CN117152415A - 药品包装的标记物检测方法、装置、设备及存储介质 - Google Patents

药品包装的标记物检测方法、装置、设备及存储介质 Download PDF

Info

Publication number
CN117152415A
CN117152415A CN202311119565.7A CN202311119565A CN117152415A CN 117152415 A CN117152415 A CN 117152415A CN 202311119565 A CN202311119565 A CN 202311119565A CN 117152415 A CN117152415 A CN 117152415A
Authority
CN
China
Prior art keywords
package
marker
image
region
interest
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Granted
Application number
CN202311119565.7A
Other languages
English (en)
Other versions
CN117152415B (zh
Inventor
潘健岳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Aocheng Intelligent Technology Co ltd
Original Assignee
Beijing Aocheng Intelligent Technology Co ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Beijing Aocheng Intelligent Technology Co ltd filed Critical Beijing Aocheng Intelligent Technology Co ltd
Priority to CN202311119565.7A priority Critical patent/CN117152415B/zh
Publication of CN117152415A publication Critical patent/CN117152415A/zh
Application granted granted Critical
Publication of CN117152415B publication Critical patent/CN117152415B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
    • G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
    • G06K7/14—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation using light without selection of wavelength, e.g. sensing reflected white light
    • G06K7/1404—Methods for optical code recognition
    • G06K7/1439—Methods for optical code recognition including a method step for retrieval of the optical code
    • G06K7/1443—Methods for optical code recognition including a method step for retrieval of the optical code locating of the code in an image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
    • G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
    • G06K7/14—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation using light without selection of wavelength, e.g. sensing reflected white light
    • G06K7/1404—Methods for optical code recognition
    • G06K7/1439—Methods for optical code recognition including a method step for retrieval of the optical code
    • G06K7/1447—Methods for optical code recognition including a method step for retrieval of the optical code extracting optical codes from image or text carrying said optical code
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06K—GRAPHICAL DATA READING; PRESENTATION OF DATA; RECORD CARRIERS; HANDLING RECORD CARRIERS
    • G06K7/00—Methods or arrangements for sensing record carriers, e.g. for reading patterns
    • G06K7/10—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation
    • G06K7/14—Methods or arrangements for sensing record carriers, e.g. for reading patterns by electromagnetic radiation, e.g. optical sensing; by corpuscular radiation using light without selection of wavelength, e.g. sensing reflected white light
    • G06K7/1404—Methods for optical code recognition
    • G06K7/1495—Methods for optical code recognition the method including an image compression step
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/14—Image acquisition
    • G06V30/146—Aligning or centring of the image pick-up or image-field
    • G06V30/147—Determination of region of interest
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/14—Image acquisition
    • G06V30/148—Segmentation of character regions
    • G06V30/15—Cutting or merging image elements, e.g. region growing, watershed or clustering-based techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/16—Image preprocessing
    • G06V30/162—Quantising the image signal
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
    • G06V30/10—Character recognition
    • G06V30/16—Image preprocessing
    • G06V30/164—Noise filtering
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Health & Medical Sciences (AREA)
  • Electromagnetism (AREA)
  • General Health & Medical Sciences (AREA)
  • Toxicology (AREA)
  • Artificial Intelligence (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本申请提供了一种药品包装的标记物检测方法、装置、设备及存储介质。该方法能获取目标图像，目标图像包含目标包装的图像信息；根据目标包装在二联包装中所处的相对位置，从目标图像中提取感兴趣区域；压缩感兴趣区域的数据矩阵，得到感兴趣区域的一维图元素矩阵；该一维图元素矩阵中各个元素分别表示感兴趣区域的数据矩阵中对应的一列元素的图像变化特征；该一维图元素矩阵中标记物边缘处的元素数值大于设定阈值；判断标记物的视觉特征是否符合预设检测条件。本申请实施方式能够实现对药品包装中标记物的自动化检测，提高二联药品包装中标记物的检测效率以及准确率，避免检测过程带来的二次污染风险，保障药品质量。

