[发明专利]一种基于深度学习的颗粒产品缺陷检测方法

说明书

本发明公开了一种基于深度学习的颗粒状产品缺陷检测方法。本发明有至关重要的实际意义：第一，由于本发明方法训练集数据全面且均衡，传统算法所无法识别的目标本算法也能准确识别；第二，申请人选择在LAB颜色空间对目标区域和背景进行分离，能更好地消除光照变化的影响，提高准确率；第三，本发明基于C‑HOG特征和SVM分类算法检测颗粒产品目标，相较于传统NCC模板匹配算法，本检测方法速度更快，精度更高；最后，本发明针对颗粒状产品的特性，采用了改进的深度学习算法进行颗粒产品目标分类，能更精准地提取药片本身纹理信息，更准确地进行目标分类。相较于传统算法，本发明全面降低了检测的误检率和漏检率，大大降低了企业的生产成本，提高了生产效率。

技术领域

本发明涉及机器视觉领域，具体涉及机器视觉和深度学习技术在产品检测尤其是医药产品检测中的应用，更具体而言，涉及一种基于深度学习的颗粒产品缺陷检测方法。

背景技术

因为医药用品质量与药品使用者的生命健康息息相关，所以药品生产监控也具备非常严格的要求。在药品生产过程中，无可避免会产生破损、缺失、异色、漏粉、脏污、压泡等缺陷，这些带缺陷的残次药片必须准确地分拣出来。目前实际生产环境中，大多都是通过人工检测的方式分拣残次药片。这种通过肉眼检测的方式不仅具有极大的漏检率和误检率，而且速度较慢，严重制约药品生产质量和生产速度。

针对这一问题，目前国内外也有机构进行了研究，如公开号为CN101354360B的中国专利申请，发布了一种名为“铝/铝泡罩包装的胶囊或药片检测方法”的发明，该检测方法的主要原理是：在药品生产过程中，由激光器发射激光射线，并保持该射线与铝基药板中每行泡罩的中心点连线平行，从斜上方射向已封装过胶囊或药片的铝基药板。随着传送带的移动，当激光正好射到泡罩上时，会在药板平面上产生一条随泡罩高度变化的曲线，利用放置于铝基药板正上方的相机拍摄药板，即可获得凹凸曲线的图像。接着，再由计算机处理所得图像，利用图像处理软件分析并输出检测结果。但是，该检测方法采用传统的图像处理算法进行检测，系统的使用范围窄，检测的误检率和漏检率高，在使用过程中劣势明显，难以推广。

此外，该方法中需要采用激光进行照射，成本高、对照射精度要求高，鲁棒性差。

发明内容

针对现有技术的不足，本发明提出了一种基于深度学习的颗粒状产品缺陷检测方法，该检测方法速度快，鲁棒性强，适应范围广，误检率和漏检率低，达到了降低产品生产成本，提高产品生产效率的目的。采用本发明的方法之后，不需要使用激光作为光源就可以对药片产品进行检测。

具体而言，本发明提供一种基于深度学习的颗粒产品缺陷检测方法，其特征在于，所述方法包括利用工业相机获得目标产品的图像并基于所获得图像通过神经网络进行缺陷识别。

在另一种优选实现方式中，所述颗粒产品缺陷检测方法包含下述步骤：

步骤S1、获取目标产品的图像；

步骤S2、去除所述图像中的背景信息；

步骤S3、对所有图像进行类别划分和标注；

步骤S4、构建神经网络结构，利用经标注的图像数据进行神经网络权重训练；

步骤S5、基于经训练的模型，利用被检测产品的图像对被检测产品进行检测。

在另一种优选实现方式中，在训练阶段所采用的目标产品的图像包括不同光照、不同视角和不同形态的缺陷目标。

在另一种优选实现方式中，所述颗粒产品为封装于铝基药板中的药片。

在另一种优选实现方式中，所述步骤S2包括对目标图像进行空间转换并基于转换后的图像进行图像分割，去除图像背景获得目标区域。

在另一种优选实现方式中，所述步骤S2还包括对目标图像进行HOG特征提取。