一种基于近邻传播聚类的医用药剂中可见异物检测方法
【专利摘要】本发明提供了一种基于近邻传播聚类的医用药剂中可见异物检测方法，包括步骤：获取连续帧药液图像；利用双边滤波器的保边去噪性对所述连续帧药液图像进行滤波处理得到背景差分图像；对得到的背景差分图像进行空间中值滤波消除噪声；分割提取进行空间中值滤波后的背景差分图像中连通域目标及其特征；应用近邻传播聚类算法对中提取到的连通域目标进行分类；根据分类结果分析目标的轨迹形态，再判断目标类别根据分类结果判断异物是否存在。本发明大大提高药品检测的精度和速度，具有很强的实用价值，相关技术可推广应用至食品、饮料等质量检测领域，需求广泛，经济社会效益显著。
【专利说明】—种基于近邻传播聚类的医用药剂中可见异物检测方法
【技术领域】
[0001]本发明属于可见异物检测方法领域，尤其涉及一种基于近邻传播聚类的医用药剂中可见异物检测方法。
【背景技术】
[0002]液体药剂是医疗机构日常必须使用的药品，同时也是临床抢救药物和静脉治疗药物不可缺少的载体或溶酶，在现代临床上占据十分重要的地位。在我国，约占全国市场90%以上的透明药剂产品还是采用的玻璃瓶包装。由于生产工艺以及封装技术的原因，透明药剂产品中可能含有玻璃碎屑、橡皮屑、纤维等微小不溶性异物。这些来源不同的不溶性异物往往携带有数量巨大的细菌微生物，造成药品受到严重污染。据调查，国内每年75%以上的液体药品召回源于不溶性异物超标。如果这些微小异物随着药液被注射到静脉，它们既不能被代谢吸收，也不受机体抗凝系统影响，造成血管栓塞、静脉炎、肉芽肿、热原反应、过敏反应等，给人体带来严重持久的危害，甚至直接危及生命。
[0003]目前，国内制药企业为满足药品生产质量管理规范，避免由于“药品召回”带来的经济损失以及宣传的负面影响，99%以上的企业普遍采用暗室中的人工检测方法，这项工作完全依赖手工和肉眼进行药品的全数检测，劳动强度大，对视力损害严重，且人工检测方法还存在检测结果不稳定、产品检测范围的局限性、生产效率低下、质量不易控制等缺陷。
[0004]鉴于此，国内制药企业和食品药品监督管理部门都急切希望能研制出一种透明药剂中可见异物的自动检测系统以替代人工检测。透明药剂检测系统的优势主要体现在检测精度高、速度快、适用性、移植性强、节约劳动力等方面。
[0005]目前，基于机器视觉技术的透明药剂可见异物检测系统的研究并不多见，国外只有德国Seidenade、意大利Brevetti C.E.A和日本Eisai等少数公司有能力研制这种自动检测设备，但由于国内制药环节中过滤、包材(如瓶体表面存在凹痕、刻度)等和国外存在较大差异，致使引进的设备检测效果并不理想。国内也有一些科研院所和制药机械企业进行了相关的攻关，但至今未见有透明药剂中可见异物检测设备推广应用的报道。
【发明内容】
[0006]本发明的目的在于提供一种基于近邻传播聚类的医用药剂中可见异物检测方法，旨在解决现有基于机器视觉技术的透明药剂可见异物检测系统效果差的问题。
[0007]本发明是这样实现的，一种基于近邻传播聚类的医用药剂中可见异物检测方法，其特征在于，包括以下步骤:
[0008]步骤S1:获取连续帧药液图像；
[0009]步骤S2:利用双边滤波器的保边去噪性对所述连续帧药液图像进行滤波处理得到背景差分图像；
[0010]步骤S3:对所述步骤S2中得到的背景差分图像进行空间中值滤波消除噪声；
[0011]步骤S4:分割提取所述步骤S3进行空间中值滤波后的背景差分图像中连通域目标及其特征；
[0012]步骤S5:应用近邻传播聚类算法对步骤S4中提取到的连通域目标进行分类；
[0013]步骤S6:根据步骤S5中的分类结果分析目标的轨迹形态，再判断目标类别根据分类结果判断异物是否存在。
[0014]优选地，所述步骤S2 具体为
【权利要求】
1.一种基于近邻传播聚类的医用药剂中可见异物检测方法，其特征在于，包括以下步骤: 步骤S1:获取连续帧药液图像； 步骤S2:利用双边滤波器的保边去噪性对所述连续帧药液图像进行滤波处理得到背景差分图像； 步骤S3:对所述步骤S2中得到的背景差分图像进行空间中值滤波消除噪声； 步骤S4:分割提取所述步骤S3进行空间中值滤波后的背景差分图像中连通域目标及其特征； 步骤S5:应用近邻传播聚类算法对步骤S4中提取到的连通域目标进行分类； 步骤S6:根据步骤S5中的分类结果分析目标的轨迹形态，再判断目标类别根据分类结果判断异物是否存在。
