快速SURF算法在药瓶塞缺陷检测中的应用_万仁全

合集下载

基于机器视觉的泡罩药板穿泡缺陷检测方法

有更高的准确度和可行性。
关键词：级联检测；纹理抑制；频谱能量；频域滤波器；阈值分割；缺陷定位
中图分类号：TB487；TP391
文献标志码：A
Defect Detection Method of Drugs Blister Board Based on Machine Visions
Gu
0 引言
目前，绝大多数文献只对药板上药粒缺陷进行研究与检测，而忽略了药板上的缺陷。在实际生产过程中，药片在经铝塑机包装密封时，药板表面会存在多种问题，这些问题直接影响了药品的质量和外观；同时，由于药板背景纹理的复杂性，更是加大了药片缺陷检测的复杂度。因此，急需研究一种基于药板复杂纹理背景下的细微缺陷检测方法。本文针对药板上的穿泡缺陷，提出一种实用性算法，并取得了较好的应用效果。
58 第 37 卷第 4 期 doi：10.3969/j.issn.1005-1295.2019.04.014
测试技术
包装与食品机械
2019 年 8 月
基于机器视觉的泡罩药板穿泡缺陷检测方法
谷紫颖，唐启慧，李振华
（山东大学控制科学与工程学院，济南 250061）
摘要：为提高工业生产线上对药板穿泡缺陷的检测速度与准确度，提出一种实用性算法。该算法采用级联检测方法，提
（School of Control Science & Engineering，Shandong University，Jinan 250061，China）
Abstract：A practical algorithm was proposed in order to improve the detection speed and accuracy of the bubble defect detection on the industrial production line. Firstly，based on the cascade detection method，a sub-image gray-scale difference algorithm was proposed to locate defects roughly.Then，an improved texture suppression algorithm based on Gabor filtering was proposed. Then， a high-efficiency bandpass filter with directionality was designed through analysis of the spectral energy to realize reconstruction of defect image. Finally，the selective block iterative threshold method was used to realize threshold segmentation，so that the defective position was located successfully. Through image test of a few tablets by MATLAB，the detection accuracy of defects reached 95.29%.Compared with the traditional method，this method has higher accuracy and feasibility. key words：cascade detection；texture suppression；spectral energy；frequency-domain filter；threshold segmentation；defect location

QuEChERS前处理方法在农药残留检测中的应用

QuEChERS前处理方法在农药残留检测中的应用王婧【摘要】近年来,农产品质量安全问题备受社会关注,随着检测前处理方法和仪器的不断改进更新,农产品中农药残留检测技术日趋成熟.2003年美国科研工作者针对水果蔬菜中的农药残留检测开发了QuEChERS前处理方法,该方法具有快速、简便、低廉、高效、稳定、安全的特点.介绍了传统的前处理方法和QuEChERS前处理方法的原理,并对比得出QuEChERS前处理方法的优势,总结了近年来QuEChERS前处理方法在提取溶剂的pH、净化剂、样品加水量、操作方法4个方面的改进措施;同时综述了近年来QuEChERS前处理方法在农产品及其他领域的应用情况,并对该方法的前景进行了展望.%In recent years,the quality and safety of agricultural products has been paid much attention to by the society.With the improvement of pretreatment methods and instruments,the pesticide residue detection technology is becoming more and more mature.In 2003,American scientists developed QuEChERS as a pretreatment method for the detection of pesticide residues in fruits and vegetables.This method is quick,easy,cheap,effective,rugged and safe.This paper introduced the theory of the traditional pretreatment method and QuEChERS pretreatment method,and pointed out the advantages of the QuEChERS pretreatment method,and summarized the improvement measures of QuEChERS pretreatment method in the four aspects of pH,purificant,water addition amount and operation method.In this paper,the application of QuEChERS pretreatment method in agricultural products and other fieldsin recent years was summarized,and the prospect of this method was also prospected.【期刊名称】《山西农业科学》【年(卷),期】2017(045)012【总页数】5页(P2051-2055)【关键词】QuEChERS;前处理;农药;残留【作者】王婧【作者单位】山西省农业科学院农产品质量安全与检测研究所,农业部农产品质量安全风险评估实验室(太原),山西太原030031【正文语种】中文【中图分类】O652.1当今，随着人们生活水平的提高，人们的饮食安全意识逐渐增强，食品的质量安全问题得到了广泛的关注。

QuEChERS-UPLC-MS

分析检测QuEChERS-UPLC-MS/MS法测定果蔬中10种农药残留宋春雪（盘锦检验检测中心，辽宁盘锦 124000）摘　要：本文建立了一种QuEChERS-UPLC-MS/MS法测定果蔬中10种农药残留。

本方法利用QuEChERS技术，样品经过提取、净化，用UPLC-MS/MS测定。

结果表明，在0.01～0.20 μg·mL-1，10种农药均具有良好的线性关系，相关系数均＞0.996。

各组分在3个加标水平（0.01 mg·kg-1、0.10 mg·kg-1、1.00 mg·kg-1）下的回收率为81%～106%，RSD在1.1%～9.8%（n=7）。

该方法操作快速简单，且灵敏度与回收率高，因此可用于蔬菜水果中多种农药残留的同时检测分析。

关键词：QuEChERS-UPLC-MS/MS法；果蔬；农药残留Determination of 10 Pesticide Residues in Fruits andVegetables by QuEChERS-UPLC-MS/MS MethodSONG Chunxue(Panjin Center for Inspection and Testing, Panjin 124000, China)Abstract: This article establishes a QuEChERS-UPLC-MS/MS method for the determination of 10 pesticide residues in fruits and vegetables. This method utilizes QuEChERS technology, and the sample is extracted, purified, and determined using UPLC-MS/MS. The results indicate that between 0.01 μg·mL-1 and 0.20 μg·mL-1, all 10 pesticides have a good linear relationship, with correlation coeﬃcients＞0.996. The recovery rates of each component at three spiked levels (0.01 mg·kg-1, 0.10 mg·kg-1, 1.00 mg·kg-1) ranged from 81% to 106%, with RSD ranging from 1.1% to 9.8% (n=7). This method is fast and simple to operate, with high sensitivity and recovery rate, so it can be used for the simultaneous detection and analysis of multiple pesticide residues in vegetables and fruits.Keywords: QuEChERS-UPLC-MS/MS method; fruits and vegetables; pesticide residue农产品质量安全问题关乎国计民生，一直受到广泛关注[1]。

