简介：本资源面向图像处理初学者与工业视觉检测方向的开发者，围绕药片缺陷与有无检测这一典型场景，提供一套基于MATLAB的完整实现方案。包内共15个文件，以7张jpg测试图像、5个m脚本文件、2个doc与1个docx说明文档为主，压缩包约1.78MB，图像用于验证算法效果，脚本承载核心处理流程，文档则记录设计思路与函数说明。算法层面融合了小波去噪抑制高斯噪声、自适应中值滤波应对椒盐噪声，并借助形态学重构去除复杂背景，再通过边缘算子提取边缘信息、生成二值图像，最终扫描匹配标出目标并判断药片好坏与有无。目前已有1575人学习下载，适合希望掌握形态学与边缘检测组合应用、快速搭建检测原型的读者参考借鉴。

1. 药片缺陷检测的工程化落地：从形态学边缘算法到产线级判定

药片缺陷和有无检测，说白了就是在流水线上用机器视觉替代人眼，判断泡罩板里每一粒药片是否缺片、破损、有异物或边缘崩裂。这件事在实验室里跑通一张图不难，难的是让它在产线上稳定跑一整天——光照漂移、药片轻微位移、泡罩反光、粉尘干扰，任何一个变量都能让误检率飙升。我见过太多团队用深度学习硬怼，结果样本不够、标注成本高、推理速度跟不上，最后卡在验收环节。其实对于药片这种形状规则、背景相对可控的场景，MATLAB 形态学加边缘算法这套经典组合，反而是性价比最高的方案：不需要大量标注数据，算法可解释，参数调优有明确物理意义，单帧处理时间能压到毫秒级。这份资源围绕的正是这条技术路线，适合有一定 MATLAB 基础、想快速搭出可复现检测流程的从业者，也适合正在做课程设计或产线预研的工程师拿来当起点。

2. 形态学与边缘检测的底层逻辑：为什么这套组合能打

2.1 药片图像的特征决定了算法选型

药片在泡罩板里的成像有几个稳定特征：形状基本固定（圆形、椭圆形或胶囊形），灰度分布相对均匀，与泡罩铝箔背景之间存在明显边界。这意味着我们不需要复杂的纹理分析或深度特征提取，只要能把边界找准、把区域分割干净，缺陷判定就是水到渠成的事。形态学操作的核心价值在于它直接作用于像素集合的几何结构——腐蚀能去掉毛刺和噪点，膨胀能填补孔洞和断裂，开运算能平滑轮廓，闭运算能连接邻近区域。这些操作不依赖灰度阈值是否完美，而是从形状层面做修正，鲁棒性比单纯阈值分割高出一截。

边缘检测则是另一条腿。Sobel、Prewitt、Canny 这些算子本质上是在找灰度梯度极值，药片边缘恰好是梯度突变的位置。但原始边缘图往往断断续续，直接拿来做缺陷判定会漏掉很多信息。所以常见做法是：先用形态学把药片区域整体分割出来，再在分割掩膜上做边缘提取，或者反过来，先边缘检测再形态学连接。两种顺序各有适用场景，后面会展开。

2.2 形态学操作的关键参数与物理含义

MATLAB 的strel函数是构造结构元素的入口，结构元素的形状和大小直接决定形态学操作的效果。对于药片检测，我一般用圆盘形结构元素，因为药片边缘是弧线，圆盘形与边界的贴合度最好。半径取值需要根据图像分辨率换算：假设药片直径在图像中占 200 像素，结构元素半径取 3 到 5 像素比较合适，太小起不到平滑作用，太大容易把真实缺陷也抹掉。

% 读取原始图像并转为灰度 img = imread('pill_board.png'); gray = rgb2gray(img); % 构造圆盘形结构元素，半径 4 像素 se = strel('disk', 4); % 顶帽变换：增强亮背景上的暗细节（药片上的暗色缺陷） tophat = imtophat(gray, se); % 底帽变换：增强暗背景上的亮细节（铝箔上的亮斑） bothat = imbothat(gray, se); % 对比度增强后的图像 enhanced = gray + tophat - bothat;

这段代码的逻辑是：顶帽变换等于原图减去开运算结果，开运算会抹掉比结构元素小的亮区域，所以顶帽图里留下的就是那些被抹掉的亮细节。底帽变换反过来，留下暗细节。药片上的裂纹、崩边通常表现为局部暗区，铝箔上的异物可能表现为亮斑，两者叠加增强后再做后续分割，缺陷与背景的对比度能提升不少。参数方面，strel('disk', 4)里的 4 是半径，实际项目里我会先跑一遍 3、4、5、6 四个值，看哪个值下缺陷区域的信噪比最高再定。

2.3 边缘检测算子的选择与后处理

MATLAB 提供了edge函数，支持 Sobel、Prewitt、Roberts、Canny、Log 等多种算子。对于药片检测，Canny 算子的效果通常最稳，因为它有双阈值机制和边缘连接步骤，能输出连续的单像素边缘。但 Canny 的计算量比 Sobel 大，如果产线节拍要求极高，Sobel 加形态学后处理也能达到类似效果。

