【技术实现步骤摘要】
本专利技术公开了一种基于高光谱图像的无监督医药异物检测方法及系统，属于医药高光谱图像异物检测技术。
技术介绍
1、目前常见的医药异物检测技术主要基于机器视觉图像。但是基于机器视觉图像方法的检测效果容易受到药液中气泡的影响，导致这些基于机器视觉图像的方法的误检率较高，一定程度上限制了其应用范围。另外，仅仅依靠机器视觉图像的检测方法，无法区分液体药品中的异物是液体药品中的蛋白质沉淀还是金属碎屑、橡胶等异物。上述这些情况使得现有技术在医药质量检测环节中精度不足，误检率过高，难以满足人们对医药质量安全方面的需求。
2、申请号为cn202211638549.4的中国专利公开了一种基于边界分布注意力的医药质量检测方法及系统，采用的边界分布是通过目标检测算法中获取最终回归框，利用含标签的数据集对所提出的模型进行训练，最终获得该回归框，即最终的检测结果，这个检测结果是非像素级，检测结果在分辨液体药品中的蛋白质沉淀以及金属碎屑、橡胶等异物上不够精确，而且需要大量有标签的数据对模型进行训练。
3、申请号为cn202110634697.8的中国专利公开了一种医药异物高光谱分类检测方法，采用医药高光谱图像数据降维后实现医药异物分类检测，该方案仅对医药高光谱图像的光谱维度进行了pca降维，原始医药高光谱图像的冗余度高，造成后续模型检测速度降低，而且没有排除非药液区域图像数据，容易对药液区域图像数据的检测结果造成干扰。
4、申请号为cn202210493427.4的中国专利公开了一种基于自动编码器的医药高光谱异物检测方法
5、综上，现有技术提出了采用医药高光谱图像数据来对医药异物进行识别检测，但在数据处理以及对药物中异物识别的精准度方面还存在不足，存在误检率过高的问题。
技术实现思路
1、本专利技术解决的技术问题是：针对现有医药异物检测技术存在的精度不足、误检率过高的问题，提供一种基于高光谱图像的无监督医药异物检测方法及系统。
2、本专利技术采用如下技术方案实现：
3、一种基于高光谱图像的无监督医药异物检测方法，包括如下步骤：
4、s1、获取用于模型训练的待测药品的初始高光谱图像其中，w为初始高光谱图像的宽度，h为初始高光谱图像的高度，c为初始高光谱图像的光谱维数；
5、s2、对初始高光谱图像的空间维度和光谱维度进行降维处理，获得降维高光谱图像w’为降维后的药品高光谱图像的宽度，h’为降维后的药品高光谱图像的高度，c’为降维后的药品高光谱图像的光谱维数；
6、s3、将降维高光谱图像划分局部区域，获取纯净的降维高光谱图像的高光谱背景数据b，bi为第i个大小为1*c’的高光谱背景光谱向量，l为背景光谱向量总数，其中l≤w'*h'；
7、s4、基于变分自编码器构建药品高光谱重构模型，利用步骤s3获取的高光谱背景数据b训练所述药品高光谱重构模型的权重参数；
8、s5、将待测药品的降维高光谱图像输入训练完成的药品高光谱重构模型获得重构高光谱图像通过重构高光谱图像的像素与步骤s2中降维高光谱图像的像素之间的均方误差得到医药异物检测结果图。
9、在本专利技术的一种基于高光谱图像的无监督医药异物检测方法中，具体的，采用高光谱相机拍摄待测药品的原始高光谱图像h0’，对待测药品的原始高光谱图像进行黑白校正，分别采集黑色背景图像idark和白色背景图像iwhite，通过下式计算得到校正后的初始高光谱图像h0：
10、
11、在本专利技术的一种基于高光谱图像的无监督医药异物检测方法中，具体的，所述步骤s2中，采用主成分分析法对初始高光谱图像的光谱维度进行降维，然后通过边缘检测算法对初始高光谱图像的空间维度进行降维，具体包括如下子步骤：
12、s21、计算初始高光谱图像每个波段对应像素的均值和标准差，然后对每个波段的均值和标准差进行标准化处理，使得每个波段的均值为0，方差为1，消除不同波段之间的差异；
13、s22、对标准化后的初始高光谱数据进行主成分分析降维，获得光谱维度降维后的中间高光谱图像
