此对目标生产线上各细检中药饮片的细表观状态信息进行检测,据此对目标生产线上各细检中药饮片进行细分类分析,具体的分析过程如下:
对目标生产线上各细检中药饮片的细检图像进行检测点均匀布设,并由此获取目标生产线上各细检中药饮片的细检图像对应各检测点的色度,并将其与预设的参考色度进行比较分析,若色度大于预设的参考色度则将该检测点记为高质点,若色度等于预设的参考色度则将该检测点记为中质点,若色度小于预设的参考色度则将该检测点记为低质点,统计目标生产线上各细检中药饮片的细检图像中的高质点数量、中质点数量和低质点数量,并将其分别标定为smn1、smn2和smn3,提取三者的数值进行归一化处理,依据公式:得到色泽值sdz,其中,μ1、μ2和μ3均为预设的比例因子;
从目标生产线上各细检中药饮片的细检图像中提取裂纹数量、总裂纹长度和破损面积,并将其分别标记为裂数值wsz、总裂长值zcz和破损面值psz,同时提取三者的数值进行归一化处理,依据公式:得到美观评估指数mgz,其中,lwz表示裂纹评估指数,a1、a2分别表示裂数值、总裂长值的比例系数,a3、a4分别表示设定的裂纹评估指数、破损面值对应的权值因子;
提取色泽值sdz和美观评估指数mgz的数值进行归一化处理,依据公式:得到目标生产线上各细检中药饮片的细表观状态评估值XPG,其中,γ1和γ2分别表示色泽值和美观评估指数的权重系数,且γ1>γ2,权重系数用于均衡各项数据在公式计算中的占比权重,从而促进计算结果的准确性;
设置目标生产线上各细检中药饮片的细表观状态评估值的三个梯度对比区间,分别为第一梯度评估区间AQ1、第二梯度评估区间AQ2和第三梯度评估区间AQ3,且AQ1=ζAQ2=2ζAQ3,其中AQ1>AQ2>AQ3,ζ表示梯度的倍数,且ζ的具体数值的设定由本领域技术人员在具体中药饮片质量检测实例中进行具体设置
当目标生产线上各细检中药饮片的细表观状态评估值XPG处于预设的第一梯度评估区间AQ1时,则将目标生产线上该细检中药饮片判定为优质品,当目标生产线上各细检中药饮片的细表观状态评估值XPG处于预设的第二梯度评估区间AQ2时,则将目标生产线上该细检中药饮片判定为良质品,当目标生产线上各细检中药饮片的细表观状态评估值XPG处于预设的第三梯度评估区间AQ3时,则将目标生产线上该细检中药饮片判定为次质品;
将目标生产线上被判定为优质品的细检中药饮片输送到Q2车间内进行操作处理,并在显示终端进行显示说明;
将目标生产线上被判定为良质品的细检中药饮片输送到Q3车间内进行操作处理,并在显示终端进行显示说明;
将目标生产线上被判定为次质品的细检中药饮片输送到Q4车间内进行操作处理,并在显示终端进行显示说明。
请参阅图2所示,一种基于机器视觉的中药饮片质量检测分析系统,包括服务器,服务器通信连接有数据采集单元、图像筛选单元、初检分类分析单元、细检测分类分析单元和显示终端;
数据采集单元用于采集目标生产线上中药饮片的图像状态信息、初表观状态信息和细表观状态信息,并将其通过服务器分别发送到图像筛选单元、初检分类分析单元、细检测分类分析单元;
图像筛选单元用于对目标生产线上中药饮片的图像状态信息进行检测得到完整值、亮度比和图质值,同时提取完整值、亮度比和图质值的数值,并将其分别标定为wzz、ldz和tuz,依据公式:得到图像评估系数TPZ,其中,e表示自然常数,δ1、δ2和δ3分别表示完整值、亮度比和图质值的比例系数,且δ1>δ2>δ3,由此对目标生产线上中药饮片的图像进行筛选判定分析,具体判定分析为:设置图像评估系数的图像评估阈值为TPY,将图像评估系数TPZ与设置的图像评估阈值TPY进行对比分析,当图像评估系数TPZ大于或等于图像评估阈值TPY时,则将对应的图像标定为高质图,当图像评估系数TPZ小于图像评估阈值TPY时,则将对应的图像标定为低质图;将同一批次的单位数量的各图像中被标定为低质图的各图像进行剔除,同时将同一批次的高质图的各图像按照时间帧顺序进行重新排序归入到一起得到优选图像集合;