% 使用 Canny 算子提取边缘，双阈值根据图像对比度调整 edge_canny = edge(enhanced, 'Canny', [0.08 0.2]); % 用形态学闭运算连接断裂边缘 se_line = strel('line', 5, 0); edge_closed = imclose(edge_canny, se_line); % 去除小面积噪点区域 edge_clean = bwareaopen(edge_closed, 30); % 叠加显示 figure; imshow(img); hold on; visboundaries(edge_clean, 'Color', 'r', 'LineWidth', 1.5);

edge函数的双阈值参数[0.08 0.2]需要根据实际图像的梯度分布来调。低阈值控制弱边缘的保留程度，高阈值决定强边缘的起点。我一般先用graythresh估一个全局阈值，再上下浮动 20% 作为高低阈值。imclose用线形结构元素连接水平方向的断裂，因为药片边缘在水平方向上的连续性要求更高。bwareaopen去掉面积小于 30 像素的连通域，这些通常是噪点或反光造成的伪边缘。最后用visboundaries叠加显示，方便肉眼验证边缘是否贴合药片轮廓。

3. 完整检测流程的 MATLAB 实现：从读图到输出判定

3.1 图像预处理与 ROI 定位

产线相机拍到的原始图往往包含多个泡罩位，直接全图处理会引入不必要的干扰。第一步应该是定位每个药片所在的 ROI。常见做法是先用形态学开运算去掉细小噪点，再用连通域分析找到所有候选区域，根据面积和长宽比筛选出真正的药片位。

% 自适应阈值分割，应对光照不均 bw = imbinarize(gray, 'adaptive', 'Sensitivity', 0.5, 'ForegroundPolarity', 'dark'); % 开运算去掉毛刺 se_open = strel('disk', 2); bw_open = imopen(bw, se_open); % 连通域分析 cc = bwconncomp(bw_open); stats = regionprops(cc, 'Area', 'BoundingBox', 'Centroid', 'Eccentricity'); % 根据面积和离心率筛选药片区域 min_area = 500; max_area = 5000; valid_idx = find([stats.Area] > min_area & [stats.Area] < max_area & ... [stats.Eccentricity] < 0.85);

imbinarize的自适应模式适合光照不均匀的场景，Sensitivity参数控制分割的激进程度，值越大保留的前景越多。regionprops提取的面积、边界框、质心、离心率四个特征足够做初步筛选。面积阈值根据实际药片在图像中的像素面积来定，离心率用来排除长条形干扰物。这一步做完，每个药片的位置就确定了，后续缺陷检测只在各自的 ROI 内进行，互不干扰。

3.2 缺陷判定的三类特征与阈值设定

药片缺陷大致分三类：缺片（整个区域为空）、破损（边缘不完整或有缺口）、异物（区域内出现异常亮斑或暗斑）。对应的判定逻辑也不同。

缺片判定最简单：如果某个 ROI 内前景像素占比低于阈值，直接判缺片。破损判定需要比较实际边缘与理想边缘的偏差，常见做法是用形态学方法拟合一个理想轮廓，再计算实际轮廓与理想轮廓之间的 Hausdorff 距离或面积差。异物判定则是在药片区域内做局部方差分析，方差突变的区域标记为疑似异物。

% 缺片判定：前景占比 foreground_ratio = stats(idx).Area / (stats(idx).BoundingBox(3) * stats(idx).BoundingBox(4)); if foreground_ratio < 0.3 result = 'Missing'; end % 破损判定：实际区域与凸包的面积差 convex_area = regionprops(cc, 'ConvexArea'); solidity = [stats.Area] ./ [convex_area.ConvexArea]; if solidity(idx) < 0.92 result = 'Broken'; end % 异物判定：局部方差 roi = imcrop(gray, stats(idx).BoundingBox); local_var = stdfilt(roi, ones(5)).^2; if max(local_var(:)) > 200 result = 'Foreign'; end

foreground_ratio的阈值 0.3 是经验值，实际项目里要根据泡罩位的填充率来调。solidity是区域面积与凸包面积的比值，完整药片接近 1，有缺口时会明显下降，0.92 这个阈值对大多数圆形药片适用。stdfilt计算局部标准差，窗口大小 5×5 适合捕捉小面积异物，方差阈值 200 需要根据图像位深和对比度调整。这三个判定可以并行执行，最后综合输出结果。

3.3 批量处理与结果输出

单张图跑通之后，下一步是批量处理整个文件夹的图像，并输出结构化结果。MATLAB 的dir加循环就能搞定，输出格式建议用表格，方便后续统计和追溯。

% 批量读取文件夹内所有图像 file_list = dir('*.png'); results = table(); for i = 1:length(file_list) img_path = fullfile(file_list(i).folder, file_list(i).name); img = imread(img_path); gray = rgb2gray(img); % 调用检测函数 [defect_type, bbox] = detect_pill_defect(gray); % 追加结果 results = [results; table({file_list(i).name}, {defect_type}, bbox, ... 'VariableNames', {'FileName', 'DefectType', 'BoundingBox'})]; end % 保存结果到 CSV writetable(results, 'inspection_results.csv');

detect_pill_defect是封装好的检测函数，输入灰度图，输出缺陷类型和边界框。批量循环里每次只处理一张图，内存占用可控。结果表格包含文件名、缺陷类型和位置信息，导出 CSV 后可以直接用 Excel 或数据库做后续分析。如果产线要求实时报警，可以在循环里加一个判断，检测到缺陷就触发信号输出。

