基于数据处理的磷化铝压片表面缺陷检测方法与流程

1.本发明涉及数据处理技术领域，具体涉及一种基于数据处理的磷化铝压片表面缺陷检测方法。


背景技术：

2.随着科技的发展，自动化生产已经成为了当前的主流生产方法；在制药行业中，60%以上的药片是通过压片机进行压缩得到的，以磷化铝药片的制药工艺为例，包括磷化铝原液和其他材料的粗混、粉碎、压片以及包装等多个过程；而对磷化铝的粉末进行冲压得到磷化铝压片的过程中，最常见且最难以避免的现象就是片剂粘冲，该片剂粘冲是制药原料粉末在压片模具腔内受压成品的过程中出现粉末粘在压片模具上的现象，压片模具上存在粉末则导致原料无法完全受压成片，对生产得到的磷化铝压片的影响较大。
3.现有技术中对磷化铝压片表面缺陷检测的方法大多是结合人工进行检测，通过对压片后药片厚度进行反映，或者是对药片进行多个角度的检测，但是在对药片进行多个角度反转检测的过程中，可能会对药片本身产生划痕等，从而导致新的缺陷产生，使得对药片表面缺陷检测的准确性较低；现有还包括一种抽样检测，在压片机工作一段时间后，通过对磷化铝压片进行抽样检测，判断压片机在对磷化铝压片制作过程中是否存在缺陷，但这种抽样检测的方法对存在缺陷的磷化铝压片检测不够及时，且检测的效率较低。


技术实现要素：

4.为了解决上述技术问题，本发明的目的在于提供一种基于数据处理的磷化铝压片表面缺陷检测方法，该方法包括以下步骤：获取压片机的压片模具的表面图像，所述表面图像为所述压片模具对磷化铝压片冲压过后的图像，对每张所述表面图像进行多尺度采样得到多张采样图像，对每张所述采样图像进行最大池化操作得到对应的池化图像；以所述池化图像中任意像素点为目标点，对所述目标点的邻域像素点进行编码得到所述目标点的二进制数字，将所述二进制数字转换为十进制数字赋予所述目标点，对每张所述池化图像进行编码赋值得到对应的编码图像，获取每张所述池化图像对应的所述编码图像的差异分布熵；基于所有所述表面图像对应的多个尺度的池化图像及其差异分布熵构建共生矩阵，根据所述共生矩阵获取所述压片模具的分类粘附系数，当所述分类粘附系数不为零时，所述压片模具冲压过的磷化铝压片存在异常缺陷。
5.优选的，所述对所述目标点的邻域像素点进行编码得到所述目标点的二进制数字的步骤，包括：判断所述目标点的灰度值与其对应的邻域像素点的灰度值之间的大小，若邻域像素点的灰度值大于所述目标点的灰度值，将邻域像素点编码为1；若邻域像素点的灰度值小于所述目标点的灰度值，将邻域像素点编码为0；
以所述目标点的正下方邻域像素点为起始点，从起始点对应的编码开始按照顺时针顺序将所有邻域像素点的编码进行排列得到二进制数字。
6.优选的，所述获取每张所述池化图像对应的所述编码图像的差异分布熵的步骤，包括：获取每张池化图像对应的所述编码图像中以每个像素点为中心点时其所有邻域像素点的像素值均值，以每个像素点的像素值以及该像素点为中心时其邻域像素点的均值构建二元组，计算每个所述二元组在所述编码图像中出现的概率，基于所述编码图像中所有所述二元组的概率得到所述编码图像的差异分布熵。
7.优选的，所述基于所有所述表面图像对应的多个尺度的池化图像及其差异分布熵构建共生矩阵的步骤，包括：将所有表面图像对应的所有池化图像的尺度划为多个等级；根据差异分布熵的取值范围将差异分布熵划分为多个等级；基于多个等级的尺度以及差异分布熵构建共生矩阵，所述共生矩阵的行元素为池化图像尺度的等级，共生矩阵的列元素为差异分布熵的等级。
8.优选的，所述根据所述共生矩阵获取所述压片模具的分类粘附系数的步骤，包括：计算所述共生矩阵中每个元素与所述共生矩阵中所有元素之和的比值，基于所述比值获取所述压片模具的分类粘附系数。