基于SURF特征点的金属罐图案检测算法

基于SURF特征点的金属罐图案检测算法胡晓彤;田仁赞;王旭迎【摘要】为快速、准确地检测出金属罐生产过程中出现的图案倒置问题，提出一种基于 SURF 特征点的金属罐图案检测算法。

该算法通过比较金属罐图像与模板图像间匹配特征点的位置关系，实现金属罐图案方向的判别。

首先利用SURF 算法分别提取分区域处理后的待检测图像和模板图像的特征点；再利用双向 KNN 算法和 RANSAC 算法进行特征点匹配；最后计算匹配特征点的位置关系，并判别金属罐方向。

实验表明，该算法能够有效地实现金属罐图案倒置的检测，可以达到每分钟800罐的检测速度。

%In order to detect metal can pattern inversion problem quickly and accurately,a detective algorithm of metal can patterns based on SURF feature points was proposed. The algorithm can recognize the metal can pattern’s direction by com-paring the positional relationship of the matched feature points between the detected metal image and the template image. Firstly,SURF algorithm is used to extract the feature points of the detected image and the template image which are divided into different regions.Secondly,the feature points are matched using bidirectional KNN algorithm and RANSAC algo-rithm.Finally,the metal can pattern’s direction is given by calculating the matched feature point s’ positional relationship. The experiment results indicate that the algorithm can solve the metal can pattern inversion problem and the detection speed is 800 cans per minute.【期刊名称】《天津科技大学学报》【年(卷),期】2015(000)006【总页数】6页(P72-77)【关键词】金属罐图案;分区域;SURF;特征点;K最近邻;位置关系【作者】胡晓彤;田仁赞;王旭迎【作者单位】天津科技大学计算机科学与信息工程学院，天津 300222;天津科技大学计算机科学与信息工程学院，天津 300222;天津科技大学计算机科学与信息工程学院，天津 300222【正文语种】中文【中图分类】TP301.6;TP13金属罐被广泛地应用在食品、饮料、化工等产品的包装，作为承载产品信息的表面图案成为金属罐质量检测的重点.在金属罐罐身焊接过程中，因罐体成型前的马口铁进入焊机时的方向出现错误，经常会出现罐体图案倒置的成型金属罐.采用人工方式分拣这些不合格的金属罐，存在效率低、劳动强度大、检测精度易受人为因素影响等问题，无法保证检测结果的可靠性；同时，随着工业自动化技术的发展，生产线的速度不断提升，人工检测已无法满足实际生产的要求.另一方面，由于金属罐在生产线上高速前进时位置不固定，使得自动化检测的难度较大.迄今为止，罐体图案倒置检测问题还没有得到很好的解决.近年，随着机器视觉相关研究的发展[1-2]，该技术已成功应用于PCB 缺陷检测、瓶装药品可见异物检测、织物疵点检测[3-5]等多种产品的高速在线检测中.目前尚未见有基于机器视觉的罐体图案倒置在线检测研究的相关报道.因此，本文针对这一问题进行研究，提出一种基于SURF 特征点的金属罐图案检测算法，并将其应用到基于机器视觉的在线检测系统中.在利用SURF 算法分别提取待检测罐体图像与焊接前的马口铁图像的特征点后进行特征点匹配，最终根据匹配成功的特征点对间的位置关系实现金属罐图案倒置的检测.1 SURF特征点检测算法SURF 特征点检测算法[6-8]是在SIFT 算法的基础上提出的一种速度快、鲁棒性强的图像局部特征提取算法.该算法不仅对图像旋转、平移、缩放和噪声具有较好的鲁棒性，而且对光照和视角的变化均有较好的适应能力.同时，通过引入积分图像和盒子滤波器，在运算速度方面提高了近3 倍，综合性能更加优越.1.1 SURF特征点检测SURF 特征点检测算法是通过计算Hessian 矩阵行列式的局部极值来确定特征点的位置.其中，尺度为σ 的图像I 中点 X (x,y) 的Hessian 矩阵定义为式中：Lxx是高斯二阶导与图像I 中点X 卷积的结果，其中.Lxy、Lyy具有相同的含义.SURF 算法采用盒子滤波近似二阶高斯滤波，构造出一种快速Hessian 矩阵，并使用积分图像来加速卷积以提高计算速度.为使SURF 特征具有尺度不变性，需要构造不同尺度空间，并在各个尺度空间下通过快速Hessian 矩阵行列式得到局部极值点.在此，SURF 算法采用不同大小的盒子滤波器与源图像进行卷积以获得不同尺度空间的特征描述.通过盒子滤波处理后，Lxx、Lxy、Lyy分别用Dxx、Dxy、Dyy重新标记，予以区分.由于盒子滤波是二阶高斯滤波的近似估计，因此引入比例因子ω(ω 近似取值0.9)，进一步求解得到快速Hessian 矩阵的行列表达式为其中，det H 为图像I 中点X 周围区域的盒子滤波器响应值，用det H 进行极值点的检测.求出尺度图像在各个尺度空间下的局部极值点后，将每个局部极值点及同一尺度的8 个相邻点以及它上下两个尺度的各9 个点构成一个3 × 3 ×3 的立体邻域.将尺度空间的每个极值点与立体邻域相邻的26 个点进行比较，只有当局部极值点的值均大于(或小于)所有26 个相邻点时，才将此局部极值点作为候选特征点.