一种端云协同的放射性药品生产线异常状态识别方法及系统与流程
本发明涉及药品状态识别的领域，尤其涉及一种端云协同的放射性药品生产线异常状态识别方法及系统。
背景技术：
1、放射性药品生产线属于核技术、生物医药、制药自动化装备交叉融合的特殊制造场景，产品具备放射性活度衰减快、单批次生产规模小、配制完成后需快速放行、生产全程高辐射屏蔽隔离等独有特征。相较于普通无菌注射剂、化学制剂生产线，放射性药品的配液、灌装、分装、初检工序均在热室、密闭隔离器内依托远程机械手完成，生产现场严禁人员近距离直接介入，远程可视化在线检测成为产品放行质控的核心手段。成品药液色泽变化是反映药品纯度、降解杂质生成、工艺异常的关键外观指标，其中轻微黄变属于变化幅度微弱、但直接关联药品失效风险的典型质量异常。但放射性药品无法在开放、光照均匀的标准视觉环境下检测，成像需经由热室铅玻璃防护窗、远程摄像链路采集图像；铅玻璃长期使用易产生固定色偏、全域透光衰减、局部透射不均匀等光学干扰，成像会生成与药液真实黄变视觉特征高度近似的伪黄区域，常规通用工业视觉检测方案极易出现误判、漏检，难以满足微量黄变高精度识别需求。
2、现有研究中，如专利cn119269701b提出一种药品成分及药品质量的智能检测方法及系统，通过同步采集样品溶液与对照溶液色谱图谱，自适应迭代优化色谱设备运行参数，完整解析样品活性组分与杂质含量，依托成分指标判定药品是否达标；该方案自动化程度高，能够削减人工操作环节、降低人为检测误差，提升成分检测稳定性与精度。但该液相色谱检测属于离线抽样检测，检测流程耗时较长，无法适配放射性药品即时在线放行需求，且仅能完成成分定量分析，无法直观识别灌装成品外观色泽类缺陷。
3、针对该问题，本发明提出一种端云协同的放射性药品生产线异常状态识别方法，弥补现有放射性药品生产线在线视觉识别技术在细微颜色异常判别方面的不足，提升放射性药品生产过程的智能化水平。
技术实现思路
1、本发明提出一种端云协同的放射性药品生产线异常状态识别方法及系统，s1步骤通过采集药品产线成像多源数据，依次完成暗场噪声抵消、药液区域裁剪、结构化封装生成复合图像矩阵，能够统一剥离相机底层固定噪声、剔除无效背景像素、标准化绑定样本身份与图像数据，解决成像基底噪声干扰色度计算的技术问题；s2步骤通过解析复合图像矩阵内基准图像逐像素计算色彩亮度增益并构建补偿校正矩阵，对药液裁剪图逐通道完成光路色彩补偿校正，能够抵消热室铅玻璃局部透射色差与亮度衰减，还原药液原始光学色彩；s3步骤通过将校正图像转换至cielab均匀色空间并计算行中位数差分相对黄相分量，再结合连通域面积与亮度梯度剔除边缘伪黄斑块后提取多维抑伪黄变特征向量，能够分离光路伪黄与药液真实黄变、多维度量化轻微泛黄程度，解决瓶壁折射造成假性泛黄的技术问题；s4步骤通过将抑伪黄变特征向量与离线标定的多维度黄变判别阈值做联合超限判定，稳定区分正常底色波动与药品降解异常，解决单特征判别鲁棒性差、轻微黄变漏检误检的技术问题。
2、为实现上述目的，本发明提供的一种端云协同的放射性药品生产线异常状态识别方法，包括以下步骤：
3、s1：采集放射性药品生产过程中的药品产线成像多源数据，对所述药品产线成像多源数据依次进行暗场噪声统一抵消、药液有效区域裁剪以及结构化封装处理，得到放射性药品生产线下放射性药品的复合图像矩阵；
4、s2：提取所述复合图像矩阵中的暗场抵消基准图以及药液瓶裁剪图像，根据所述暗场抵消基准图计算得到药液瓶裁剪图像中各像素的通道增益，将所述各像素的通道增益转换为补偿校正矩阵，利用补偿校正矩阵对药液瓶裁剪图像进行色彩补偿校正处理，得到校正后药液图像；
5、s3：将所述校正后药液图像转换至cielab色彩空间，并计算得到药液相对黄相分量，基于所述药液相对黄相分量，提取药液的抑伪黄变特征向量；
6、s4：将所述药液的抑伪黄变特征向量与预设黄变判别阈值进行超限判别，生成抑伪黄变特征向量所关联放射性药品的黄变异常判定结果。
7、作为本发明的进一步改进方法：
8、进一步地，所述s1步骤中药品产线成像多源数据包含放射性药品在放射性药品生产线中的药液瓶成品图像、中性基准图像、远程暗场图像以及药液区域坐标，其中药液瓶成品图像、中性基准图像、远程暗场图像均为rgb像素矩阵。