9.本发明具有如下有益效果：本发明实施例中通过对压片模具表面图像进行多尺度采样处理得到多张池化图像，然后对每张池化图像进行编码赋值并计算对应的差异分布熵进行初步判断，在初步判断的基础上基于每个尺度的池化图像及其对应的差异分布熵构建共生矩阵进行二次判断，通过压片模具表面的分类粘附系数判断压片模具表面的药物颗粒粘附是否为正常的粘附，从而判断压片模具表面的药物颗粒粘附是否对磷化铝压片表面产生缺陷影响，从而对表面存在缺陷的磷化铝压片进行确定，解决了固定时间抽样检测不及时、检测效率低的问题，并且避免了直接对磷化铝压片检测造成的额外缺陷，提高了检测的及时性和准确性。
附图说明
10.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和优点，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的介绍，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的前提下，还可以根据这些附图获得其它附图。
11.图1为本发明一个实施例所提供的一种基于数据处理的磷化铝压片表面缺陷检测方法流程图。
具体实施方式
12.为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效，以下结合附图及较佳实施例，对依据本发明提出的一种基于数据处理的磷化铝压片表面缺陷检测方法，其具体实施方式、结构、特征及其功效，详细说明如下。在下述说明中，不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外，一或多个实施例中的特定特征、
结构、或特点可由任何合适形式组合。
13.除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
14.本技术适用于对磷化铝压片表面缺陷的检测，为了解决现有对磷化铝压片检测准确度不高的问题，本实施例通过对压片模具表面图像进行多尺度采样处理得到多张池化图像，计算每张池化图像的差异分布熵，进一步基于差异分布熵获取压片模具的分类粘附系数，通过差异分布熵和分类粘附系数结合分析，判断压片模具表面是否存在药品颗粒粘附，从而侧面反映出磷化铝压片表面是否存在缺陷，提高了对磷化铝压片表面缺陷检测的准确度。
15.下面结合附图具体的说明本发明所提供的一种基于数据处理的磷化铝压片表面缺陷检测方法的具体方案。
16.请参阅图1，其示出了本发明一个实施例提供的一种基于数据处理的磷化铝压片表面缺陷检测方法流程图，该方法包括以下步骤：步骤s100，获取压片机的压片模具的表面图像，表面图像为压片模具对磷化铝压片冲压过后的图像，对每张表面图像进行多尺度采样得到多张采样图像，对每张采样图像进行最大池化操作得到对应的池化图像。
17.具体的，压片机在对磷化铝原料粉末进行冲压制作磷化铝压片的过程中，可能会出现原料颗粒粘附在压片模具上的现象，从而导致冲压得到的磷化铝压片表面存在缺陷，因此在压片机的压片模具下方安装工业相机，用于采集压片机的压片模具在每次对磷化铝压片冲压过后的多张表面图像，该工业相机为高频相机，以确保能够在压片机工作时及时采集得到压片模具的多张表面图像，本发明实施例中设置连续采集压片模具的5张表面图像；为了提高后续分析的准确度，对每张表面图像进行均值滤波去除图像中噪声的影响，进一步将去除噪声影响的表面图像进行灰度化得到灰度图像；对该灰度图像采用canny算法进行边缘检测，得到灰度图像中压片模具的边缘框，为了提高分析的效率，后续对灰度图像进行分析时仅分析边缘框内的压片模具区域的图像。