为了能够对候选特征点进行亚像素定位，可以在尺度空间和图像空间中进行插值，得到稳定的特征点位置及所在的尺度值.1.2 SURF特征点描述为保证特征点的旋转不变性，在特征点位置确定后，为每一个特征点确定特征的主方向.在此，以特征点为中心，半径为6σ (σ 为特征点所在尺度空间的尺度值)的圆形区域内，计算图像在x 和y 方向的Harr 小波响应(Harr 小波边长取4σ)，并使用尺度为2σ 的高斯加权函数对Harr 小波响应值进行高斯加权，使得越靠近特征点的响应贡献越大；然后用π/3大小的扇形区域遍历整个圆形区域，并将响应的最大值的方向定义为特征点的主方向.然后，以特征点为中心，构造一边垂直于主方向且边长为20σ 的正方形窗口区域，并将该窗口区域划分成4×4 的子区域.在每一个子区域内，计算5σ 5 ×σ 个采样点的水平方向和垂直方向的Harr 小波响应，分别记作 dx和 dy，同样使用尺度为2σ 的高斯加权函数对Harr 小波响应值进行高斯加权，以增加对几何变换的鲁棒性.然后将每个子区域的响应值和响应值的绝对值相加形成由此，每个子区域就形成了一个四维分量的矢量对于每一个特征点，则形成4 × (4 × 4)=64维的特征向量，如图1 所示.为保证对光照的不变性，对特征向量进行归一化处理，得到最终的SURF 特征点描述符.图1 特征描述符的构成Fig.1 Constitution of feature descriptors2 图像特征点匹配特征点匹配就是根据特征点的描述符搜索待检测图像与模板图像中唯一的匹配特征点对.本文通过SURF 算法从待检测图像与模板图像中分别提取特征点后，采用双向K 最近邻法(K-nearest neighbor algorithm)进行粗匹配[7]，采用随机采样一致算法(RANSAC)进行精匹配[8-9]，最终确定待检测图像和模板图像特征点间的匹配关系.2.1 双向K最近邻法粗匹配因SURF 特征描述算法是基于特征点的邻域信息构建特征点的描述.因此，可通过K 最近邻法搜索每个特征点潜在的2 个最佳匹配点，并通过匹配点对间的距离最佳值与次佳值的比值优选出最佳匹配点对.设M1、M2分别为图像 I1、I2的特征点集合，对M1中的任一特征点 m1i，M 2中与 m1i的欧式距离最小的2 个特征点分别为m2j，m2′j，对应距离分别为dij，，如果dij≤α di′j，则认为m1i与m2j为优选的匹配点对.结合K 最近邻法匹配的特点，本算法采用双向匹配的处理策略，分别使用K 最近邻匹配法优选出从待检测图像到模板图像潜在的匹配点对和从模板图像到待检测图像潜在的匹配点对，形成2 个优选的匹配集，再使用对称性匹配原则进一步优化得到的匹配集，从而获得最优匹配点对作为待检测图像与模板图像粗匹配的结果.图2 所示为粗匹配运算后的结果，如图2 中粗线所示，经过特征点粗匹配后存在一些误匹配.图2 特征点粗匹配结果示意图Fig.2 Map of the rough match of the feature points2.2 RANSAC算法精匹配如果直接使用粗匹配点对进行检测结果的判定，必定会降低检测的准确性.因此，采用RANSAC 算法对粗匹配结果进行处理，实现待检测图像与模板图像特征点的精确匹配.RANSAC 算法是经典的图像特征点匹配算法，其步骤如下：(1)从粗匹配点对中随机选取4 对匹配点计算转换矩阵F ；(2)计算其他匹配点离转换矩阵F 的距离d ；(3)计算F 对应的内点并统计内点的数量；(4)重复步骤(1)到(3)若干次，找到内点最多的F 的估计和对应的内点；(5)利用最小二乘法计算最后的转换矩阵，并得到最终的匹配结果.经过精确匹配后，上述误匹配未出现在图3 所示的最终匹配特征点对中.图3 特征点精确匹配示意图Fig.3 Map of the accurate match of the feature points3 图像分区域处理从SURF 特征点提取与匹配的方法可以看出，特征点检测与描述的计算量与图像大小及特征点的数量成正比；特征点匹配的计算量与待检测图像和模板图像中特征点数量之积成正比.因此，针对实际生产速度与检测时间的要求，采用分区域匹配的思想[10]，将待检测图像与模板图像分成若干子区域，并在相对应的子区域间进行特征点匹配，从而在保证检测精度的前提下，提高算法的处理速度.3.1 待检测图像的分区域处理对于圆柱形金属罐，其表面纹理会发生失真、变形，使得柱面图像(图4)两侧区域因变形较大无法与模板图像匹配.因此，根据柱面反投影原理[11]，将金属罐柱面图像中间失真、变形小的2/3 区域作为实际待检测图像(图4 中红色矩形框区域). 同时，如图5 所示，对待检测图像进行八等分处理，并将下半部分的4 个子图像作为主检测区域与模板的相应子区域匹配；在主检测无法达到要求时，将上半部分的4 个子图像作为辅助检测区域，作同样的子区域匹配.因匹配处理的运算量与待匹配图像双方的特征点数量之积成正比，所以利用上述待检测图像分区域处理的方法，能够在保证检测精度的前提下，提高检测速度[9].图4 金属罐柱面图像的实际检测区域Fig.4 The detected region of cylindrical metal can image图5 待检测图像八等分子图像Fig.5 Eight equal sub-images of the image to be detected3.2 模板图像分区域处理模板图像的成像质量直接关系着检测结果的准确性.同时，由于模板图像的一边为金属罐的周长，所以其宽度为金属罐柱面图像宽度(直径)的3 倍以上.如果以模板的宽度设计成像系统，就会造成成像后的金属罐图像分辨率较低，不利于检测.因此，以金属罐的直径为标准设计成像系统，从而保证成像后的图像具有足够高的分辨率.然而，这样就会造成模板图像无法完整地呈现在相机视野内.所以采用多次成像后拼接的方式生成完整的模板图像[12-13]，图6所示为多次成像得到的序列图像，图7 为拼接处理后得到的模板图像.为与金属罐图像分区域处理相配合，对模板图像也进行分区域处理.如图8、图9 所示，将模板图像四等分后组合成2 个模板子图像，并将其分别作为相应待检测子图像的标准模板图像.通过上述模板图像的分区域处理，既能够保障正常罐体和图案倒置罐体的特征点均能在模板图像中找到相应的匹配点；同时通过缩小模板图像，能够达到提高检测速度的目的.