基于医药大输液可见异物检测系统的次品剔除分拣装置

1.一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，其特征在于，包括分割器(5)、摆板(7)、驱动装置(6)、夹持气缸(2)、夹持垫(3)以及夹持手指(4)；
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；
所述驱动装置包括电机(8)、电机安装座(9)、气缸安装座(14)及丝杆(13)；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(11)和第二轴承(15)安装于固定在摆板上的第一轴承座(12)和第二轴承座(16)上，且丝杆的一端通过联轴器(10)由电机驱动，另一端上设置有气缸安装座；
所述夹持气缸安装在气缸安装座下方；
所述夹持手指设置在夹持气缸上；
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；
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，完成大输液瓶次品的剔除与分类；
所述大输液瓶的识别分类过程如下：
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。
2.根据权利要求1所述的装置，其特征在于，所述夹持手指内侧设置有夹持垫。
3.根据权利要求2所述的装置，其特征在于，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；οi＝(οi1,οi2,...,οim)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＝HT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。
4.根据权利要求3所述的装置，其特征在于，所述形态学滤波处理过程中，选用7×7的圆形模板作为结构元素对原图像进行高帽形态学滤波。
5.根据权利要求4所述的装置，其特征在于，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：
首先将连续获取的序列图像进行差分操作，得到差分图像；
其次，计算差分后图像二值化阈值T0：
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pi，利用下面两式来计算背景和异物灰度值的分布：
其中， M表示灰度i的最大值，则背景和目标的信息熵H(A)、H(B)分别可由下面两个公式计算：
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；
最后，利用差分后图像二值化阈值T0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：
6.根据权利要求5所述的装置，其特征在于，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：
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；
掩膜内除中心点外所有像素点的像素值利用下式计算：
r0是图像核所在的位置，r表示模板中其余点所处的位置，I(r0)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；
然后利用下式来计算掩膜区域的USAN值：
其中，(x0,y0)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，n为USAN区域中像素个数，然后将与预设的USAN阀值相比较，并利用下式来获取可疑特征点，并以特征点为中心，将特征点与其他的邻域内的8个点灰度值相比较，最大的被保留下来作为最终的边缘点：
其中，g＝nmax/2是USAN阀值，nmax是n的最大值，取掩膜的3/4。
7.根据权利要求6所述的装置，其特征在于，对于有噪声影响的图像，SUSAN阈值下限值取2-10个像素。

基于医药大输液可见异物检测系统的次品剔除分拣装置\n技术领域\n[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。\n背景技术\n[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。\n发明内容\n[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。\n[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；\n[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；\n[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；\n[0007] 所述夹持气缸安装在气缸安装座下方；\n[0008] 所述夹持手指设置在夹持气缸上；\n[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。\n[0010] 所述夹持手指内侧设置有夹持垫。