一種基于近鄰傳播聚類的醫用藥劑中可見異物檢測方法
【專利摘要】本發明提供了一種基于近鄰傳播聚類的醫用藥劑中可見異物檢測方法，包括步驟：獲取連續幀藥液圖像；利用雙邊濾波器的保邊去噪性對所述連續幀藥液圖像進行濾波處理得到背景差分圖像；對得到的背景差分圖像進行空間中值濾波消除噪聲；分割提取進行空間中值濾波后的背景差分圖像中連通域目標及其特征；應用近鄰傳播聚類算法對中提取到的連通域目標進行分類；根據分類結果分析目標的軌跡形態，再判斷目標類別根據分類結果判斷異物是否存在。本發明大大提高藥品檢測的精度和速度，具有很強的實用價值，相關技術可推廣應用至食品、飲料等質量檢測領域，需求廣泛，經濟社會效益顯著。
【專利說明】—種基于近鄰傳播聚類的醫用藥劑中可見異物檢測方法
【技術領域】
[0001]本發明屬于可見異物檢測方法領域，尤其涉及一種基于近鄰傳播聚類的醫用藥劑中可見異物檢測方法。
【背景技術】
[0002]液體藥劑是醫療機構日常必須使用的藥品，同時也是臨床搶救藥物和靜脈治療藥物不可缺少的載體或溶酶，在現代臨床上占據十分重要的地位。在我國，約占全國市場90%以上的透明藥劑產品還是采用的玻璃瓶包裝。由于生產工藝以及封裝技術的原因，透明藥劑產品中可能含有玻璃碎屑、橡皮屑、纖維等微小不溶性異物。這些來源不同的不溶性異物往往攜帶有數量巨大的細菌微生物，造成藥品受到嚴重污染。據調查，國內每年75%以上的液體藥品召回源于不溶性異物超標。如果這些微小異物隨著藥液被注射到靜脈，它們既不能被代謝吸收，也不受機體抗凝系統影響，造成血管栓塞、靜脈炎、肉芽腫、熱原反應、過敏反應等，給人體帶來嚴重持久的危害，甚至直接危及生命。
[0003]目前，國內制藥企業為滿足藥品生產質量管理規范，避免由于“藥品召回”帶來的經濟損失以及宣傳的負面影響，99%以上的企業普遍采用暗室中的人工檢測方法，這項工作完全依賴手工和肉眼進行藥品的全數檢測，勞動強度大，對視力損害嚴重，且人工檢測方法還存在檢測結果不穩定、產品檢測范圍的局限性、生產效率低下、質量不易控制等缺陷。
[0004]鑒于此，國內制藥企業和食品藥品監督管理部門都急切希望能研制出一種透明藥劑中可見異物的自動檢測系統以替代人工檢測。透明藥劑檢測系統的優勢主要體現在檢測精度高、速度快、適用性、移植性強、節約勞動力等方面。
[0005]目前，基于機器視覺技術的透明藥劑可見異物檢測系統的研究并不多見，國外只有德國Seidenade、意大利Brevetti C.E.A和日本Eisai等少數公司有能力研制這種自動檢測設備，但由于國內制藥環節中過濾、包材(如瓶體表面存在凹痕、刻度)等和國外存在較大差異，致使引進的設備檢測效果并不理想。國內也有一些科研院所和制藥機械企業進行了相關的攻關，但至今未見有透明藥劑中可見異物檢測設備推廣應用的報道。
【發明內容】
[0006]本發明的目的在于提供一種基于近鄰傳播聚類的醫用藥劑中可見異物檢測方法，旨在解決現有基于機器視覺技術的透明藥劑可見異物檢測系統效果差的問題。
[0007]本發明是這樣實現的，一種基于近鄰傳播聚類的醫用藥劑中可見異物檢測方法，其特征在于，包括以下步驟:
[0008]步驟S1:獲取連續幀藥液圖像；
[0009]步驟S2:利用雙邊濾波器的保邊去噪性對所述連續幀藥液圖像進行濾波處理得到背景差分圖像；
[0010]步驟S3:對所述步驟S2中得到的背景差分圖像進行空間中值濾波消除噪聲；
[0011]步驟S4:分割提取所述步驟S3進行空間中值濾波后的背景差分圖像中連通域目標及其特征；
[0012]步驟S5:應用近鄰傳播聚類算法對步驟S4中提取到的連通域目標進行分類；
[0013]步驟S6:根據步驟S5中的分類結果分析目標的軌跡形態，再判斷目標類別根據分類結果判斷異物是否存在。
[0014]優選地，所述步驟S2 具體為
【權利要求】
1.一種基于近鄰傳播聚類的醫用藥劑中可見異物檢測方法，其特征在于，包括以下步驟: 步驟S1:獲取連續幀藥液圖像； 步驟S2:利用雙邊濾波器的保邊去噪性對所述連續幀藥液圖像進行濾波處理得到背景差分圖像； 步驟S3:對所述步驟S2中得到的背景差分圖像進行空間中值濾波消除噪聲； 步驟S4:分割提取所述步驟S3進行空間中值濾波后的背景差分圖像中連通域目標及其特征； 步驟S5:應用近鄰傳播聚類算法對步驟S4中提取到的連通域目標進行分類； 步驟S6:根據步驟S5中的分類結果分析目標的軌跡形態，再判斷目標類別根據分類結果判斷異物是否存在。
