顏培鑫，黃海龍*，冷奎，楊澤宇

基于比例特征的區(qū)域分割算法在藥板缺陷檢測(cè)中的研究

顏培鑫1，黃海龍1*，冷奎2，楊澤宇1

（1.遼寧工業(yè)大學(xué) 機(jī)械工程與自動(dòng)化學(xué)院，遼寧 錦州 121000； 2.錦州礦山機(jī)械集團(tuán)有限公司，遼寧 錦州 121000）

為解決鋁塑泡罩藥板圖像ROI區(qū)域定位慢、精度差等問題，本文提出一種基于比例特征的泡罩區(qū)域分割算法，該算法可以快速定位并分割泡罩ROI區(qū)域，結(jié)合圖像相關(guān)性特征算法對(duì)鋁塑泡罩藥板進(jìn)行缺陷檢測(cè)。首先通過工業(yè)相機(jī)采集藥品包裝生產(chǎn)線上的藥板原始圖像，接著使用Blob分析從原始圖片中分離出鋁塑泡罩主體部分，然后通過仿射變換將圖像放置在中心區(qū)域，并使用比例特征分割算法對(duì)泡罩區(qū)域進(jìn)行分割，最后通過金字塔加速的NCC算法完成缺陷檢測(cè)。實(shí)驗(yàn)結(jié)果表明，基于比例特征分割后的圖像平均NCC匹配時(shí)間為9 ms，在缺陷樣本占比20%的實(shí)驗(yàn)中誤檢率為0.167%，漏檢率為0.556%。通過比例特征分割出精準(zhǔn)的泡罩ROI區(qū)域結(jié)合改進(jìn)的NCC算法，在擁有較高準(zhǔn)確率的同時(shí)大幅減少了缺陷檢測(cè)時(shí)圖像匹配的時(shí)間，能較好地完成鋁塑泡罩藥板的缺陷檢測(cè)任務(wù)。

鋁塑泡罩藥板；比例特征；缺陷檢測(cè)；歸一化互相關(guān)

鋁塑泡罩包裝是當(dāng)前藥企主流的一種藥品包裝方式[1]，其具有安全可靠、攜帶輕便、低生產(chǎn)成本等諸多優(yōu)勢(shì)。在藥企自動(dòng)化生產(chǎn)過程中難免存在漏裝、藥品破裂、泡罩破損等[2]生產(chǎn)缺陷產(chǎn)生，所以在藥品出廠前對(duì)封裝好的鋁塑泡罩藥板的質(zhì)量檢測(cè)是現(xiàn)在藥品包裝企業(yè)重要的一步[3]。隨著機(jī)器視覺在工業(yè)應(yīng)用的普及，效率低、成本高、漏檢率居高不下的人工質(zhì)檢[4]逐步被工業(yè)機(jī)器視覺質(zhì)檢取代。在藥品包裝檢測(cè)方面，機(jī)器視覺正在發(fā)揮越來越重要的作用。在鋁塑泡罩缺陷檢測(cè)領(lǐng)域有很多學(xué)者進(jìn)行了研究。為解決鋁塑泡罩打光時(shí)光照反射產(chǎn)生復(fù)雜的干擾，張中然等[5]提出了一種在一般光照條件下采用機(jī)器視覺設(shè)計(jì)的一套鋁塑泡罩的檢測(cè)方法。為解決藥板人工檢測(cè)的效率低等缺點(diǎn)，方文星等[6]提出一種SURF、BOW以及單分類支持向量機(jī)組成的鋁塑泡罩缺陷檢測(cè)算法，該算法有效提高了機(jī)器視覺在包裝檢測(cè)中的準(zhǔn)確性和穩(wěn)定性。王俊等[7]提出一種基于改進(jìn)NCC算法，該算法在鋁塑泡罩板包裝缺陷檢測(cè)中具有較好的速度與準(zhǔn)確率。趙寶水等[8]針對(duì)膠囊類型的藥品提出了一種分塊Otsu的方法對(duì)膠囊進(jìn)行分割，在去噪后通過判斷灰度值與面積特征分辨藥品好壞的檢測(cè)方法。楊欣等[9]提出了基于U-Net的神經(jīng)網(wǎng)絡(luò)架構(gòu)的鋁塑泡罩的檢測(cè)方法，缺陷檢測(cè)分類種類較多，準(zhǔn)確率高。現(xiàn)在大多方法都是基于模板匹配的缺陷檢測(cè)，存在計(jì)算量大，實(shí)時(shí)性差的缺點(diǎn)；而基于深度學(xué)習(xí)的缺陷檢測(cè)需要大量的樣本數(shù)據(jù)，在實(shí)際藥企生產(chǎn)中很難獲得大量缺陷樣本數(shù)據(jù)。在藥板的缺陷檢測(cè)中，非泡罩區(qū)域占據(jù)了整個(gè)藥板50%左右的面積，因此精準(zhǔn)分割出泡罩區(qū)域是檢測(cè)任務(wù)中重要的一步。本文提出一種基于圖像比例特征的泡罩區(qū)域分割算法可以快速定位分割泡罩區(qū)域，在進(jìn)行下一階段的缺陷檢測(cè)任務(wù)前，減少了檢測(cè)區(qū)域接近一半的面積，使得計(jì)算時(shí)間大幅減少。完成區(qū)域分割后，結(jié)合圖像金字塔加速[10]的NCC匹配算法，在保證準(zhǔn)確率的同時(shí)進(jìn)一步減少了匹配時(shí)間。實(shí)驗(yàn)表明本方法適用于存在光照變化、位置放置不嚴(yán)格的鋁塑泡罩藥板的檢測(cè)現(xiàn)場(chǎng)。

