[发明专利]一种250ml医药大输液可见异物与气泡的分类识别检测方法

摘要

本发明公开了一种250ml医药大输液可见异物与气泡的分类识别检测方法，包括以下步骤：1)连续获取正在检测大输液多帧图像；2)图像预处理：对图像采用基于Top‑Hat形态学滤波；3)图像分割：对滤波后的图像采用基于最大信息熵的帧间差分法得到分割后的图像；4缺陷边缘提取：采用SUSAN算法来提取可见异物与气泡的边缘；5)图像特征提取算法：通过研究分析缺陷的特征提取用于描述可见异物与气泡的形状、灰度、运动特征参数6)缺陷分类识别：运用IDS‑ELM算法实现可见异物与气泡的识别与分类。实现了可见异物与气泡的分类识别，能高精度地分类识别各类缺陷并将含有不同类型的缺陷剔除至不同的次品区域。

主权项

1.一种250ml医药大输液可见异物与气泡的分类识别检测方法，其特征在于，包括以下步骤：步骤1)连续获取正在检测大输液的原始图像；步骤2)图像预处理；对步骤1)获取的每一帧大输液图像采用基于Top‑Hat形态学滤波处理，得到滤波图像；步骤3)图像分割；对步骤2)获得的滤波图像采用差分法进行图像分割，获得分割图像；步骤4)缺陷边缘提取；从步骤3)获取的分割图像中提取大输液图像中的缺陷边缘；所述缺陷包括可见异物或气泡，所述可见异物包括玻璃屑、毛发或漂浮物，所述漂浮物包括橡胶屑或纤维；步骤5)提取缺陷的特征向量；从步骤4)获得的缺陷边缘中选取用于描述缺陷的特征参数，形成缺陷的特征向量；所述特征参数包括形状特征参数、灰度特征参数及运动特征参数；所述形状特征参数包括缺陷目标面积S、缺陷目标占有率K及缺陷的7个几何不变矩，其中，缺陷目标占有率是指缺陷目标区域的像素个数和与缺陷目标区域的最小外接矩形面积之比；所述灰度特征参数包括缺陷目标区域的灰度均值及缺陷目标区域的灰度标准差；所述运动特征参数包括缺陷目标的中心点的横坐标和纵坐标；步骤6)可见异物与气泡分类识别；对提取的缺陷目标的特征向量运用ELM网络模型实现缺陷目标的分类识别，若缺陷目标的分类识别结果为可见异物，则对应的大输液属于不合格品，并依据分类结果获得大输液中包含的缺陷类别；所述ELM网络模型的构建过程如下：首先设定ELM算法网络模型中输入节点为13个，输出节点为4个，隐含层节点个数范围为100‑400，隐含层节点的激活函数包括Hardlim、Sin或sigmoid函数；其次，选用已知缺陷类别的训练样本特征向量集输入ELM算法网络模型，对其进行训练，获得已训练好的ELM网络模型；所述步骤6)中运用的ELM网络模型采用IDS‑ELM算法构建，具体步骤如下：Step1：给定样本数据集N(xi,ti)，从给定样本数据集中选取训练集，xi表示第i个样本，ti表示第i个样本的分类结果；Step2：建立ELM网络模型fL(xi)；选定初始网络模型隐含层节点个数L＝400、隐含层偏移值激活函数为sigmoid，在(0,1)中随机选取输入层连接隐含层的权值向量ωj和偏移量bj；其中，ωj＝(ωj1,ωj2,...,ωjn)T表示第j个隐含层节点与输入节点之间的连接权值向量，bj表示第j个隐含层节点的偏移值，βj＝(βj1,βj2,...,βjm)T表示第j个隐含层节点与输出节点之间的连接权值向量；oi＝(oi1,oi2,...,oim)T为第i个样本对应的网络模型输出，g(x)为sigmoid激活函数，n取值为13，m取值为4；oi表示第i个样本经ELM网络模型输出的分类结果；Step3：令oi＝ti，计算ELM网络模型隐含层输出矩阵H，根据β＝H+T计算ELM网络模型隐含层与输出层的连接权值，T为ELM网络模型的输出矩阵，计算ELM网络模型的训练精度train0和训练时间time0；Step4：计算每个隐含层节点的影响度Ij并按降幂排序，获得排序后的隐含层节点；其中，gj(xi)＝g(ωjxi+bj)，1≤i≤N，1≤j≤L，a为输入层权值向量影响因子，a∈(0,1)；Step5：对ELM网络模型进行第一次剪枝；从step4获得的排序后的隐含层节点中，选择前λ个隐含层节点，λ∈[1,5]，且λ为正整数；将其从ELM网络模型中删除，同时，计算第一次剪枝后的ELM网络模型训练精度train1，并按照step4重新计算第一次剪枝后的ELM网络模型中每个隐含层节点的影响度，且按降幂排序；计算剪枝系数η，为向上取整符号；Step6：对ELM网络模型进行第二次剪枝；以η·λ作为第二次剪枝的隐节点个数，从step5得到的降幂排序的隐含层节点中，选取前η·λ个隐含层节点对step5获得的第一次剪枝后的ELM网络模型进行剪枝，并计算第二次剪枝后的ELM网络模型训练精度train2；step7：找回第二次剪枝操作中，被删除的影响度最大的隐含层节点，将其重新加入到step6获得的ELM网络模型中，同时计算更新后的ELM网络模型的训练精度train3；Step8：从step6获得的ELM网络模型中剪掉一个影响度最小的隐含层节点，得到更新后的ELM网络模型的训练精度为train4；Step9：确定ELM网络模型最终隐含层节点个数为L′，训练精度为train，并取train＝max(train2，train3，train4)，训练时间为time：Step10：利用矛盾线性方程组的最小范数最小二乘解求得网络隐含层与输出层连接权值矩阵β′，β'＝(H′)*T，并更新输入层连接隐含层的权值向量ωj和偏移量bj，获得已训练好的最终ELM网络模型；其中，H′为最终ELM网络模型的输出层矩阵。