Description

药品包装的标记物检测方法、装置、设备及存储介质
技术领域
本申请实施方式涉及计算机技术领域，更具体地，本申请实施方式涉及一种药品包装的标记物检测方法、装置、设备及存储介质。
背景技术
目前，药物从制剂方式来划分，可分为固体制剂和液体制剂。而固体制剂又包括片剂、胶囊、散剂、颗粒剂等多种形态。
在中药包装的生产制备过程中，中药制剂可采用小袋进行包装。
相关技术中，小袋包装加工完成之后，需要人工检查包装袋是否存在缺陷。然而，人眼容易疲劳，因而，人工检测方式的检测效率和准确率受限于人员状态。此外，因人工操作的介入还会造成药品的二次污染，使药品质量下降。
发明内容
在本上下文中，本申请的实施方式期望提供一种药品包装的标记物检测方法、装置、设备及存储介质，用以实现对二联药品包装中标记物的自动化检测，提高药品包装中标记物的检测效率，提升药品包装中标记物检测的准确率，避免检测过程带来的二次污染，保障药品质量。
在本申请实施方式的第一方面中，提供了一种药品包装的标记物检测方法，包括：
获取目标图像；其中，所述目标图像包含目标包装的图像信息，所述目标包装为二联包装中的一个独立包装，所述二联包装包括相连的两个独立包装；
根据所述目标包装在所述二联包装中所处的相对位置，从所述目标图像中提取感兴趣区域；
压缩所述感兴趣区域的数据矩阵，得到所述感兴趣区域的一维图元素矩阵；其中，所述一维图元素矩阵中各个元素分别表示所述感兴趣区域的数据矩阵中对应的一列元素的图像变化特征；所述一维图元素矩阵中标记物边缘处的元素数值大于设定阈值；所述标记物用于指示所述二联包装中的可裁剪区域；
判断所述标记物的视觉特征是否符合预设检测条件；其中，所述标记物的视觉特征基于所述标记物边缘处的元素确定。
在本申请实施方式的第二方面中，提供了一种药品包装的标记物检测装置，所述装置包括：
获取单元，用于获取目标图像；其中，所述目标图像包含目标包装的图像信息，所述目标包装为二联包装中的一个独立包装，所述二联包装包括相连的两个独立包装；
提取单元，用于根据所述目标包装在所述二联包装中所处的相对位置，从所述目标图像中提取感兴趣区域；
压缩单元，用于压缩所述感兴趣区域的数据矩阵，得到所述感兴趣区域的一维图元素矩阵；其中，所述一维图元素矩阵中各个元素分别表示所述感兴趣区域的数据矩阵中对应的一列元素的图像变化特征；所述一维图元素矩阵中标记物边缘处的元素数值大于设定阈值；所述标记物用于指示所述二联包装中的可裁剪区域；
判断单元，用于判断所述标记物的视觉特征是否符合预设检测条件；其中，所述标记物的视觉特征基于所述标记物边缘处的元素确定。
在本申请实施方式的第三方面中，提供了一种计算设备，所述计算设备包括：
至少一个处理器、存储器和输入输出单元；
其中，所述存储器用于存储计算机程序，所述处理器用于调用所述存储器中存储的计算机程序来执行第一方面的药品包装的标记物检测方法。
在本申请实施方式的第四方面中，提供了一种计算机可读存储介质，其包括指令，当其在计算机上运行该指令时，使得计算机执行第一方面的药品包装的标记物检测方法。
本申请实施方式中，提供了一种药品包装的标记物检测方法、装置、设备及存储介质。本申请实施方式中，获取目标图像，该目标图像包含目标包装的图像信息，该目标包装为二联包装中的一个独立包装，该二联包装包括相连的两个独立包装。进而，根据目标包装在二联包装中所处的相对位置，从目标图像中提取感兴趣区域。进而，压缩感兴趣区域的数据矩阵，得到感兴趣区域的一维图元素矩阵。其中，该一维图元素矩阵中各个元素分别表示所述感兴趣区域的数据矩阵中对应的一列元素的图像变化特征，一维图元素矩阵中标记物边缘处的元素数值大于设定阈值。该标记物用于指示二联包装中的可裁剪区域。最终，判断标记物的视觉特征是否符合预设检测条件。该标记物的视觉特征基于标记物边缘处的元素确定。
本申请实施方式中，从药品包装图像(即目标图像)中提取需要检测的感兴趣区域，进而，参考标记物边缘处的元素数值大于设定阈值的现象，从感兴趣区域压缩得到的一维图元素矩阵中获取标记物的视觉特征，用于判断标记物是否合格，实现了对药品包装的自动化检测，大大提高了药品包装中标记物的检测效率。同时，通过自动化提取并检测图像中的视觉特征，也有效避免了因人眼疲劳带来的准确率下降问题，以及因人工操作介入带来的药品二次污染风险，大大提升了药品包装中标记物检测的准确率，保障了药品质量。
附图说明
通过参考附图阅读下文的详细描述，本申请示例性实施方式的上述以及其他目的、特征和优点将变得易于理解。在附图中，以示例性而非限制性的方式示出了本申请的若干实施方式，其中：
图1为本申请一实施例提供的药品包装的标记物检测方法的流程示意图；
图2为本申请一实施例提供的目标图像的示意图；
图3为本申请一实施例提供的目标图像获取方法的流程示意图；
图4为本申请另一实施例提供的目标图像的示意图；
图5为本申请一实施例提供的感兴趣区域提取方法的流程示意图；
图6为本申请一实施例提供的标记物的示意图；
图7为本申请一实施例提供的标记物合格性判断方法的流程示意图；
图8为本申请另一实施例提供的标记物的示意图；
图9为本申请一实施例提供的感兴趣区域预处理方法的流程示意图；
图10为本申请一实施例提供的感兴趣区域预处理效果的示意图；
图11为本申请一实施例提供的药品包装的标记物检测装置的结构示意图；
图12示意性地示出了本申请实施例的一种介质的结构示意图；
图13示意性地示出了本申请实施例的一种计算设备的结构示意图。
在附图中，相同或对应的标号表示相同或对应的部分。
具体实施方式
下面将参考若干示例性实施方式来描述本申请的原理和精神。应当理解，给出这些实施方式仅仅是为了使本领域技术人员能够更好地理解进而实现本申请，而并非以任何方式限制本申请的范围。相反，提供这些实施方式是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。
本领域技术人员知道，本申请的实施方式可以实现为一种***、装置、设备、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：完全的硬件、完全的软件(包括固件、驻留软件、微代码等)，或者硬件和软件结合的形式。
目前，药物从制剂方式来划分，可分为固体制剂和液体制剂。而固体制剂又包括片剂、胶囊、散剂、颗粒剂等多种形态。
在中药包装的生产制备过程中，中药制剂可采用小袋进行包装。目前，小袋包装的生产工序主要包括：针对某一批次的中药制剂，排版编辑对应的药品信息，再使用高速复卷机将药品信息打印到小袋的包装物料上，最后，使用小袋包装机将药品原料和包装物料通过填充、热封、裁切等两个工序，加工成以小袋包装的中药制剂。
相关技术中，小袋包装加工完成之后，需要人工检查包装袋可能存在的缺陷，例如，包装破损、白边、印刷错误、黑标不齐等问题。然而，受到人眼容易疲劳等限制，导致人工检测方式的准确率和检测效率降低。此外，因人工操作的介入还会造成药品的二次污染，使药品质量下降。
综上，需要设计一种全新的解决方案，用以解决上述至少一个技术问题。
为了克服上述技术问题，根据本申请的实施方式，提出了一种药品包装的标记物检测方法、装置、设备及存储介质。本申请实施方式中，获取目标图像，该目标图像包含目标包装的图像信息，该目标包装为二联包装中的一个独立包装，该二联包装包括相连的两个独立包装。进而，根据目标包装在二联包装中所处的相对位置，从目标图像中提取感兴趣区域。进而，压缩感兴趣区域的数据矩阵，得到感兴趣区域的一维图元素矩阵。其中，该一维图元素矩阵中各个元素分别表示所述感兴趣区域的数据矩阵中对应的一列元素的图像变化特征，一维图元素矩阵中标记物边缘处的元素数值大于设定阈值。该标记物用于指示二联包装中的可裁剪区域。最终，判断标记物的视觉特征是否符合预设检测条件。该标记物的视觉特征基于标记物边缘处的元素确定。
本申请实施方式中，从药品包装图像中提取需要检测的感兴趣区域，进而，参考标记物边缘处的元素数值大于设定阈值的现象，从感兴趣区域压缩得到的一维图元素矩阵中获取标记物的视觉特征，用于判断标记物是否合格，实现了对药品包装的自动化检测，大大提高了药品包装中标记物的检测效率。同时，通过自动化提取并检测图像中的视觉特征，也有效避免了因人眼疲劳带来的准确率下降问题，以及因人工操作介入带来的药品二次污染风险，大大提升了药品包装中标记物检测的准确率，保障了药品质量。
本申请实施方式提供的技术方案可以由服务器和/或终端设备实现。服务器和/或终端设备可以部署在药品包装的生产设备中，也可以是独立于药品包装的生产设备，通过建立无线通信和/或有线通信来实现数据指令的传输。
