基于醫(yī)藥大輸液可見異物檢測系統(tǒng)的次品剔除分揀裝置的制造方法
【技術領域】
[0001] 本發(fā)明屬于自動化技術領域，涉及一種基于醫(yī)藥大輸液可見異物檢測系統(tǒng)的次品 剔除分揀裝置。
【背景技術】
[0002] 為了保證設備有序生產(chǎn)和生產(chǎn)質(zhì)量，如何將檢測出的次品從合格品中快速、穩(wěn)定 地分離出來，是一個極具挑戰(zhàn)性的課題。根據(jù)現(xiàn)有的分揀方法來說，次品剔除方式有直接擊 出式剔除、擺動式剔除等；根據(jù)實際調(diào)試經(jīng)驗，盛裝大輸液的容器為玻璃瓶時，采用直接剔 除或擺動式剔除方案，雖然結構簡單，占用空間小，但剔除的力度很難把握且會產(chǎn)生藥瓶相 碰、倒瓶或藥瓶滾動現(xiàn)象，這可能會直接導致藥瓶瓶體的震裂或藥瓶封裝部分的損壞。在大 輸液生產(chǎn)制造過程中，為了便于后續(xù)對產(chǎn)生次品的原因進行分析，需要設計一種裝置將具 有不同缺陷的大輸液輸出至不同的區(qū)域，且保證次品剔除模塊的穩(wěn)定性。

【發(fā)明內(nèi)容】

[0003] 鑒于上述問題，本發(fā)明的目的提供一種基于醫(yī)藥大輸液可見異物檢測系統(tǒng)的次品 剔除分揀裝置，巧妙的利用分割器及伺服驅(qū)動裝置，并結合IDS-ELM分類算法區(qū)分各含有 不同類型可見異物的大輸液次品，將藥瓶按"不同優(yōu)先級"將相應次品分揀至不同的次品區(qū) 域，確保大輸液可見異物檢測系統(tǒng)的準確檢測，且藥瓶不發(fā)生破損。
[0004] 一種基于醫(yī)藥大輸液可見異物分類識別檢測系統(tǒng)的次品剔除分揀裝置，包括分割 器、擺板、驅(qū)動裝置、夾持氣缸以及夾持手指；
[0005] 所述擺板的一端安裝在所述分割器的主軸上，所述驅(qū)動裝置設置于擺板上；
[0006] 所述驅(qū)動裝置包括電機、電機安裝座、氣缸安裝座及絲桿；所述電機通過電機安裝 座固定在擺板上，所述絲桿的兩端分別通過第一軸承和第二軸承安裝于固定在擺板上的第 一軸承座和第二軸承座上，且絲桿的一端通過聯(lián)軸器由電機驅(qū)動，另一端上設置有氣缸安 裝座；
[0007] 所述夾持氣缸安裝在氣缸安裝座下方；
[0008] 所述夾持手指設置在夾持氣缸上；
[0009] 所述分割器和電機均受控于醫(yī)藥大輸液可見異物分類識別檢測系統(tǒng)的PLC控制 單元。
[0010] 所述夾持手指內(nèi)側設置有夾持墊。
[0011] 所述PLC控制單元發(fā)出的控制指令依據(jù)待檢測的大輸液瓶的識別分類結果發(fā)出， 不同的分類結果，分割器的主軸旋轉角度與上升高度不同，將夾持氣缸夾起的大輸液瓶放 至對應的異物類，完成大輸液瓶的剔除與分類；
[0012] 所述大輸液瓶的識別分類過程如下：
[0013] 步驟1)連續(xù)獲取正在檢測大輸液的原始圖像；
[0014] 步驟2)圖像預處理；
[0015] 對步驟1)獲取的每一幀大輸液圖像采用基于Top-Hat形態(tài)學濾波處理，得到濾波 圖像；
[0016] 步驟3)圖像分割；
[0017] 對步驟2)獲得的濾波圖像采用差分法進行圖像分割，獲得分割圖像；
[0018] 步驟4)缺陷邊緣提?。?br>[0019] 從步驟3)獲取的分割圖像中提取大輸液圖像中的缺陷邊緣；