14、s23、选取中间高光谱图像在特征值最大的波段cmax处的灰度图利用canny边缘检测算法获取中间高光谱图像的第一边缘提取图通过计算第一边缘提取图m1中每列边缘提取图的像素累加值集合c以及每行边缘提取图的像素累加值集合r，其中c＝{c1,c2,…,ci,…,cw}，ci为第i列第一边缘提取图的像素累加值，r＝{r1,r2,…,ri,…,rh}，ri为第i行第一边缘提取图的像素累加值，通过比较相邻行/列的像素累加值，取像素累加值差异最大的行/列得到药液区域的四条边界，并依据该四条边界依次对中间高光谱图像进行空间维度的降维，得到最终的降维高光谱图像
15、在本专利技术的一种基于高光谱图像的无监督医药异物检测方法中，具体的，所述步骤s3包括如下子步骤：
16、s31、将降维高光谱图像划分为局部高光谱图像集合p1，其中，n为局部高光谱图像的总数，p1i为第i个大小为3*3*c'的局部高光谱图像，若图像边界处无法整除进行补零操作；
17、s32、对局部高光谱图像选择主成分分析中特征值最大对应的波段cmax，利用canny边缘检测算法获取局部高光谱图像的第二边缘提取图m2，m2∈rw'*h'，将第二边缘提取图划分为局部边缘提取图像集合p2，其中，n为局部边缘提取图像的总数，p2i为第i个大小为3*3的局部边缘提取图像，若图像边界处无法整除进行补零操作；
18、s33、对局部边缘提取图像集合p2中的每个局部边缘提取图像计算像素和si，若像素和si≥1，则舍弃降维高光谱图像中对应的3*3*c'大小的局部高光谱图像p1i，得到局部高光谱图像集合，局部高光谱图像集合中的每个像素构成纯净的降维高光谱图像的高光谱背景数据b。
19、在本专利技术的一种基于高光谱图像的无监督医药异物检测方法中，具体的，所述步骤s4中，所述变分自编码器包括编码器和解码器两部分，所述编码器对输入的降维高光谱图像的背景像素进行编码，所述解码器利用编码后的数据对输入降维高光谱图像的背景像素进行解码，重构生成与输入降维高光谱图像的相似样本。
20、在本专利技术的一种基于高光谱图像的无监督医药异物检测方法中，具体的，所述变分自编码器的药品高光谱重构模型的损失函数包括kl散度项lkl和重构误差项lerror；
21、所述编码器在训练阶段，编码器损失len等于lkl，通过下式优化kl散度项lkl，
22、
23、表示隐变量分布，μ本文档来自技高网...
【技术保护点】
1.一种基于高光谱图像的无监督医药异物检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于高光谱图像的无监督医药异物检测方法，其特征在于：
3.根据权利要求1所述的一种基于高光谱图像的无监督医药异物检测方法，其特征在于：
4.根据权利要求1所述的一种基于高光谱图像的无监督医药异物检测方法，其特征在于，
5.根据权利要求1所述的一种基于高光谱图像的无监督医药异物检测方法，其特征在于：
6.根据权利要求5所述的一种基于高光谱图像的无监督医药异物检测方法，其特征在于：
7.根据权利要求1所述的一种基于高光谱图像的无监督医药异物检测方法，其特征在于：
8.一种基于高光谱图像的无监督医药异物检测系统，其特征在于，包括：
9.根据权利要求8所述的一种基于高光谱图像的无监督医药异物检测系统，其特征在于：
10.根据权利要求8所述的一种基于高光谱图像的无监督医药异物检测系统，其特征在于：
【技术特征摘要】
1.一种基于高光谱图像的无监督医药异物检测方法，其特征在于，包括如下步骤：
2.根据权利要求1所述的一种基于高光谱图像的无监督医药异物检测方法，其特征在于：
3.根据权利要求1所述的一种基于高光谱图像的无监督医药异物检测方法，其特征在于：
4.根据权利要求1所述的一种基于高光谱图像的无监督医药异物检测方法，其特征在于，
5.根据权利要求1所述的一种基于高光谱图像的无监督医药异物检测方法，其特征在于：
【专利技术属性】
技术研发人员：张辉，王可，刘立柱，袁小芳，毛建旭，王耀南，
申请(专利权)人：湖南大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。