图6 序列图像Fig.6 Sequence images图7 模板图像Fig.7 The template image图8 模板图像四等分子图像Fig.8 Four equal sub-images of the template image图9 新生成的2个模板子图像Fig.9 The sub-images of two newly generated templates3.3 子图像特征点匹配策略在待检测图像与模板图像经分区域处理后，如何从模板子图像快速定位出与待检测子图像相似的区域才是提高算法处理速度的关键.根据分区域处理方法以及待检测子图像与模板子图像的相似性关系，设计了图10 所示的匹配策略.图中1、2、3、4 分别表示图案未倒置时待检测图像与模板图像中的1/4 区域，A、B、C、D 表示待检测图像下半部的四等分区域，箭头表示待检测子图像与相应模板子图像间的匹配.待检测图像的2 或3 区域与对应的模板子图像23 进行匹配；待检测图像的1 或4 区域与对应的模板子图像14 进行匹配.最终，根据配准成功的特征点所在区域的不同，确定金属罐图案是否倒置.图10 子图像特征点匹配策略Fig.10 Feature points match strategy4 实验结果与分析为验证算法的性能，采用C++语言编写程序，对旺仔牛奶、雀巢咖啡、露露果仁核桃3 种品牌的金属罐进行检测试验.计算机配置为 Intel(R)Core(TM)i7-37703.4,GHz 处理器、4,G 内存，操作系统为32 位Win7 系统.4.1 特征点分区域匹配将采集图像的下半部作为待检测全局图像，利用全局匹配算法与模板图像进行图像特征点匹配.对图像中的下半部进行四等分处理，得到待检测子图像A、B、C、D，分别利用分区域匹配算法与对应的模板子图像进行图像特征点匹配.图11、图12所示为全局匹配与分区域匹配的实验结果.表1 为待检测图像与模板图像中的特征点与匹配点对的数量、匹配时间等.图11 全局匹配Fig.11 Global match图12 子图像A与模板子图像23特征点匹配Fig.12 The feature point match of sub image A and sub template image 23表1 图像特征点数目与处理时间Tab.1 Image feature point number and processing time从表1 可以看出：采用全局图像与分区域处理两种方法，在总特征点与匹配点对的数量方面相差不大.但在处理时间方面，特别是特征点匹配时间，分区域处理后明显降低.这是因为通过减少匹配运算时的待检测图像与模板图像中特征点的数量，大幅度降低了匹配处理的运算量，从而在保证检测精度的前提下，能够满足高速生产的检测要求.4.2 算法综合性能分析为检测算法的综合性能，并从每个品牌金属罐中提取了3 个不同纹理密度的区域作为待检测图像，得到检测结果见表2.从表2 可以看出：对于不同的金属罐，由于分别选取了纹理密集到稀疏的3 个区域，所以待检测图像1 中的特征点数量最多，待检测图像3 中的特征点数量最少.通过增加辅助检测(处理待检测图像的上半部)，纹理稀疏区域也能搜索到足够数量的匹配特征点对用于检测，说明本算法能够适应各种金属罐的检测.在算法检测时间上，不同金属罐不同区域提取的特征点数量不同，检测时间存在着一定的差异.由于采用分区域主辅检测策略，所以最长检测时间均不超过75,ms，能够满足每分钟800 罐的处理速度要求.经过20 万次不同品牌金属罐(罐体倒置率约为1%,)的测试表明，本算法检测精度达到99.9%,.表2 不同金属罐的检测结果Tab.2 Detection results of different brands of metal注：表中“-”表示未进行辅助检测.5 结语本文对金属罐图案检测方法进行了研究，并提出了一种基于SURF 特征点的检测算法.该算法首先搜索待检测金属罐图像的中心区域与模板图像间匹配的特征点对，随后通过比较特征点对的位置关系判别金属罐图案是否倒置.目前，已通过与基于传感器的相机触发装置、基于电磁阀的气动剔除装置相结合，构建了金属罐图案倒置实时在线检测工业机器人系统，并用于实际生产测试，能够满足高速生产条件下的实时检测要求.参考文献：［1］刘振宇，李中生，冯柏润，等.机器视觉在工业生产线上的应用实现[J].微型机与应用，2013，32(17)：27-30.［2］朱作付，徐超，葛红美.机器视觉技术在包装领域的应用[J].包装工程，2010，31(3)：124-127.［3］姚忠伟.基于机器视觉的PCB 缺陷检测算法研究[D].哈尔滨：哈尔滨工业大学，2013.［4］许明国.基于机器视觉的药液中可见异物检测技术的研究[D].长沙：长沙理工大学，2013.［5］李文羽.基于机器视觉和图像处理的色织物疵点自动检测研究[D].上海：东华大学，2014.［6］Bay H，Ess A，Tuytelaars T，et al.Speeded-Up RobustFeature(SURF)[J].Computer Vision and Image Understanding，2008，110(3)：346-359.［7］赵璐璐，耿国华，李康，等.基于SURF 和快速近似最近邻搜索的图像匹配算法[J].计算机应用研究，2013，30(3)：921-923.［8］陈艺虾，孙权森，徐焕宇，等.SURF 算法和RANSAC算法相结合的遥感图像匹配方法[J].计算机科学与探索，2012，6(9)：822-828.［9］Fischler M A，Bolles R C.Random sample consensus：a paradigm for model fitting with applications to image analysis and automated cartography[J].Communications of the ACM，1981，24(6)：381-395. ［10］乔勇军，谢小方，李德栋，等.SURF 特征匹配中的分块加速方法研究[J].激光与红外，2011，41(6)：691-695.［11］钱炜燕，胡晓彤.基于柱面反投影算法的三维物体表面纹理重建[J].天津科技大学学报，2009，24(3)：58-62.［12］杨云涛，冯莹，曹毓，等.基于SURF 的序列图像快速拼接方法[J].计算机技术与发展，2011，21(3)：6-9.［13］朱栋，孙枫，夏芳莉，等.图像融合研究综述[J].传感器与微系统，2014，33(2)：14-18.。