\n[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；\n[0012] 所述大输液瓶的识别分类过程如下：\n[0013] 步骤1)连续获取正在检测大输液的原始图像；\n[0014] 步骤2)图像预处理；\n[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；\n[0016] 步骤3)图像分割；\n[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；\n[0018] 步骤4)缺陷边缘提取；\n[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；\n[0020] 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；\n[0021] 步骤5)提取缺陷的特征向量；\n[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；\n[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；\n[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；\n[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；\n[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；\n[0027] 步骤6)可见异物与气泡分类识别；\n[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；\n[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；\n[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。\n[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：\n[0032] 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；\n[0033] Step2：建立ELM网络模型fL(xi)；\n[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(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；\n[0035]\n[0036] 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；οi＝(οi1,οi2,...,οim)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；\n[0037] 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；\n[0038] 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；\n[0039]\n[0040]\n[0041] 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)；\n[0042] Step5：对ELM网络模型进行第一次剪枝；\n[0043] 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；\n[0044] 计算剪枝系数η， 为向上取整符号；\n[0045] Step6：对ELM网络模型进行第二次剪枝；\n[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；\n[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；\n[0048] 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；\n[0049] Step9：确定ELM网络模型最终隐节点个数为L′，训练精度为train，并取train＝max(train2，train3，train4)，训练时间为time：\n[0050]\n[0051] 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；\n[0052] 其中，H′为最终ELM网络模型的输出层矩阵。\n[0053] 所述形态学滤波处理过程中，选用7×7的圆形模板作为结构元素对原图像进行高帽形态学滤波。\n[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：\n[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；\n[0056] 其次，计算差分后图像二值化阈值T0：\n[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pi，利用下面两式来计算背景和异物灰度值的分布：\n[0058]\n[0059]\n[0060] 其中， M表示灰度i的最大值，则背景和目标的信息熵H(A)、H(B)分别可由下面两个公式计算：\n[0061]\n[0062]\n[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；\n[0064] 最后，利用差分后图像二值化阈值T0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：\n[0065]\n[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：\n[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；\n[0068] 掩膜内除中心点外所有像素点的像素值利用下式计算：\n[0069]\n[0070] r0是图像核所在的位置，r表示模板中其余点所处的位置，I(r0)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；\n[0071] 然后利用下式来计算掩膜区域的USAN值：\n[0072]\n[0073] 其中，(x0,y0)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，n为USAN区域中像素个数，然后将与预设的USAN阀值相比较，并利用下式来获取可疑特征点，并以特征点为中心，将特征点与其他的邻域内的8个点灰度值相比较，最大的被保留下来作为最终的边缘点：\n[0074]\n[0075] 其中，g＝nmax/2是USAN阀值，nmax是n的最大值，取掩膜的3/4。