[0020] 所述缺陷包括可見異物或氣泡，所述可見異物包括玻璃肩、毛發(fā)或漂浮物，所述漂 浮物包括橡膠肩或纖維；
[0021 ] 步驟5)提取缺陷的特征向量；
[0022] 從步驟4)獲得的缺陷邊緣中選取用于描述缺陷的特征參數(shù)，形成缺陷的特征向 量；
[0023] 所述特征參數(shù)包括形狀特征參數(shù)、灰度特征參數(shù)及運動特征參數(shù)；
[0024] 所述形狀特征參數(shù)包括缺陷目標面積S、缺陷目標占有率K及缺陷的7個幾何不變 矩，其中，缺陷目標占有率是指缺陷目標區(qū)域的像素個數(shù)和與缺陷目標區(qū)域的最小外接矩 形面積之比；
[0025] 所述灰度特征參數(shù)包括缺陷目標區(qū)域的灰度均值及缺陷目標區(qū)域的灰度標準 差；
[0026] 所述運動特征參數(shù)包括缺陷目標的中心點的橫坐標和縱坐標；
[0027] 步驟6)可見異物與氣泡分類識別；
[0028] 對提取的缺陷目標的特征向量運用ELM網(wǎng)絡模型實現(xiàn)缺陷目標的分類識別，若缺 陷目標的分類識別結果為可見異物，則對應的大輸液屬于不合格品，并依據(jù)分類結果獲得 大輸液中包含的缺陷類別；
[0029] 所述ELM網(wǎng)絡模型的構建過程如下：首先設定ELM算法網(wǎng)絡模型中輸入節(jié)點 為13個，輸出節(jié)點為4個，隱含層節(jié)點個數(shù)范圍為100-400,隱含層節(jié)點的激活函數(shù)包括 Hardlim、Sin或sigmoid函數(shù)；
[0030] 其次，選用已知缺陷類別的訓練樣本特征向量集輸入ELM算法網(wǎng)絡模型，對其進 行訓練，獲得已訓練好的ELM網(wǎng)絡模型。
[0031] 所述步驟6)中運用的ELM網(wǎng)絡模型采用IDS-ELM算法構建，具體步驟如下：
[0032]Stepl:給定樣本數(shù)據(jù)集N(Xi,tj，從給定樣本數(shù)據(jù)集中選取訓練集，X;表示第i個 樣本，h表示第i個樣本的分類結果；
[0033]St印2:建立ELM網(wǎng)絡模型fL (Xl);
[0034] 選定初始網(wǎng)絡模型隱含層節(jié)點個數(shù)L= 400、隱含層偏移值激活函數(shù)為sigmoid， 在（〇, 1)中隨機選取輸入層連接隱含層的權值向量％和偏移量b];
[0035]
[0036] 其中，ω』=(ω.n,co.j2,…，示第j個隱含層節(jié)點與輸入節(jié)點之間的連接 權值向量，bj表示第j個隱含層節(jié)點的偏移值，β(βη，βj2, . ..，βjni)T表示第j個隱 含層節(jié)點與輸出節(jié)點之間的連接權值向量；〇 (。n，。12, . . .，。1Π1)Τ為第i個樣本對應 的網(wǎng)絡模型輸出，g(x)為sigmoid激活函數(shù)，η取值為13,m取值為4 ;〇;表示第i個樣本 經(jīng)ELM網(wǎng)絡模型輸出的分類結果；
[0037] St印3 :令〇1=ti，計算ELM網(wǎng)絡模型隱含層輸出矩陣H，根據(jù)β=H+T計算ELM 網(wǎng)絡模型隱含層與輸出層的連接權值，T為ELM網(wǎng)絡模型的輸出矩陣，計算ELM網(wǎng)絡模型的 訓練精度trainO和訓練時間timeO;
[0038] Step4 :計算每個隱含層節(jié)點的影響度I,并按降冪排序，獲得排序后的隱含層節(jié) 占.
