大輸液異物視覺識別和分類方法研究.pdf

1、本文以醫(yī)藥溶液中的大輸液產品為例，進行了可見異物視覺識別和分類方法的研究，用機器視覺來模擬人眼，確保識別和分類方法的有效性和精度，最終實現對大輸液異物的準確識別和分類，且將該算法用于實際生產系統(tǒng)，提高藥液質量檢測的速度和精度，進而帶來巨大的經濟和社會效益。
　　首先，本文概述了機器視覺技術的原理及應用，介紹了將機器視覺應用于醫(yī)藥溶液產品質量檢測的國內外研究現狀，結合實際檢測對象分析了利用視覺對異物進行識別和分類的難點。
　　

2、其次，簡要介紹了視覺檢測系統(tǒng)的結構，詳細闡述了本文的研究平臺，大輸液異物視覺識別和分類系統(tǒng)的設計，包括光學照明系統(tǒng)、機械系統(tǒng)和機電控制系統(tǒng)的各部分結構及實現。
　　然后，重點介紹了本文中的異物識別算法。在分析了本文的識別對象及識別難點和關鍵技術現狀后，給出了大輸液可見異物視覺識別方案的整體設計。在采集到的原始圖像經過自適應加權均值濾波預處理后，利用投影法確定感興趣區(qū)域，剔除了部分瓶底、瓶壁及光線的干擾，并利用復合拉普拉斯增強法對其

3、進行處理。針對運動小目標的特點，在序列圖像的基礎上，將幀差法與背景法相結合實現對目標的分割；運用基于數學形態(tài)學-Kalman濾波器的跟蹤算法對分割出的目標對象進一步跟蹤識別，正確判斷異物與氣泡干擾，并給出了實驗結果，驗證了識別算法的可靠性和有效性。
　　隨后，在對異物進行跟蹤識別盼基礎上，提取目標特征，運用BP神經網絡和支持向量機對目標對象進行分類，確定其所屬類別。針對標準BP算法的收斂速度慢等缺點提出了改進的BP算法，比較了兩種

4、算法對標準數據Iris的分類效果，證明其改善了標準BP算法的性能。利用支持向量機對目標對象進行分類時，在傳統(tǒng)二分類的基礎上采用“一對多”的方式實現多分類。文中給出了BP神經網絡和支持向量機兩種分類方法的實驗結果，并進行了對比，驗證了分類算法的有效性和實用性。
　　最后，介紹了本文實驗平臺的軟件系統(tǒng)開發(fā)與實現，概述了本軟件系統(tǒng)的整體構成，簡要描述了其中的用戶登錄模塊、系統(tǒng)控制模塊、運動控制模塊和數據庫模塊，重點介紹了相機參數設置模塊