\n[0076] 对于有噪声影响的图像，SUSAN阈值下限值取2-10个像素。\n[0077] 一种250ml医药大输液可见异物与气泡的分类识别检测系统，包括机械执行单元、PLC控制单元、视觉成像单元及工控机；\n[0078] 所述机械执行单元受控于PLC控制单元，所述PLC控制单元与所述工控机相连；\n[0079] 所述视觉成像单元包括工业相机和光源，其中，所述工业相机与所述工控机相连，所述光源受控于所述PLC控制单元；\n[0080] 所述机械执行单元包括待检大输液输入通道、导入轮盘、主轮盘、抓瓶机械手、搓瓶机构、次品剔除分拣装置及正品输出通道；\n[0081] 所述主轮盘上均匀设置有多个大输液瓶工位，每个工位上设置有抓瓶机械手和搓瓶机构；\n[0082] 所述抓瓶机械手包括抓瓶气缸17、抓瓶气缸安装板18、拉杆21、旋转套20、角接触轴承29、拉块26及夹手22；\n[0083] 所述夹手22通过第一销轴23与旋转套20固定，且夹手22以第一销轴23为圆心自由做圆周运动；所述旋转套20通过第一角接触轴承28固定在所述主轮盘的转轮轴承上；所述拉杆21通过第三销轴25连接两块对称分布的拉块26；所述拉块26通过第二销轴27与夹手22相连；\n[0084] 所述拉杆上端安装有第二角接触轴承29，所述角接触轴承与连接头连接，所述连接头通过浮动接头与所述气缸17连接，所述抓瓶气缸17固定在所述抓瓶气缸安装板上；\n[0085] 所述夹手22上设置有夹手缓冲块24。\n[0086] 所述待检大输液输入通道与导入轮盘相连，所述导出轮盘与正品输出通道相连，所述导入轮盘和导出轮盘分设在所述主轮盘的两侧，均与主轮盘传动连接；\n[0087] 所述次品剔除分拣装置设置于正品输出通道一侧，受控于所述PLC控制单元。\n[0088] 次品剔除分拣装置：根据“优先级”将含有不同类型缺陷的大输液经不同的次品输出通道输出至不同的区域，便于“二次检测”和对产生次品原因的分析。\n[0089] 为了避免大输液药瓶封装部分被损坏，通过精密调压阀对夹持气缸的进气进行调节控制，四工位(调整为双工位)分割器的主轴可以上下运动，通过装配调试务必调整好分割器的上下运动行程和转动工位，使不同类型的次品能从合格品输出通道出口附近搬运至不同的次品输出通道。为了方便客户辨认混有不同异物的大输液，摆板上装有一套驱动装置。在装在摆板上的光电传感器的配合下，通过相应的PLC指令控制驱动装置将不同类型的次品按“优先级”输出。\n[0090] 利用视觉成像单元拍摄连续的多帧图像，然后对图像进行预处理，分割，边缘提取后进行特征提取，然后利用IDS-ELM算法对提取的描述可见异物与气泡的特征向量集进行分类识别，被检测后的大输液经次品剔除分拣装置及合格品输出通道输出。\n[0091] 所述视觉成像单元包括工业相机和光源，其中，所述工业相机与所述工控机相连，所述光源受控于所述PLC控制单元。\n[0092] 有益效果\n[0093] 本发明提供了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，该装置包括分割器、摆板、驱动装置、夹持气缸以及夹持手指；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；所述驱动装置包括电机、电机安装座、气缸安装座及丝杆；所述夹持气缸安装在气缸安装座下方；所述夹持手指设置在夹持气缸上；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。通过夹持大输液药瓶的瓶颈部上部分运动实现对大输液次品的分拣。\n[0094] 其优点具体体现在以下几点：\n[0095] (1)夹持手指上安装的夹持垫在能保证大输液能被夹稳的同时有效地保护好大输液瓶口的封装部分；\n[0096] (2)本装置在实现次品剔除的过程中，能有效地区分不同类型的次品。摆板竖直方向有三个工位，(具体工位数可根据大输液生产厂家次品区分的类别确定，增强了本装置的适用性)分别对应毛发，漂浮物和玻璃屑三类次品，在每个对应的工位上，摆板上都装有一个对应的光电传感器，当夹持手指夹持着次品时，驱动装置带动大输液沿着摆板方向将不同类型的次品运送至不同的工位，然后分割器主轴抬起并带动被夹持的次品向上运动，然后旋转90度，再将次品放下。这样变能根据“优先级”将不同的次品输出至不同的位置，在实现了次品剔除的同时，能有效地区分不同类型的次品，便于后续对产生次品原因的分析。分割器的运用巧妙的解决了现有技术中存在的长期困扰大输液的分拣问题，结构简单，容易实现。\n[0097] (3)本装置剔除有效地避免了气缸直击等剔除方式带给盛装大输液容器的损坏。\n[0098] (4)通过采用数学形态滤波获得预处理图像，其算法可通过硬件并行实现，大大提高了处理速度。对于大输液图像分割，采用基于最大信息熵的帧间差分算法很好的克服了瓶侧壁可能存在差异、简单序列图像差分对微小异物目标检测效果不好的缺陷，并且显著提高了输出图像的信噪比，采用SUSAN算法提取可见异物与气泡的边缘，大大简化了后续特征提取算法的难度。分析研究可见异物与气泡的特征参数并构建了描述缺陷的特征描述子，减少了图像处理时间，大大提高了算法的实时性和鲁棒性。采用IDS-ELM算法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。\n附图说明：\n[0099] 图1是次品剔除分拣装置整体结构图；\n[0100] 图2是伺服驱动装置整体结构图；\n[0101] 图3是伺服驱动装置结构解析图；\n[0102] 图4为检测系统的整体结构示意图；\n[0103] 图5为抓瓶机构示意图，(a)为抓紧示意图，(b)为松开示意图；\n[0104] 标号说明：1-大输液药瓶，2-夹持气缸，3-夹持垫，4-夹持手指，5-分割器，6-驱动装置，7-摆板，8-电机，9-电机安装座，10-联轴器，11-第一轴承，12-第一轴承座，13-丝杠，\n14-气缸安装座，15-第二轴承，16-第二轴承座，17-药瓶抓取机械手气缸，18-气缸安装板，\n19-连接头，20-旋转套，21-拉杆，22-夹手，23-第一销轴，24-夹手缓冲块，25-第三销轴，26-拉块，27-第二销轴，28-第一角接触轴承，29-第二角接触轴承，30-浮动接头，31-药瓶抓取机械手，32-搓瓶机构，33-输出通道，34-次品剔除分拣装置，35-导出轮盘，36-导入轮盘，\n37-输入通道。