初检分类分析单元基于优选图像集合对目标生产线上各中药饮片的初表观状态信息进行检测,由此对目标生产线上各中药饮片进行初分类分析,具体的分析过程如下:
通过获取目标生产线上各中药饮片的初表观状态信息中的形状值、面积值和厚度值,并将其分别标定为xyz、mjz和hdz,提取三者的数值进行归一化处理,依据公式:得到目标生产线上各中药饮片的初表观状态评估值CSP,其中,xyz*、mjz*和hdz*分别表示参考形状值、参考面积值和参考厚度值,|xyz-xyz*|、|mjz-mjz*|、|hdz-hdz*|分别表示形状偏差值、面积偏差值和厚度偏差值,η1、η2和η3分别表示形状偏差程度、面积偏差程度和厚度偏差程度的权重系数,且η1>η2>η3;
设置目标生产线上各中药饮片的初表观状态评估阈值为CSY,将目标生产线上各中药饮片的初表观状态评估值CSP与初表观状态评估阈值CSY进行比较分析,若目标生产线上各中药饮片的初表观状态评估值CSP大于或等于初表观状态评估阈值CSY时,则将目标生产线上该中药饮片判定为不符合要求,当目标生产线上各中药饮片的初表观状态评估值CSP小于初表观状态评估阈值CSY时,则将目标生产线上该中药饮片判定为符合要求;
将目标生产线上被判定为不符合要求的中药饮片输送到Q1车间内进行操作处理,并在显示终端进行显示说明;
将目标生产线上被判定为符合要求的中药饮片进行执行细检测分类分析单元;
细检测分类分析单元从优选图像集合中提取目标生产线上被判定为符合要求的中药饮片图像得到目标生产线上各细检中药饮片的细检图像,由此对目标生产线上各细检中药饮片的细表观状态信息进行检测得到色泽值和美观评估指数,同时提取色泽值和美观评估指数的数值进行归一化计算处理,得到目标生产线上各细检中药饮片的细表观状态评估值,设置目标生产线上各细检中药饮片的细表观状态评估值的三个梯度对比区间,分别为第一梯度评估区间、第二梯度评估区间和第三梯度评估区间;当目标生产线上各细检中药饮片的细表观状态评估值处于预设的第一梯度评估区间时,则将目标生产线上该细检中药饮片判定为优质品,当目标生产线上各细检中药饮片的细表观状态评估值处于预设的第二梯度评估区间时,则将目标生产线上该细检中药饮片判定为良质品,当当目标生产线上各细检中药饮片的细表观状态评估值处于预设的第三梯度评估区间时,则将目标生产线上该细检中药饮片判定为次质品;
将目标生产线上被判定为优质品的细检中药饮片输送到Q2车间内进行操作处理,并在显示终端进行显示说明;
将目标生产线上被判定为良质品的细检中药饮片输送到Q3车间内进行操作处理,并在显示终端进行显示说明;
将目标生产线上被判定为次质品的细检中药饮片输送到Q4车间内进行操作处理,并在显示终端进行显示说明。
以上公开的本发明优选实施例只是用于帮助阐述本发明。优选实施例并没有详尽叙述所有的细节,也不限制该发明仅为的具体实施方式。显然,根据本说明书的内容,可作很多的修改和变化。本说明书选取并具体描述这些实施例,是为了更好地解释本发明的原理和实际应用,从而使所属技术领域技术人员能很好地理解和利用本发明。本发明仅受权利要求书及其全部范围和等效物的限制。
Claims (10)
1.一种基于机器视觉的中药饮片质量检测分析方法,其特征在于,包括以下步骤:
步骤一:采集目标生产线上中药饮片的图像状态信息、初表观状态信息和细表观状态信息;
步骤二:对目标生产线上中药饮片的图像状态信息进行检测分析得到图像评估系数,由此对目标生产线上中药饮片的图像进行筛选判定分析,得到高质图和低质图,将同一批次的单位数量的各图像中被标定为低质图的各图像进行剔除,同时将同一批次的高质图的各图像按照时间帧顺序进行重新排序归入到一起得到优选图像集合;
步骤三:基于优选图像集合对目标生产线上各中药饮片的初表观状态信息进行检测分析得到目标生产线上各中药饮片的初表观状态评估值,由此对目标生产线上各中药饮片进行初分类分析,得到被判定为不符合要求和符合要求的中药饮片,并将被判定为不符合要求的中药饮片输送到对应车间内进行操作处理,将被判定为符合要求的中药饮片进行执行步骤四;
