2)和第二軸承座（16)上，且絲桿的一端通過(guò)聯(lián)軸器 (10)由電機(jī)驅(qū)動(dòng)，另一端上設(shè)置有氣缸安裝座； 所述夾持氣缸安裝在氣缸安裝座下方； 所述夾持手指設(shè)置在夾持氣缸上； 所述分割器和電機(jī)均受控于醫(yī)藥大輸液可見(jiàn)異物分類識(shí)別檢測(cè)系統(tǒng)的PLC控制單元。2. 根據(jù)權(quán)利要求1所述的裝置，其特征在于，所述夾持手指內(nèi)側(cè)設(shè)置有夾持墊。3. 根據(jù)權(quán)利要求1或2所述的裝置，其特征在于，所述PLC控制單元發(fā)出的控制指令依 據(jù)待檢測(cè)的大輸液瓶的識(shí)別分類結(jié)果發(fā)出，不同的分類結(jié)果，分割器的主軸旋轉(zhuǎn)角度與上 升高度不同，將夾持氣缸夾起的大輸液瓶放至對(duì)應(yīng)的異物類，完成大輸液瓶次品的剔除與 分類； 所述大輸液瓶的識(shí)別分類過(guò)程如下： 步驟1)連續(xù)獲取正在檢測(cè)大輸液的原始圖像； 步驟2)圖像預(yù)處理； 對(duì)步驟1)獲取的每一幀大輸液圖像采用基于Top-Hat形態(tài)學(xué)濾波處理，得到濾波圖 像； 步驟3)圖像分割； 對(duì)步驟2)獲得的濾波圖像采用差分法進(jìn)行圖像分割，獲得分割圖像； 步驟4)缺陷邊緣提??； 從步驟3)獲取的分割圖像中提取大輸液圖像中的缺陷邊緣； 所述缺陷包括可見(jiàn)異物或氣泡，所述可見(jiàn)異物包括玻璃肩、毛發(fā)或漂浮物，所述漂浮物 包括橡膠肩或纖維； 步驟5)提取缺陷的特征向量； 從步驟4)獲得的缺陷邊緣中選取用于描述缺陷的特征參數(shù)，形成缺陷的特征向量； 所述特征參數(shù)包括形狀特征參數(shù)、灰度特征參數(shù)及運(yùn)動(dòng)特征參數(shù)； 所述形狀特征參數(shù)包括缺陷目標(biāo)面積S、缺陷目標(biāo)占有率K及缺陷的7個(gè)幾何不變矩， 其中，缺陷目標(biāo)占有率是指缺陷目標(biāo)區(qū)域的像素個(gè)數(shù)和與缺陷目標(biāo)區(qū)域的最小外接矩形面 積之比； 所述灰度特征參數(shù)包括缺陷目標(biāo)區(qū)域的灰度均值及缺陷目標(biāo)區(qū)域的灰度標(biāo)準(zhǔn)差； 所述運(yùn)動(dòng)特征參數(shù)包括缺陷目標(biāo)的中心點(diǎn)的橫坐標(biāo)和縱坐標(biāo)； 步驟6)可見(jiàn)異物與氣泡分類識(shí)別； 對(duì)提取的缺陷目標(biāo)的特征向量運(yùn)用ELM網(wǎng)絡(luò)模型實(shí)現(xiàn)缺陷目標(biāo)的分類識(shí)別，若缺陷目 標(biāo)的分類識(shí)別結(jié)果為可見(jiàn)異物，則對(duì)應(yīng)的大輸液屬于不合格品，并依據(jù)分類結(jié)果獲得大輸 液中包含的缺陷類別； 所述ELM網(wǎng)絡(luò)模型的構(gòu)建過(guò)程如下：首先設(shè)定ELM算法網(wǎng)絡(luò)模型中輸入節(jié)點(diǎn)為13個(gè)， 輸出節(jié)點(diǎn)為4個(gè)，隱含層節(jié)點(diǎn)個(gè)數(shù)范圍為100-400,隱含層節(jié)點(diǎn)的激活函數(shù)包括Hardlim、Sin或sigmoid函數(shù)； 其次，選用已知缺陷類別的訓(xùn)練樣本特征向量集輸入ELM算法網(wǎng)絡(luò)模型，對(duì)其進(jìn)行訓(xùn) 練，獲得已訓(xùn)練好的ELM網(wǎng)絡(luò)模型。4.