基于机器视觉的药片检测和识别算法的研究

发布时间：2020-03-25 21:23

【摘要】：大型医院包药房的摆药和核药是一项重要的工作,对医院的工作效率具有重要的影响。传统的摆药和核药都是依靠人工来完成的,存在着因视觉疲劳导致药品误摆,用手摆药产生药品污染,工作效率低下等问题。针对这个问题,社会上已经出现全自动药品分包系统(Automated Tablet DispensingPackaging System,ATDPS)。这个系统主要有两部分组成:全自动药片包药系统(Tablet Packing Machine System,TPMS)和全自动药片核验系统(Tablets Check Machine System,TCMS)。其中TPMS的技术已经很成熟了,TCMS技术处在发展阶段,有很多医院只使用了TPMS技术,核药的工作依旧依靠人工来完成。因此,对TCMS技术的研究具有重要的现实意义。本文基于机器视觉设计了一种药片检测和识别算法。在药片检测阶段,本文先进行药片区域提取得到前景目标,然后进行粘连药片分割得到单个药片区域。在药片区域提取方面,本文考虑了四种分割算法:大津算法、一维最大熵分割算法、改进后的大津算法和改进后的一维最大熵分割算法,其中改进后的一维最大熵分割算法效果较好。在粘连药片分割方面,本文采用先进行凹点检测,再进行凹点匹配的方法来分割粘连药片。进行凹点检测时,考虑了三种算法:具有自适应阈值和动态支撑区域的曲率尺度空间算法、局部区域角度算法和改进后的局部区域角度算法,其中改进后的局部区域角度算法的性能较好。进行凹点匹配时,比较了K-M算法和改进后的KNN算法,其中改进后的KNN算法耗时较少。在药片识别阶段,本文主要利用药片面积、形状、颜色三个重要特征来判断药片的种类。测量面积时,采用了连通域标记的方法来统计连通域内的像素个数。在进行形状分类时,比较了基于形状上下文的形状匹配和一个十层的卷积神经网络模型,后者在准确率和速度上都优于前者。在进行颜色分类时,设计了一种基于色调直方图和支持向量机的颜色分类器。
【图文】：

模型图,模型,感受野,神经认知机

哈尔滨工业大学工学硕士学位论文卷积神经网络介绍卷积神经网络最早的起源可以追溯到上世纪六七十年代，一些日本学感受野的概念，这是卷积神经网络最初的灵感起源。到了上世纪八十年ushima 在感受野的概念上提出了神经认知机模型，这是一次比较大的进着卷积神经网络有了实际的用途。1989 年美国贝尔实验室的学者 un 教授给出的卷积神经网络形式 LeNet-5 成功用于英语手写字体识别的结构如图 2-1 所示。然而，由于数据和计算机硬件条件的限制，卷络并没有在上世纪九十年代发展起来。卷积神经网络之所以现在这么自 2012 年的一场竞赛，冠军得主 Alex 使用卷积神经网络在 ImageNe人惊叹的效果。自此以后，卷积神经网络的时代来临了。

示意图,全连接,示意图,卷积

图 2-2 全连接和局部连接示意图络的结构一般由以下几部分组成：卷积层、激活来将详细介绍每部分。络中卷积层的作用是为提取特征。在图像识别领征图，，每个特征图中所有神经元的权值是相同置的同一特征；不同特征图之间的神经元的权像的不同特征。数线性的，然而，现实世界的问题大多数是非线性活函数来增加卷积神经网络的非线性。常用的：sigmoid 函数的计算见公式（2-7），sigmoid其软饱和性，容易产生梯度消失等缺陷，现在( ) 1/(1 )xf x e = + tanh 函数的计算见公式（2-8），相比 sigmoid
【学位授予单位】：哈尔滨工业大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：R95;TP391.41;TP18

【相似文献】