1 基于比例特征的ROI區(qū)域分割

在進(jìn)行鋁塑泡罩缺陷檢測(cè)前分割出感興趣區(qū)域（Region of Interest, ROI）是關(guān)鍵的一步。選擇一個(gè)適合的ROI區(qū)域可以大幅減少算法的運(yùn)行時(shí)間。一般鋁塑泡罩藥板的ROI區(qū)域分割有閾值分割[11]與模板匹配2種。閾值分割方法具有運(yùn)行穩(wěn)定、響應(yīng)速度快等優(yōu)點(diǎn)，不過其受光線的變換的影響較大，對(duì)噪聲比較敏感，一般很難完成準(zhǔn)確分割的要求。模板匹配分割ROI區(qū)域，對(duì)光線的變換不敏感，但其計(jì)算量較大，很難滿足工業(yè)現(xiàn)場(chǎng)實(shí)時(shí)性的要求。本文提出一種全新的鋁塑泡罩分割方法——基于比例特征的ROI區(qū)域分割算法。同一批次的鋁塑泡罩藥板中泡罩通常是按照一定的排列方式，在藥板上按照一定比例均勻分布，這些分布特征包含著泡罩在藥板上的分布規(guī)律。本算法的核心思路就是將實(shí)際藥板包含的比例特征信息映射到工業(yè)相機(jī)采集的圖像上從而實(shí)現(xiàn)泡罩區(qū)域的分割。本文提出的區(qū)域分割算法適用于不同大小的鋁塑裝泡罩藥板（膠囊）的分割，藥板特征信息以變量表示，不針對(duì)特定型號(hào)，具有普適性。本部分實(shí)現(xiàn)方法如圖1a所示。

1.1 Blob分析

Blob（Binary Large Object）指圖像中具有相似特征所構(gòu)成的一塊連通區(qū)域，Blob分析是圖像處理領(lǐng)域一種常見的技術(shù)[12]，廣泛適用于各種情況下的二值圖像連通區(qū)域的分割與計(jì)算。本文將工業(yè)相機(jī)采集的原始圖像以PNG格式讀入計(jì)算機(jī)，然后對(duì)原始圖像進(jìn)行高斯濾波，增強(qiáng)圖像平滑性?？紤]到灰度圖像保留了圖像全部信息且降低了圖像維度可以很大程度提高程序的運(yùn)行速度，因此本文對(duì)高斯濾波后的圖像進(jìn)行灰度化處理。