[0039]
[0040] 1 ，. .J'--1
[0041] 其中，g.j(Xi)=，1 <i<N，1 <j<L，a為輸入層權值向量景多響因子， ae(〇, 1)；
[0042] St印5 :對ELM網(wǎng)絡模型進行第一次剪枝；
[0043] 從st印4獲得的排序后的隱含層節(jié)點中，選擇前λ個隱含層節(jié)點，λe[1，5]，且 λ為正整數(shù)；將其從ELM網(wǎng)絡模型中刪除，同時，計算第一次剪枝后的ELM網(wǎng)絡模型訓練精 度trainl，并按照st印4重新計算第一次剪枝后的ELM網(wǎng)絡模型中每個隱含層節(jié)點的影響 度，且按降冪排序；
[0044] 計算剪枝系數(shù)
Μ為向上取整符號；
[0045] St印6 :對ELM網(wǎng)絡模型進行第二次剪枝；
[0046] 以η·λ作為第二次剪枝的隱節(jié)點個數(shù)，從Step5得到的降冪排序的隱含層節(jié)點 中，選取前η·λ個隱含層節(jié)點對step5獲得的第一次剪枝后的ELM網(wǎng)絡模型進行剪枝， 并計算第二次剪枝后的ELM網(wǎng)絡模型訓練精度train2 ;
[0047] step7:找回第二次剪枝操作中，被刪除的影響度最大的隱含層節(jié)點，將其重新加 入到st印6獲得的ELM網(wǎng)絡模型中，同時計算更新后的ELM網(wǎng)絡模型的訓練精度train3 ;
[0048] St印8 :從st印6獲得的ELM網(wǎng)絡模型中剪掉一個影響度最小的隱含層節(jié)點，得到 更新后的ELM網(wǎng)絡模型的訓練精度為train4 ;
[0049] St印9 :確定ELM網(wǎng)絡模型最終隱節(jié)點個數(shù)為U，訓練精度為train，并取train =max(train2,train3,train4)，訓練時間為time:
[00￡
[0051] SteplO:利用矛盾線性方程組的最小范數(shù)最小二乘解求得網(wǎng)絡隱含層與輸出層連 接權值矩陣，β' = (Η' )*T，并更新輸入層連接隱含層的權值向量《,和偏移量b,， 獲得已訓練好的最終ELM網(wǎng)絡模型；
[0052] 其中，f為最終ELM網(wǎng)絡模型的輸出層矩陣。
[0053] 所述形態(tài)學濾波處理過程中，選用7X7的圓形模板作為結構元素對原圖像進行 高帽形態(tài)學濾波。
[0054] 在所述步驟3)中采用基于最大信息熵的幀間差分法進行圖像分割，具體步驟如 下：
[0055] 首先將連續(xù)獲取的序列圖像進行差分操作，得到差分圖像；
[0056] 其次，計算差分后圖像二值化閾值T0:
[0057] 分別計算待檢測圖像的目標區(qū)域中像素總個數(shù)N2和灰度為i的像素點所占的比 例Pl，利用下面兩式來計算背景和異物灰度值的分布：
[0058]
[0059]
[0060] 其中，表示灰度i的最大值，則背景和目標的信息熵H(A)、H⑶分別 ：/=0 可由下面兩個公式計算：
[0061]
[0062]
[0063] 由上兩式可求取待檢測圖像的總信息熵為Φ(s) =H(A)+H(B)，當使Φ(s)取最大 值時，獲得差分后圖像二值化閾值T0 ;
[0064] 最后，利用差分后圖像二值化閾值TO將差分后的圖像按下式做二值化處理，將得 到的二值化圖像中每個像素點進行與操作，得到的對稱差分二值圖像，完成圖像分割：
[0065]
[0066] 采用SUSAN算法從步驟3)獲取的分割圖像中提取大輸液圖像中的缺陷邊緣，具體 步驟如下：
[0067] 利用掩膜來遍歷對稱差分二值圖像中目標區(qū)域的每一個像素，并將掩膜中心像素 點和掩膜區(qū)域內(nèi)每一個像素點做灰度值比較，記錄灰度差值小于設定灰度差值閾值的像素 點，并將記錄的像素點組成USAN區(qū)域；
[0068] 掩膜內(nèi)除中心點外所有像素點的像素值利用下式計算：
[0069]
[0070]r。是圖像核所在的位置，r表示模板中其余點所處的位置，I(r。）表示圖像核心點 的像素值，I(r)表示圖像模板中其它點的像素值；
[0071] 然后利用下式來計算掩膜區(qū)域的USAN值：
[0072]
[0073] 其中，（X。，y。）表示是當前掩膜中心點，（X，y)表示當前掩膜除中心點外的像素點，