18.当压片模具表面存在粘附颗粒时，其在小尺度下具有明显的差异而在大尺度下表现不明显；而粘附粘连较多时，药片表面会粘附到压片模具表面从而存在粘附的药物颗粒，其在大尺度下变化明显，因此对上述表面图像处理后的灰度图像进行金字塔下采样得到多尺度的多张采样图像。
19.假设每张灰度图像的大小为，本发明实施例中对每张灰度图像设置10次采样，第一次采样尺度为时，采样图像的大小为原图；第二次采样尺度为时，采样图像的大小为；第三次采样尺度为时，采样图像的大小为；以此类推，获取第10次采样尺度为时，采样图像的大小为。由此得到多个采样尺度下的采样图像。
20.进一步的，对每个采样尺度下的采样图像进行最大池化操作，从而得到对应的池化图像，最大池化操作为现有公知技术，不再赘述；基于相同的方法，对剩余4张表面图像进行处理得到相应的多个尺度的池化图像。
21.步骤s200，以池化图像中任意像素点为目标点，对目标点的邻域像素点进行编码得到目标点的二进制数字，将二进制数字转换为十进制数字赋予目标点，对每张池化图像进行编码赋值得到对应的编码图像，获取每张池化图像对应的编码图像的差异分布熵。
22.由步骤s100中得到每张表面图像对应的不同尺度的池化图像，为了更好的对每个池化图像中是否存在药物颗粒进行检测，本发明实施例中通过获取每个池化图像对应的差异分布熵对压片模具粘连药物颗粒的情况进行初步分析，每个池化图像对应的差异分布熵的具体计算方法为：首先，为了使得池化图像的细节分析更加准确，对池化图像中每个像素点进行编码赋值，以池化图像中任意像素点为目标点，对该目标点的八邻域像素点进行编码，灰度值大于该目标点灰度值的邻域像素点编码为1；灰度值小于该目标点灰度值的邻域像素点编码为0。
23.然后，以该目标点正下方的邻域像素点为起始点，顺时针将所有邻域像素点的编码进行排列得到一串二进制数字的编码序列；将该二进制数字转换为十进制数字并将该十进制数字赋予该目标点；以此类推，获取池化图像中每个像素点的编码赋值从而得到相应的编码图像。
24.最后，计算该编码图像中每个像素点为中心点时其八邻域所有像素点像素值的均值，以每个像素点的像素值以及该像素点为中心点时其八邻域像素点的均值构建二元组为；其中，表示像素点的像素值，即该像素点的编码值；表示以该像素点为中心点时邻域像素点的像素值的均值；由于每个像素点的编码值的取值范围为0-255，因此根据每个二元组在该编码图像中出现的频率计算该编码图像的差异分布熵为：其中，表示编码图像的差异分布熵；表示二元组在该编码图像中出现的概率；表示对数函数运算。
25.由此获取每个编码图像对应的差异分布熵，由于每个池化图像对应一个编码图像，因此每个池化图像均对应一个差异分布熵，差异分布熵越大，表明该压片模具表面可能粘附的颗粒越多，则利用该压片模具冲压完成的磷化铝压片越可能存在异常缺陷。
26.步骤s300，基于所有表面图像对应的多个尺度的池化图像及其差异分布熵构建共生矩阵，根据共生矩阵获取压片模具的分类粘附系数，当分类粘附系数不为零时，压片模具冲压过的磷化铝压片存在异常缺陷。
27.由步骤s200中获取每个池化图像对应的差异分布熵，由于压片机在正常工作时，其压片模具的表面也会存在药物颗粒的粘附，但正常工作时压片模具的药物颗粒粘附较少，且整体分布较为均匀；当压片模具表面出现较大程度的药物颗粒粘附时，在对磷化铝压片的冲压制作时，可能会导致磷化铝压片的表面不光洁或者是有凹痕的现象，因此磷化铝压片的表面会出现缺陷，需要对压片模具表面药物颗粒粘附的粘附程度进行判断。
28.由步骤s100中获取压片模具对应的每张表面图像及其预处理后的灰度图像，获取