\n具体实施例\n[0105] 下面将结合附图和实施例对本发明做进一步的说明。\n[0106] 如图1-图3所示，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；\n[0107] 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；\n[0108] 所述驱动装置包括电机、电机安装座、气缸安装座及丝杠；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；\n[0109] 所述夹持气缸安装在气缸安装座下方；\n[0110] 所述夹持手指设置在夹持气缸上；\n[0111] 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。\n[0112] 所述夹持手指内侧设置有夹持垫。\n[0113] 具体分拣过程如下：\n[0114] 1)连续获取正在检测的大输液多帧原始图像，然后对图像进行Top-Hat形态学滤波，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，采用SUSAN算法来提取大输液图像中可见异物与气泡的边缘，通过研究分析缺陷的特征选取用于描述可见异物(毛发、漂浮物、玻璃屑)与气泡的形状、灰度、运动特征参数，对提取的描述可见异物与气泡的特征向量运用IDS-ELM算法实现可见异物与气泡的识别与分类，以区分含不同类型异物的次品；\n[0115] 2)次品剔除分拣装置分拣各类次品：\n[0116] 在具体说明步骤2)之前根据市场需求先对搬运的“优先级”进行定义：若被检测后的大输液含有不同类型异物，则根据异物的数量来决定该大输液的最终输出通道，例如，被检测后的大输液含有1个毛发和2个玻璃屑，则该装置将其搬运至玻璃屑输出通道；若检测后的大输液含有等量的不同异物，则依次按玻璃屑、毛发、漂浮物选择输出通道，例如，若被检测的大输液含有1个纤维和1个毛发，则次品剔除机构将该大输液搬运至毛发输出通道。\n[0117] 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；\n[0118] 所述大输液瓶的识别分类过程如下：\n[0119] 步骤1)连续获取正在检测大输液的原始图像；\n[0120] 步骤2)图像预处理；\n[0121] 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；\n[0122] 选用7×7的圆形模板作为结构元素对原图像进行高帽形态学滤波；\n[0123] 步骤3)图像分割；\n[0124] 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；\n[0125] 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；\n[0126] 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；\n[0127] 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：\n[0128] 首先将连续获取的序列图像进行差分操作，得到差分图像；\n[0129] 其次，计算差分后图像二值化阈值T0：\n[0130] 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pi，利用下面两式来计算背景和异物灰度值的分布：\n[0131]\n[0132]\n[0133] 其中， M表示灰度i的最大值，则背景和目标的信息熵H(A)、H(B)分别可由下面两个公式计算：\n[0134]\n[0135]\n[0136] 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；\n[0137] 最后，利用差分后图像二值化阈值T0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：\n[0138]\n[0139] 步骤4)缺陷边缘提取；\n[0140] 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：\n[0141] 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；\n[0142] 掩膜内除中心点外所有像素点的像素值利用下式计算：\n[0143]\n[0144] r0是图像核所在的位置，r表示模板中其余点所处的位置，I(r0)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；\n[0145] 然后利用下式来计算掩膜区域的USAN值：\n[0146]\n[0147] 其中，(x0,y0)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，n为USAN区域中像素个数，然后将与预设的USAN阀值相比较，并利用下式来获取可疑特征点，并以特征点为中心，将特征点与其他的邻域内的8个点灰度值相比较，最大的被保留下来作为最终的边缘点：\n[0148]\n[0149] 其中，g＝nmax/2是USAN阀值，nmax是n的最大值，取掩膜的3/4。\n[0150] 对于有噪声影响的图像，USAN阈值下限值取2-10个像素。