一种泡罩药片瑕疵成像方法及系统与流程

1.本发明涉及图像处理技术领域，具体为一种泡罩药片瑕疵成像方法及系统。


背景技术：

2.随着近年来药品生产质量管理规范（gmp）不断升级，医药行业对药品生产质量要求越来越高，制药厂家在保证质量的前提下对生产效率提高也有迫切的需求，因此铝塑泡罩包装机械加装高效、高精度的检测系统势在必行。在公开的技术中，例如公开号为：“cn114088730a”公开了一种运用图像处理检测铝塑泡罩瑕疵的方法，其特征在于，包括如下步骤：铝塑包装机上料到pvc泡罩之后，触发第一检测信号传递至第一ccd相机；第一ccd相机对pvc泡罩进行扫描，以获取第一状态的第一图像；在铝塑热封辊压之后，触发第二检测信号传递至第二ccd相机；第二ccd相机对近pvc面进行扫描，以获取第二状态的第二图像；将第一图像和第二图像进行分割处理，利用机器视觉处理工具得到需要深度学习模型检测的roi，将此roi输入至检测模型内，通过检测模型训练得到的预设方案中获取对应的检测结果；若roi在预设方案中没有获取对应的检测结果，将此roi提取，发送至目标检测器获取roi属性，并利用设置在目标检测器中的写入模块在roi属性中写入识别特征，依据识别特征将该roi分类到训练模型中具有相同识别特征的预设子库中；依据预设子库对应的训练所使用的深度神经网络支脉，所述训练模型启动规避机制，将训练模型的训练资源分配至所述深度神经网络支脉，用于对该roi进行迭代训练，训练好后按照识别特征分配并存储至学习模型的预设方案对应的子集中。
3.在上述中，由于需要在根据不同的识别特征建立不同的预设子库，然后依据预设子库对应的训练所使用的深度神经网络支脉，所述训练模型启动规避机制，将训练模型的训练资源分配至所述深度神经网络支脉，用于对该roi进行迭代训练，因此，需要构建一个依附于深度神经网络的多个深度神经网络支脉，由于在检测过程中瑕疵的训练任务是非常小的，每一个预设子库都要建立一个深度神经网络支脉，会导致每一深度神经网络支脉都会占用一定的训练资源（所有支脉的训练资源之和为1），导致当产生新的瑕疵进行迭代训练时，由于其他支脉占用了训练资源，能够分配至新瑕疵训练资源就会减小，当训练资源每降低1%，就会导致训练效率极大的降低。


技术实现要素：

4.有鉴于此，本发明的目的在于提供一种泡罩药片瑕疵成像方法，以解决上述背景技术中提出的问题。
5.为实现上述目的，本发明提供如下技术方案：一种泡罩药片瑕疵成像方法，包括如下步骤：在对泡罩扫描过程中，至少获取一组泡罩的图像；将图像输入至处理单元，所述处理单元将所述图像进行边缘检测，然后按照预设倍率放大形成预检测图像，将所述预检测图像输入至分割模块，所述分割模块将预检测图像分割成若干个图像单元，标注每一图像
单元的标签，然后逐一按照标签设定逻辑对图像单元进行扫描，以获取图像单元是否具有瑕疵；若其中一个图像单元具有瑕疵，对瑕疵状态进行标记，记录在图像单元的所述标签的属性值中，并按照标签的属性值将所述标签写入在多个连续排列的不同结构的映射表中，所述映射表链接至基于标签的属性值而对应建立的存储库；编译模块基于标签的属性值建立标签对应的图像单元在存储库中的索引信息，以供机器学习系统依据索引信息对标签对应的图像单元进行加载并进行迭代训练，将迭代训练后的标签对应的图像单元输出并存储，以形成瑕疵成像库。
