基于深度学习的透明药瓶底部缺陷检测装置与检测方法制造方法及图纸

本发明专利技术公开的基于深度学习的透明药瓶底部缺陷检测装置包括工业计算机、精密调节机构、精密限位机构、药瓶加紧机构、图像采集装置、图像处理与检测系统、工业相机精密调节平台和成像机构，检测方法包括获取彩色图像；采用直方图均衡化、拉普拉斯算子、对数Log变换、伽马变换等图像增强；寻找灰度图的目标边缘轮廓并做边界定位；通过角度得到仿射变换矩阵，对图像进行矫正；判断出目标所处图像的位置，并做定位点；采用矩形框选目标区域，并截取出目标；获得最终数据漂洗后的图像；漂洗后的图像导入药瓶图像深度学习检测算法中，得到合格药瓶概率值与缺陷药瓶概率值的两个概率值并做归一化，比较两概率值的大小，获得最优决策的概率值。

【技术实现步骤摘要】
基于深度学习的透明药瓶底部缺陷检测装置与检测方法
本专利技术自动光学检测
，具体涉及一种基于深度学习算法的透明塑料药瓶底部多种缺陷检测装置与检测方法。
技术介绍
透明塑料药瓶是主要用于灌装葡萄糖与生理盐水的包装瓶,瓶底缺陷严重阻碍了药瓶的正常使用，有时还会造成瓶底穿孔，甚至会污染药瓶内部的药液，对人体生命造成威胁。目前，最普遍、最传统的方法是人工目视检测方法，这种方法效率低，劳动强度大，且仅能检测少许几种底部缺陷。又受操作者的疲劳度、责任心或经验等主观因素以及其它非人为客观因素的制约，往往会出现漏检，致使不合格产品流入到药品生产厂家,从而给最终消费者带来很大的损失及危害。目前，目视法已经无法满足医药生产厂家对于流水线高效率、高质量的要求。公开号为CN109406534A的中国专利提出了一种药瓶底部拉环缺陷检测装置与方法。该方法通过采用高亮LED背光光源与球积分光源进行暗场成像，利用图像检测控制器采用缺陷检测方法对获得图像进行分析处理，对目标区域进行特征选取，并根据选取的特征对目标区域进行特征值计算，最后根据合格样品的特征值分布区域本文档来自技高网...

【技术保护点】
1.一种基于深度学习的透明药瓶底部缺陷检测装置，其特征在于：包括工业计算机、精密调节机构、精密限位机构、药瓶加紧机构、图像采集装置、图像处理与检测系统、工业相机精密调节平台和成像机构，所述精密调节机构包含高亮球积分光源调节支架，高亮背光光源调节支架，相机调节支架和光电传感器调节支架，所述成像机构包括高亮球积分光源、高亮背光光源和光路筛选机构，所述图像采集装置工业相机和传感器，所述计算机平台通过工业相机摄像的图像，通过数据漂洗与检测系统得到药瓶是否合格的结果。/n

【技术特征摘要】
1.一种基于深度学习的透明药瓶底部缺陷检测装置，其特征在于：包括工业计算机、精密调节机构、精密限位机构、药瓶加紧机构、图像采集装置、图像处理与检测系统、工业相机精密调节平台和成像机构，所述精密调节机构包含高亮球积分光源调节支架，高亮背光光源调节支架，相机调节支架和光电传感器调节支架，所述成像机构包括高亮球积分光源、高亮背光光源和光路筛选机构，所述图像采集装置工业相机和传感器，所述计算机平台通过工业相机摄像的图像，通过数据漂洗与检测系统得到药瓶是否合格的结果。


2.如权利要求1所述的基于深度学习的透明药瓶底部缺陷检测装置，其特征在于：所述精密调节机构包括高亮球积分光源调节支架，高亮背光光源调节支架，相机调节支架和光电传感器调节支架都是采用精密线性滑台。


3.如权利要求1所述的基于深度学习的透明药瓶底部缺陷检测装置，其特征在于：所述成像机构，光路筛选机构平放在高亮球积分光源上，并且筛选机构的边缘挡光面与药瓶底部区域边缘轮廓重合。


4.如权利要求1所述的基于深度学习的透明药瓶底部缺陷检测装置，其特征在于：所述高亮球积分光源、高亮背光光源相连着光源控制器，所述高亮球积分光源位于所述透明药瓶的下方，并与透明药瓶保持15cm-10cm的距离。


5.如权利要求1所述的基于深度学习的透明药瓶底部缺陷检测装置，其特征在于：所述高亮背光源在相机的水平方向上，并距离药瓶最外径距离为5cm-10cm的距离，呈垂直状态。


6.如权利要求1所述的基于深度学习的透明药瓶底部缺陷检测装置，其特征在于：所述图像采集装置，工业相机距离透明药瓶距离为32.2cm-36.7cm，所述工业相机还连接有光电传感器，所述光电传感器正对所述透明药瓶的瓶口位置并与瓶口的距离为5cm-10cm的距离。


7.一种基于深度学习的透明药瓶底部缺陷检测方法，其特征在于：包括以下步骤：
所述深度学习算法的运行流程包括训练、推理两个过程，其数据漂洗方法包含于训练于推理部分中：
对于第一个过程：在训练中，采用了Python语言在Pycharm的集成开发环境下，进行开发实现，对于深度学习的模型，采用了Tensorflow、Keras、Theano、Caffe等开源框架，构建了具有高识别率的深度学习网络模型，其主要流程为：
第一步：收集训练图像并筛选出优质出图像，使得网络模型更好的学习特征；
第二步：对图像进行数据漂洗，包括以下步骤：
步骤1、获取透明药瓶底部积料区域的彩色图像；
步骤2、将所述彩色图像做一个线性变换，具体可以采用直方图均衡化、拉普拉斯算子、对数Log变换、伽马变换；
步骤3、将所述彩色图像分解为R、G、B三个单通道图像，并获取G通道灰度图像后，通过特征提取分析，提取边缘图像，寻找灰度图的目标边缘轮廓并做边界定位；
步骤4、通过定位的边缘轮廓，通过角度得到仿射变换矩阵，对图像进行矫正；
步骤5、通过目标边缘轮廓，可以判断出目标所处图像的位置，并...

【专利技术属性】
技术研发人员：钟球盛，吴隽，邓白君，侯文峰，林嘉豪，周永乾，王伯飘，吴佳龙，林荣墩，庞炯林，陈炜信，薛文健，袁定荣，李耀淳，陈雄，龙纪元，陈信年，蒙威，
申请(专利权)人：广州番禺职业技术学院，
类型：发明
国别省市：广东;44