在灰度化處理后對(duì)其進(jìn)行Blob分析找出泡罩主體區(qū)域。如圖1中Blob分析部分所示，首先通過全局閾值分割找出背景板上的較亮區(qū)域；然后將連通區(qū)域分割，對(duì)每一個(gè)獨(dú)立的連通區(qū)域先做膨脹處理再填充，選取出其中的最大的區(qū)域即藥板的區(qū)域；再通過形狀將藥板轉(zhuǎn)換為凸性區(qū)域；最后通過區(qū)域信息提取算子得出藥板面積、中心點(diǎn)等信息。

1.2 仿射變換

仿射變換，又稱仿射映射。在圖像領(lǐng)域，圖像就相當(dāng)于一個(gè)二維向量空間，對(duì)圖像做仿射變換就是對(duì)一個(gè)向量空間首先進(jìn)行線性變換再接上一次平移，變換為另一個(gè)向量空間[13]。仿射變換公式如下：

圖1 實(shí)現(xiàn)流程

Fig.1 Implementation flowchart

圖2 灰度化處理后的鋁塑泡罩藥板圖像

式中：、為原始向量的坐標(biāo)；'、'是仿射變換后的向量坐標(biāo)；11、12、21、22為線性變換矩陣的系數(shù)；t、t為平移向量的坐標(biāo)。

通過仿射變換可以將缺陷檢測(cè)現(xiàn)場(chǎng)沒有嚴(yán)格整齊擺放的鋁塑泡罩藥板變換到圖像的中心區(qū)域，保證了泡罩區(qū)域分割的規(guī)范性。對(duì)處理完的圖像進(jìn)行仿射變換得到圖3的效果。

1.3 區(qū)域分割

1.3.1 定位泡罩區(qū)域中心

為了將實(shí)際藥板包含的比例特征信息映射到工業(yè)相機(jī)采集的圖像，首先需要確定一個(gè)映射的基點(diǎn)，藥板圖像的其他點(diǎn)的坐標(biāo)都將由基點(diǎn)來確定?？紤]到鋁塑泡罩藥板類矩形具有中心對(duì)稱和軸對(duì)稱的特點(diǎn)，本算法將12個(gè)泡罩所構(gòu)成的矩形區(qū)域定義為泡罩區(qū)域（非某單個(gè)泡罩），將該區(qū)域的中心點(diǎn)作為實(shí)際藥板的基點(diǎn)，將圖像中心點(diǎn)作為圖像的基點(diǎn)，兩者構(gòu)成映射的基點(diǎn)。

通過Blob分析與仿射變換可以得到仿射后圖像的信息，包括面積大小、長邊距離、短邊距離、圖像中心的坐標(biāo)。但在藥企生產(chǎn)時(shí)由于印刷相關(guān)信息的需要，藥板上下兩邊的空白區(qū)域是不等長的，這就導(dǎo)致泡罩區(qū)域中心與藥板中心存在一定的誤差。所以本算法需要通過藥板的信息計(jì)算出泡罩區(qū)域的中心點(diǎn)坐標(biāo)。本小節(jié)的算法思路是將藥板長邊的印字區(qū)域部分構(gòu)成的誤差補(bǔ)償給泡罩區(qū)域的中心，本文給出如下計(jì)算公式。

圖3 圖像的仿射變換

式中：1為矩形藥板區(qū)域?qū)?yīng)長邊的像素長度；2為藥板長邊的實(shí)際長度；、為泡罩區(qū)域中心的坐標(biāo)、坐標(biāo)；1、1為藥板圖像中心坐標(biāo)、坐標(biāo)；為藥板印字區(qū)域邊緣到其最近泡罩的垂直距離；為藥板非印字區(qū)域邊緣到其最近泡罩的垂直距離。