6.进一步地，逐一按照标签设定逻辑对图像单元进行扫描，以获取图像单元是否具有瑕疵的方法为：扫描框在扫描过程中，在预检测图像中构建一个具有x行y列的方框矩阵以形成图像单元，其中x、y均为整数且大于等于2，将图像单元按照矩阵信息使用扫描框进行逐一扫描，并将方框矩阵中的每一独立的图像单元与标准图像进行比对，以获取图像单元是否具有和标准图像不一致的数据信息，若具有不一致的数据信息，提取图像单元以及该图像单元对应的预检测图像；识别模块基于至少一个图像单元的数据信息以识别瑕疵在图像单元的第一状态，并基于图像单元的第一状态识别瑕疵在预检测图像中的第二状态，并比对所述第一状态和第二状态是否相同，若相同，将第一状态或第二状态输出，并将预检测图像缓存；若不相同，将第一状态和第二状态同时输出，并将图像单元及检测图像同时缓存；判断模块加载瑕疵成像库并判断第一状态和/或第二状态在瑕疵成像库是否存在，若存在，直接输入第一状态和/或第二状态；若不存在，输入至标记模块。
7.进一步地，所述机器学习系统具有用于迭代训练的神经网络单元，该神经网络单元依据索引信息对标签对应的图像单元进行加载并进行迭代训练。
8.进一步地，所述标签的属性值具有相同的格式和字符长度。
9.本发明还提供了一种泡罩药片瑕疵成像系统，包括：摄像部，用于对泡罩进行扫描获取至少一组泡罩的图像；处理单元，所述处理单元用于将所述图像进行边缘检测，以获取完整的泡罩图像，将泡罩图像按照预设倍率放大形成预检测图像；分割模块，接收预检测图像，并在预检测图像的下层构建一个空白模板，在空白模板中构建一个具有x行y列的方框矩阵后融合到预检测图像中以形成图像单元的矩阵，其中x、y均为整数且大于等于2；扫描框，设置在预检测图像的上部，用于将预检测图像中的每一图像单元按照矩阵信息进行逐一滑动扫描，扫描的同时利用比对模块完成异常比对；比对模块，将方框矩阵中的每一独立的图像单元与标准图像进行比对，以获取图像单元是否具有和标准图像不一致的数据信息，若具有不一致的数据信息，说明包含了瑕疵，提取图像单元以及该图像单元对应的预检测图像；识别模块，基于至少一个图像单元的数据信息以识别瑕疵在图像单元的第一状态，基于图像单元的第一状态识别瑕疵在预检测图像中的第二状态，并比对所述第一状态和第二状态是否相同，若相同，将第一状态或第二状态输出，并将预检测图像缓存在缓存
库；若不相同，将第一状态和第二状态同时输出，并将图像单元及检测图像同时缓存在缓存库；判断模块，通过加载瑕疵成像库并判断第一状态和/或第二状态在瑕疵成像库是否存在，若存在，直接输入第一状态和/或第二状态；若不存在，输入至标记模块；标记模块，对第一状态和/或第二状态进行标记，并记录第一状态和/或第二状态对应的图像单元的所述标签的属性值中，并按照标签的属性值将所述标签写入在多个连续排列的不同结构的映射表中，所述映射表链接至基于标签的属性值而对应建立的存储库；编译模块，基于标签的属性值建立标签对应的图像单元在存储库中的索引信息；供机器学习系统，依据索引信息对标签对应的图像单元进行加载并进行迭代训练，将迭代训练后的标签对应的图像单元输出并存储，以形成瑕疵成像库。
10.进一步地，所述机器学习系统具有用于迭代训练的神经网络单元。
11.本发明将传统的每一预设子库都对应一深度神经网络支脉改变为通过对瑕疵状态进行记录，记录在图像单元的所述标签的属性值中，并按照标签的属性值将所述标签写入在多个连续排列的不同结构的映射表中，所述映射表链接至基于标签的属性值而对应建立的存储库，通过编译模块基于标签的属性值建立标签对应的图像单元在存储库中的索引信息，以供机器学习系统依据索引信息对标签对应的图像单元进行加载并进行迭代训练，因此，本发明只要提供一个用于迭代训练的神经网络单元，该神经网络单元通过索引信息对标签对应的图像单元进行加载并进行迭代训练，这样，每次迭代训练时，可以将所有资源全部用于迭代训练，提升了训练效率。