基于小样本学习的表面缺陷检测方法

基于小样本学习的表面缺陷检测方法1. 内容综述随着工业生产中产品表面质量的日益重要，表面缺陷检测技术也成为了研究热点。

传统的表面缺陷检测方法往往依赖于大量的样本进行训练，但在实际应用中，由于样本采集困难、成本高昂，以及某些恶劣环境的影响，获取大量标注数据变得异常困难。

基于小样本学习的表面缺陷检测方法应运而生，并在近年来得到了广泛的关注和研究。

基于小样本学习的表面缺陷检测方法主要利用少量的样本信息来推断出整个缺陷表面的特性。

这类方法通常通过提取样本的特征来进行分类或识别，进而判断表面是否存在缺陷。

由于小样本学习能够有效地解决样本稀缺问题，因此在处理复杂场景下的表面缺陷检测时具有显著的优势。

已有的基于小样本学习的表面缺陷检测方法主要包括基于迁移学习的方法、基于元学习和表示学习的方法、以及基于深度学习的方法等。

这些方法各有优缺点，适用于不同的场景和需求。

基于迁移学习的方法通过将源领域的数据迁移到目标领域，利用源领域的大量标注数据来帮助目标领域的少量样本进行学习。

这种方法在一定程度上缓解了小样本学习中的数据稀疏性问题，但仍然依赖于源领域的数据分布，且可能受到领域适应性的限制。

基于元学习和表示学习的方法则试图从原始特征空间中提取出更有意义的特征表示，以降低对标注数据的依赖。

这些方法通过学习到通用的特征表示，使得模型能够在不同任务之间进行迁移学习，从而有效地解决了小样本学习中的问题。

基于深度学习的方法则是利用深度神经网络强大的特征提取能力来解决小样本学习中的问题。

通过设计深度神经网络的结构和训练策略，这类方法能够自动地从原始数据中提取出有用的特征，并进行分类或识别。

深度学习方法需要大量的标注数据进行训练，且在面对复杂的表面缺陷检测任务时可能存在过拟合的风险。

基于小样本学习的表面缺陷检测方法在处理实际应用中的小样本、高维、复杂场景等问题时具有显著的优势。

随着技术的不断发展和优化，这类方法有望在工业生产中发挥更大的作用，提高生产效率和产品质量。

融合先验知识推理的表面缺陷检测

融合先验知识推理的表面缺陷检测目录一、内容概括 (2)1. 背景介绍 (3)2. 研究目的与意义 (4)二、相关知识概述 (5)1. 表面缺陷检测概述 (6)2. 先验知识推理介绍 (7)3. 相关技术应用现状 (8)三、融合先验知识推理的表面缺陷检测原理 (9)1. 原理概述 (10)2. 关键技术分析 (11)3. 融合方法探讨 (12)四、表面缺陷检测中的先验知识获取与处理 (13)1. 数据收集与预处理 (14)2. 特征提取与选择 (16)3. 知识库的建立与优化 (17)五、基于推理的表面缺陷检测算法设计 (18)1. 算法框架设计 (19)2. 缺陷识别模型构建 (20)3. 模型优化与改进策略 (21)六、实验设计与结果分析 (22)1. 实验数据与预处理分析 (23)2. 实验方法与过程介绍 (25)3. 实验结果展示与对比分析 (25)4. 错误类型及改进措施探讨 (27)七、系统实现与应用场景分析 (28)1. 系统架构设计与实现 (29)2. 系统功能介绍与使用说明 (30)3. 应用场景分析与发展趋势预测 (31)八、挑战与展望 (33)1. 当前面临的挑战分析 (34)2. 未来发展趋势预测与展望 (35)3. 研究中存在的不足与改进方向思考 (36)九、结论 (37)1. 研究成果总结 (38)2. 对未来研究的建议与展望 (39)一、内容概括先验知识的引入与融合：本文将介绍如何引入先验知识，并将其融入到模型训练过程中，提高模型的泛化能力和检测精度。

通过收集和整理表面缺陷相关的历史数据、专家知识和经验，形成先验知识库，为后续的推理和检测提供数据支持。

表面缺陷图像采集与处理：本文将讨论如何有效地采集表面缺陷图像，并对图像进行预处理，包括图像增强、去噪、分割等，以提高图像质量和检测效果。

基于深度学习的表面缺陷检测模型构建：本文将介绍如何利用深度学习技术构建表面缺陷检测模型。

210290254_机器视觉在药品包装缺陷检测中的应用研究

1 药品包装图像的预处理
运用机器视觉进行药品包装的缺陷检测，涉及 2 个关键技术，分别是药品包装图像的预处理和药品包装图像的区域分割。预处理技术是指图像在进入缺陷检测之前所开展的准备工作。
1.1 预处理的技术流程
受到拍摄设备、拍摄环境和电磁干扰等各种因素的影响，药品包装被拍摄成图像的过程中可能有多种噪声，例如随机噪声、椒盐噪声以及高斯噪声。这些噪声的存在会影响原始像素显示位置的正确性和亮度。为了提升缺陷检测的准确性，必须对这些噪声进行去除，该文设计的三种噪声的去除方案，技术框图如图 1 所示。
Copyright©博看网. All Rights Reserved.
- 37 -
中国新技术新产品 2022 NO.7（下）
一种是胶囊类的药品包装，其无缺陷的胶囊包装单元图像作图像作为模板图像，如图 5 所示。为模板图像，如图 3 所示。
高新技术
图 5 无缺陷的片状包装单元图像
图 3 无缺陷的胶囊包装单元图像
素替代被污染的噪声像素，其处理如公式（2）所示。
f（x，y）= median{f1，f2，f3，...，fn} 式中：median 为在集合中选取中间值的操作。
（2）
为了更加直观地展示中值滤波的去噪过程，给定一个
3×3 像素窗口下去噪的例子，如图 2 所示。
从图 2 中可以看出，这是一个 3×3 像素的中值滤波窗
择大律法进行阈值设定。
（a）噪声去除前（b）噪声去除后图 2 中值滤波去噪的一个实例
大律法完成阈值设定的思路是，先随机选定一个阈值作为初始阈值，按照这个初始阈值进行分割后形成 2 个初始灰度集合。再分别计算这两个集合的灰度均值，进而形成方差
口，窗口中心位置上的像素的灰度为 188，高于周围其他 8 计算，再根据方差极值不断调整阈值，每次更新都会让阈值