2.根据权利要求1所述的基于近邻传播聚类的医用药剂中可见异物检测方法，其特征在于，所述步骤 S2 具体为
3.根据权利要求2所述的基于近邻传播聚类的医用药剂中可见异物检测方法，其特征在于，所述步骤S3具体为:将所述步骤S2中得到的背景差分图像Bk(X，y)与原始药液图像Fk(x，y)进行绝对值差分，得到包含有异物杂质和噪声的差分图像Gk(X，y)，即Gk(X，y) = |Fk(x, y)-Bk(x, y) | ;然后，在中值滤波的基础上考虑中心像素点在相邻帧图像中的信息，获得空间中值滤波后的背景差分图像，即gk(x，ykmecHGnU, y), Gk(x_i, y-j), Gk+1 (x,y)}， (i， j) e W0
4.根据权利要求3所述的基于近邻传播聚类的医用药剂中可见异物检测方法，其特征在于，所述步骤S4包括以下具体步骤: 步骤S4-1:对进行空间中值滤波后的背景差分图像gk(x，y)采用迭代阈值法进行阈值化处理；步骤S4-2:将步骤S4-1中阈值化处理后图像进行连通域提取，运用数学形态学中的膨胀和腐蚀操作来消除孔洞及粘连，得到完整的连通域，提取连通域目标的特征信息。
5.根据权利要求4所述的基于近邻传播聚类的医用药剂中可见异物检测方法，其特征在于，所述步骤S4-1包括以下具体步骤: 步骤S4-1A:分别计算大小为HXW的差分图像Gk(X，y)的样本均值E和标准差S ;其
中，
6.根据权利要求5所述的基于近邻传播聚类的医用药剂中可见异物检测方法，其特征在于，所述步骤S5包括以下具体步骤: 步骤S5-1:建立待分类数据集；提取连续m帧图像Ik，...，Ik+m中的连通域目标及其特征并编号，记在Ik中提取到的nk个连通域目标为分别p1...,pi，...，pnk；,其中，每个连通域目标Pi都包含三个特征值:帧序号面积大小％以及中心坐标(cix，ciy);当Ik中的连通域目标编号完毕后，接着对下一帧图像Ik+1中的目标进行编号，且下标序列号在nk的基础上递增，即为pnk，...pmk+i,，..pnk+mk+1，提取到的连续m帧图像中的所有连通域目标的集合即为待分类数据集； 步骤S5-2:建立相似性矩阵，包括以下具体步骤: 步骤S5-21:定义Pi和Pj之间的欧式距离为4仍，Pj)，帧序号绝对值差为^(Pi, Pj)，其中，
7.根据权利要求6所述的基于近邻传播聚类的医用药剂中可见异物检测方法，其特征在于，在步骤S5-22包括以下具体步骤: 步骤S5-22A:初始化:Vnew= {χ}，其中X为集合V中的任一节点，￡— = 0 ; 步骤S5-22B:在集合E中选取权值最小的边euv，其中u为集合Vnrat中的元素，而v为集合V中的元素但不是Vnew中的元素； 步骤S5-22C:将V加入到集合Vmw中，将euv加入到集合Emw中； 步骤S5-22D:重复步骤5-22B和步骤5-22C，直到Vnew=V,使用集合Vnew和Enew来描述所得到的最小生成树。
8.根据权利要求6所述的基于近邻传播聚类的医用药剂中可见异物检测方法，其特征在于，在步骤5-23包括以下具体步骤: 步骤S5-23A:初始化成仍，Pj)=eij，其中eij e Enew ； 步骤S5-23B:对于~,遍历所有中间节点k，使其满足C^Pi, Pj) =min (Cle(PyPj)，Clc(PijPk)H(P^Pj))； 步骤S5-23C:重复步骤S5-23B直至求得所有数据之间的测地距离。
9.根据权利要求6所述的基于近邻传播聚类的医用药剂中可见异物检测方法，其特征在于，在步骤S5-3中，所述近邻传播聚类算法在信息更新时引入阻尼因子λ，在每一次循环迭代中，PuIP 的更新结果都是由当前迭代过程中更新的值和上一步迭代的结果加权得到的，其中，O≤λ≤1，默认值为0.5。
10.根据权利要求1所述的基于近邻传播聚类的医用药剂中可见异物检测方法，其特征在于，所述步骤S6中所述判断目标类别的原则为: 若分类数据集轨迹成连续线性，则判断目标是异物杂质； 若分类数据集轨迹无序，则判断目标是噪声干扰。
【文档编号】G01N21/90GK103743755SQ201310704463
【公开日】2014年4月23日 申请日期:2013年12月20日 优先权日:2013年12月20日
【发明者】许雪梅, 李丽娴, 丁家峰, 尹林子, 丁一鹏, 曹粲 申请人:许雪梅