需要说明的是，本申请实施例涉及的服务器可以是独立的物理服务器，也可以是多个物理服务器构成的服务器集群或者分布式***，还可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、大数据和人工智能平台等基础云计算服务的云服务器。
本申请实施例涉及的终端设备，可以是指向用户提供语音和/或数据连通性的设备，具有无线连接功能的手持式设备、或连接到无线调制解调器的其他处理设备。例如移动电话(或称为“蜂窝”电话)和具有移动终端的计算机，例如，可以是便携式、袖珍式、手持式、计算机内置的或者车载的移动装置，它们与无线接入网交换语音和/或数据。例如，个人通信业务(Personal Communication Service，PCS)电话、无绳电话、会话发起协议(Sessioninitialization Protocol，SIP)话机、无线本地环路(Wireless Local Loop，WLL)站、个人数字助理(Personal Digital Assistant，PDA)等设备。
在本文中，需要理解的是，附图中的任何元素数量均用于示例而非限制，以及任何命名都仅用于区分，而不具有任何限制含义。
下面参考本申请的若干代表性实施方式，详细阐释本申请的原理和精神。
下面参考图1，图1为本申请一实施例提供的药品包装的标记物检测方法的流程示意图。本申请实施例提供的一种药品包装的标记物检测方法，包括：
步骤S101，获取目标图像。
本申请实施例中，所述目标图像包括药品包装。具体来说，目标图像包含目标包装的图像信息。该目标包装为二联包装中的一个独立包装，该二联包装包括相连的两个独立包装。举例来说，目标图像中至少包括一个独立包装的完整轮廓，以及另一个独立包装的部分轮廓。
实际应用中，本申请所涉及的药品包装，可以用于包装固体制剂的药品。比如，用于包装固体中药制剂的药品包装袋。从包装形式来看，例如，药品包装可以是二联药品包装，其中二联是指两个独立包装袋连接在一起的包装结构。参见图2示出的二联药品包装中，包括包装袋a的完整图像，以及包装袋b的部分图像。在图2中，包装袋a和包装袋b相互独立，分别用于包装固体制剂。包装袋a和包装袋b之间设置有可拆分的连接结构。需要说明的是，除了二联药品包装之外，还可以是可拆分的独立药品包装还可构成三联、四联、或者其他数量的包装形式，对此本申请实施例中并不限定。
本申请实施例中，目标图像可以通过图像采集设备采集得到，图像采集设备可以为相机、摄像头等设备，对此，本申请实施例不做限定。比如，图像采集设备可以是安装在包装设备或包装产线中的摄像头模块。也可以是移动终端或其他设备中的摄像头模组，由夹持装置或其他连接结构连接到包装设备中。
本申请的一个可选实施例中，如图3所示，步骤S101中获取目标图像，可以实现为以下步骤：
步骤S301，获取包含目标包装图像信息的原始图像。
本申请实施方式中，所述原始图像为包括药品包装完整轮廓的图像，可以通过任一图像采集方式获取。例如，将药品包装置于纯色背景下，采集原始图像。例如，通过夹持器将药品包装固定在图像采集设备的视野内，从而，通过图像采集设备获取原始图像。
步骤S302，对原始图像进行二值化处理，以得到目标图像。
示例性地，假设步骤S301中获取的原始图像为图2，假设原始图像中包含的包装为图2中的包装袋a。基于此，请一并参阅图4，图4为根据步骤S302中对原始图像进行二值化处理得到的二值化图像(即目标图像)的示意图。
通过步骤S301至步骤S302，可以对原始图像进行自动二值化处理，用以为包装的轮廓提取流程提供数据基础，进一步提高鲁棒性与易用性。
实际上，步骤S302中对原始图像进行二值化处理的方法，包括但不限于：大津法(OTSU)、三角(TRIANGLE)方法、基于窗口的二值化方法、基于模糊集理论的图像自动二值化(Huang's fuzzy thresholding method)。
为了获取包装的外轮廓，步骤S302中，需要对原始图像进行二值化处理。举例来说，为了提高鲁棒性与易用性，Huang's fuzzy thresholding method的实现原理具体如下：
首先，定义一个从图像X(即原始图像)映射到取值范围[0，1]的模糊子集：
X＝{xmn,μX(xmn))}
其中，xmn代表图像X中点(m，n)处的像素灰度值，μx(xmn)表示该点具有某种属性的隶属度值。其中，0≤μx(xmn)≤1,m＝0,1,…,M-1,n＝0,1,…,N-1。对于二值化来说，每个像素对于其所属的类别具有相近关系，因此，可以用这种关系来表示μX(xmn)的值。
对于一个给定的阈值t，背景像素和前景像素各自色阶值的平均值μ0和μ1用下式表示：
其中，h(g)表示图像中具有灰度级g的像素的个数。
将上述背景像素色阶平均值μ0和前景像素色阶平均值μ1，可以看成是指定阈值t所对应的前景和背景的目标值，而对图像X中的某一点和所属区域的关系，直觉上应该和该点的灰度值与所属区域的目标值之间的差异相关。因此，对于点(m,n)，使用如下隶属度定义函数：
其中，C是一个常数，该常数使得上述函数满足：0.5≤μX(xmn)≤1。
基于香农熵函数，一个模糊集A的熵定义为：
其中香农函数：
S(μA(xi))＝-μA(xi)ln[μA(xi)]-[1-μA(xi)]ln[1-μA(xi)]
因为灰度图像至多只有L个色阶，因此上式可进一步转换为：
最终，对所有可能的阈值t，取上述香农熵值最小时的t值为最终的分割阈值。从而，通过该分割阈值对图像X进行颜色分割，实现对图像X的自动二值化处理，得到二值化图像。
在获取到目标图像之后，步骤S102，根据目标包装在二联包装中所处的相对位置，从目标图像中提取感兴趣区域。
本申请实施例中，所述感兴趣区域为用户在二联包装中意图检测的图像区域。实际应用中，以药品包装为例，所述感兴趣区域包括但不限于以下至少一个图像区域：所述药品包装的标记物。
其中，标记物，一方面，用于在药品包装的生产过程中为包装设备提供节拍信号；另一方面，用于指示药品包装材料中的可裁剪区域。从而，包装设备在标记物位置对药品包装材料进行裁切，将其制作成独立的药品包装。实际上，标记物又称黑标，即药品包装顶部区域的两个黑色长方形标记。一般来说，标记物是提前印制在药品包装材料上的，其长度宽度和间距均为固定数值。因而，可以其长度和宽度可以作为已知的标准视觉信息，用于辅助对标记物合格性的检测。
为了对药品包装中的标记物进行检测，需要先从药品包装中提取出包含标记物的图像区域，即感兴趣区域。本申请的一个可选实施例中，如图5所示，步骤S102中根据目标包装在二联包装中所处的相对位置，从目标图像中提取感兴趣区域，可以实现为以下步骤：
步骤S501，识别目标包装处于二联包装中所处的相对位置。
本申请实施例中，所述目标包装所处的相对位置包括：二联药品包装中的左袋或右袋。即，位于二联包装中左侧的左袋，或位于二联包装中右侧的右袋。具体来说，假设药品包装为两联袋，基于此，每次拍摄两联袋中的一个独立药品包装袋。以两联袋的中缝处为界，二联袋可分为左袋和右袋。
作为一个可选实施方式，在当前拍摄到的目标图像中，判断占主***置的包装袋是二联包装中左袋还是右袋的方法，可以实现为：首先，获取目标包装的最小外接轮廓。进而，对于不规则形状的最小外接轮廓，可以采用一阶中心矩的方式确定最小外接轮廓的中点。具体地，根据最小外接轮廓的一阶中心矩确定最小外接轮廓的中点。最后，判断中点位于目标图像中水平方向中线的左侧或右侧。若中点在水平方向中线的左侧，则目标包装为二联包装中位于右侧的右袋。若中点在水平方向中线的右侧，则目标包装为二联包装中位于左侧的左袋。
举例来说，假设包装袋的轮廓在水平方向上的中点记为m，假设目标图像中包装袋的尺寸为M x N，那么，如果m<M/2，则判定该小袋即为二联包装中的右袋；如果m≥M/2，则判定该小袋即为二联包装中的左袋。
以图4示出的包装袋a为例，前景部分的包围框表示包装袋a的最小外接轮廓，处于二值化图像中间处的直线表示目标图像在水平方向上的中线，图4中十字标识表示包装袋a的最小外接轮廓的中点。从图4可以看出，其中占图像最大区域的前景部分即为包装袋a的完整图像以及包装袋b的部分图像，因此，可以从图4中识别并分割出包含包装袋a的最小外接轮廓(即前景部分，包含包装袋a的完整图像以及包装袋b的部分图像的不规则图像区域)，该包装袋a的最小外接轮廓的中点(即图4中十字标识的交点)处于中线(即图4中处于二值化图像中间处的直线)右侧，此情况下，可以判断包装袋a为左袋。
步骤S502，根据目标包装所处相对位置以及标记物的标准视觉特征，在目标图像中确定感兴趣区域。