基于轮廓跟踪的泡罩药品缺陷检测算法

Ａｂｔａｔ：ＢｏｎａｙｃｎｏｒｏｂｅｍａｅｓｏｌｘｒｃｅｅｈｈｐｅｅｔＩｔｃｅｏｅｒｔｎｉｙｓｒｃｕｄｒｏｔｕｆｔｔｌｔｈｅａｉｇｈｕｄｂｅｅｔａｔｄｗｈｎｔｅｓａｅｄｆｃｄｅｅｔｄｆｒｔｏｕｄｔＳｈｔｂｅｓｉｌｔｒｐａｋｇｎＴｈｅｔｌｓａｂｓｃｍｅｈｄｆｒｂｕｎｒｏｔｕａｋｉｇ．ｍｅｏａｅｒｓｎｔｄｔａｌｔｎｂｉｅｃａｉｇ．ｅｒｐｉｉａｉｔｏｏｏｄａｙｃｎｏｒｔｃｎＡｔｄｈｓｂｅｎｐｅｅｅｓｅｒｈｏｄｓｉｇｉｈｔｂｅｅｅｔａｅｎｔｅｒｐｉｔｅｏｙａｄａｔｒｂｅｗｉｄｗｏａｅｂｕｄｒａｋｎ．ｍｅｐｒｍｅｅｓｉｔｕｓｌｔｆｃｓｄｏｅｔｅｗｉｍｍｒｎｌａｌｎｏｆｒｉｇｏｎａｙｔｃｉｇＳｏａａｔｒｎａｄｂｈｌｈｅｍｒｈｖｅｎｕｅｏｄｓｉｇｉｈｔｂｅｆｃｅｏｅａｄ，ｓｃｓｔｅｐｘｌｎｓｔｆｃｏｅｏｏｕｕｖａｅｂｅｓｄｔｉｔｎｕｓａｌｔｄｅｅｔｂｆｒｈｎｕｈａｈｉｅｄｅｉｙｏｌｓｄｃｎｔｒｃｒｅ，ｔｅｔａｎｈｒｐａｄｅｒｎｈｎａｋｙｒｐｉｎｅａｔｒｂｅｗｉｄｗｉｅｔｔｐｔａｋｎＳｅｅｃｅｃｕｄｂｐｏｅｆｅｔｖｌｍｂａｃｍｅｔｒｃｅｂｅｔｅａｄｔｌａｌｎｏｓｚｓｏｃｇ．ｏｔｆｉｎｙｗｏｌｅｉｒｖｄｅｃｉｅｙｔｄｌｈｅｏｒｉｈｉｍｏｅｅｔｃｇｉｏｔｅｂｈｎｍｇｒｃｓｉｇｆｒｔｅｄｆｃｅｏｎｔｎｉｈｅｉｄｉａｅｐｏｅｓｎ．ｈｒｉｎＫｅｒｓｏｎｏｒｔａｋｎｙｗｏｄ：ｃｔｕｃｉｇ；ｄｆｃｅｅｔｎ；ｒｐｉｆａｔｒｂｅｗｉｄｗｒｅｅｔｔｃｉｄｏｅｔｅｏｌｅａｌｎｏｌ

Surfscan

产品手册Surfscan® SP1TBI Pro 和 SP1DLS Pro 系统是业界公认的无图案晶圆检测的主力工艺控制系统，适用于射频、汽车、SiC 、GaN 、LED 等新兴技术。

在整个半导体生态系统中，为衬底、IC 、设备和材料制造商提供所需的工艺和设备的认证与监测。

SP1TBI 和 SP1DLS Pro 系统都以成功的Surfscan®平台为基础，旨在实时捕获裸晶圆、光滑和粗糙薄膜和堆叠、光阻和光刻堆叠上的关键缺陷，并对其进行分类。

通过及早发现和识别这些关键缺陷和表面质量问题，Surfscan SP1 Pro 系统能够更快地识别工艺和设备问题，从而加速量产投产、提高良率并增进盈利。

SP1TBI 的高灵敏度模式能够检测尺寸小至60nm 的缺陷，而SP1DLS 的高灵敏度模式可以产品级裸硅上检测尺寸小至50nm 的缺陷，并且高产量模式选项可用于批量生产。

SP1 Pro 系列设备既能满足研发探索应用，也同样适用于在一个完整的制造环境中为关键设备监测提供检测点，所有这些都可以由这一个系统完成。

▪ 三光束照明(TBI)提供多种表征晶圆质量的方法▪ 双激光系统(DLS )使用多个激光器和探头将明场、暗场和纳米形貌相结合，用以捕获多种不同的缺陷。

▪ 对硅衬底设备进行认证和工艺监控，可为150mm-300mm的晶圆格式提供>50nm 的灵敏度▪ 高灵敏度模式扩展了研发应用的能力▪ 重新启动产品制造以提高可维护性和供应的可预测性▪ 采用标准支架并可实现灵活配置缺陷类型示例**附带相关的检视图像滑移线划痕晶体原生凹坑缺陷灵敏度产能▪ 斜入射光照可在光滑表面上针对颗粒缺陷提供最佳灵敏度，并允许可调配置以提高针对粗糙覆盖薄膜的灵敏度▪ 直入射光照是在设备监控中检测机械划痕或者在外延工艺中检测滑移线的理想选择 ▪ 明场微分干涉对比度(BF-DIC)在表面高度发生变化的情况下可以提高缺陷捕获能力 ▪ 雾度晶圆图以图形方式表示完整晶圆表面的状况/质量▪ 产量提升可以通过特许产能选项以完成，从而在200毫米晶圆上更快地获得结果（使用真空晶圆处理）▪ 固态激光器的使用寿命更长，维护需求更少（在DLS 系统中为标准配置，在TBI 系统中为可选配置） ▪ KLA 生态系统与Klarity+eDR SEM 检视兼容 ▪ 全工厂自动化符合SEMI 标准汽车、RF 和 μLED 设备制造商的选择▪ 在关键工艺检测点进行测量，对工艺设备进行监控▪ 灵活的光学配置适用于各种工艺条件▪ 适配板可用于150mm 和200mm 晶圆之间的快速转换裸硅、SOI 和外延衬底制造▪ 晶圆认证的行业标准——晶圆制造商OQC （出厂质量控制）和晶圆厂IQC （入厂质量控制） ▪ 能够测量厚度高达1500 µm和翘曲度高达75µm的200mm 毫米衬底▪ 机载分级能力，多达4x 200mm 片仓分拣站材料和设备制造▪ 工艺设备认证的行业标准▪ 优化针对Epi GaN-on-Si 、AlN 和其他特殊薄膜的检测▪ 高灵敏度模式扩展了研发能力保留更改硬件或软件规格的权力，恕不另行通知保留更改硬件或软件规格的权力，恕不另行通知.。