12.同时，本发明采用了扫描框在扫描过程中，在预检测图像中构建一个具有x行y列的方框矩阵以形成图像单元，将图像单元按照矩阵信息使用扫描框进行逐一扫描，并将方框矩阵中的每一独立的图像单元与标准图像进行逐一比对，可以有效的获取泡罩瑕疵精度，对泡罩中具有的划痕，以及一个泡罩上的多个不同瑕疵都可以识别，增强了识别强度。
附图说明
13.图1为本发明的框架原理示意图；图2为本发明的方法流程图。
具体实施方式
14.以下结合附图对本发明进行详细的描述，参照图1至图2。
15.实施例1，参照图1，本发明提供了一种泡罩药片瑕疵成像系统，包括：摄像部，用于对泡罩进行扫描获取至少一组泡罩的图像；处理单元，所述处理单元用于将所述图像进行边缘检测，以获取完整的泡罩图像，将泡罩图像按照预设倍率放大形成预检测图像；分割模块，接收预检测图像，并在预检测图像的下层构建一个空白模板，在空白模板中构建一个具有x行y列的方框矩阵后融合到预检测图像中以形成图像单元的矩阵，其中x、y均为整数且大于等于2；扫描框，设置在预检测图像的上部，用于将预检测图像中的每一图像单元按照矩阵信息进行逐一滑动扫描，扫描的同时利用比对模块完成异常比对；
比对模块，将方框矩阵中的每一独立的图像单元与标准图像进行比对，以获取图像单元是否具有和标准图像不一致的数据信息，若具有不一致的数据信息，说明包含了瑕疵，提取图像单元以及该图像单元对应的预检测图像；在上述中，本发明采用了扫描框在扫描过程中，在预检测图像中构建一个具有x行y列的方框矩阵以形成图像单元，将图像单元按照矩阵信息使用扫描框进行逐一扫描，并将方框矩阵中的每一独立的图像单元与标准图像进行逐一比对，可以有效的获取泡罩瑕疵精度，对泡罩中具有的划痕可以准确的识别。
16.识别模块，基于至少一个图像单元的数据信息以识别瑕疵在图像单元的第一状态，基于图像单元的第一状态识别瑕疵在预检测图像中的第二状态，并比对所述第一状态和第二状态是否相同，若相同，将第一状态或第二状态输出，并将预检测图像缓存在缓存库；若不相同，说明在一个泡罩上至少具有两个不同的瑕疵，将第一状态和第二状态同时输出，并将图像单元及检测图像同时缓存在缓存库；本发明通过对每一图像单元进行识别比对，可以对一个泡罩上的多个不同瑕疵都可以识别，增强了识别强度；判断模块，通过加载瑕疵成像库并判断第一状态和/或第二状态在瑕疵成像库是否存在，若存在，直接输入第一状态和/或第二状态；若不存在，输入至标记模块；标记模块，对第一状态和/或第二状态进行标记，并记录第一状态和/或第二状态对应的图像单元的所述标签的属性值中，并按照标签的属性值将所述标签写入在多个连续排列的不同结构的映射表中，所述映射表链接至基于标签的属性值而对应建立的存储库；编译模块，基于标签的属性值建立标签对应的图像单元在存储库中的索引信息；供机器学习系统，依据索引信息对标签对应的图像单元进行加载并进行迭代训练，将迭代训练后的标签对应的图像单元输出并存储，以形成瑕疵成像库。
17.在上述中，所述机器学习系统具有用于迭代训练的神经网络单元。
18.在上述中，所述标签的属性值具有相同的格式和字符长度。
