本文關(guān)鍵詞：基于SVM安瓿藥液雜質(zhì)檢測(cè)與識(shí)別算法的研究

  更多相關(guān)文章： 安瓿藥液 異物檢測(cè) 支持向量機(jī) 圖像配準(zhǔn)

【摘要】：醫(yī)藥產(chǎn)業(yè)是世界上公認(rèn)的最具發(fā)展前景的國(guó)際化高技術(shù)產(chǎn)業(yè)之一,而醫(yī)藥產(chǎn)業(yè)中的安瓿類小容量注射劑被廣泛用于臨床醫(yī)療。在醫(yī)用包裝行業(yè)中,由于玻璃具有的優(yōu)越保護(hù)性能和良好的化學(xué)穩(wěn)定性,絕大部分針劑藥品都是采用安瓿瓶進(jìn)行包裝。由于生產(chǎn)設(shè)備的限制,我國(guó)生產(chǎn)的安瓿制劑的產(chǎn)品質(zhì)量參差不齊,安瓿注射液中的雜質(zhì)微粒(玻璃屑、纖維、橡膠顆粒等)進(jìn)入血管會(huì)對(duì)人體健康造成巨大損害,藥品質(zhì)量的好壞直接關(guān)系著廣大人民群眾的用藥安全,對(duì)藥品的高效檢測(cè)已成為現(xiàn)代化產(chǎn)業(yè)的迫切需求。鑒于此,本論文對(duì)安瓿藥液可見(jiàn)異物檢測(cè)的流程以及核心算法進(jìn)行了深入、系統(tǒng)的研究。1、闡述了安瓿藥液雜質(zhì)檢測(cè)的國(guó)內(nèi)外研究現(xiàn)狀和其發(fā)展趨勢(shì)；介紹了與系統(tǒng)密切相關(guān)的機(jī)器視覺(jué)技術(shù)、自動(dòng)識(shí)別技術(shù)和統(tǒng)計(jì)學(xué)習(xí)理論。2、分析安瓿藥液圖像在獲取、傳輸和存儲(chǔ)過(guò)程中可能受到的各種噪聲干擾。針對(duì)其噪聲干擾的特點(diǎn),提出利用灰度值歸一化算法、高斯濾波等圖像預(yù)處理方法分別增強(qiáng)圖像的對(duì)比度、濾除圖像中夾雜的噪聲。3、對(duì)圖像配準(zhǔn)的理論基礎(chǔ)、分類、流程進(jìn)行了簡(jiǎn)單的介紹。提出了基于最小二乘支持向量機(jī)(LS-SVM)的變換模型估計(jì)方法。比較分析了三種圖像插值算法(最近鄰插值法、雙線性插值法、三次卷積內(nèi)插法)的優(yōu)缺點(diǎn)。4、提出了結(jié)合背景差分以及幀間差分的圖像差分運(yùn)算。通過(guò)對(duì)目標(biāo)區(qū)圖像進(jìn)行差分運(yùn)算,提取出雜質(zhì)的運(yùn)動(dòng)和幾何特征,最后運(yùn)用支持向量機(jī)(SVM)作為識(shí)別器對(duì)提取的各雜質(zhì)的特征進(jìn)行識(shí)別分類。經(jīng)實(shí)驗(yàn)表明,該算法能準(zhǔn)確識(shí)別安瓿藥液中的雜質(zhì),為安瓿制劑生產(chǎn)過(guò)程中存在的安全問(wèn)題提供了明確的改進(jìn)方向。本課題采用的基于支持向量機(jī)的圖準(zhǔn)配準(zhǔn)和識(shí)別方法,能很好的處理由于圖像采集裝置的機(jī)械振動(dòng)、瞄準(zhǔn)偏移等因素導(dǎo)致圖像相對(duì)偏移的問(wèn)題,并能對(duì)雜質(zhì)的類型進(jìn)行更好的識(shí)別,該算法對(duì)安瓿藥液雜質(zhì)的檢測(cè)和識(shí)別有一定的實(shí)際參考意義。
【關(guān)鍵詞】：安瓿藥液 異物檢測(cè) 支持向量機(jī) 圖像配準(zhǔn)
【學(xué)位授予單位】：廣東工業(yè)大學(xué)
【學(xué)位級(jí)別】：碩士
【學(xué)位授予年份】：2016
【分類號(hào)】：TP391.41;R927
【目錄】：