根據(jù)權(quán)利要求3所述的裝置，其特征在于，所述步驟6)中運(yùn)用的ELM網(wǎng)絡(luò)模型采用IDS-ELM算法構(gòu)建，具體步驟如下： Stepl:給定樣本數(shù)據(jù)集N(Xl，，從給定樣本數(shù)據(jù)集中選取訓(xùn)練集，Xl表示第i個(gè)樣 本，h表示第i個(gè)樣本的分類結(jié)果； St印2 :建立ELM網(wǎng)絡(luò)模型fL(Xl); 選定初始網(wǎng)絡(luò)模型隱含層節(jié)點(diǎn)個(gè)數(shù)L= 400、隱含層偏移值激活函數(shù)為sigmoid，在 (〇, 1)中隨機(jī)選取輸入層連接隱含層的權(quán)值向量《,和偏移量b];其中，％=(ωΜ，ω#，. . .，ωρ)Τ表示第j個(gè)隱含層節(jié)點(diǎn)與輸入節(jié)點(diǎn)之間的連接權(quán)值 向量，bj表示第j個(gè)隱含層節(jié)點(diǎn)的偏移值，β」=(βη，βj2, . ..，βjni)T表示第j個(gè)隱含層 節(jié)點(diǎn)與輸出節(jié)點(diǎn)之間的連接權(quán)值向量；〇 (。u，。12, . . .，。1Π1)Τ為第i個(gè)樣本對(duì)應(yīng)的網(wǎng) 絡(luò)模型輸出，g(x)為sigmoid激活函數(shù)，η取值為13,m取值為4 ;〇;表示第i個(gè)樣本經(jīng)ELM網(wǎng)絡(luò)模型輸出的分類結(jié)果； St印3 :令〇1=ti，計(jì)算ELM網(wǎng)絡(luò)模型隱含層輸出矩陣H，根據(jù)β=H+T計(jì)算ELM網(wǎng)絡(luò) 模型隱含層與輸出層的連接權(quán)值，T為ELM網(wǎng)絡(luò)模型的輸出矩陣，計(jì)算ELM網(wǎng)絡(luò)模型的訓(xùn)練 精度trainO和訓(xùn)練時(shí)間timeO; Step4 :計(jì)算每個(gè)隱含層節(jié)點(diǎn)的影響度I,并按降冪排序，獲得排序后的隱含層節(jié)點(diǎn)；其中，g_j(Xi) =g(w_jXi+bj)，1彡i彡N，1彡j彡L，a為輸入層權(quán)值向量影響因子，a e (〇, 1)； St印5 :對(duì)ELM網(wǎng)絡(luò)模型進(jìn)行第一次剪枝； 從st印4獲得的排序后的隱含層節(jié)點(diǎn)中，選擇前λ個(gè)隱含層節(jié)點(diǎn)，λe[1，5]，且λ為正整數(shù)；將其從ELM網(wǎng)絡(luò)模型中刪除，同時(shí)，計(jì)算第一次剪枝后的ELM網(wǎng)絡(luò)模型訓(xùn)練精度 trainl，并按照step4重新計(jì)算第一次剪枝后的ELM網(wǎng)絡(luò)模型中每個(gè)隱含層節(jié)點(diǎn)的影響度， 且按降冪排序； 計(jì)算剪枝系數(shù)n「d為向上取整符號(hào)； Step6 :對(duì)ELM網(wǎng)絡(luò)模型進(jìn)行第二次剪枝； 以η·λ作為第二次剪枝的隱節(jié)點(diǎn)個(gè)數(shù)，從step5得到的降冪排序的隱含層節(jié)點(diǎn)中， 選取前η·λ個(gè)隱含層節(jié)點(diǎn)對(duì)step5獲得的第一次剪枝后的ELM網(wǎng)絡(luò)模型進(jìn)行剪枝，并計(jì) 算第二次剪枝后的ELM網(wǎng)絡(luò)模型訓(xùn)練精度train2 ; step7 :找回第二次剪枝操作中，被刪除的影響度最大的隱含層節(jié)點(diǎn)，將其重新加入到st印6獲得的ELM網(wǎng)絡(luò)模型中，同時(shí)計(jì)算更新后的ELM網(wǎng)絡(luò)模型的訓(xùn)練精度train3 ; Step8 :從st印6獲得的ELM網(wǎng)絡(luò)模型中剪掉一個(gè)影響度最小的隱含層節(jié)點(diǎn)，得到更新 后的ELM網(wǎng)絡(luò)模型的訓(xùn)練精度為train4 ; Step9 :確定ELM網(wǎng)絡(luò)模型最終隱節(jié)點(diǎn)個(gè)數(shù)為U，訓(xùn)練精度為train，并取train=max(train2,train3,train4)，訓(xùn)練時(shí)間為time:SteplO:利用矛盾線性方程組的最小范數(shù)最小二乘解求得網(wǎng)絡(luò)隱含層與輸出層連接權(quán) 值矩陣，β' = (Η' )*T，并更新輸入層連接隱含層的權(quán)值向量ω,和偏移量1^，獲得 已訓(xùn)練好的最終ELM網(wǎng)絡(luò)模型； 其中，f為最終ELM網(wǎng)絡(luò)模型的輸出層矩陣。5. 根據(jù)權(quán)利要求4所述的裝置，其特征在于，所述形態(tài)學(xué)濾波處理過(guò)程中，選用7X7的 圓形模板作為結(jié)構(gòu)元素對(duì)原圖像進(jìn)行高帽形態(tài)學(xué)濾波。6. 根據(jù)權(quán)利要求5所述的裝置，其特征在于，在所述步驟3)中采用基于最大信息熵的 幀間差分法進(jìn)行圖像分割，具體步驟如下： 首先將連續(xù)獲取的序列圖像進(jìn)行差分操作，得到差分圖像； 其次，計(jì)算差分后圖像二值化閾值TO: 分別計(jì)算待檢測(cè)圖像的目標(biāo)區(qū)域中像素總個(gè)數(shù)N2和灰度為i的像素點(diǎn)所占的比例pρ利用下面兩式來(lái)計(jì)算背景和異物灰度值的分布：m. 其中，，M表示灰度i的最大值，則背景和目標(biāo)的信息熵H(A)、H(B)分別可由 f而而個(gè)公忒彳+管.由上兩式可求取待檢測(cè)圖像的總信息熵為Φ(s) =H(A)+H(B)，當(dāng)使Φ(s)取最大值 時(shí)，獲得差分后圖像二值化閾值TO; 最后，利用差分后圖像二值化閾值TO將差分后的圖像按下式做二值化處理，將得到的 二值化圖像中每個(gè)像素點(diǎn)進(jìn)行與操作，得到的對(duì)稱差分二值圖像，完成圖像分割：7. 根據(jù)權(quán)利要求6所述的裝置，其特征在于，采用SUSAN算法從步驟3)獲取的分割圖 像中提取大輸液圖像中的缺陷邊緣，具體步驟如下： 利用掩膜來(lái)遍歷對(duì)稱差分二值圖像中目標(biāo)區(qū)域的每一個(gè)像素，并將掩膜中心像素點(diǎn)和 掩膜區(qū)域內(nèi)每一個(gè)像素點(diǎn)做灰度值比較，記錄灰度差值小于設(shè)定灰度差值閾值的像素點(diǎn)， 并將記錄的像素點(diǎn)組成USAN區(qū)域； 掩膜內(nèi)除中心點(diǎn)外所有像素點(diǎn)的像素值利用下式計(jì)算：r。是圖像核所在的位置，r表示模板中其余點(diǎn)所處的位置，I(r。）表示圖像核心點(diǎn)的像 素值，I(r)表示圖像模板中其它點(diǎn)的像素值； 然后利用下式來(lái)計(jì)算掩膜區(qū)域的USAN值： )ν-\Λ· vt 其中，（x〇，y。）表示是當(dāng)前掩膜中心點(diǎn)，（x，y)表示當(dāng)前掩膜除中心點(diǎn)外的像素點(diǎn)，η為USAN區(qū)域中像素個(gè)數(shù)，然后將與預(yù)設(shè)的USAN閥值相比較，并利用下式來(lái)獲取可疑特征點(diǎn)， 并以特征點(diǎn)為中心，將特征點(diǎn)與其他的鄰域內(nèi)的8個(gè)點(diǎn)灰度值相比較，最大的被保留下來(lái) 作為最終的邊緣點(diǎn)：其中，g=n_/2是USAN閥值，n_是η的最大值，取掩膜的3/4。8. 根據(jù)權(quán)利要求7所述的裝置，其特征在于，對(duì)于有噪聲影響的圖像，SUSAN閾值下限 值取2-10個(gè)像素。9. 