每张灰度图像中每个像素点的梯度值，对所有的梯度值进行归一化，梯度值的获取方法以及归一化方法为公知技术，不再赘述。基于归一化后的梯度值对灰度图像进行归一化为：其中，表示灰度图像中坐标位置为的像素点的归一化后的灰度值；表示灰度图像中归一化之前的最大梯度值；表示灰度图像中归一化之后的最大梯度值；表示灰度图像中坐标位置为的像素点的归一化前的灰度值；表示取整运算。
29.由于每张灰度图像均对应多张不同尺度下的池化图像，因此每张灰度图像对应多个差异分布熵，差异分布熵的取值范围为0-1,本发明实施例中根据差异分布熵的取值范围划分为10个级别，即差异分布熵为时为第1级别；差异分布熵为时为第2级别；以此类推，差异分布熵为时为第10级别；且本发明实施例中每张灰度图像对应了10个采样尺度的池化图像，每个采样尺度依次对应的一个尺度级别。
30.由于每张灰度图像对应一张表面图像，则基于所有表面图像对应的池化图像的尺度的级别以及差异分布熵的级别构建所有灰度图像对应的共生矩阵，共生矩阵的大小为10*10，共生矩阵的行元素为池化图像尺度的等级，共生矩阵的列元素为差异分布熵的等级；该共生矩阵中位置为的元素值为所有表面图像对应的池化图像中在第个尺度的级别下第个级别的差异分布熵出现的数量；基于该共生矩阵获取压片模具的分类粘附系数为：其中，表示压片模具的分类粘附系数；表示共生矩阵中位置为的元素值与共生矩阵中所有元素值之和的比值；表示池化图像的尺度的级别；表示差异分布熵的级别。
31.由此根据所有表面图像对应的池化图像得到压片模具的分类粘附系数，该分类粘附系数的取值为0时，说明该压片模具为正常工作时的药片颗粒粘附，则利用该压片模具冲压得到的磷化铝压片不存在异常缺陷情况；该分类粘附系数的取值越大，说明该压片模具粘附的药片颗粒越多，利用该压片模具对磷化铝压片进行冲压会导致磷化铝压片出现不平或者是出现凹痕的现象，则此时该压片模具冲压过的磷化铝压片存在异常缺陷。
32.进一步的，为了使的检测结果更加准确严谨，本发明实施例中还可以对此时压片模具刚冲压完成的磷化铝压片进行抽样检查或全检查，判断磷化铝压片表面是否存在异常缺陷，对磷化铝压片进行检查的方法可通过人工对磷化铝表面进行检查，或者是采用现有的仪器进行检测，利用仪器检查的方法为现有公知技术，不再详细赘述。
33.综上所述，本发明实施例提供一种基于数据处理的磷化铝压片表面缺陷检测方法，通过采集压片机的压片模具在冲压后的多张表面图像进行分析，将每张表面图像进行多尺度采样得到多张采样图像，然后对每张采样图像处理得到的池化图像进行编码赋值得到相应的差异分布熵，通过差异分布熵的大小对压片模具是否粘附药物颗粒进行初步判别；进一步基于所有表面图像对应的池化图像的差异分布熵以及尺度划分等级，基于不同等级的尺度和差异分布熵构建共生矩阵进行二次判别，通过得到的共生矩阵计算分类粘附系数判断压片模具表面是否粘附药物颗粒，利用压片模具表面是否粘附药物颗粒反映出压片模具冲压制作的磷化铝压片是否存在异常缺陷区域；避免了直接对磷化铝压片检测造成的额外破坏，提高了对磷化铝压片表面缺陷检测的准确性。
34.需要说明的是：上述本发明实施例先后顺序仅仅为了描述，不代表实施例的优劣。另外，在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中，多任务处理和并行处理也是可以的或者可能是有利的。
35.本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。
36.以上所述仅为本发明的较佳实施例，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。