基于医药大输液可见异物检测系统的次品剔除分拣装置的制造方法
【技术领域】
[0001] 本发明属于自动化技术领域，涉及一种基于医药大输液可见异物检测系统的次品 剔除分拣装置。
【背景技术】
[0002] 为了保证设备有序生产和生产质量，如何将检测出的次品从合格品中快速、稳定 地分离出来，是一个极具挑战性的课题。根据现有的分拣方法来说，次品剔除方式有直接击 出式剔除、摆动式剔除等；根据实际调试经验，盛装大输液的容器为玻璃瓶时，采用直接剔 除或摆动式剔除方案，虽然结构简单，占用空间小，但剔除的力度很难把握且会产生药瓶相 碰、倒瓶或药瓶滚动现象，这可能会直接导致药瓶瓶体的震裂或药瓶封装部分的损坏。在大 输液生产制造过程中，为了便于后续对产生次品的原因进行分析，需要设计一种装置将具 有不同缺陷的大输液输出至不同的区域，且保证次品剔除模块的稳定性。
【发明内容】
[0003] 鉴于上述问题，本发明的目的提供一种基于医药大输液可见异物检测系统的次品 剔除分拣装置，巧妙的利用分割器及伺服驱动装置，并结合IDS-ELM分类算法区分各含有 不同类型可见异物的大输液次品，将药瓶按"不同优先级"将相应次品分拣至不同的次品区 域，确保大输液可见异物检测系统的准确检测，且药瓶不发生破损。
[0004] 一种基于医药大输液可见异物分类识别检测系统的次品剔除分拣装置，包括分割 器、摆板、驱动装置、夹持气缸以及夹持手指；
[0005] 所述摆板的一端安装在所述分割器的主轴上，所述驱动装置设置于摆板上；
[0006] 所述驱动装置包括电机、电机安装座、气缸安装座及丝杆；所述电机通过电机安装 座固定在摆板上，所述丝杆的两端分别通过第一轴承和第二轴承安装于固定在摆板上的第 一轴承座和第二轴承座上，且丝杆的一端通过联轴器由电机驱动，另一端上设置有气缸安 装座；
[0007] 所述夹持气缸安装在气缸安装座下方；
[0008] 所述夹持手指设置在夹持气缸上；
[0009] 所述分割器和电机均受控于医药大输液可见异物分类识别检测系统的PLC控制 单元。
[0010] 所述夹持手指内侧设置有夹持垫。
[0011] 所述PLC控制单元发出的控制指令依据待检测的大输液瓶的识别分类结果发出， 不同的分类结果，分割器的主轴旋转角度与上升高度不同，将夹持气缸夹起的大输液瓶放 至对应的异物类，完成大输液瓶的剔除与分类；
[0012] 所述大输液瓶的识别分类过程如下：
[0013] 步骤1)连续获取正在检测大输液的原始图像；
[0014] 步骤2)图像预处理；
[0015] 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；
[0016] 步骤3)图像分割；
[0017] 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；
[0018] 步骤4)缺陷边缘提取；
[0019] 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；
[0020] 所述缺陷包括可见异物或气泡，所述可见异物包括玻璃肩、毛发或漂浮物，所述漂 浮物包括橡胶肩或纤维；
[0021 ] 步骤5)提取缺陷的特征向量；
[0022] 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；
[0023] 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；
[0024] 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；
[0025] 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；
[0026] 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；
[0027] 步骤6)可见异物与气泡分类识别；
[0028] 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；
[0029] 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；
[0030] 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。
[0031] 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：
[0032]Stepl:给定样本数据集N(Xi,tj，从给定样本数据集中选取训练集，X;表示第i个 样本，h表示第i个样本的分类结果；
[0033]St印2:建立ELM网络模型fL (Xl);
[0034] 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（〇, 1)中随机选取输入层连接隐含层的权值向量％和偏移量b];
[0035]
[0036] 其中，ω』=(ω.n,co.j2,…，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，β(βη，βj2, . ..，βjni)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；〇 (。n，。12, . . .，。1Π1)Τ为第i个样本对应 的网络模型输出，g(x)为sigmoid激活函数，η取值为13,m取值为4 ;〇;表示第i个样本 经ELM网络模型输出的分类结果；
[0037] St印3 :令〇1=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trainO和训练时间timeO;
[0038] Step4 :计算每个隐含层节点的影响度I,并按降幂排序，获得排序后的隐含层节 占.
[0039]
[0040] 1 ，. .J'--1
[0041] 其中，g.j(Xi)=，1 <i<N，1 <j<L，a为输入层权值向量景多响因子， ae(〇, 1)；
[0042] St印5 :对ELM网络模型进行第一次剪枝；
[0043] 从st印4获得的排序后的隐含层节点中，选择前λ个隐含层节点，λe[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trainl，并按照st印4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；
[0044] 计算剪枝系数
Μ为向上取整符号；
[0045] St印6 :对ELM网络模型进行第二次剪枝；
[0046] 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 ;
[0047] 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st印6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 ;
[0048] St印8 :从st印6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 ;
[0049] St印9 :确定ELM网络模型最终隐节点个数为U，训练精度为train，并取train =max(train2,train3,train4)，训练时间为time:
[00￡
[0051] SteplO: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' = (Η' )*T，并更新输入层连接隐含层的权值向量《,和偏移量b,， 获得已训练好的最终ELM网络模型；
[0052] 其中，f为最终ELM网络模型的输出层矩阵。
[0053] 所述形态学滤波处理过程中，选用7X7的圆形模板作为结构元素对原图像进行 高帽形态学滤波。
[0054] 在所述步骤3)中采用基于最大信息熵的帧间差分法进行图像分割，具体步骤如 下：
[0055] 首先将连续获取的序列图像进行差分操作，得到差分图像；
[0056] 其次，计算差分后图像二值化阈值T0:
[0057] 分别计算待检测图像的目标区域中像素总个数N2和灰度为i的像素点所占的比 例Pl，利用下面两式来计算背景和异物灰度值的分布：
[0058]
[0059]
[0060] 其中，表示灰度i的最大值，则背景和目标的信息熵H(A)、H⑶分别 ：/=0 可由下面两个公式计算：
[0061]
[0062]
[0063] 由上两式可求取待检测图像的总信息熵为Φ(s) =H(A)+H(B)，当使Φ(s)取最大 值时，获得差分后图像二值化阈值T0 ;
[0064] 最后，利用差分后图像二值化阈值TO将差分后的图像按下式做二值化处理，将得 到的二值化图像中每个像素点进行与操作，得到的对称差分二值图像，完成图像分割：
[0065]
[0066] 采用SUSAN算法从步骤3)获取的分割图像中提取大输液图像中的缺陷边缘，具体 步骤如下：
[0067] 利用掩膜来遍历对称差分二值图像中目标区域的每一个像素，并将掩膜中心像素 点和掩膜区域内每一个像素点做灰度值比较，记录灰度差值小于设定灰度差值阈值的像素 点，并将记录的像素点组成USAN区域；
[0068] 掩膜内除中心点外所有像素点的像素值利用下式计算：
[0069]
[0070]r。是图像核所在的位置，r表示模板中其余点所处的位置，I(r。）表示图像核心点 的像素值，I(r)表示图像模板中其它点的像素值；
[0071] 然后利用下式来计算掩膜区域的USAN值：
[0072]
[0073] 其中，（X。，y。）表示是当前掩膜中心点，（X，y)表示当前掩膜除中心点外的像素点，