• 摘要4-5
• ABSTRACT5-11
• 第一章 緒論11-28
• 1.1 課題研究背景與研究意義11-13
• 1.2 安瓿藥液異物檢測(cè)系統(tǒng)的國(guó)內(nèi)外研究現(xiàn)狀13-15
• 1.3 論文的主要研究?jī)?nèi)容和章節(jié)安排15-16
• 1.3.1 主要研究?jī)?nèi)容15
• 1.3.2 章節(jié)安排15-16
• 1.4 安瓿藥液可見(jiàn)異物檢測(cè)系統(tǒng)主要相關(guān)技術(shù)理論16-28
• 1.4.1 機(jī)器視覺(jué)技術(shù)16-17
• 1.4.2 自動(dòng)識(shí)別技術(shù)17-18
• 1.4.3 溶液雜質(zhì)檢測(cè)技術(shù)18
• 1.4.4 統(tǒng)計(jì)學(xué)習(xí)理論18-21
• 1.4.5 支持向量機(jī)21-28
• 第二章 安瓿藥液雜質(zhì)檢測(cè)的圖像預(yù)處理方法28-33
• 2.1 安瓿藥液可見(jiàn)異物檢測(cè)流程設(shè)計(jì)28-29
• 2.2 安瓿藥液圖像預(yù)處理29-32
• 2.2.1 圖像增強(qiáng)29
• 2.2.2 灰度值歸一化29-30
• 2.2.3 圖像平滑30-32
• 2.3 本章小結(jié)32-33
• 第三章 安瓿藥液異物圖像配準(zhǔn)方法33-45
• 3.1 圖像配準(zhǔn)簡(jiǎn)介33
• 3.2 圖像配準(zhǔn)方法分類33-34
• 3.3 圖像配準(zhǔn)的流程34-35
• 3.4 基于LS-SVM的圖像配準(zhǔn)方法35-39
• 3.4.1 最小二乘支持向量機(jī)原理35-38
• 3.4.2 基于LS-SVM的變換模型估計(jì)38-39
• 3.5 圖像插值39-41
• 3.5.1 最近鄰插值法39-40
• 3.5.2 雙線性內(nèi)插法40
• 3.5.3 三次卷積內(nèi)插法40-41
• 3.6 實(shí)驗(yàn)結(jié)果與分析41-43
• 3.7 本章小結(jié)43-45
• 第四章 安瓿藥液檢測(cè)雜質(zhì)的識(shí)別算法45-53
• 4.1 引言45
• 4.2 運(yùn)動(dòng)目標(biāo)軌跡的跟蹤45-48
• 4.2.1 背景差分法45-47
• 4.2.2 幀間差分法47-48
• 4.2.3 光流法48
• 4.3 運(yùn)動(dòng)目標(biāo)軌跡的跟蹤方法優(yōu)勢(shì)比較48
• 4.4 改進(jìn)的差分方法研究48-49
• 4.5 基于SVM的雜質(zhì)識(shí)別算法49-50
• 4.6 實(shí)驗(yàn)結(jié)果與誤差分析50-52
• 4.6.1 實(shí)驗(yàn)結(jié)果50-52
• 4.6.2 誤差分析52
• 4.7 本章小結(jié)52-53
• 總結(jié)與展望53-55
• 參考文獻(xiàn)55-59
• 攻讀碩士學(xué)位期間發(fā)表的論文及申請(qǐng)的專利59-61
• 致謝61

【參考文獻(xiàn)】

中國(guó)期刊全文數(shù)據(jù)庫(kù) 前10條

1 趙巧敏;;機(jī)器視覺(jué)行業(yè)投資分析報(bào)告[J];機(jī)器人技術(shù)與應(yīng)用;2015年05期

2 吳成中;王耀南;賀振東;張輝;周顯恩;;基于機(jī)器視覺(jué)的注射液中不溶異物檢測(cè)方法研究[J];儀器儀表學(xué)報(bào);2015年07期

3 周宇媚;謝云;邱瑋;;基于質(zhì)心迭代算法的安瓿藥液雜質(zhì)跟蹤檢測(cè)[J];自動(dòng)化與信息工程;2014年02期

4 屈晶晶;辛云宏;;連續(xù)幀間差分與背景差分相融合的運(yùn)動(dòng)目標(biāo)檢測(cè)方法[J];光子學(xué)報(bào);2014年07期

5 李偉;王伯雄;王雪;彭映成;秦W，

本文編號(hào)：1066645