2.根據權利要求1所述的基于近鄰傳播聚類的醫用藥劑中可見異物檢測方法，其特征在于，所述步驟 S2 具體為
3.根據權利要求2所述的基于近鄰傳播聚類的醫用藥劑中可見異物檢測方法，其特征在于，所述步驟S3具體為:將所述步驟S2中得到的背景差分圖像Bk(X，y)與原始藥液圖像Fk(x，y)進行絕對值差分，得到包含有異物雜質和噪聲的差分圖像Gk(X，y)，即Gk(X，y) = |Fk(x, y)-Bk(x, y) | ;然后，在中值濾波的基礎上考慮中心像素點在相鄰幀圖像中的信息，獲得空間中值濾波后的背景差分圖像，即gk(x，ykmecHGnU, y), Gk(x_i, y-j), Gk+1 (x,y)}， (i， j) e W0
4.根據權利要求3所述的基于近鄰傳播聚類的醫用藥劑中可見異物檢測方法，其特征在于，所述步驟S4包括以下具體步驟: 步驟S4-1:對進行空間中值濾波后的背景差分圖像gk(x，y)采用迭代閾值法進行閾值化處理；步驟S4-2:將步驟S4-1中閾值化處理后圖像進行連通域提取，運用數學形態學中的膨脹和腐蝕操作來消除孔洞及粘連，得到完整的連通域，提取連通域目標的特征信息。
5.根據權利要求4所述的基于近鄰傳播聚類的醫用藥劑中可見異物檢測方法，其特征在于，所述步驟S4-1包括以下具體步驟: 步驟S4-1A:分別計算大小為HXW的差分圖像Gk(X，y)的樣本均值E和標準差S ;其
中，
6.根據權利要求5所述的基于近鄰傳播聚類的醫用藥劑中可見異物檢測方法，其特征在于，所述步驟S5包括以下具體步驟: 步驟S5-1:建立待分類數據集；提取連續m幀圖像Ik，...，Ik+m中的連通域目標及其特征并編號，記在Ik中提取到的nk個連通域目標為分別p1...,pi，...，pnk；,其中，每個連通域目標Pi都包含三個特征值:幀序號面積大小％以及中心坐標(cix，ciy);當Ik中的連通域目標編號完畢后，接著對下一幀圖像Ik+1中的目標進行編號，且下標序列號在nk的基礎上遞增，即為pnk，...pmk+i,，..pnk+mk+1，提取到的連續m幀圖像中的所有連通域目標的集合即為待分類數據集； 步驟S5-2:建立相似性矩陣，包括以下具體步驟: 步驟S5-21:定義Pi和Pj之間的歐式距離為4仍，Pj)，幀序號絕對值差為^(Pi, Pj)，其中，
7.根據權利要求6所述的基于近鄰傳播聚類的醫用藥劑中可見異物檢測方法，其特征在于，在步驟S5-22包括以下具體步驟: 步驟S5-22A:初始化:Vnew= {χ}，其中X為集合V中的任一節點，￡— = 0 ; 步驟S5-22B:在集合E中選取權值最小的邊euv，其中u為集合Vnrat中的元素，而v為集合V中的元素但不是Vnew中的元素； 步驟S5-22C:將V加入到集合Vmw中，將euv加入到集合Emw中； 步驟S5-22D:重復步驟5-22B和步驟5-22C，直到Vnew=V,使用集合Vnew和Enew來描述所得到的最小生成樹。
8.根據權利要求6所述的基于近鄰傳播聚類的醫用藥劑中可見異物檢測方法，其特征在于，在步驟5-23包括以下具體步驟: 步驟S5-23A:初始化成仍，Pj)=eij，其中eij e Enew ； 步驟S5-23B:對于~,遍歷所有中間節點k，使其滿足C^Pi, Pj) =min (Cle(PyPj)，Clc(PijPk)H(P^Pj))； 步驟S5-23C:重復步驟S5-23B直至求得所有數據之間的測地距離。
9.根據權利要求6所述的基于近鄰傳播聚類的醫用藥劑中可見異物檢測方法，其特征在于，在步驟S5-3中，所述近鄰傳播聚類算法在信息更新時引入阻尼因子λ，在每一次循環迭代中，PuIP 的更新結果都是由當前迭代過程中更新的值和上一步迭代的結果加權得到的，其中，O≤λ≤1，默認值為0.5。
10.根據權利要求1所述的基于近鄰傳播聚類的醫用藥劑中可見異物檢測方法，其特征在于，所述步驟S6中所述判斷目標類別的原則為: 若分類數據集軌跡成連續線性，則判斷目標是異物雜質； 若分類數據集軌跡無序，則判斷目標是噪聲干擾。
【文檔編號】G01N21/90GK103743755SQ201310704463
【公開日】2014年4月23日 申請日期:2013年12月20日 優先權日:2013年12月20日
【發明者】許雪梅, 李麗嫻, 丁家峰, 尹林子, 丁一鵬, 曹粲 申請人:許雪梅