9、进一步地，s1步骤中对所述药品产线成像多源数据依次进行暗场噪声统一抵消、药液有效区域裁剪以及结构化封装处理，还包括：
10、s11：基于所述远程暗场图像，对药液瓶成品图像以及中性基准图像分别进行暗场噪声统一抵消处理，得到暗场噪声抵消后药液瓶成品图像以及暗场噪声抵消后中性基准图像；
11、具体地，所述药液瓶成品图像以及中性基准图像的暗场噪声统一抵消处理公式为：
12、；
13、；
14、；
15、其中，表示药液瓶成品图像中第行第列的像素在k颜色通道的颜色值，表示中性基准图像中第行第列的像素在k颜色通道的颜色值，表示远程暗场图像中第行第列的像素在k颜色通道的颜色值，表示药品产线成像多源数据中图像的像素行数，表示药品产线成像多源数据中图像的像素列数，依次分别表示rgb颜色通道中的颜色通道、颜色通道、颜色通道，表示选取中的最大值，表示选取中的最大值，表示暗场噪声抵消后药液瓶成品图像中第行第列的像素在k颜色通道的颜色值，表示暗场噪声抵消后中性基准图像中第行第列的像素在k颜色通道的颜色值；
16、s12：提取所述药品产线成像多源数据中的药液区域坐标，基于药液区域坐标，分别对暗场噪声抵消后药液瓶成品图像以及暗场噪声抵消后中性基准图像进行药液有效区域裁剪处理，得到暗场抵消基准图以及药液瓶裁剪图像；
17、s13：获取药品产线成像多源数据所关联放射性药品的药品编号，将所述药品编号、暗场抵消基准图以及药液瓶裁剪图像封装为复合图像矩阵。
18、进一步地，所述s2步骤中根据所述暗场抵消基准图计算得到药液瓶裁剪图像中各像素的通道增益，将所述各像素的通道增益转换为补偿校正矩阵，包括：
19、s21：基于预设标准中性色度以及标准亮度，计算得到中性基准理想三通道目标值；
20、s22：采用标准亮度计算公式计算得到所述暗场抵消基准图中任意像素在亮度通道的亮度值；
21、s23：结合所述中性基准理想三通道目标值，计算得到所述暗场抵消基准图中任意像素在rgb颜色通道以及亮度通道的通道增益；
22、具体地，所述暗场抵消基准图中任意像素在rgb颜色通道以及亮度通道的通道增益计算公式为：
23、；
24、；
25、；
26、其中，表示暗场抵消基准图中第n行第m列像素在k颜色通道的通道增益，表示步骤s21计算得到的k颜色通道的目标值，，n表示暗场抵消基准图以及药液瓶裁剪图像的像素行数，m表示暗场抵消基准图以及药液瓶裁剪图像的像素列数，表示暗场抵消基准图中第n行第m列像素在亮度通道的通道增益，表示提取中的最大值，表示提取中的最大值，表示暗场抵消基准图中第n行第m列像素在k颜色通道的颜色值，表示暗场抵消基准图中第n行第m列像素在亮度通道的亮度值，依次分别表示暗场抵消基准图中第n行第m列像素在rgb颜色通道的颜色值，表示标准亮度计算公式；
27、s24：将所述像素在rgb颜色通道以及亮度通道的通道增益构建为三通道补偿校正系数，其中三通道补偿校正系数包含r颜色通道补偿校正系数、g颜色通道补偿校正系数以及b颜色通道补偿校正系数；统计所述暗场抵消基准图中任意像素的三通道补偿校正系数，构建得到补偿校正矩阵。
28、进一步地，s2步骤中利用补偿校正矩阵对药液瓶裁剪图像进行色彩补偿校正处理，还包括：
29、提取补偿校正矩阵以及药液瓶裁剪图像，利用补偿校正矩阵中的三通道补偿校正系数对药液瓶裁剪图像中像素在rgb颜色通道的颜色值进行色彩补偿校正处理，得到校正后药液图像，其中色彩补偿校正处理公式为：
30、；
31、；
32、其中，表示药液瓶裁剪图像中第n行第m列像素在k颜色通道的颜色值，，n表示暗场抵消基准图以及药液瓶裁剪图像的像素行数，m表示暗场抵消基准图以及药液瓶裁剪图像的像素列数，表示暗场抵消基准图中第n行第m列像素的k颜色通道补偿校正系数，[表示颜色值值域范围，表示选取之间的最大值，表示选取之间的最小值，表示颜色值的色彩补偿校正处理结果。
33、进一步地，所述s3步骤中将校正后药液图像转换至cielab色彩空间，并计算得到药液相对黄相分量，包括：
34、s31：对所述校正后药液图像中像素在rgb颜色通道的颜色值进行归一化处理，并采用伽马逆线性校正方式对归一化处理后的颜色值进行伽马校正处理，得到伽马校正后药液图像；