1.3.2 定位膠囊中心

在確定映射基點(diǎn)后，需要確定膠囊的中心點(diǎn)。以圖2為例，已知泡罩區(qū)域中心點(diǎn)坐標(biāo)，計(jì)算左起第3行第1列的膠囊中心坐標(biāo)，需對(duì)泡罩區(qū)域中心點(diǎn)坐標(biāo)進(jìn)行轉(zhuǎn)換再乘以相應(yīng)的倍率。第3行第1列的膠囊中心坐標(biāo)計(jì)算式如下：

式中：為2個(gè)泡罩中心縱向的實(shí)際距離；1為矩形藥板區(qū)域?qū)?yīng)短邊的像素長度；2為藥板短邊的實(shí)際長度。

為方便計(jì)算其他膠囊的坐標(biāo)，本文定義：

結(jié)合式（4）、式（5）可知，各個(gè)膠囊的中心坐標(biāo)可以表示為：

通過R和C的排列組合即可計(jì)算各個(gè)膠囊的中心點(diǎn)坐標(biāo)。

1.3.3 生成區(qū)域選擇框

膠囊包裝鋁塑泡罩的二維映射類似矩形，且已知膠囊中心點(diǎn)坐標(biāo)，采用矩形框作為選擇框是本算法的最優(yōu)解。在本算法中將膠囊中心作為選擇框的中心后，只需確定矩陣的長寬即可確定矩形選擇框在圖像中的位置，按照比例特征的算法思路給出矩形選擇框的長與寬，見式（10）～（11）。

式中：為單個(gè)泡罩長邊的實(shí)際長度；為單個(gè)泡罩短邊的實(shí)際長度。

通過以上基于藥板比例特征的區(qū)域分割方法可以得到如圖4所示的分割效果。

圖4 泡罩區(qū)域分割

2 基于圖像相關(guān)性特征的缺陷檢測(cè)

在完成膠囊泡罩區(qū)域的分割任務(wù)后，本節(jié)提出一種基于圖像相關(guān)性的泡罩區(qū)域缺陷的檢測(cè)方法。該方法擁有較高的準(zhǔn)確性與較快的檢測(cè)速度。本部分實(shí)現(xiàn)方法如圖1b所示。

2.1 NCC匹配

模板匹配算法是一種常用的圖像處理算法，它通過提取創(chuàng)建的模板的特征，用這些特征在目標(biāo)圖像中查找目標(biāo)模板的位置。簡(jiǎn)單來說，該算法會(huì)將模板區(qū)域/圖像與目標(biāo)區(qū)域/圖像進(jìn)行一系列的對(duì)比，從而找到目標(biāo)區(qū)域/圖像中與模板最相似的部分，最后輸出該區(qū)域的一些信息。模板匹配有基于相關(guān)性、相似性、梯度方向直方圖以及特征點(diǎn)的幾類，他們?cè)诓煌瑘?chǎng)合都有著良好的應(yīng)用。其中基于圖像相關(guān)性的NCC（Normalized Cross-Correlation）是模板匹配中效果較好的圖像互相關(guān)計(jì)算方法。NCC算法公式如下：

式中：(,)為原圖像；(,)為模板圖像；為模板中像素的個(gè)數(shù)。

NCC算法可以適應(yīng)圖像的尺寸和灰度（一般受光照影響）發(fā)生變換的場(chǎng)合[14]，因?yàn)樗鼘⒛繕?biāo)圖像和模板都進(jìn)行了歸一化處理，使得他們的均值一直為0，標(biāo)準(zhǔn)差為1，所以NCC算法不受圖像尺寸的影響，對(duì)不同光線照射產(chǎn)生的灰度值變換不敏感。此外，由式（12）可見NCC算法實(shí)現(xiàn)容易，但涉及方差的計(jì)算，因此計(jì)算的復(fù)雜度較高，計(jì)算成本較大，不適合大規(guī)模的圖像進(jìn)行匹配使用。前文提出的基于比例特征的ROI區(qū)域分割算法，有效減少了匹配過程中圖像的規(guī)模，避免了NCC算法的缺陷。