19.其原理为：通过记录在图像单元的所述标签的属性值，并按照标签的属性值将所述标签写入在多个连续排列的不同结构的映射表中，所述映射表链接至基于标签的属性值而对应建立的存储库，通过编译模块基于标签的属性值建立标签对应的图像单元在存储库中的索引信息，以供机器学习系统依据索引信息对标签对应的图像单元进行加载并进行迭代训练，因此，本发明只要提供一个用于迭代训练的神经网络单元，该神经网络单元通过索引信息对标签对应的图像单元进行加载并进行迭代训练，这样，每次迭代训练时，可以将所有资源全部用于迭代训练，提升了训练效率。
20.实施例2，参照图2，本发明提供了一种泡罩药片瑕疵成像方法，包括如下步骤：在对泡罩扫描过程中，至少获取一组泡罩的图像；将图像输入至处理单元，所述处理单元将所述图像进行边缘检测，然后按照预设倍率放大形成预检测图像，将所述预检测图像输入至分割模块，所述分割模块将预检测图像分割成若干个图像单元，标注每一图像单元的标签，然后逐一按照标签设定逻辑对图像单元进行扫描，以获取图像单元是否具有瑕疵；若其中一个图像单元具有瑕疵，对瑕疵状态进行标记，记录在图像单元的所述标签的属性值中，并按照标签的属性值将所述标签写入在多个连续排列的不同结构的映射表中，所述映射表链接至基于标签的属性值而对应建立的存储库；
编译模块基于标签的属性值建立标签对应的图像单元在存储库中的索引信息，以供机器学习系统依据索引信息对标签对应的图像单元进行加载并进行迭代训练，将迭代训练后的标签对应的图像单元输出并存储，以形成瑕疵成像库。
21.在上述中，逐一按照标签设定逻辑对图像单元进行扫描，以获取图像单元是否具有瑕疵的方法为：扫描框在扫描过程中，在预检测图像中构建一个具有x行y列的方框矩阵以形成图像单元，其中x、y均为整数且大于等于2，将图像单元按照矩阵信息使用扫描框进行逐一扫描，并将方框矩阵中的每一独立的图像单元与标准图像进行比对，以获取图像单元是否具有和标准图像不一致的数据信息，若具有不一致的数据信息，提取图像单元以及该图像单元对应的预检测图像；识别模块基于至少一个图像单元的数据信息以识别瑕疵在图像单元的第一状态，并基于图像单元的第一状态识别瑕疵在预检测图像中的第二状态，并比对所述第一状态和第二状态是否相同，若相同，将第一状态或第二状态输出，并将预检测图像缓存；若不相同，将第一状态和第二状态同时输出，并将图像单元及检测图像同时缓存；判断模块加载瑕疵成像库并判断第一状态和/或第二状态在瑕疵成像库是否存在，若存在，直接输入第一状态和/或第二状态；若不存在，输入至标记模块。
22.本发明通过记录在图像单元的所述标签的属性值，并按照标签的属性值将所述标签写入在多个连续排列的不同结构的映射表中，所述映射表链接至基于标签的属性值而对应建立的存储库，通过编译模块基于标签的属性值建立标签对应的图像单元在存储库中的索引信息，以供机器学习系统依据索引信息对标签对应的图像单元进行加载并进行迭代训练，因此，本发明只要提供一个用于迭代训练的神经网络单元，该神经网络单元通过索引信息对标签对应的图像单元进行加载并进行迭代训练，这样，每次迭代训练时，可以将所有资源全部用于迭代训练，提升了训练效率。
23.本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实例的说明只是用于帮助理解本发明的方法及其核心思想。以上所述仅是本发明的优选实施方式，应当指出，由于文字表达的有限性，而客观上存在无限的具体结构，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进、润饰或变化，也可以将上述技术特征以适当的方式进行组合；这些改进润饰、变化或组合，或未经改进将发明的构思和技术方案直接应用于其它场合的，均应视为本发明的保护范围。