UPLC—Q—TOF—MS／MS结合对照药材法快速筛查硫磺熏蒸商品人参

UPLC—Q—TOF—MS／MS结合对照药材法快速筛查硫磺熏蒸商品人参该研究建立了UPLC-Q-TOF-MS/MS结合自制对照药材的硫磺熏蒸人参快速筛查方法。

采用道地药材通过常规程序制备硫磺熏蒸人参对照药材，应用UPLC-Q-TOF-MS/MS发现和鉴定硫磺熏蒸人参对照药材8个特征成分，选择质谱响应较高的25-hydroxyl-Re sulfate作为标志物，研究其质谱裂解，选取丰度较高的特征离子m/z 879.44作为提取离子，再通过优化质谱条件提高特征离子m/z 879.44质谱响应值，提高筛查方法灵敏度。

应用所建立的方法筛查了来源于不同地区的21份商品生晒参，有9份样品化学轮廓与硫磺熏蒸人参对照药材相似，且都检测到25-hydroxyl-Re sulfate的特征离子m/z 879.44，表明近43%商品生晒参是硫磺熏蒸品。

同时采用2010年版《中国药典》附录方法测定21批药材中二氧化硫残留，结果一致。

与二氧化硫残留检测方法相比，该方法选择性更强、更快速，可为人参质量控制提供有效辅助手段。

标签：UPLC-Q-TOF-MS/MS；人参；硫磺熏蒸生晒参初加工过程中常用硫磺熏蒸增白防霉[3]。

文献报道硫磺熏蒸人参的免疫调节作用明显下降[4]，但至今未见硫磺熏蒸人参快速筛查方法的报道。

前期研究发现人参经硫磺熏蒸后其中的部分人参皂苷会转化成人参皂苷含硫衍生物[3，5]。

这些人参皂苷含硫衍生物是硫磺熏蒸人参的特征性成分，是区分硫磺熏蒸与未硫磺熏蒸人参潜在的标志物。

然而，这种人参皂苷含硫衍生物制备成本高，至今未见商品化学对照品销售。

对于化学对照品难以获得的中药材，使用对照药材进行对照鉴定是当前中药材质量控制常用的辅助方法[6]。

超高效液相色谱-四极杆飞行时间质谱（UPLC-Q-TOF-MS/MS）技术将高分离效能和强大的结构鉴定功能结合起来，为中药材化学成分的快速表征提供了简便、准确的手段，已广泛用于药材的质量控制研究[7-8]。