\n[0151] 步骤5)提取缺陷的特征向量；\n[0152] 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；\n[0153] 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；\n[0154] 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；\n[0155] 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；\n[0156] 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；\n[0157] 步骤6)可见异物与气泡分类识别；\n[0158] 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；\n[0159] 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；\n[0160] 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。\n[0161] 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：\n[0162] 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；\n[0163] Step2：建立ELM网络模型fL(xi)；\n[0164] 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；\n[0165]\n[0166] 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；οi＝(οi1,οi2,...,οim)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；\n[0167] 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；\n[0168] 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；\n[0169]\n[0170]\n[0171] 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)；\n[0172] Step5：对ELM网络模型进行第一次剪枝；\n[0173] 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；\n[0174] 计算剪枝系数η， 为向上取整符号；\n[0175] Step6：对ELM网络模型进行第二次剪枝；\n[0176] 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；\n[0177] 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；\n[0178] 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；\n[0179] Step9：确定ELM网络模型最终隐节点个数为L′，训练精度为train，并取train＝max(train2，train3，train4)，训练时间为time：\n[0180]\n[0181] 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；\n[0182] 其中，H′为最终ELM网络模型的输出层矩阵。\n[0183] 为了避免大输液药瓶封装部分被损坏，需要通过精密调压阀对夹持气缸的进气进行调节控制，四工位(调整为双工位)分割器的主轴可以上下运动，通过装配调试务必调整好分割器的上下运动行程和转动工位，使不同类型的次品能从合格品输出通道出口附近搬运至不同的次品输出通道。为了方便客户辨认混有不同异物的大输液，摆板上装有一套伺服搬运装置6，在光电传感器的配合下通过相应的PLC指令控制伺服驱动组件将不同类型的次品按“优先级”输出。\n[0184] 采用该分拣机构构建新的医药大输液可见异物分类识别检测系统，如图4所示，包括机械执行单元、PLC控制单元、视觉成像单元及工控机；\n[0185] 所述机械执行单元受控于PLC控制单元，所述PLC控制单元与所述工控机相连；\n[0186] 所述视觉成像单元包括工业相机和光源，其中，所述工业相机与所述工控机相连，所述光源受控于所述PLC控制单元；\n[0187] 所述机械执行单元包括待检大输液输入通道、导入轮盘、主轮盘、抓瓶机械手、搓瓶机构、次品剔除分拣装置及正品输出通道；\n[0188] 所述主轮盘上均匀设置有多个大输液瓶工位，每个工位上设置有抓瓶机械手和搓瓶机构；\n[0189] 所述待检大输液输入通道与导入轮盘相连，所述导出轮盘与正品输出通道相连，所述导入轮盘和导出轮盘分设在所述主轮盘的两侧，均与主轮盘传动连接；\n[0190] 所述次品剔除分拣装置设置于正品输出通道一侧，受控于所述PLC控制单元。\n[0191] 如图5所示，所述抓瓶机械手包括抓瓶气缸(17)、抓瓶气缸安装板(18)、拉杆(21)、旋转套(20)、角接触轴承(29)、拉块(26)及夹手(22)；\n[0192] 所述夹手(22)通过第一销轴(23)与旋转套(20)固定，且夹手(22)以第一销轴(23)为圆心自由做圆周运动；所述旋转套(20)通过第一角接触轴承(28)固定在所述主轮盘的转轮轴承上；所述拉杆(21)通过第三销轴(25)连接两块对称分布的拉块(26)；所述拉块(26)通过第二销轴(27)与夹手(22)相连；\n[0193] 所述拉杆上端安装有第二角接触轴承(29)，所述角接触轴承与连接头连接，所述连接头通过浮动接头与所述气缸(17)连接，所述抓瓶气缸(17)固定在所述抓瓶气缸安装板上；\n[0194] 所述夹手(22)上设置有夹手缓冲块(24)。\n[0195] 利用PLC控制伺服电机能快速、准确、稳定地将不同类型的次品剔除至不同的区域，“二次检测”且有利于后续对产生次品的原因的分析。