步骤四:从优选图像集合中提取目标生产线上被判定为符合要求的中药饮片图像得到目标生产线上各细检中药饮片的细检图像,由此对目标生产线上各细检中药饮片的细表观状态信息进行检测分析得到目标生产线上各细检中药饮片的细表观状态评估值,据此对目标生产线上各细检中药饮片进行细分类分析,得到优质品、良质品和次质品,并将判定为优质品、良质品和次质品的细检中药饮片分别输送到对应车间内进行对应的操作处理。
2.根据权利要求1所述的一种基于机器视觉的中药饮片质量检测分析方法,其特征在于,对目标生产线上中药饮片的图像状态信息进行检测分析,具体的分析如下:
对图像进行中药饮片捕捉框识别并计算中药饮片捕捉框的面积并将其标记为框面值,对中药饮片捕捉框内的中药饮片进行形态特征识别,形态特征包括形状、大小、长度、颜色和纹理等,每种形态特征均对应一个预设形态值,将识别到的所有形态特征匹配到对应的预设形态值并求和得到形态总值,提取框面值和形态总值的数值并将其分别乘以对应的权重系数再求和得到完整值。
3.根据权利要求2所述的一种基于机器视觉的中药饮片质量检测分析方法,其特征在于,将图像分割成若干个区域,识别每个区域的亮度,将亮度大于预设亮度阈值的区域标记为明区域,将亮度小于或等于预设亮度阈值的区域标记为暗区域;分别统计明区域和暗区域的数量,然后将其标记为明区总数和暗区总数;将明区总数除以暗区总数得到亮度比。
4.根据权利要求3所述的一种基于机器视觉的中药饮片质量检测分析方法,其特征在于,获取图像状态信息中的清晰度、对比度、噪声和分辨率,以对比度的数值和分辨率的数值分别为长和宽构建长方形,再以长方形的中心点为起点,清晰度的数值为长度,作长方形的高,以长方形和长方形的高构建长方体,选取长方体的中心点,将噪声的数值按照预设比例换算为半径,以长方形的中心点为起始点和半径在长方体的内部作球形体并进行切割得到空心球,计算长方体的体积并提取体积的数值将其记为图质值。
5.根据权利要求4所述的一种基于机器视觉的中药饮片质量检测分析方法,其特征在于,对目标生产线上中药饮片的图像进行筛选判定分析,具体分析如下:
提取完整值、亮度比和图质值的数值,并将其分别标定为wzz、ldz和tuz,依据公式:得到图像评估系数TPZ,其中,e表示自然常数,δ1、δ2和δ3分别表示完整值、亮度比和图质值的比例系数;
将图像评估系数与设置的图像评估阈值进行对比分析,当图像评估系数大于或等于图像评估阈值时,则将对应的图像标定为高质图,当图像评估系数小于图像评估阈值时,则将对应的图像标定为低质图。
6.根据权利要求1所述的一种基于机器视觉的中药饮片质量检测分析方法,其特征在于,对目标生产线上各中药饮片进行初分类分析,具体分析如下:
通过获取目标生产线上各中药饮片的初表观状态信息中的形状值、面积值和厚度值,并将其分别标定为xyz、mjz和hdz,提取三者的数值进行归一化处理,依据公式:得到目标生产线上各中药饮片的初表观状态评估值CSP,其中,xyz*、mjz*和hdz*分别表示参考形状值、参考面积值和参考厚度值,|xyz-xyz*|、|mjz-mjz*|、|hdz-hdz*|分别表示形状偏差值、面积偏差值和厚度偏差值,η1、η2和η3分别表示形状偏差程度、面积偏差程度和厚度偏差程度的权重系数。
7.根据权利要求1所述的一种基于机器视觉的中药饮片质量检测分析方法,其特征在于,
将目标生产线上各中药饮片的初表观状态评估值与初表观状态评估阈值进行比较分析,若目标生产线上各中药饮片的初表观状态评估值大于或等于初表观状态评估阈值时,则将目标生产线上该中药饮片判定为不符合要求,当目标生产线上各中药饮片的初表观状态评估值小于初表观状态评估阈值时,则将目标生产线上该中药饮片判定为符合要求。