1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。

０引言
在医用药瓶盖生产中，加工出来的瓶盖难免有
收稿日期：２０１５０１０４－－基金项目：湖北文理学院大学生创新创业训练资助项目（）２０１３１０５１９０４１
《（）机械与电子》２０１５３
１１２１，，，ＷＡＮＧＺｈｏｎｒｅｎＷＡＮＲｅｎｕａｎＬＵＣｈｅｎｕｅＺＨＵＳｈｉｚｈａｎｇｑｇｙｇ
（，，；１．ＳｃｈｏｏｌｏｆＭｅｃｈａｎｉｃａｌａｎｄＡｕｔｏｍｏｔｉｖｅＥｎｉｎｅｅｒｉｎＨｕｂｅｉＵｎｉｖｅｒｓｉｔｏｆＡｒｔｓａｎｄＳｃｉｅｎｃｅＸｉａｎａｎ４４１０５３，Ｃｈｉｎａｇｇｙｇｙｇ，２．ＴｈｅＣｏｉｎｎｏｖａｔｉｏｎＣｅｎｔｅｒｏｆＨｕｂｅｉＰｒｏｖｉｎｃｅｏｆＡｕｔｏＰａｒｔｓＭａｎｕｆａｃｔｕｒｅＥｕｉｍｅｎｔＤｉｉｔｉｚｉｎ－ｑｐｇｇ；？Ｕ）Ｘｉａｎａｎ４４１０５３，Ｃｈｉｎａ３．ＳｃｈｏｏｌｏｆＥｌｅｃｔｒｏｎｉｃＳｃｉｅｎｃｅ＆ＥｎｉｎｅｅｒｉｎＳｏｕｔｈｅａｓｔｎｉｖｅｒｓｉｔＮａｎｉｎ２１１１８９，Ｃｈｉｎａｇｙｇｇｇ，ｙ，ｊｇ
１药瓶塞机器视觉检测系统
基于机器视觉的药瓶塞自动检测系统工作原理如图１所示。其工作过程为：药品塞被传送到检进料光电传感器触发，通过运动控制卡传测位置，以获得药瓶塞到位信号。经过一定的延到计算机，时后，指令检测位置上方摄像机启动拍摄药瓶塞图像。图像被采集传输计算机内存储。计算机中的通图像处理系统对采集到的储液桶图像进行处理，过一系列图像处理算法求取药瓶塞图像的外圆圆度误差值，若药瓶塞的外圆圆度误差值大于预设的 ·３９·
《（）机械与电子》２０１５３
特征点的图像匹配因为其计算量小、鲁棒性强和匹配精度高等特点得到广泛的研究和应用。参考文
］２３－献［用仿射不变性、噪声和明暗变化等衡量各种局
１］。而基于跟踪和自动定位等图像处理的基本步骤［
图２ＳＵＲＦ算法流程
２．１特征点的提取ＳＵＲＦ算法中特征点是指图像中具有独特位置例如角点、拐点及Ｔ形连接。这些特征点一的点，般具有易于提取、区分性强和稳定性好等特点。特征点的提取第１步是建立积分图像，积分图像的每一点表示为原图像从原点到该点的矩形区域的像素值之和。建立积分图像后用箱式滤波器（）形成尺度空间；采用ｂｏｘｔｅｃｏｎｖｏｌｕｔｉｏｎｆｉｌｔｅｒｓｙｐ同时进行非极大值抑制，Ｈｅｓｓｉａｎ矩阵检测极值点，选取比相邻的２６个点的响应值都大的点为特征点，即可得到稳定的特征点位置和尺度。２．２特征点的描述（计算以特征点为中心，半径为６ σ σ 为特征点所在的尺度值）邻域内点的Ｈａｒｒ小波响应来确定特征点主方向；将坐标轴旋转到特征点的主方向，然沿主方向上选择一个２后以此点为中心，００ σ× ２ σ 的正方形区域，并将其划分成４ × ４的子区域，每个区域用Ｈ建立ａｒｒ小波响应生成一个四维向量，６４维的特征描述向量。２．３特征向量的匹配在欧式空间中采用最小距离准则来完成特征向量集的匹配，针对特征点匹配得到的匹配点中存在误匹配问题，引入随机抽样一致性算法（算法对匹配点对进行筛选，将匹配质量ＲＡＮＳＡＣ）从而提高变换模型参数估较差的点作为外点去除，计的准确性。ＳＵＲＦ匹配效果如图３所示。
ＡｌｉｃａｔｉｏｎＲｅｓｅａｒｃｈｏｆＲａｉｄＳＵＲＦＡｌｏｒｉｔｈｍｏｎＭｅｄｉｃｉｎｅＢｏｔｔｌｅＬｉｄｓＤｅｔｅｃｔｉｏｎｐｐｐｇ
!"#$ %&’()* +,-./012
012345
*+,-. 789:;
6012789: ;<=>?@AB
&’()% ,34 5’.60#
ห้องสมุดไป่ตู้
CD*EFGH 9IJK(D
图１基于机器视觉的药瓶塞自动检测系统
LMHoughNOPQ RANSACRSTUVW
２ＳＵＲＦ算法
图像匹配的目的是为２幅不同图像中的相似目标物建立对应关系，这是图像配准、三维重建、目标
快速ＳＵＲＦ算法在药瓶塞缺陷检测中的应用
阈值，则判断当前药瓶塞为不合格品，计算机通过运动控制卡的离散Ｉ气Ｏ功能使踢料电磁阀开启，从而实现了药动喷嘴将不合格品收集到指定容器，瓶塞外圆的自动检测。
<=$># /+012 ! "# $%
然而瓶盖的变形和破损等会使药少量的不合格品，品的密封性破坏遭到破坏，导致药品变质。这些不合格的药品流向市场后对患者的生命健康造成极大隐患，因此，对药品盖进行检测成为药品生产过程中必不可少的一个环节。在现代药品生产中，传统人工检测药品盖子方法己经不能适应生产自动化与产品标准化的要求。运用机器视觉检测方法可以大大提高药品盖生产效率和生产过程的自动化程度，能够很好地满足企业生产需求。机器视觉利用一个代替人眼的图像传感器去获取物体图像，将图像转换成数字图像，并利用计算机视觉模拟人的判别准则去理解和识别图像，达到分析图像并做出判断的目的，具有速度高、信息量大和功能多等特点。在机器视觉检测药瓶盖的过程中，对药瓶盖的匹配定位精度和效率，直接影响了整个检测系统的检测效果和效率。针对药瓶盖的匹配定位要求和现状，提出一种基于感兴趣区域的ＳＵＲＦ算法，实现了药瓶塞的快速定位，满足了机器视觉系统的高实时性要求。
快速ＳＵＲＦ算法在药瓶塞缺陷检测中的应用
２，万仁全１，王中任１，卢晨鉞３，朱世璋１
（湖北文理学院机械与汽车工程学院，湖北襄阳４汽车零部件制造装备数字化湖北省１．４１０５３；２．）协同创新中心，湖北襄阳４东南大学电子科学与工程学院，江苏南京２４１０５３；３．１１１８９
针对目前的ＳＵＲＦ算法占用内存大和耗摘要：时长等缺点，提出一种基于兴趣区域的快速ＳＵＲＦ算法。首先对目标图像进行阈值化分割算法进行消除和抑制了图像中背景的无用信息，再利分割，用ＳＵＲＦ对分割后的图像进行匹配运算。关键词：阈值分割；图像匹配；实ＳＵＲＦ算法；时性中图分类号：ＴＰ３９１文献标识码：Ａ（）文章编号：１００１２２５７２０１５０３００３９０４－－－：ＡｂｓｔｒａｃｔＳｉｎｃｅｓｅｅｄｕｒｏｂｕｓｔｆｅａｔｕｒｅ（ＳＵＲＦ）－ｐｐａｌｏｒｉｔｈｍｉｓａｌｉｅｄｉｎｔｈｅｒｏｃｅｓｓｏｆｆｅａｔｕｒｅｍａｔｃｈｉｎｇｐｐｐｇ，ａｎｄｏｆｗｉｄｅｒａｎｅｏｆｓｅａｒｃｈｉｎｌａｒｅｖｏｌｕｍｅｓｒｏｂｌｅｍｓｇｇｇｐ，ｏｆｄａｔａａｎｄｓｌｏｗｌｒｕｎｎｉｎｏｃｃｕｒａｎｅｗｍａｔｃｈｉｎｙｇｇｏｆＳＩＦＴｂａｓｅｄｏｎｒｅｉｏｎｏｆｉｎｔｅｒｅｓｔｉｓｒｏｍｅｔｈｏｄ－ｇｐｏｓｅｄ．Ｉｎｏｒｄｅｒｔｏｉｍｒｏｖｅｔｈｅｅｒｆｏｒｍａｎｃｅｆｏｒｓｅｅｄｐｐｐｐｏｆａｌｏｒｉｔｈｍ，ｔｈｅｉｍａｅｉｓｓｅｍｅｎｔｅｄｂｔｈｒｅｓｈｏｌｄｖａｌ－ｇｇｇｙｕｅｍｅｔｈｏｄｗｈｉｃｈｅｌｉｍｉｎａｔｅｓａｎｄｓｕｒｅｓｓｅｓｕｓｅｌｅｓｓｉｎ－ｐｐ，ｆｏｒｍａｔｉｏｎｏｆｉｍａｅｂａｃｋｒｏｕｎｄ．ＴｈｅｎＳＵＲＦｉｓｕｓｅｄｇｇｔｏｅｘｔｒａｃｔｆｅａｔｕｒｅｏｆｓｅｍｅｎｔｅｄｉｍａｅａｎｄｍａｔｃｈｏｉｎｔｓｇｇｐｅｌｅｍｅｎｔａｒｉｌ．ｙ：；Ｋｅｗｏｒｄｓｓｅｅｄｕｒｏｂｕｓｔｆｅａｔｕｒｅｔｈｒｅｓｈｏｌ－－ｐｐｙ；；ｄｉｎｉｍａｅｍａｔｃｈｉｎｒｅａｌｔｉｍｅ－ｇｇｇ