其中，所述标记物用于表示二联药品包装中的可裁剪区域。参见上文介绍，除了指示可裁剪区域的作用之外，标记物还可以在生产过程中为包装设备提供节拍信号。例如，标记物可以是黑标，即预先印制在药品包装顶部区域的两个黑色长方形标记。
本申请实施方式中，标记物的标准视觉特征包括标准尺寸以及标准位置。一般来说，黑标的长度、宽度以及间距均为固定数值(即标准尺寸)。比如，黑标宽度设置为5mm，一旦包装设备裁切位置出现错误，那么，有可能导致漏粉等质量问题。因此，对于裁切位置不在黑标宽度之内的情况，可以将该包装袋认定为缺陷品，并对该包装袋进行废品剔除。具体检测方式参见下文，此处暂不展开。
其中，标记物的标准位置与目标包装所处相对位置相关。以二联包装为例，左袋的左黑标处在感兴趣区域左上角的固定区域(即标准位置)内，右袋的右黑标则处在感兴趣区域右上角的固定区域(即标准位置)内。
通过步骤S501至502，先判断出目标包装在二联包装中所处位置，进而，以目标包装所处相对位置以及标记物的标准视觉特征为参考，从目标图像中划分出包含标记物的感兴趣区域，用以作为检测二联包装中标记物合格性的图像样本。
举例来说，假设需要检测的药品包装是二联包装中的左袋。假设目标图像的包围框坐标为[x,y,w,h]，那么，左袋对应的左黑标(即待检测的标记物)应当处在包围框[x,y,w,h]的左上角区域内。
进一步假设黑标尺寸记为(wb,hb)，假设目标图像的图像采集设备的光学***中像素分辨率r＝FoV/Resolution。其中，FoV为视野参数，Resolution为图像采集设备自身的分辨率。基于上述假设，左黑标在目标图像中以像素为单位得到的像素尺寸为：(wb,hb)＝(Wb/r,Hb/r)。其中，Wb和Hb为图像采集设备获取到的原始尺寸。
基于上述假设，步骤S501中，根据香农采样定律以及黑标在药品包装中的标准位置规律(即黑标在合格的药品包装中应当出现的位置)，可以采用感兴趣区域[x,y,2wb,2hb]在目标图像中对左黑标进行搜索，从而得到如图6示出的包含左黑标a的感兴趣区域a。进一步地，假设药品包装中两个黑标之间的间距设置为固定尺寸Db，那么，两个黑标以像素为单位得到的间距为：db＝Db/r。因而，基于上述假设，可以得到用于搜索右黑标的感兴趣区域为：[x+db-wb,y,2wb,2hb]，从而得到如图6示出的包含右黑标b的感兴趣区域b。举例来说，通过上述两个感兴趣区域可以分别提取到图6示出的左黑标a以及右黑标b。
在获取到包含标记物的感兴趣区域之后，可以从标记物视觉特征的角度对该感兴趣区域进行检测，以判断药品包装是否合格。
步骤S103，压缩感兴趣区域的数据矩阵，得到感兴趣区域的一维图元素矩阵。
本申请实施例中，所述一维图元素矩阵中各个元素分别表示所述感兴趣区域的数据矩阵中对应的一列元素的图像变化特征。由于标记物与背景元素在视觉方面存在显著区别，因此，从视觉特征上看，所述一维图元素矩阵中标记物边缘处的元素具有显著特征，即标记物边缘处元素与背景元素在数值上存在明显差异，因此可以通过设定阈值来区分标记物边缘处元素与背景元素，从而实现对标记物的自动化识别。可选地，标记物边缘处的元素数值大于设定阈值。本申请中这一设定阈值可以是根据标记物二值化图像中的饱和值设置的，也可以根据光源类型以及生产现场环境因素来设置，当然还可以基于其他方式设置，此处并不限制。所述标记物用于指示所述二联包装中的可裁剪区域。
步骤S104，判断标记物的视觉特征是否符合预设检测条件。
本申请实施例中，所述标记物的视觉特征基于所述标记物边缘处的元素确定。
值得说明的是，在药品包装场景中，检测完感兴趣区域的视觉特征均满足预设检测条件之后，可以确认该药品包装的标记物合格，此情况下，确认药品包装合格。
具体来说，对于包含标记物的感兴趣区域而言，步骤S103中压缩感兴趣区域的数据矩阵，得到感兴趣区域的一维图元素矩阵的一个可选实施例，如图7所示，可以实现为以下步骤S701：
步骤S701，计算感兴趣区域的数据矩阵中每一列元素的平均值，并以每一列元素的平均值，作为感兴趣区域的第一一维图元素矩阵中对应的每一个元素。
本申请实施例中，数据矩阵中各个元素表示感兴趣区域中对应像素的像素值。进一步可选地，第一一维图元素矩阵中每一元素分别表示感兴趣区域的数据矩阵中对应的一列元素的平均值。从而，通过单个列元素替代一行中的多个元素，减少对数据矩阵处理过程的计算量，进一步提高检测效率。
举例来说，步骤S701中将包含黑标(即标记物)的感兴趣区域的数据矩阵以平均值的形式压缩为单行。即，将各个列中所有元素的平均值作为第一一维图元素矩阵中对应的各个元素(为便于区分，本申请中也将一维图元素矩阵中的元素称为图元素)，从而，通过各个图元素的数值大小表示该列中所有元素值的整体情况。比如，一个3x3的数据矩阵，最终需要压缩为单行的一维图元素矩阵，即3x1的矩阵。具体地，假设3x3的数据矩阵为：
那么，对第一列取平均值，即(1+4+7)/3＝4，可以得到第一个图元素为4。依次计算，对第二列取平均值，即(2+5+8)/3＝5，得到第二个图元素；对第三列取平均值，即(3+6+9)/3＝6，得到第三个图元素。最终，得到3x1的第一一维图元素矩阵：[4 5 6]。此处示例中的数值仅用于介绍感兴趣区域的平均值压缩方法，并不具有限定作用。
实际应用中，图元素的数值可以用来表征对应列中各个元素的像素值大小。比如，假设二值化图像中像素值分别为1和0，假设数据矩阵的深度为8位，那么，图元素的饱和值为255。基于上述假设，如果图元素的数值为饱和值，则说明对应列中各个元素值均为1。如果图元素的数据值大于饱和值的一半，则说明对应列中数值为1的元素数量超过该列总元素数量的一半。如果图元素的数据值小于饱和值的一半，则说明对应列中数值为1的元素数量低于该列总元素数量的一半。如果图元素的数据值小于0，则说明对应列中没有数值为1的元素。当然，此处仅为示例，实际应用中对图元素的设定并不限于此。
接着，步骤S104中判断标记物的视觉特征是否符合预设检测条件的一个可选实施例，如图7所示，可以实现为以下步骤S702至S703：
步骤S702，遍历第一一维图元素矩阵，以提取标记物的首尾位置。
步骤S703，判断标记物的物理尺寸是否符合标准尺寸。
本申请实施例中，标记物的物理尺寸基于标记物的首尾位置计算得到。可以理解的是，标记物的首尾位置为以第一一维图元素矩阵中两侧首位元素为遍历起点，分别在第一一维图元素矩阵中遍历到的大于设定阈值的首个元素。示例性地，标记物的首尾位置的一种可选实现形式为：以第一一维图元素矩阵中从左至右遍历到的大于设定阈值的首个图元素作为标记物的起始位置；以及，以第一一维图元素矩阵中从右至左遍历到的大于设定阈值的首个图元素作为标记物的结尾位置。值得说明的是，除了上述获取方式之外，标记物的首尾位置还存在其他获取方式，此处暂不展开。
举例来说，步骤S702中，假设设定阈值为threshold＝hb·α。其中，hb为黑标(即标记物)的高度，α为经验值。基于此，以第一一维图元素矩阵中从左至右遍历到的大于threshold的首个图元素作为黑标的起始位置，该位置的索引记录为start。以第一一维图元素矩阵中从右至左遍历到的大于设定阈值的首个图元素作为黑标的结尾位置，该位置的索引记录为end。最终，步骤S703中获取到的黑标宽度为wm＝end-start。并以此黑标宽度(即物理尺寸)与标准黑标宽度(即标准尺寸)进行比较，从而判断黑标的物理尺寸是否合格。
参见图8示出的二联药品包装的检测界面。在图8中，左上角为左袋的左黑标，右上角为左袋的右黑标，其中左袋的右黑标与右袋的左黑标相连。在图8中，黑标下方的线框加粗区域表示黑标的宽度，其下方数值即以像素为单位的黑标尺寸，即左黑标为47，右黑标为77。
基于上述图7示出的实施例，步骤S104的一个可选实施方式中，若所述标记物的物理尺寸符合所述标准尺寸，则确定所述目标包装合格。具体而言，若所述标记物的物理尺寸符合标准尺寸，则说明标记物区域的裁剪位置符合规定，此情况下，当前药品包装不存在因裁剪问题而导致的药品泄露问题，因此可以认定包含该标记物的药品包装合格。反之，若所述标记物的物理尺寸不符合所述标准尺寸，则确定所述目标包装不合格。
当然，也可以继续对其他部分(如边缘区域、二维码、文本信息等)进行检测，以进一步排除药品包装中存在的其他缺陷之后，再判定药品包装合格。
通过步骤S701至步骤S703，能够将药品包装中标记物的图像转换为数据矩阵，并通过对数据矩阵计算得到标记物的首尾位置，从而得到标记物的物理尺寸，实现了对药品包装标记物的自动化检测，进一步提高药品包装中标记物检测的准确性和检测效率。