8.根据权利要求7所述的一种基于机器视觉的中药饮片质量检测分析方法,其特征在于,对目标生产线上各细检中药饮片的细表观状态信息进行检测分析,具体分析如下:
对目标生产线上各细检中药饮片的细检图像进行检测点均匀布设,并由此获取目标生产线上各细检中药饮片的细检图像对应各检测点的色度,并将其与预设的参考色度进行比较分析,若色度大于预设的参考色度则将该检测点记为高质点,若色度等于预设的参考色度则将该检测点记为中质点,若色度小于预设的参考色度则将该检测点记为低质点,统计目标生产线上各细检中药饮片的细检图像中的高质点数量、中质点数量和低质点数量,依据公式计算得到色泽值;
从目标生产线上各细检中药饮片的细检图像中提取裂纹数量、总裂纹长度和破损面积的数值进行归一化计算处理,得到美观评估指数;
提取色泽值和美观评估指数的数值进行归一化计算处理,得到目标生产线上各细检中药饮片的细表观状态评估值。
9.根据权利要求8所述的一种基于机器视觉的中药饮片质量检测分析方法,其特征在于,对目标生产线上各细检中药饮片进行细分类分析,具体分析如下:
设置目标生产线上各细检中药饮片的细表观状态评估值的三个梯度对比区间,分别为第一梯度评估区间、第二梯度评估区间和第三梯度评估区间;
当目标生产线上各细检中药饮片的细表观状态评估值处于预设的第一梯度评估区间时,则将目标生产线上该细检中药饮片判定为优质品,当目标生产线上各细检中药饮片的细表观状态评估值处于预设的第二梯度评估区间时,则将目标生产线上该细检中药饮片判定为良质品,当当目标生产线上各细检中药饮片的细表观状态评估值处于预设的第三梯度评估区间时,则将目标生产线上该细检中药饮片判定为次质品。
10.一种基于机器视觉的中药饮片质量检测分析系统,其特征在于,包括:
数据采集单元,用于采集目标生产线上中药饮片的图像状态信息、初表观状态信息和细表观状态信息,并将其通过服务器分别发送到图像筛选单元、初检分类分析单元、细检测分类分析单元;
图像筛选单元,用于对目标生产线上中药饮片的图像状态信息进行检测得到图像评估系数,由此对目标生产线上中药饮片的图像进行筛选判定分析,得到高质图和低质图,将同一批次的单位数量的各图像中被标定为低质图的各图像进行剔除,同时将同一批次的高质图的各图像按照时间帧顺序进行重新排序归入到一起得到优选图像集合;
初检分类分析单元,基于优选图像集合对目标生产线上各中药饮片的初表观状态信息进行检测分析得到目标生产线上各中药饮片的初表观状态评估值,由此对目标生产线上各中药饮片进行初分类分析,得到被判定为不符合要求和符合要求的中药饮片,并将被判定为不符合要求的中药饮片输送到对应车间内进行操作处理,将被判定为符合要求的中药饮片进行执行细检测分类分析单元;
细检测分类分析单元,从优选图像集合中提取目标生产线上被判定为符合要求的中药饮片图像得到目标生产线上各细检中药饮片的细检图像,由此对目标生产线上各细检中药饮片的细表观状态信息进行检测分析得到目标生产线上各细检中药饮片的细表观状态评估值,据此对目标生产线上各细检中药饮片进行细分类分析,得到优质品、良质品和次质品,并将判定为优质品、良质品和次质品的细检中药饮片分别输送到对应车间内进行对应的操作处理,并在显示终端进行显示说明。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410402349.1A CN118045773A (zh) | 2024-04-03 | 2024-04-03 | 一种基于机器视觉的中药饮片质量检测分析系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410402349.1A CN118045773A (zh) | 2024-04-03 | 2024-04-03 | 一种基于机器视觉的中药饮片质量检测分析系统及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN118045773A true CN118045773A (zh) | 2024-05-17 |
