药片缺陷检测是药片生产过程中的关键环节，其检测结果的好坏直接影响着药品的质量。常见的人工检测和抽样检测，成本高、效率低、检测的主观和随机性，无法满足现代企业对产品质量的要求。机器视觉检测技术凭借其自动化程度高、成本低、效率高等特点，迅速崛起并深入到医药行业中。基于机器视觉的药片缺陷检测将成为一种趋势。

基于机器视觉的药片检测系统

1.药片缺陷的分类

完整性：药片残缺、不完整。常见为药片碎片、药片四周划伤（称为药片周围划伤）。外观：药片外观有划伤，或药片表面被磨损。常见为药片表面划伤。

               残缺               无刻字药片划痕           有刻完药片背面划痕

污染：药片被别的东西污染，或是药片沾染污染物。常见为药片表面有污渍（称为药片污渍）。字符不可识别：字符模糊，或是字符被划伤导致药片的字符不可以识别。

表面污渍   边缘污渍   字符污渍   字符不可识别

2.药片缺陷检测的挑战和基本要求

· 药片缺陷检测的挑战：

传统的方法是采用5台相机获取药片全方位的图像信息，但是会引发诸多问题：当使用多台相机采集图像时，如果采用多个图像处理系统，会引发后续的运动控制繁琐；如果采用一个图像处理系统，会引发图像拼接等造成的时间复杂度大、精度差等问题。本文引入反光镜，采用平面镜成像原理，获取药片的侧面信息。

图像的灰度值不均衡。引入平面镜，势必会使药片图像出现区域化现象，图像的灰度值严重不均衡。常见的图像灰度均衡方法是基于单个像素或邻域像素的方法对图像进行分析处理，无法很好地解决图像的区域化问题。本文通过分析药片的几何模型，采用高斯曲面拟合的灰度补偿算法对图像进行均衡化处理。

不易提取药片的划痕特征。药片划痕区域小、面积小、划痕浅，相对于药片表面，其景深差距较小，因此不容易提取其划痕缺陷特征。常见的边缘分割、阈值分割都基于区域或基于阈值的图像分割方法，其可以提取图像中较明显的目标物，无法分离图像的划痕特征。本文通过分析药片的缺陷特征，提出了无刻字药片缺陷检测算法。

难以分离药片的字符特征。与药片的表面相比，药片的字符存在景深小的特点，在药片图像中表现为，药片的字符和药片融为一体，仅存在细微的灰度差别。此外由于划痕和字符的特征相似，较难以提取字符特征。鉴于此，本文提出了字符缺陷检测算法。

· 药片缺陷检测系统的基本要求：

药片缺陷检测的软硬件结构，要符合现场工作的要求；一套图像采集装置能胜任各种常见的药片缺陷的检测；图像处理软件能分析药片缺陷特征并进行分类；检测药片直径：12mm；精度的要求：0.1mm；速度的要求：大于20个/s；识别率：>=95%。

3.药片检测工艺流程

如图上图所示，药片在传送带甲上由右向左运行，首先将待检测的药片装入料斗，经过药片排列装置将药片排成一列，随皮带甲移动；当药片进入图像采集装置的视野范围时，触发图像采集装置，采集药片图像；将采集的药片图像传输到图像处理装置，对采集的药片图像进行分析处理，判别药片是否有缺陷；将不合格药片采用剔除装置将其分别装入到相应的废品收集器中；由于长期传送药片，传送带上残留太多药片灰尘时，启用清洁装置，及时清洁传送带；在传送带甲上，仅采集到了药片一个表面的图像信息（此处我们称作药片上表面信息），通过翻滚型的药片翻转装置，翻转药片的上下表面，在传送带乙上，采用图像采集装置采集药片下表面图像信息，然后使用图像处理装置分析处理药片图像，并及时将不合格药片剔除。

4.图像采集装置

药片常见的缺陷有碎片、污渍、划伤等，其均属于药片表面缺陷宜选用环形LED光源正面照射。

划痕、字符等信息，相对于药片表面来说，景深差距较小，因此相机的灵敏度是本系统首要考虑的因素。其次，为了便于后续图像的分析处理，本系统应该选择噪声点较小相机。最后，实时性好和精度高是本药片检测系统的首要要求，因此从速度和分辨率角度分析，1200万像素的CCD面阵相机依然是本系统的最优选择。

