[发明专利]一种视觉测量系统及其应用于药品种类识别的方法

说明书

本发明公开了一种视觉测量系统及其应用于药品种类识别的方法，涉及深度学习技术领域。本发明包括如下步骤：通过高分别率的相机采集到高质量的药品包装外观图片；将所有样本图片输入算法服务器中进行深度学习的网络训练；将训练合格的深度学习网络模型部署到工位端；工位端使用网络模型计算用于识别当前药品包装外观。本发明通过采用深度学习的方法、服务器、智能终端的结构，实现对药品包装的外观识别，完成药品分拣时的复核工作。本发明改变了传统视觉识别系统使用图像对比的方法识别药品盒外观的识别模式，解决药品盒数量巨大时，传统视觉识别系统反馈时间长，无法多工位同时运行的问题，有效的提高了药品种类识别的效率和准确率。

技术领域

本发明属于深度学习技术领域，特别是涉及一种视觉测量系统及其应用于药品种类识别的方法。

背景技术

目前市场上大多数视觉检测都是采用传统的视觉算法，传统算法是用图像比对的方式，为每一种药品生成对应的图像模板，并将模板数据储存至服务器中供使用时调取计算。但这种方式很不可靠，例如当包装有变形、摆放位置发生变化的时候，模板匹配的方式正确率将大幅度下降。而本系统采用深度学习的方式，没有比对的概念，它是一种理解和识别的行为方式，不需要人工额外地去标注药品的特征，只需要通过不断地训练，网络模型能够学习如何自动识别出药品种类。

发明内容

本发明的目的在于提供一种视觉测量系统及其应用于药品种类识别的方法，通过采用深度学习算法、服务器、工控机和相机的结构，使模型库与应用系统分离，将训练好的模型库加载于应用系统之中，操作人员在对每个SKU进行拍照后，经系统判断后即可同步输出结果，实现对药品盒的种类识别，解决了现有的药品盒数量巨大时，传统视觉识别系统反馈时间长，无法多工位同时运行的问题。

为解决上述技术问题，本发明是通过以下技术方案实现的：

本发明为一种视觉测量系统，包括影像服务器集群、WMS服务器、工位端和视觉测量软件系统；

所述影像服务器集群包括算法集群、数据库集群和主控服务器集群；所述算法集群用于完成深度学习网络模型的训练；所述数据库集群用于存储药品的图片、训练好的深度学习网络参数、系统日志数据；所述主控服务器集群用于客户端与服务器集群之间的通信和服务器任务调度、深度学习网络模型更新；

所述WMS服务器用于存储SKU的编号、名称、规格、品牌的药品信息、工单信息、工单影像复核结果以及工作日志；

所述工位端包括智能终端和工控机；所述智能终端用于运行预先训练好的深度学习网络，识别图像后将对应的SKU编号，发送到工控机；所述工控机用于实现与用户和与WMS系统之间的数据交互；

所述影像服务器集群和工位端均通过路由器与主干网络连接；所述WMS服务器直接与主干网络连接。

优选地，所述智能终端包括工业相机和PC端；所述视觉测量软件系统包括数据库图像采集模块、视觉采集及判定模块、AI智能识别模块、深度学习模型训练模块、深度学习网络发布模块、人机界面交互模块、配置维护模块、数据追溯模块、系统日志模块、对外数据接口模块；所述AI智能识别模块用于加载基于ResNet的深度学习网络模型；所述工业相机用于动态实时采集药品外包装的高质量图片；所述深度学习网络模型用于对工业相机采集的图像进行本地化处理，给出对药品的检索识别结果；所述深度学习模型训练模块用于提供一整套工具链辅助训练药品的深度学习网络模型的模块；所述深度学习网络发布模块用于通过PC端的ResNet深度学习网络模型生成的网络文件需要在多智能终端中被调用；所述人机交互模块用于当药品在工业相机的视野中被取像和识别判定时，实时的结果在人机交互界面上提醒和展示；所述配置维护模块用于保存业务过程中的所有业务数据；所述数据追溯模块用于对数据进行存储并进行配置管理；所述系统日志模块用于记录执行药品识别判定时指定药品与网络模型之间的对应关系；所述对外数据接口模块用于从外部获取初始的数据来源，并将药品识别结果发送至给外部的目标系统。