对于包含标记物的感兴趣区域而言，感兴趣区域中的背景元素会对标记物的轮廓识别带来干扰，比如将背景元素也作为标记物的一部分，从而造成标记物的轮廓识别产生错误。因而，为了进一步消除感兴趣区域中背景元素的干扰，在步骤S103之前，还可以对待检测区域的图像进行预处理。
其中，对待检测区域进行预处理的一种可选实施方式，参见图9所示，具体实现为以下步骤：
步骤S901，对感兴趣区域的二值化图像进行开运算，得到感兴趣区域的初始降噪图像。这里，通过开运算可以初步消除感兴趣区域中的背景噪声，提升图像质量。
步骤S902，压缩初始降噪图像的数据矩阵，得到第二一维图元素矩阵；所述第二一维图元素矩阵中每一元素分别表示所述初始降噪图像的数据矩阵中对应的一列元素的平均值。
步骤S903，采用第二一维图元素矩阵中的降噪标志位，对初始降噪图像进行背景消除处理，得到感兴趣区域的目标降噪图像。其中，降噪标志位为以第二一维图元素矩阵中两侧首位元素为搜索起点，分别在第二一维图元素矩阵中搜索到的处于预设范围的首个元素。
具体来说，步骤S903中，在第二一维图元素矩阵中搜索降噪标志位。进而，基于降噪标志位对初始降噪图像进行背景消除处理，得到二次降噪图像。可选地，还可以判断是否存在标记物轮廓与背景元素连通的情况，若存在这一情况，需要消除具有连通关系的背景元素。进而，以至少两个降噪标志位之间的差值，作为标记物的初始宽度。接着，基于初始宽度对二次降噪图像进行开运算，得到降噪处理后的感兴趣区域(即目标降噪图像)。这样，通过对感兴趣区域的自适应开运算，进一步剔除背景元素对标记物轮廓识别的干扰，去除标记物的毛刺，提升感兴趣区域中标记物轮廓的准确性。
通过步骤S901至步骤S903，通过上述预处理步骤，实现对包含标记物的感兴趣区域的自动化降噪，进一步消除感兴趣区域中背景元素的干扰，提升感兴趣区域中标记物轮廓的准确性，进一步提高标记物提取效率。
下面通过一个可选示例介绍本申请实施方式中针对包含标记物的感兴趣区域的预处理过程。
假设包含标记物的感兴趣区域为：图6中的包含右黑标b的感兴趣区域b。基于此，采用上文介绍的自动二值化方式处理上述感兴趣区域，得到图10中示出的感兴趣区域b1(即所述感兴趣区域的二值化图像)。
在感兴趣区域b1中显然存在一些噪声以及噪声带来的孔洞，此情况下，可以采用3×3的核进行开运算，实现对感兴趣区域b1的孔洞填充，以消除这些噪声，得到图10中示出的感兴趣区域b2(即所述感兴趣区域的初始降噪图像)。
在感兴趣区域b2中，可以看到部分黑标元素与背景元素连通，比如毛刺部分。为进一步提升图像质量，提高黑标尺寸的识别精度，需要进一步消除这些背景元素。首先，将感兴趣区域b2的数据矩阵压缩为单行矩阵(即第二一维图元素矩阵)。进而，在单行矩阵中从左到右遍历图元素，如果某一图元素的值为饱和值，意味着该图元素在数据矩阵中对应的整列都为1。此情况下，可以将单行矩阵中与该图元素具有相同索引的列元素均设置为0，以消除该列中的背景元素。遍历到第一个非饱和且数值大于饱和值的一半的图元素时，停止遍历操作，并将该图元素的索引记录为start(即降噪标志位)。进而，再从右向左开始执行相同的遍历操作，直到遍历到第一个非饱和且数值大于饱和值的一半的图元素时，同样停止遍历操作，并将该图元素的索引记录为end(即降噪标志位)。通过上述遍历操作，可以进一步消除背景元素，从而得到二次降噪图像。
接着，对感兴趣区域b2中的降噪标志位进行计算，得到黑标的初始宽度wm＝end-start。进而，基于该初始宽度确定(wm/3,1)的卷积核，对黑标进行开运算，进一步消除二次降噪图像中的毛刺。再取(5,wb/2)的卷积核，对黑标进行开运算，使黑标的整体形状更为规整，从而得到图10中示出的感兴趣区域b3(即目标降噪图像)。进一步地，为提高鲁棒性，在感兴趣区域b3中进一步查找并选取黑标的最大轮廓，以进一步缩小感兴趣区域至最大轮廓的包围框。
通过上述示例中的预处理过程，可以进一步提升待检测图像的质量，从而有助于提高黑标合格性检测的准确性和可靠性，提升包装的自动化检测效率。
本申请实施例中，从药品包装图像中提取需要检测的感兴趣区域，进而，将感兴趣区域压缩为一维图元素矩阵，并通过标记物边缘处的元素数值大于设定阈值的现象，从一维图元素矩阵中获取标记物的视觉特征，用于判断标记物是否合格，实现了对药品包装的自动化检测，大大提高了药品包装中标记物的检测效率。同时，通过自动化提取并检测图像中的视觉特征，也有效避免了因人眼疲劳带来的准确率下降问题，以及因人工操作介入带来的药品二次污染风险，大大提升了药品包装中标记物检测的准确率，保障了药品质量。
在介绍了本申请示例性实施方式的设备、方法之后，接下来，参考图11对本申请示例性实施方式的一种药品包装的标记物检测装置进行说明。可选地，该标记物检测装置可以设置于药品包装检测设备或者药品包装生产设备中，该装置包括：
获取单元1101，用于获取目标图像；其中，所述目标图像包含目标包装的图像信息，所述目标包装为二联包装中的一个独立包装，所述二联包装包括相连的两个独立包装；
提取单元1102，用于根据所述目标包装在所述二联包装中所处的相对位置，从所述目标图像中提取感兴趣区域；
压缩单元1103，用于压缩所述感兴趣区域的数据矩阵，得到所述感兴趣区域的一维图元素矩阵；其中，所述一维图元素矩阵中各个元素分别表示所述感兴趣区域的数据矩阵中对应的一列元素的图像变化特征；所述一维图元素矩阵中标记物边缘处的元素数值大于设定阈值；所述标记物用于指示所述二联包装中的可裁剪区域；
判断单元1104，用于判断所述标记物的视觉特征是否符合预设检测条件；其中，所述标记物的视觉特征基于所述标记物边缘处的元素确定。
作为一种可选的实施方式，提取单元1102具体用于：
识别所述目标包装在所述二联包装中所处的相对位置；所述相对位置包括位于所述二联包装中左侧的左袋，或位于所述二联包装中右侧的右袋；
根据所述目标包装所处的相对位置以及所述标记物的标准视觉特征，在所述目标图像中确定所述感兴趣区域；
其中，所述标记物的标准视觉特征包括标准尺寸以及标准位置；所述标准位置与所述目标包装所处的相对位置相关。
作为一种可选的实施方式，提取单元1102识别所述目标包装在所述二联包装中所处的相对位置时，具体用于：
获取所述目标包装的最小外接轮廓；
根据所述最小外接轮廓的一阶中心矩确定所述最小外接轮廓的中点；
判断所述中点位于所述目标图像中水平方向中线的左侧或右侧；
若所述中点在所述水平方向中线的左侧，则所述目标包装为二联包装中位于右侧的右袋；或者
若所述中点在所述水平方向中线的右侧，则所述目标包装为二联包装中位于左侧的左袋。
作为一种可选的实施方式，压缩单元1103具体用于：
计算所述感兴趣区域的数据矩阵中每一列元素的平均值，并以所述每一列元素的平均值，作为所述感兴趣区域的第一一维图元素矩阵中对应的每一个元素。
相应地，判断单元1104具体用于：
遍历所述第一一维图元素矩阵，以提取所述标记物的首尾位置；所述首尾位置为以所述第一一维图元素矩阵中两侧首位元素为遍历起点，分别在所述第一一维图元素矩阵中遍历到的大于设定阈值的首个元素；
判断所述标记物的物理尺寸是否符合标准尺寸；所述标记物的物理尺寸基于所述标记物的首尾位置计算得到；
若所述标记物的物理尺寸符合所述标准尺寸，则确定所述目标包装合格；或者
若所述标记物的物理尺寸不符合所述标准尺寸，则确定所述目标包装不合格。
其中，作为一种可选的实施方式，所述首尾位置包括：
以所述第一一维图元素矩阵中从左至右遍历到的大于设定阈值的首个元素作为所述标记物的起始位置；以所述第一一维图元素矩阵中从右至左遍历到的大于设定阈值的首个元素作为所述标记物的结尾位置。
作为一种可选的实施方式，获取单元1101具体用于：
获取包含所述目标包装图像信息的原始图像；
采用基于模糊集理论的图像自动二值化方式，对所述原始图像进行二值化处理，以得到所述目标图像。
作为一种可选的实施方式，所述装置还包括预处理单元，在压缩单元1103压缩所述感兴趣区域的数据矩阵，得到所述感兴趣区域的一维图元素矩阵之前，用于：
对所述感兴趣区域的二值化图像进行开运算，得到所述感兴趣区域的初始降噪图像；
压缩所述初始降噪图像的数据矩阵，得到第二一维图元素矩阵；所述第二一维图元素矩阵中各个元素分别表示所述初始降噪图像的数据矩阵中对应的一列元素的平均值；
采用所述第二一维图元素矩阵中的降噪标志位，对所述初始降噪图像进行背景消除处理，得到所述感兴趣区域的目标降噪图像。
其中，所述降噪标志位为以所述第二一维图元素矩阵中两侧首位元素为搜索起点，分别在所述第二一维图元素矩阵中搜索到的处于预设范围的首个元素。
作为一种可选的实施方式，预处理单元采用所述第二一维图元素矩阵中的降噪标志位，对所述初始降噪图像进行背景消除处理，得到所述感兴趣区域的目标降噪图像时，具体用于：