2.2 金字塔加速

為進(jìn)一步提升模板匹配的速度，本文引入金字塔加速的方法，如圖5所示。圖片下采樣可以提取圖像的特征使圖像的尺寸變小，經(jīng)過多次下采樣操作可以得到一組逐漸變小的圖像，從而形成類型金字塔形態(tài)的圖像金字塔。本方法，可以對(duì)分辨率最小的圖像進(jìn)行模板匹配，從而確定出現(xiàn)相似性區(qū)域的大致方位，再從小到大逐層精確，從而極大提高匹配效率。經(jīng)歷一次下采樣，圖像的長寬都減少了50%，面積就變?yōu)橹暗乃姆种籟15]。但下采樣的次數(shù)越多，丟失的信息就越多，選取合適的金字塔層數(shù)可以有效減少模板匹配時(shí)間。經(jīng)過實(shí)驗(yàn)發(fā)現(xiàn)，本文所研究的鋁塑泡罩藥板選擇4層金字塔的加速效果最佳。

圖5 金字塔搜索示意圖

本文將12粒裝鋁塑泡罩分割成12個(gè)大小均勻的ROI區(qū)域，以完整無缺的泡罩區(qū)域作為模板進(jìn)行逐一匹配得出匹配分值。分值范圍為0～1，分值越高表明與模板圖像相關(guān)性越。

3 實(shí)驗(yàn)結(jié)果

本實(shí)驗(yàn)在Window10操作系統(tǒng)下進(jìn)行，處理器為Intel(R) Xeon(R) CPU E5-2680 v3 @ 2.50 GHz（2個(gè)處理器）。采用工業(yè)相機(jī)采集膠囊泡罩的原始圖片，其型號(hào)為MV-U130RC，30萬像素三彩，最大分辨率為1 280×960，最快可達(dá)22幀/s。打光采用白色LED環(huán)形光源，考慮到鋁塑藥板鏡面反射效果明顯，光源在采集的時(shí)候調(diào)整得較暗。

本實(shí)驗(yàn)共采集600張同種鋁塑泡罩藥板樣本圖片，其中無缺陷無瑕疵樣本480張，有缺陷瑕疵樣本120張。為獲得較為準(zhǔn)確的檢測(cè)率，本實(shí)驗(yàn)將600張圖片通過旋轉(zhuǎn)、平移等操作將圖像進(jìn)行擴(kuò)充到1 800張，其中包括1 440張完好的藥板圖片，140張缺粒圖像，150張破損程度不同的膠囊圖像，30張凹陷缺陷的圖像，40張人為涂鴉（模擬污染）的圖像。

為衡量本文算法的準(zhǔn)確性，針對(duì)1 800張樣本圖片中缺粒、破損、凹陷等情況，采用2個(gè)指標(biāo)——誤檢率、漏檢率進(jìn)行評(píng)價(jià)。評(píng)價(jià)分值設(shè)置為0.85與0.87，獲得如表1、2、3所示的實(shí)驗(yàn)結(jié)果。為評(píng)價(jià)算法對(duì)匹配速度的改進(jìn)，采用匹配時(shí)間作為速度評(píng)價(jià)指標(biāo)，與現(xiàn)有算法進(jìn)行對(duì)比獲得表4的實(shí)驗(yàn)結(jié)果。

對(duì)本文中檢測(cè)結(jié)果進(jìn)行顯示時(shí)，不對(duì)漏粒、擠壓、漏粉等具體缺陷做逐一特別標(biāo)注，統(tǒng)一視為缺陷樣本。部分缺陷樣本顯示結(jié)果如圖6所示。