镜头的焦距是镜头的一个重要的参数，能反映镜头成像后分辨细节的能力，它主要受到衍射和像差的影响。光圈减小，衍射较重，分辨率下降，但是像差也会减小；与此同时，光圈减少可以加大景深。

5.图像采集和预处理

图像灰度不均衡：药品表面是一个曲度，通过反光成像获取的边缘药片的光强度信息较低，所以边缘药片的灰度值会明显低于中心药片的灰度值。通过基于二维高斯曲面拟合灰度补偿预处理算法，对图像灰度进行修正。

基于二维高斯曲面拟合灰度补偿预处理

冗余信息过多：为了准确地提取药片缺陷特征，需要从药片图像中分离出药片信息，其中要求得到的药片信息包含药片缺陷可能存在的任何区域，同时尽可能地减少药片信息的冗余。采用OSTU双边阈值分割法对药片图像进行预分割。

OSTU双阈值分割结果

图像边缘修正：经过OSTU双阈值处理后，可以准确分离出药片信息，包括药片上表面信息和药片侧面边缘信息。与此同时，药片图像的边缘药片处出现了假边缘，通过形态学方法去除图像的假边缘。

去除假边缘

图像分割：在分析药片缺陷信息前，需准确地提取并分离出药片缺陷信息，即：分离药片缺陷特征。针对药片的缺陷特征（尤其是药片表面的划伤缺陷）与药片表面的灰度差别小、景深小、存在模糊信息，通过采用基于模糊理论的图像分割算法提取药片的缺陷信息。

模糊理论图像分割结果

6.药片缺陷特征识别

目前常见的特征有几何特征、灰度特征、纹理特征等。药片图像可能因为光源的影响，可能因为相机曝光的原因，导致图像的灰度值信息发生改变，因此不可以选择图像的灰度特征；药片图像的灰度信息不存在明显的规律性信息，因此不可以选择图像的纹理信息；由于药片的几何特征是相对确定量，因此选择药片的几何特征，如圆形度和凸包。

凸包（Convex Hull）是一个图形学概念。给定二维平面上的点集，凸包就是将最外层的点连接起来构成的凸多边形，它能包含点集中所有点的。如下图，药片表面划伤图像和药片中心污点图像二值化后经凸包运算，其中心药片和标准药片相同，对于药片碎片和药片边缘污点图像，其中心药片的面积小于合格药片。

药片二值化图像的凸包：表面划伤、碎片、中心污渍、边缘污渍 

图像经过划痕检测算法后，通过圆形度和凸包面积来识别缺陷类型：

无刻字药片的缺陷检测结果

7.药片字符缺陷检测算法

· 有刻字药片图像预处理：

常见的药片是淡色的，尤其是以白色居多。为了突出药片的特征，采用黑色背景。由于药片是由粉末挤压而成的，因此药片表面难免会出现细微的凹陷等。当采用短焦拍摄时，这些凹陷在药片图像上表现为小黑点。这些噪声分布在药片字符的周围，影响字符的特征提取。

灰度值反转（Reserve）方法：对采集的有刻字药片图像进行灰度值反转。处理结果见图下图。经过反转运算后，药片图像的背景变为白色，药片变为黑色。与此同时，药片表面的字符也呈现为白色。经过灰度值反转后，药片表面的噪声点也变为白色，但是字符边缘是黑色的，这样就可以很好地保护字符特征，图B。

经过灰度值反转后的药片图像，没有去除字符周围的噪声点，本文采用平方函数（Square）对药片图像进行映射，处理后的结果见图C。由平方函数的性质决定，经过平方函数后，图像白色区域的对比度增加，黑暗区域的对比度减少。对于药片图像，字符的特征比较明显，药片上的噪声点减少。

 原始图像     灰度值反转     灰度值平方去噪点

因为药片是随机放置的，所以需要对采集图像上的字符进行调整。经过掩膜法提取药片字符区域，经过亮度调整后，字符的噪声减少了很多。现通过二值法提取字符特征。最后再通过二值法提取字符特征。

二值化处理结果           左Niblack滤波              右低通滤波

位置调整  亮点调整

· 字符缺陷特征提取：

（文章来源于广泰科技，如有侵权，请联系删文）