35、s32：采用rgb-xyz-cielab标准转换算法将伽马校正后药液图像中像素的颜色值映射转换至cielab色彩空间，得到像素在lab通道的颜色分量；
36、s33：统计伽马校正后药液图像中每一行像素在b通道的颜色分量中位数；
37、s34：计算伽马校正后药液图像中像素在b通道的颜色分量与像素所在行的颜色分量中位数之间的差值，作为该像素的相对黄相参数；
38、s35：统计伽马校正后药液图像中任意像素的相对黄相参数，并按照像素的行列坐标对所述相对黄相参数进行排列，得到矩阵形式的药液相对黄相分量。
39、进一步地，s3步骤中基于所述药液相对黄相分量，提取药液的抑伪黄变特征向量，还包括：
40、s36：将相对黄相参数大于0的像素标记为有效正向黄相像素，并生成像素的二值标记结果，其中有效正向黄相像素的像素的二值标记结果为1，非有效正向黄相像素的像素的二值标记结果为0，得到二值标记矩阵；
41、s37：采用四邻域连通域分割方式对所述二值标记矩阵进行连通域分割，得到多个连通域，统计连通域内的像素数目，并计算连通域内像素的l通道颜色分量梯度，选取连通域内像素的最大l通道颜色分量梯度作为连通域的区域梯度；
42、s38：将连通域内的像素数目低于预设像素面积阈值以及区域梯度高于预设梯度阈值的连通域标记为伪黄斑块，并设置伪黄斑块中所有像素的相对黄相参数为无效值，将未标记为伪黄斑块的连通域设置为有效连通域，并统计有效连通域内的像素总数，作为有效像素数目；
43、s39：提取药液相对黄相分量中不为无效值的相对黄相参数并进行升序排序，得到相对黄相参数序列，计算得到相对黄相参数序列的序列均值、95分位数以及有效像素比例，将计算结果进行拼接，作为药液的抑伪黄变特征向量，其中有效像素比例为有效像素数目与相对黄相参数序列的序列长度之间的比值。
44、进一步地，所述s4步骤中将所述药液的抑伪黄变特征向量与预设黄变判别阈值进行超限判别，包括：
45、s41：获取预设黄变判别阈值，其中预设黄变判别阈值包括黄相均值阈值、黄相95分位数阈值、有效占比阈值；
46、s42：将所述药液的抑伪黄变特征向量中的序列均值、95分位数以及有效像素比例依次与黄相均值阈值、黄相95分位数阈值、有效占比阈值进行比较，若序列均值小于黄相均值阈值、95分位数小于黄相95分位数阈值、有效像素比例小于有效占比阈值，则判定当前放射性药品黄变状态合格、无异常，否则判定当前放射性药品存在轻微黄变异常。
47、本发明还提供一种端云协同的放射性药品生产线异常状态识别系统，所述放射性药品生产线异常状态识别系统包括边缘采集终端与云端智能判别平台，以实现如上所述的一种端云协同的放射性药品生产线异常状态识别方法的技术步骤。
48、相对于现有技术，本发明提出一种端云协同的放射性药品生产线异常状态识别方法及系统，该技术具有以下有益效果：
49、首先，本发明通过逐像素、逐通道匹配补偿校正系数完成药液图像色彩还原校正，并增设颜色值值域上下限约束，有效解决铅玻璃局部透射不均带来的色度、亮度双重畸变问题。具体而言，逐像素校正区别于传统全局统一校正方案，可精准适配观察窗不同位置的透光损耗差异，消除成像自带伪黄基底；对像素乘积结果施加值域范围约束的边界截断，避免校正后数值溢出或负像素产生。进一步地，校正后药液图像剥离防护光路全部光学干扰，rgb数值仅反映药液真实色彩，从源头规避硬件畸变造成的黄变误判，提升后续药液相对黄相分量提取、特征统计的可靠性，降低放射性药品轻微黄变异常识别的漏检与误检概率。
50、同时，本发明依托标准化色彩空间转换与自适应伪黄剔除算法，实现药液黄变特征的精准、抗干扰提取，具体而言，本发明通过行中位数差分法消除固定光路与瓶体基底色偏，突破传统直接采用b通道颜色分量判读易受成像环境干扰的弊端，精准剥离药液真实黄变信息；同时结合连通域面积与亮度梯度双重判据，针对性剔除尺寸微小、亮度突变的伪黄斑块，有效过滤光路折射、液面边界成像缺陷带来的误判干扰。通过均值、95分位数、有效占比三维指标构建特征向量，多维度覆盖整体泛黄、局部重度泛黄、连片泛黄等不同轻微黄变工况，避免单一特征检测的局限性，该处理方式大幅提升黄变特征的鲁棒性，有效降低放射性药品轻微黄变的误检、漏检概率，适配热室复杂成像环境，为生产线端云协同智能检测提供精准、可靠的量化特征支撑。