圖6 部分缺陷樣本

表1 評(píng)價(jià)分值為0.85時(shí)實(shí)驗(yàn)結(jié)果

Tab.1 Experimental results with an evaluation score of 0.85

表2 評(píng)價(jià)分值為0.87時(shí)實(shí)驗(yàn)結(jié)果

Tab.2 Experimental results with an evaluation score of 0.87

表3 檢測(cè)結(jié)果匯總

Tab.3 Summary of detection results

表4 模板匹配時(shí)間

Tab.4 Template matching time

實(shí)驗(yàn)結(jié)果表明，不同的評(píng)價(jià)分值影響正常樣本的誤檢率與缺陷樣本的漏檢率。當(dāng)設(shè)置NCC匹配分值為0.85時(shí)，誤檢率為0.111%，漏檢率為0.944%；當(dāng)評(píng)價(jià)分值為0.87時(shí)，誤檢率為0.167%，漏檢率為0.556%?？紤]到藥企生成過程中缺陷樣本的漏檢危害比正常樣品的誤檢更嚴(yán)重，本文最終選取NCC評(píng)價(jià)分值為0.87。

4 結(jié)果分析

通過實(shí)驗(yàn)數(shù)據(jù)可以發(fā)現(xiàn)膠囊在泡罩的位置不同（泡罩區(qū)域略大于膠囊體積會(huì)造成膠囊在泡罩的位置不同）對(duì)檢測(cè)結(jié)果無影響，因此本方法擁有較高的準(zhǔn)確性。分析發(fā)現(xiàn)本實(shí)驗(yàn)正常樣本誤檢是由于樣本采集時(shí)藍(lán)色膠囊殼反光過多造成的藍(lán)色區(qū)域出現(xiàn)過多白斑，導(dǎo)致算法給此區(qū)域的評(píng)分較低，研究發(fā)現(xiàn)可以通過降低光照有效降低此類誤檢。根據(jù)實(shí)驗(yàn)漏檢樣本的研究發(fā)現(xiàn)NCC算法對(duì)微小缺陷的檢測(cè)能力較弱，即使提高評(píng)價(jià)分值也導(dǎo)致了150個(gè)損壞樣本中有6個(gè)微小缺陷出現(xiàn)了漏檢。分析發(fā)現(xiàn)較小的損壞所引起的圖像相關(guān)性變化不大，因此評(píng)價(jià)分值設(shè)置較小時(shí)會(huì)將微小的損壞缺陷當(dāng)作正常樣本處理。同時(shí)實(shí)驗(yàn)還發(fā)現(xiàn)凹陷出現(xiàn)在水平于藥板方向時(shí)，導(dǎo)致圖像灰度特征很難有過大的改變；當(dāng)人工制作的污染區(qū)域出現(xiàn)在藍(lán)色膠囊殼時(shí)，灰度的變化也不明顯，本算法也很難準(zhǔn)確檢測(cè)出。

匹配實(shí)驗(yàn)結(jié)果表明，采用比例特征提取后的區(qū)域進(jìn)行模板匹配所消耗的時(shí)間大大減少，本方法匹配時(shí)間計(jì)算方法如下：一個(gè)泡罩的匹配時(shí)間為0.7～0.8 ms，本樣品共12個(gè)泡罩，取每個(gè)泡罩匹配的時(shí)間均值為0.75 ms，故整個(gè)藥板的匹配時(shí)間為9 ms。對(duì)同一尺寸的圖像，本方法的匹配時(shí)間相較傳統(tǒng)NCC算法有巨大的提升。文獻(xiàn)[7]對(duì)1 920×1 200圖像的匹配時(shí)間為21 ms，本方法對(duì)1 280×960圖像的匹配時(shí)間為9 ms，通過匹配面積折算可知，本方法相較文獻(xiàn)[7]的算法速度提升了19.64%，具有較大的速度優(yōu)勢(shì)。