一種250ml醫(yī)藥大輸液可見(jiàn)異物與氣泡的分類識(shí)別檢測(cè)系統(tǒng)，其特征在于，包括機(jī) 械執(zhí)行單元、PLC控制單元、視覺(jué)成像單元及工控機(jī)； 所述機(jī)械執(zhí)行單元受控于PLC控制單元，所述PLC控制單元與所述工控機(jī)相連； 所述視覺(jué)成像單元包括工業(yè)相機(jī)和光源，其中，所述工業(yè)相機(jī)與所述工控機(jī)相連，所述 光源受控于所述PLC控制單元； 所述機(jī)械執(zhí)行單元包括待檢大輸液輸入通道37、導(dǎo)入輪盤(pán)36、導(dǎo)出輪盤(pán)35、抓瓶機(jī)械 手31、搓瓶機(jī)構(gòu)32、次品剔除分揀裝置34及正品輸出通道33 ; 所述主輪盤(pán)上均勻設(shè)置有多個(gè)大輸液瓶工位，每個(gè)工位上設(shè)置有抓瓶機(jī)械手和搓瓶機(jī) 構(gòu)； 所述待檢大輸液輸入通道與導(dǎo)入輪盤(pán)相連，所述導(dǎo)出輪盤(pán)與正品輸出通道相連，所述 導(dǎo)入輪盤(pán)和導(dǎo)出輪盤(pán)分設(shè)在所述主輪盤(pán)的兩側(cè)，均與主輪盤(pán)傳動(dòng)連接； 所述次品剔除分揀裝置設(shè)置于正品輸出通道一側(cè)，受控于所述PLC控制單元。10. 根據(jù)權(quán)利要求9所述的系統(tǒng)，其特征在于，所述抓瓶機(jī)械手包括抓瓶氣缸（17)、抓 瓶氣缸安裝板（18)、拉桿（21)、旋轉(zhuǎn)套（20)、角接觸軸承（29)、拉塊（26)及夾手（22); 所述夾手（22)通過(guò)第一銷軸（23)與旋轉(zhuǎn)套（20)固定，且?jiàn)A手（22)以第一銷軸（23) 為圓心自由做圓周運(yùn)動(dòng)；所述旋轉(zhuǎn)套（20)通過(guò)第一角接觸軸承（28)固定在所述主輪盤(pán)的 轉(zhuǎn)輪軸承上；所述拉桿（21)通過(guò)第三銷軸（25)連接兩塊對(duì)稱分布的拉塊（26);所述拉塊 (26)通過(guò)第二銷軸（27)與夾手（22)相連； 所述拉桿上端安裝有第二角接觸軸承（29)，所述角接觸軸承與連接頭連接，所述連接 頭通過(guò)浮動(dòng)接頭與所述氣缸（17)連接，所述抓瓶氣缸（17)固定在所述抓瓶氣缸安裝板 上； 所述夾手（22)上設(shè)置有夾手緩沖塊（24)。
【專利摘要】本發(fā)明公開(kāi)了一種基于醫(yī)藥大輸液可見(jiàn)異物檢測(cè)系統(tǒng)的次品剔除分揀裝置，該裝置包括分割器、擺板、驅(qū)動(dòng)裝置、夾持氣缸以及夾持手指；所述擺板的一端安裝在所述分割器的主軸上，所述驅(qū)動(dòng)裝置設(shè)置于擺板上；所述驅(qū)動(dòng)裝置包括電機(jī)、電機(jī)安裝座、氣缸安裝座及絲桿；所述夾持氣缸安裝在氣缸安裝座下方；所述夾持手指設(shè)置在夾持氣缸上；所述分割器和電機(jī)均受控于醫(yī)藥大輸液可見(jiàn)異物分類識(shí)別檢測(cè)系統(tǒng)的PLC控制單元。結(jié)合IDS-ELM算法實(shí)現(xiàn)可見(jiàn)異物與氣泡的識(shí)別與分類，能高精度地分類識(shí)別各類缺陷并將含有不同類型的缺陷剔除至不同的次品區(qū)域。分割器的運(yùn)用巧妙的解決了現(xiàn)有技術(shù)中存在的長(zhǎng)期困擾大輸液的分揀問(wèn)題，結(jié)構(gòu)簡(jiǎn)單，容易實(shí)現(xiàn)。
【IPC分類】B07C5/36
【公開(kāi)號(hào)】CN105251707
【申請(qǐng)?zhí)枴緾N201510836777
【發(fā)明人】張輝, 師統(tǒng), 李宣倫, 吳成中, 阮峰
【申請(qǐng)人】長(zhǎng)沙理工大學(xué)
【公開(kāi)日】2016年1月20日
【申請(qǐng)日】2015年11月26日