[发明专利]基于深度分割网络的包覆药形状缺陷检测算法

说明书

本发明公开了一种基于深度分割网络包覆药形状缺陷智能检测算法，属于智能制造和机器视觉领域。本发明所述方法使用图像增广等预处理方式对数据集进行扩充，利用深度分割神经网络得到包覆药的分割图像，并提取包覆药周长、面积、矩形比等形状特征，实现包覆药形状缺陷的初分类；根据分割图像外接矩形对输入图像进行裁剪，通过分类神经网络对裁剪后的包覆药图像进行分类，并联合初分类结果实现包覆药的再分类，同时进行决策；最后，中央控制器根据决策信息控制相应的机械装置，实现具有形状缺陷包覆药的智能离群。本发明所述方法可以准确地检测到包覆药形状缺陷的类型，解决了传统人工手选方式导致的选药质量不稳定、生产产能低等问题。

技术领域

本发明属于智能制造和机器视觉领域，具体涉及基于深度分割网络的包覆药形状缺陷检测算法。

背景技术

由于包覆药生产技术封闭性和保密性等特点，化工厂在包覆药选药工艺环节依旧采用人工手选的方式，选药质量不稳定、生产产能低，成为工厂进一步提升产能的“卡脖子”环节。近年来，随着人工智能、机器视觉等技术与化工装备制造领域的不断融合，机器视觉为传统工业生产技术转型带来了新的机遇，尤其在大批量、自动化生产线上的应用更加广泛。但是针对包覆药缺陷特征多样性、生产环境复杂性等特点，传统机器视觉在鲁棒性、可用性、可迁移性等方面表现欠佳，而且传统机器视觉受光照因素影响较大，工厂必须配套额外的补光装置完成缺陷检测任务。人工智能、机器视觉等技术的出现推动了生产技术现代化进程，促使工厂向着“智能化”方向升级转型。

为此，应用机器视觉技术实现包覆药形状缺陷智能检测，使之能提升工厂生产产能，提高选药质量。

发明内容

发明目的：针对包覆药在选药环节存在的选药质量不稳定、生产产能低等问题，本发明提供了基于深度分割网络的包覆药形状缺陷智能检测算法。通过本发明方法构建了基于深度分割网络的包覆药形状缺陷智能检测算法，旨在通过计算机视觉技术，完成包覆药形状缺陷智能检测，具有较好地鲁棒性与可迁移性，解决了工厂进一步提升产能的“卡脖子”环节。

技术方案：基于深度分割网络的包覆药形状缺陷检测算法，提出了一种利用深度分割网络来精确检测包覆药形状缺陷，并进行智能决策的解决方案，具体包括以下步骤：

步骤1，每张图像按照亮度增强、对称翻转、增加噪声图像增广的预处理方式实现数据集扩充，并完成数据标注任务，得到分割训练数据集；

步骤2，根据包覆药实际尺寸信息和步骤1采集到的图像数据信息，通过棋盘格方法完成相机的标定，确定包覆药实际尺寸与像素尺寸之间的关系；

步骤3，搭建深度分割神经网络，并利用步骤1生成的分割训练数据集训练该神经网络，得到训练好的网络参数；

步骤4，将步骤1的分割训练数据集和实际生产线生成的分割应用数据集输入到步骤3训练好的深度分割神经网络中，得到包覆药的分割信息；

步骤5，利用Open CV库函数对步骤4生成的包覆药分割信息进行处理，得到包覆药周长、面积、矩形比形状信息及包覆药的边界矩形，并基于包覆药形状信息完成包覆药的初分类；同时根据包覆药边界矩形对输入图像进行裁剪，裁剪后的图像作为分类神经网络的输入，其中，将步骤4中的分割训练数据集裁剪后的图像数据作为分类训练数据集，分割应用数据集裁剪后的图像数据作为分类应用数据集；

步骤6，搭建分类神经网络，并利用步骤5生成的分类训练数据集训练该分类神经网络，得到训练好的网络参数；

步骤7，将步骤5得到的分类应用数据集输入步骤6训练好的神经网络当中，并联合步骤5得到的初分类结果完成包覆药的再分类，同时做出决策：若包覆药为过长包覆药、过短包覆药、斜角包覆药及粘连包覆药，则包覆药检测结果为缺陷包覆药；若包覆药为正常包覆药，则包覆药检测结果为正常包覆药；

步骤8，中央控制器将步骤7得到的检测结果作为输出信号，控制机械装置动作，实现缺陷包覆药的智能离群。