5 結(jié)語

本文提出一種基于比例特征的ROI區(qū)域分割算法，該算法計(jì)算量小、性能優(yōu)異，可以快速精準(zhǔn)定位泡罩區(qū)域，為鋁塑泡罩藥板ROI區(qū)域分割提供了新的解決方案，并結(jié)合金字塔加速的NCC算法完成了一套對(duì)鋁塑泡罩藥板缺陷檢測(cè)的方案。實(shí)驗(yàn)結(jié)果顯示，本方法在評(píng)價(jià)分值為0.87時(shí)，在缺陷樣本占比20%的實(shí)驗(yàn)中誤檢率為0.167%，漏檢率為0.556%?？紤]到此缺陷樣本占比遠(yuǎn)高于實(shí)際藥企包裝生產(chǎn)現(xiàn)場(chǎng)的缺陷樣本，故檢測(cè)現(xiàn)場(chǎng)漏檢率會(huì)遠(yuǎn)低于實(shí)驗(yàn)數(shù)據(jù)，因此，本檢測(cè)方法精度滿足在線檢測(cè)精度要求。本方法對(duì)1 280×960圖像匹配的平均時(shí)間為9 ms，滿足生產(chǎn)線速度要求。但本方法對(duì)微小缺陷的檢測(cè)效果較差，還需進(jìn)一步提升其準(zhǔn)確率。

[1] 陳軼楠, 葛斌, 王俊, 等. 基于集成分類器的泡罩包裝藥品缺陷識(shí)別[J]. 包裝工程, 2021, 42(1): 250-259.

CHEN Y N, GE B, WANG J, et al. Defect Identification of Blister Packaging Medicine Based on Integrated Classifier[J]. Packaging Engineering, 2021, 42(1): 250-259.

[2] 疏義桂. 基于機(jī)器視覺的鋁塑泡罩包裝藥品缺陷檢測(cè)[D]. 武漢: 華中科技大學(xué), 2013: 1-6.

SHU Y G. Defect Detection of Aluminum-Plastic Blister Packaging Drugs Based on Machine Vision[D]. Wuhan: Huazhong University of Science and Technology, 2013: 1-6.

[3] 谷紫穎. 鋁塑泡罩藥品缺陷檢測(cè)技術(shù)的研究[D]. 濟(jì)南: 山東大學(xué), 2020: 1-3.

GU Z Y. Research on Defect Detection Technology of Aluminum-Plastic Blister Drugs[D]. Jinan: Shandong University, 2020: 1-3.

[4] LI J L, WU S Q, CHANG K, et al. Research on Registration Accuracy Detection Method Based on Machine Vision[J]. Journal of Physics Conference Series, 2023, 2437(1): 012113.

[5] 張中然, 焦波, 孫志勇, 等. 一般光照條件下鋁塑泡罩藥品包裝檢測(cè)系統(tǒng)[J]. 哈爾濱理工大學(xué)學(xué)報(bào), 2017, 22(5): 65-69.

ZHANG Z R, JIAO B, SUN Z Y, et al. Detecting System for Pharmaceutical Aluminum-Plastic Blister Packaging under Common Lighting Conditions[J]. Journal of Harbin University of Science and Technology, 2017, 22(5): 65-69.

[6] 方文星, 王野. 一種鋁塑泡罩藥品包裝缺陷檢測(cè)方法[J]. 包裝工程, 2019, 40(1): 133-139.

FANG W X, WANG Y. Defect Detection Method for Drug Packaging with Aluminum Plastic Bubble Cap[J]. Packaging Engineering, 2019, 40(1): 133-139.

[7] 王俊, 葛斌, 陳軼楠, 等. 改進(jìn)NCC算法在鋁塑藥板包裝缺陷檢測(cè)中的應(yīng)用[J]. 包裝工程, 2020, 41(17): 196-201.

WANG J, GE B, CHEN Y N, et al. Application of Improved NCC Matching Algorithm in the Detection of Packaging Defects of Aluminum Plastic Blisters[J]. Packaging Engineering, 2020, 41(17): 196-201.

[8] 趙寶水. 基于機(jī)器視覺的藥品包裝檢測(cè)關(guān)鍵技術(shù)的研究[D]. 錦州: 遼寧工業(yè)大學(xué), 2021: 1-2.

ZHAO B S. Research on Key Technologies of Drug Packaging Inspection Based on Machine Vision[D]. Jinzhou: Liaoning University of Technology, 2021: 1-2.