Family
ID=91053984
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410402349.1A Pending CN118045773A (zh) | 2024-04-03 | 2024-04-03 | 一种基于机器视觉的中药饮片质量检测分析系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN118045773A (zh) |
-
2024
- 2024-04-03 CN CN202410402349.1A patent/CN118045773A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115294113B (zh) | 一种木饰面板质量检测方法 | |
CN108074231B (zh) | 一种基于卷积神经网络的磁片表面缺陷检测方法 | |
CN109978822B (zh) | 一种基于机器视觉的香蕉成熟度评判建模方法和评判方法 | |
CN107392232B (zh) | 一种浮选工况分类方法和系统 | |
Sahu et al. | Defect identification and maturity detection of mango fruits using image analysis | |
CN107341688A (zh) | 一种客户体验的采集方法及系统 | |
CN101692052B (zh) | 基于超光谱图像技术的名优茶真伪鉴别方法及装置 | |
CN104990892B (zh) | 种子的光谱图像无损鉴别模型建立方法及种子鉴别方法 | |
CN101059425A (zh) | 基于多光谱图像的纹理分析鉴别不同品种绿茶的方法和装置 | |
CN108985337A (zh) | 一种基于图像深度学习的产品表面划痕检测方法 | |
CN114723704A (zh) | 一种基于图像处理的纺织品质量评估方法 | |
CN114627125A (zh) | 一种基于光学手段的不锈钢压片机表面质量评估方法 | |
CN114091606A (zh) | 一种隧道爆破炮孔半眼痕识别和损伤平整度评价分类方法 | |
CN110554052A (zh) | 一种人造板表面缺陷检测方法及其系统 | |
CN108198176A (zh) | 一种基于图像分析烟草成熟度的判别方法 | |
CN115082477B (zh) | 一种基于去反光效果的半导体晶圆加工质量检测方法 | |
Riana et al. | Extraction and classification texture of inflammatory cells and nuclei in normal pap smear images | |
CN110929787B (zh) | 一种基于图像的苹果客观定级系统 | |
CN112560896A (zh) | 一种基于图像处理的水果品质筛选分类系统 | |
CN103268492A (zh) | 一种玉米籽粒类型识别方法 | |
CN113838081A (zh) | 一种基于机器视觉判别烤烟烟叶颜色均匀度的方法和装置 | |
CN110458231B (zh) | 一种陶瓷产品检测方法、装置和设备 | |
CN201041547Y (zh) | 基于多光谱图像的纹理分析鉴别不同品种绿茶的装置 | |
CN118045773A (zh) | 一种基于机器视觉的中药饮片质量检测分析系统及方法 | |
CN107243461B (zh) | 一种自动分级装置 |
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 |