在所述第二一维图元素矩阵中，搜索降噪标志位；
基于所述降噪标志位对所述初始降噪图像进行背景消除处理，得到二次降噪图像；所述降噪标志位为以所述第二一维图元素矩阵中两侧首位元素为搜索起点，分别在所述第二一维图元素矩阵中搜索到的处于预设范围的首个元素；
以至少两个所述降噪标志位之间的差值，作为所述标记物的初始宽度；
基于所述初始宽度对所述二次降噪图像进行开运算，得到所述目标降噪图像。
本申请实施例中，通过药品包装的标记物检测装置，从药品包装图像中提取需要检测的感兴趣区域，进而，参考标记物边缘处的元素数值大于设定阈值的现象，从感兴趣区域压缩得到的一维图元素矩阵中获取标记物的视觉特征，用于判断标记物是否合格，实现了对药品包装的自动化检测，大大提高了药品包装中标记物的检测效率。同时，通过自动化提取并检测图像中的视觉特征，也有效避免了因人眼疲劳带来的准确率下降问题，以及因人工操作介入带来的药品二次污染风险，大大提升了药品包装中标记物检测的准确率，保障了药品质量。
在介绍了本申请示例性实施方式的设备、方法和装置之后，接下来，参考图12对本申请示例性实施方式的计算机可读存储介质进行说明，该计算机可读存储介质可以设置于药品包装的标记物检测设备中，请参考图12，其示出的计算机可读存储介质为光盘120，其上存储有计算机程序(即程序产品)，所述计算机程序在被处理器运行时，会实现上述方法实施方式中所记载的各步骤，例如，获取目标图像；其中，所述目标图像包含目标包装的图像信息，所述目标包装为二联包装中的一个独立包装，所述二联包装包括相连的两个独立包装；根据所述目标包装在所述二联包装中所处的相对位置，从所述目标图像中提取感兴趣区域；压缩所述感兴趣区域的数据矩阵，得到所述感兴趣区域的一维图元素矩阵；其中，所述一维图元素矩阵中各个元素分别表示所述感兴趣区域的数据矩阵中对应的一列元素的图像变化特征；所述一维图元素矩阵中标记物边缘处的元素数值大于设定阈值；所述标记物用于指示所述二联包装中的可裁剪区域；判断所述标记物的视觉特征是否符合预设检测条件；其中，所述标记物的视觉特征基于所述标记物边缘处的元素确定；各步骤的具体实现方式在此不再重复说明。
需要说明的是，所述计算机可读存储介质的例子还可以包括，但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他光学、磁性存储介质，在此不再一一赘述。
在介绍了本申请示例性实施方式的设备、方法、介质和装置之后，接下来，参考图13对本申请示例性实施方式的用于药品包装中标记物检测的计算设备，该计算设备可以设置于药品包装检测设备或药品包装生产设备中。
图13示出了适于用来实现本申请实施方式的示例性计算设备100的框图，该计算设备100可以是计算机***或服务器。图13显示的计算设备100仅仅是一个示例，不应对本申请实施例的功能和使用范围带来任何限制。
如图13所示，计算设备100的组件可以包括但不限于：一个或者两个处理器或者处理单元1001，***存储器1002，连接不同***组件(包括***存储器1002和处理单元1001)的总线1003。
计算设备100典型地包括多种计算机***可读介质。这些介质可以是任何能够被计算设备100访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
***存储器1002可以包括易失性存储器形式的计算机***可读介质，例如随机存取存储器(RAM)10021和/或高速缓存存储器10022。计算设备100可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机***存储介质。仅作为举例，ROM10023可以用于读写不可移动的、非易失性磁介质(图13中未显示，通常称为“硬盘驱动器”)。尽管未在图13中示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM，DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者两个数据介质接口与总线1003相连。***存储器1002中可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本申请各实施例的功能。
具有一组(至少一个)程序模块10024的程序/实用工具10025，可以存储在例如***存储器1002中，且这样的程序模块10024包括但不限于：操作***、一个或者两个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块10024通常执行本申请所描述的实施例中的功能和/或方法。
计算设备100也可以与一个或两个外部设备1004(如键盘、指向设备、显示器等)通信。这种通信可以通过输入/输出(I/O)接口605进行。并且，计算设备100还可以通过网络适配器1006与一个或者两个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图10所示，网络适配器1006通过总线1003与计算设备100的其它模块(如处理单元1001等)通信。应当明白，尽管图10中未示出，可以结合计算设备100使用其它硬件和/或软件模块。
处理单元1001通过运行存储在***存储器1002中的程序，从而执行各种功能应用以及数据处理，例如，获取目标图像；其中，所述目标图像包含目标包装的图像信息，所述目标包装为二联包装中的一个独立包装，所述二联包装包括相连的两个独立包装；根据所述目标包装在所述二联包装中所处的相对位置，从所述目标图像中提取感兴趣区域；压缩所述感兴趣区域的数据矩阵，得到所述感兴趣区域的一维图元素矩阵；其中，所述一维图元素矩阵中各个元素分别表示所述感兴趣区域的数据矩阵中对应的一列元素的图像变化特征；所述一维图元素矩阵中标记物边缘处的元素数值大于设定阈值；所述标记物用于指示所述二联包装中的可裁剪区域；判断所述标记物的视觉特征是否符合预设检测条件；其中，所述标记物的视觉特征基于所述标记物边缘处的元素确定。各步骤的具体实现方式在此不再重复说明。应当注意，尽管在上文详细描述中提及了药品包装的标记物检测装置的若干单元/模块或子单元/子模块，但是这种划分仅仅是示例性的并非强制性的。实际上，根据本申请的实施方式，上文描述的两个或更多单元/模块的特征和功能可以在一个单元/模块中具体化。反之，上文描述的一个单元/模块的特征和功能可以进一步划分为由两个单元/模块来具体化。
在本申请的描述中，需要说明的是，术语“第一”、“第二”、“第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的***、装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
在本申请所提供的几个实施例中，应该理解到，所揭露的***、装置和方法，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，两个单元或组件可以结合或者可以集成到另一个***，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到两个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外，在本申请各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本申请的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本申请各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是：以上所述实施例，仅为本申请的具体实施方式，用以说明本申请的技术方案，而非对其限制，本申请的保护范围并不局限于此，尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本申请实施例技术方案的精神和范围，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应所述以权利要求的保护范围为准。
此外，尽管在附图中以特定顺序描述了本申请方法的操作，但是，这并非要求或者暗示必须按照该特定顺序来执行这些操作，或是必须执行全部所示的操作才能实现期望的结果。附加地或备选地，可以省略某些步骤，将两个步骤合并为一个步骤执行，和/或将一个步骤分解为两个步骤执行。