[9] 楊欣, 寧茜, 李貼, 等. 藥品泡罩包裝缺陷智能檢測(cè)系統(tǒng)[J]. 國外電子測(cè)量技術(shù), 2022, 41(8): 174-180.

YANG X, NING Q, LI T, et al. Intelligent Detection System for Drug Blister Packaging Defects[J]. Foreign Electronic Measurement Technology, 2022, 41(8): 174-180.

[10] JING J F, REN H H. Defect Detection of Printed Fabric Based on RGBAAM and Image Pyramid[J]. Autex Research Journal, 2020, 21(2): 135-141.

[11] LI J W, LIAO G P, JIN J, et al. Method of Potato External Defects Detection Based on Fast Gray Intercept Threshold Segmentation Algorithm and Ten-Color Mode[J]. Journal of Agricultural Engineering, 2010, 26(10): 236-242.

[12] ADAL K M, SIDIBé D, ALI S, et al. Automated Detection of Microaneurysms Using Scale-Adapted Blob Analysis and Semi-Supervised Learning[J]. Computer Methods and Programs in Biomedicine, 2014, 114(1): 1-10.

[13] 曾文鋒, 李樹山, 王江安. 基于仿射變換模型的圖像配準(zhǔn)中的平移、旋轉(zhuǎn)和縮放[J]. 紅外與激光工程, 2001, 30(1): 18-20.

ZENG W F, LI S S, WANG J A. Translation, Rotation and Scaling Changes in Image Registration Based Affine Transformation Model[J]. Infrared and Laser Engineering, 2001, 30(1): 18-20.

[14] FAN J Y, HE Y, WANG P H, et al. Interplane Bulk Motion Analysis and Removal Based on Normalized Cross-Correlation in Optical Coherence Tomography Angiography[J]. Journal of Biophotonics, 2020, 13(7): 202000046.

[15] 張一梵. 基于灰度相關(guān)的快速模板匹配算法研究[D]. 廣州: 廣州大學(xué), 2022: 17-22.

ZHANG Y F. Research on Fast Template Matching Algorithm Based on Grayscale Correlation[D]. Guangzhou: Guangzhou University, 2022: 17-22.

Region Segmentation Algorithm Based on Proportional Features for Defect Detection of Aluminum Plastic Blister Medicine Plates

YAN Peixin1, HUANG Hailong1*, LENG Kui2, YANG Zeyu1

(1. School of Mechanical Engineering and Automation, Liaoning University of Technology, Liaoning Jinzhou 121000, China; 2. Jinzhou Mining Machinery Group Co., Ltd., Liaoning Jinzhou 121000, China)

The work aims to propose a blister area segmentation algorithm based on proportional features to quickly locate and segment the blister ROI, and detect defects in aluminum plastic blister medicine plates in combination with the image correlation feature algorithm, so as to solve the problems of slow localization and poor accuracy of ROI in images of aluminum plastic blister medicine plates. Firstly, original images of medicine plates in the packaging production line were collected through an industrial camera. Then, Blob analysis was used to separate the main part of the aluminum plastic blister from the original image. Then, the image was placed in the center area through affine changes and the blister area was segmented according to the proportional feature segmentation algorithm. Finally, defect detection was completed according to the pyramid accelerated NCC algorithm. The experimental results showed that the average NCC matching time of the image based on proportional feature segmentation was 9 ms. In the experiment with 20% defect samples, the false detection rate was 0.167% and the missed detection rate was 0.556%. By the segmenting precise blister ROI through proportional features and combining them with an improved NCC algorithm, the image matching time during defect detection is significantly reduced, which can effectively complete the defect detection task of aluminum plastic blister medicine plates.

aluminum plastic blister medicine plates; proportional characteristics; defect detection; normalized cross correlation (NCC)

TB487

A

1001-3563(2024)01-0208-07

10.19554/j.cnki.1001-3563.2024.01.024

2023-05-15

遼寧省“揭榜掛帥”科技計(jì)劃重點(diǎn)項(xiàng)目（2021JH1/10400074）