药片表面缺陷是影响药片质量的重要因素,表面缺陷检测已经成为药品生产过程中必不可少的技术环节。目前国内大多生产厂家依然采用传统的人工检测方法,普遍存在检测效率低、主观因素强等问题。采用先进的机器视觉技术,研究药片质量缺陷的自动检测系统,实现自动化的药片缺陷检测已经成为药品行业发展的必然趋势。根据药片生产企业的实际需求,课题组开展了基于机器视觉的散装药片表面缺陷检测技术系统的设计与开发工作。本文的研究工作主要集中在散装药片图像采集系统的设计与构建,以及散装药片表面缺陷检测算法的研究与实现等内容。已经而完成的主要工作包括:设计开发了散装药片的图像采集系统。根据企业的实际要求,完成了图像采集系统的总体设计、硬件选型、平台组装和采集测试等工作。系统采用环形LED光源,选用大恒MER-132-30GC/M工业相机和OPT-C2514-2M镜头,采取正面照射的方式,获取散装药片的表面图像。并通过测试,确定了适宜的图像采集方案。此外,初步完成了排序机构、剔除机构和翻转机构等相关装置的设计。药片样品图像的采集、处理与数据库的搭建。完成了企业提供的1200粒散装药片的图像采集工作,包括合格药片、缺损药片、划痕药片、污渍药片各300粒;构建了1200张散装药片原始图像数据库。为了消除药片中冗杂信息、减少数据量,对散装药片的原始图像进行了滤波、边缘检测等处理,构建了1200张处理后的散装药片边缘图像数据库。为了提高模型检测的准确率和泛化性能,采用旋转、翻转等简单数据增强方法对药片边缘图像数据库进行了扩充,经过增强处理后的数据库包含各类药片图像各1200张,共计4800张。并利用优化后的CNN模型对图像边缘处理的性能和简单数据增强方法的可行性进行了测试和检验。针对传统模式识别方法存在的检测准确率低、应用范围小、过程繁琐等问题,提出了基于深度学习的散装药片表面缺陷检测算法。以VGG模型为基础,针对药片表面缺陷检测任务,搭建了基础的卷积神经网络模型,并选用增强数据库中的75%数据逐步训练网络模型。针对训练过程中网络模型出现的过拟合问题,在模型中添加批标准化层和Dropout层,并在模型训练阶段使用提前停止策略,有效地抑制了模型过拟合。根据训练结果逐步优化模型结构,并最终得到了优化的MiniVGG网络模型。经过实际测试,该优化模型的检测准确率可达98%,明显高于基于模式识别的检测算法。最后,本文在总结上述研究工作的基础上,提出了基于卷积神经网络的药片缺陷检测算法进一步的研究方向。