Claims (10)

1.一种药品包装的标记物检测方法，其特征在于，包括：
获取目标图像；其中，所述目标图像包含目标包装的图像信息，所述目标包装为二联包装中的一个独立包装，所述二联包装包括相连的两个独立包装；
根据所述目标包装在所述二联包装中所处的相对位置，从所述目标图像中提取感兴趣区域；
压缩所述感兴趣区域的数据矩阵，得到所述感兴趣区域的一维图元素矩阵；其中，所述一维图元素矩阵中各个元素分别表示所述感兴趣区域的数据矩阵中对应的一列元素的图像变化特征；所述一维图元素矩阵中标记物边缘处的元素数值大于设定阈值；所述标记物用于指示所述二联包装中的可裁剪区域；
判断所述标记物的视觉特征是否符合预设检测条件；其中，所述标记物的视觉特征基于所述标记物边缘处的元素确定。
2.根据权利要求1所述的标记物检测方法，其特征在于，所述根据所述目标包装在所述二联包装中所处的相对位置，从所述目标图像中提取感兴趣区域，包括：
识别所述目标包装在所述二联包装中所处的相对位置；所述相对位置包括位于所述二联包装中左侧的左袋，或位于所述二联包装中右侧的右袋；
根据所述目标包装所处的相对位置以及所述标记物的标准视觉特征，在所述目标图像中确定所述感兴趣区域；
其中，所述标记物的标准视觉特征包括标准尺寸以及标准位置；所述标准位置与所述目标包装所处的相对位置相关。
3.根据权利要求2所述的标记物检测方法，其特征在于，所述识别所述目标包装在所述二联包装中所处的相对位置，包括：
获取所述目标包装的最小外接轮廓；
根据所述最小外接轮廓的一阶中心矩确定所述最小外接轮廓的中点；
判断所述中点位于所述目标图像中水平方向中线的左侧或右侧；
若所述中点在所述水平方向中线的左侧，则所述目标包装为二联包装中位于右侧的右袋；或者
若所述中点在所述水平方向中线的右侧，则所述目标包装为二联包装中位于左侧的左袋。
4.根据权利要求1所述的标记物检测方法，其特征在于，所述压缩所述感兴趣区域的数据矩阵，得到所述感兴趣区域的一维图元素矩阵，包括：
计算所述感兴趣区域的数据矩阵中每一列元素的平均值，并以所述每一列元素的平均值，作为所述感兴趣区域的第一一维图元素矩阵中对应的每一个元素；
所述判断所述标记物的视觉特征是否符合预设检测条件，包括：
遍历所述第一一维图元素矩阵，以提取所述标记物的首尾位置；所述首尾位置为以所述第一一维图元素矩阵中两侧首位元素为遍历起点，分别在所述第一一维图元素矩阵中遍历到的大于设定阈值的首个元素；
判断所述标记物的物理尺寸是否符合标准尺寸；所述标记物的物理尺寸基于所述标记物的首尾位置计算得到；
若所述标记物的物理尺寸符合所述标准尺寸，则确定所述目标包装合格；或者
若所述标记物的物理尺寸不符合所述标准尺寸，则确定所述目标包装不合格。
5.根据权利要求4所述的标记物检测方法，其特征在于，所述首尾位置包括：
以所述第一一维图元素矩阵中从左至右遍历到的大于设定阈值的首个元素作为所述标记物的起始位置；
以所述第一一维图元素矩阵中从右至左遍历到的大于设定阈值的首个元素作为所述标记物的结尾位置。
6.根据权利要求1所述的标记物检测方法，其特征在于，所述压缩所述感兴趣区域的数据矩阵，得到所述感兴趣区域的一维图元素矩阵之前，还包括：
对所述感兴趣区域的二值化图像进行开运算，得到所述感兴趣区域的初始降噪图像；
压缩所述初始降噪图像的数据矩阵，得到第二一维图元素矩阵；所述第二一维图元素矩阵中各个元素分别表示所述初始降噪图像的数据矩阵中对应的一列元素的平均值；
采用所述第二一维图元素矩阵中的降噪标志位，对所述初始降噪图像进行背景消除处理，得到所述感兴趣区域的目标降噪图像；
其中，所述降噪标志位为以所述第二一维图元素矩阵中两侧首位元素为搜索起点，分别在所述第二一维图元素矩阵中搜索到的处于预设范围的首个元素。
7.根据权利要求6所述的标记物检测方法，其特征在于，所述采用所述第二一维图元素矩阵中的降噪标志位，对所述初始降噪图像进行背景消除处理，得到所述感兴趣区域的目标降噪图像，包括：
在所述第二一维图元素矩阵中，搜索降噪标志位；
基于所述降噪标志位对所述初始降噪图像进行背景消除处理，得到二次降噪图像；所述降噪标志位为以所述第二一维图元素矩阵中两侧首位元素为搜索起点，分别在所述第二一维图元素矩阵中搜索到的处于预设范围的首个元素；
以至少两个所述降噪标志位之间的差值，作为所述标记物的初始宽度；
基于所述初始宽度对所述二次降噪图像进行开运算，得到所述目标降噪图像。
8.一种药品包装的标记物检测装置，其特征在于，所述装置包括：
获取单元，用于获取目标图像；其中，所述目标图像包含目标包装的图像信息，所述目标包装为二联包装中的一个独立包装，所述二联包装包括相连的两个独立包装；
提取单元，用于根据所述目标包装在所述二联包装中所处的相对位置，从所述目标图像中提取感兴趣区域；
压缩单元，用于压缩所述感兴趣区域的数据矩阵，得到所述感兴趣区域的一维图元素矩阵；其中，所述一维图元素矩阵中各个元素分别表示所述感兴趣区域的数据矩阵中对应的一列元素的图像变化特征；所述一维图元素矩阵中标记物边缘处的元素数值大于设定阈值；所述标记物用于指示所述二联包装中的可裁剪区域；
判断单元，用于判断所述标记物的视觉特征是否符合预设检测条件；其中，所述标记物的视觉特征基于所述标记物边缘处的元素确定。
9.一种计算设备，其特征在于，所述计算设备包括：
至少一个处理器、存储器和输入输出单元；
其中，所述存储器用于存储计算机程序，所述处理器用于调用所述存储器中存储的计算机程序来执行如权利要求1至7中任一项所述的药品包装的标记物检测方法。
10.一种计算机可读存储介质，其特征在于，包括指令，当计算机上运行所述指令时，使得计算机执行如权利要求1至7中的任一项所述的药品包装的标记物检测方法。
CN202311119565.7A 2023-09-01 2023-09-01 药品包装的标记物检测方法、装置、设备及存储介质 Active CN117152415B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202311119565.7A CN117152415B (zh) 2023-09-01 2023-09-01 药品包装的标记物检测方法、装置、设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202311119565.7A CN117152415B (zh) 2023-09-01 2023-09-01 药品包装的标记物检测方法、装置、设备及存储介质