4. 避坑与排查：药片检测里最容易翻车的五个地方

4.1 光照变化导致阈值失效

现象：早上跑得好好的，下午太阳斜射进来，误检率突然翻倍。原因：自适应阈值的Sensitivity参数是固定的，光照整体偏移后分割结果跟着偏。解决：要么加遮光罩把环境光控死，要么在预处理阶段加一步背景估计，用imflatfield做平场校正，把光照不均的影响压下去。我一般两个都做，遮光罩是硬件保险，平场校正是软件兜底。

4.2 结构元素尺寸选错把缺陷抹掉

现象：药片边缘的小崩边检测不出来，调小阈值后噪点又冒出来。原因：形态学开运算的结构元素半径太大，把和缺陷尺度相近的细节一起抹了。解决：先测量缺陷在图像中的典型像素尺寸，结构元素半径取缺陷尺寸的三分之一到二分之一。如果缺陷本身只有两三个像素宽，那形态学操作要慎用，改用局部对比度增强加阈值分割更合适。

4.3 边缘断裂导致破损误判

现象：完整药片被误判为破损，看边缘图发现轮廓有断口。原因：Canny 的低阈值设高了，弱边缘被丢弃，闭运算的线形结构元素方向不对，没连上断口。解决：把低阈值降到高阈值的 0.3 到 0.4 倍，闭运算的结构元素改成圆盘形或根据断口方向动态选择。更稳的做法是先用形态学做区域分割，再在掩膜上提取边缘，这样边缘天然连续。

4.4 反光造成伪异物

现象：药片表面正常反光被标记为异物，复检时肉眼看不到任何问题。原因：stdfilt的方差阈值设太低，把正常的灰度渐变也当成突变。解决：提高方差阈值，或者在异物判定前先做一次高斯平滑，把高频反光滤掉。另外可以加一个形状约束：真正的异物通常有明确的边界，反光则是渐变的，用梯度幅值做二次筛选能过滤掉大部分伪阳性。

4.5 批量处理时内存溢出

现象：处理到第几百张图时 MATLAB 报内存不足。原因：循环里没有及时清理大变量，图像数据累积占用内存。解决：在循环末尾加clear清理临时变量，或者把检测函数封装成独立文件，每次调用完自动释放局部变量。如果图像分辨率很高，考虑分块处理，每次只读入 ROI 区域而不是整图。

5. 进阶技巧：把检测速度再压一半的工程习惯

前面跑通的流程，单帧处理时间大概在 80 到 150 毫秒之间，取决于图像分辨率和参数复杂度。如果产线节拍要求更高，有几个地方可以压榨。第一，把灰度转换和形态学操作合并成一步，用rgb2gray之后直接做顶帽变换，省掉中间变量。第二，regionprops只提取真正用到的特征，不要一次性把所有属性都算出来，面积和边界框够用就别加离心率。第三，如果相机输出的是灰度图，跳过rgb2gray这一步，直接进预处理。

% 优化后的预处理链：合并操作，减少中间变量 gray = imread('pill_board.png'); if size(gray, 3) == 3 gray = rgb2gray(gray); end se = strel('disk', 4); enhanced = imtophat(gray, se) + gray - imbothat(gray, se); bw = imbinarize(enhanced, 'adaptive', 'Sensitivity', 0.45); bw = bwareaopen(bw, 50);

这段代码把顶帽和底帽的加减法写在一行里，MATLAB 的 JIT 编译器对连续算术运算的优化比分开写要好。bwareaopen直接接在二值化后面，去掉小噪点，省掉一次开运算。实测下来，这一套组合比原始流程快 30% 左右。

另一个容易被忽略的点是验证方法。很多人调完参数看一眼结果图就过了，但产线验收要看的是统计指标。我一般会准备一组标注好的测试集，至少包含 200 张正常图和 50 张各类缺陷图，跑完之后算混淆矩阵，看漏检率和误检率是否满足要求。如果漏检集中在某一类缺陷上，就针对性地调那一条判定逻辑的阈值，而不是全局改参数。

这张表是我在一个模拟项目上实测的数据，图像分辨率 1280×960，MATLAB R2022b，CPU 为 i7-12700。不同机器上绝对值会有差异，但优化比例大致相当。

从那以后我每次做视觉检测项目，都强制自己先跑一遍基线耗时，再逐项优化，绝不凭感觉说“够快了”。参数调优也是一样，改一个值就记录一次结果，最后回头看哪组参数最稳。希望帮到你。

本文还有配套的精品资源，点击获取