Publications (2)

Publication Number Publication Date
CN117152415A true CN117152415A (zh) 2023-12-01
CN117152415B CN117152415B (zh) 2024-04-23

Family

ID=88905660

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202311119565.7A Active CN117152415B (zh) 2023-09-01 2023-09-01 药品包装的标记物检测方法、装置、设备及存储介质

Country Status (1)

Country Link
CN (1) CN117152415B (zh)

Citations (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060124744A1 (en) * 2004-12-14 2006-06-15 Michael Gormish Location of machine readable codes in compressed representations
US20130223673A1 (en) * 2011-08-30 2013-08-29 Digimarc Corporation Methods and arrangements for identifying objects
US8712163B1 (en) * 2012-12-14 2014-04-29 EyeNode, LLC Pill identification and counterfeit detection method
CN103903265A (zh) * 2014-03-31 2014-07-02 东华大学 检测工业产品包装破损的方法
CN104537671A (zh) * 2015-01-04 2015-04-22 长沙理工大学 一种基于机器视觉的香烟滤棒在线计数和质量检测方法
US9342900B1 (en) * 2014-12-23 2016-05-17 Ricoh Co., Ltd. Distinguishing between stock keeping units using marker based methodology
CN111210412A (zh) * 2019-12-31 2020-05-29 电子科技大学中山学院 一种包装检测方法、装置、电子设备及存储介质
CN111242900A (zh) * 2019-12-31 2020-06-05 电子科技大学中山学院 一种产品合格确定方法、装置、电子设备及存储介质
CN111767920A (zh) * 2020-06-30 2020-10-13 北京百度网讯科技有限公司 感兴趣区域的提取方法、装置、电子设备及存储介质
US10803272B1 (en) * 2016-09-26 2020-10-13 Digimarc Corporation Detection of encoded signals and icons
WO2021114799A1 (zh) * 2019-12-14 2021-06-17 华南理工大学广州学院 一种基于计算机视觉的矩阵车灯识别方法
CN113284095A (zh) * 2021-05-08 2021-08-20 北京印刷学院 一种基于机器视觉的药盒内药袋数量的检测方法
WO2021179751A1 (zh) * 2020-03-13 2021-09-16 上海哔哩哔哩科技有限公司 图像处理方法和***
CN113420690A (zh) * 2021-06-30 2021-09-21 平安科技（深圳）有限公司 基于感兴趣区域的静脉识别方法、装置、设备及存储介质
CN113870217A (zh) * 2021-09-27 2021-12-31 菲特（天津）检测技术有限公司 一种基于机器视觉的边缘偏移视觉测量方法、图像检测仪
CN113870189A (zh) * 2021-09-02 2021-12-31 广东省电信规划设计院有限公司 一种工业制品圆形检测方法及装置
CN114066810A (zh) * 2021-10-11 2022-02-18 安庆师范大学 一种包装盒凹凸点缺陷检测方法及装置
WO2022036478A1 (zh) * 2020-08-17 2022-02-24 江苏瑞科科技有限公司 一种基于机器视觉的增强现实盲区装配引导方法
CN114092771A (zh) * 2020-08-05 2022-02-25 北京万集科技股份有限公司 多传感数据融合方法、目标检测方法、装置和计算机设备
CN115908269A (zh) * 2022-10-26 2023-04-04 中科慧远视觉技术(北京)有限公司 视觉缺陷检测方法、装置、存储介质和计算机设备

Patent Citations (21)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20060124744A1 (en) * 2004-12-14 2006-06-15 Michael Gormish Location of machine readable codes in compressed representations
US20130223673A1 (en) * 2011-08-30 2013-08-29 Digimarc Corporation Methods and arrangements for identifying objects
US8712163B1 (en) * 2012-12-14 2014-04-29 EyeNode, LLC Pill identification and counterfeit detection method
CN103903265A (zh) * 2014-03-31 2014-07-02 东华大学 检测工业产品包装破损的方法
US9342900B1 (en) * 2014-12-23 2016-05-17 Ricoh Co., Ltd. Distinguishing between stock keeping units using marker based methodology
CN104537671A (zh) * 2015-01-04 2015-04-22 长沙理工大学 一种基于机器视觉的香烟滤棒在线计数和质量检测方法
US10803272B1 (en) * 2016-09-26 2020-10-13 Digimarc Corporation Detection of encoded signals and icons
WO2021114799A1 (zh) * 2019-12-14 2021-06-17 华南理工大学广州学院 一种基于计算机视觉的矩阵车灯识别方法
CN111242900A (zh) * 2019-12-31 2020-06-05 电子科技大学中山学院 一种产品合格确定方法、装置、电子设备及存储介质
CN111210412A (zh) * 2019-12-31 2020-05-29 电子科技大学中山学院 一种包装检测方法、装置、电子设备及存储介质
WO2021179751A1 (zh) * 2020-03-13 2021-09-16 上海哔哩哔哩科技有限公司 图像处理方法和***
US20220343507A1 (en) * 2020-03-13 2022-10-27 Shanghai Bilibili Technology Co., Ltd. Process of Image
CN111767920A (zh) * 2020-06-30 2020-10-13 北京百度网讯科技有限公司 感兴趣区域的提取方法、装置、电子设备及存储介质
CN114092771A (zh) * 2020-08-05 2022-02-25 北京万集科技股份有限公司 多传感数据融合方法、目标检测方法、装置和计算机设备
WO2022036478A1 (zh) * 2020-08-17 2022-02-24 江苏瑞科科技有限公司 一种基于机器视觉的增强现实盲区装配引导方法
CN113284095A (zh) * 2021-05-08 2021-08-20 北京印刷学院 一种基于机器视觉的药盒内药袋数量的检测方法
CN113420690A (zh) * 2021-06-30 2021-09-21 平安科技（深圳）有限公司 基于感兴趣区域的静脉识别方法、装置、设备及存储介质
CN113870189A (zh) * 2021-09-02 2021-12-31 广东省电信规划设计院有限公司 一种工业制品圆形检测方法及装置
CN113870217A (zh) * 2021-09-27 2021-12-31 菲特（天津）检测技术有限公司 一种基于机器视觉的边缘偏移视觉测量方法、图像检测仪
CN114066810A (zh) * 2021-10-11 2022-02-18 安庆师范大学 一种包装盒凹凸点缺陷检测方法及装置
CN115908269A (zh) * 2022-10-26 2023-04-04 中科慧远视觉技术(北京)有限公司 视觉缺陷检测方法、装置、存储介质和计算机设备

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李晓飞;马大玮;胡焰智;范小麟;: "微目标遥感图像的感兴趣区域提取新方法", 微计算机信息, no. 10, 5 April 2008 (2008-04-05) *
黄明晶;蹇渊;王雪梅;孟伟杰;马蒙蒙;: "一种基于激光三维成像雷达距离像的目标检测方法", 激光与红外, no. 07, 20 July 2020 (2020-07-20) *

Also Published As

Publication number Publication date
CN117152415B (zh) 2024-04-23

Similar Documents

Publication Publication Date Title
CN110390269B (zh) Pdf文档表格提取方法、装置、设备及计算机可读存储介质
CN104143094B (zh) 一种无需答题卡的试卷自动阅卷处理方法及***
CN110443243B (zh) 水位监测方法、存储介质、网络设备和水位监测***
KR100325384B1 (ko) 문자열추출장치및패턴추출장치
US20030152272A1 (en) Detecting overlapping images in an automatic image segmentation device with the presence of severe bleeding
US8897600B1 (en) Method and system for determining vanishing point candidates for projective correction
CN108764352B (zh) 重复页面内容检测方法和装置
CN107315989B (zh) 针对医学资料图片的文本识别方法和装置
CN111307039A (zh) 一种物体长度识别方法、装置、终端设备和存储介质
CN111046644A (zh) 一种答题卡模板生成方法、识别方法、装置及存储介质
CN107516085A (zh) 一种基于文档图像自动去除黑边的方法
CN113392819B (zh) 一种批量化学术图像自动分割标注装置和方法
CN117152415B (zh) 药品包装的标记物检测方法、装置、设备及存储介质
CN113052181A (zh) 基于语义分割的表格重建方法、装置、设备及存储介质
CN112861861A (zh) 识别数码管文本的方法、装置及电子设备
CN116309494B (zh) 一种电子地图中兴趣点信息确定方法、装置、设备及介质
CN107092907B (zh) 面向血液细菌培养的生长曲线处理方法、装置及***
CN113536964B (zh) 一种超声视频的分类提取方法
CN115660952A (zh) 图像处理方法、词典笔及存储介质
CN111292374B (zh) 一种自动插拔usb接口的方法及设备
CN110866928B (zh) 基于神经网络的目标边界分割及背景噪声抑制方法及设备
CN115546476A (zh) 基于多尺度特征的多对象检测方法与数据平台
CN111046878B (zh) 一种数据处理方法、装置及计算机存储介质和计算机
CN117152088B (zh) 药品包装的封口检测方法、装置、设备及存储介质
CN112801987A (zh) 一种手机零件异常检测方法及设备

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant