简介针对药片生产质检场景提供一套完整的MATLAB图像处理源码与配套说明面向机器视觉初学者、医药包装检测从业者及课程设计学生。方案融合小波去噪与自适应中值滤波既能有效抑制高斯噪声与椒盐噪声又能避免无噪声图像失真通过形态学重构去除复杂背景再以边缘算子提取目标信息结合二值化扫描匹配完成药片好坏、有无的自动判断与标记。压缩包共15个文件内含7张测试图片、5个核心函数的M脚本、2份Word说明文档及1份Docx边缘算法笔记整体仅1.78MB便于下载后在MATLAB环境快速运行与对照学习。该资源已有1569人学习内容覆盖从图像去噪、形态学处理、边缘提取到目标识别的完整流程并附带帧间差分脚本可供扩展运动场景检测适合作为算法验证、课设仿真的高质量参考。1. 药片质检到底要检什么从漏装事故说起做药片视觉检测这么久我印象最深的一次项目是帮一家固体制剂厂处理投诉风波。对方反馈一盒铝塑包装里少了一片药拆线重查时又发现另一盒存在双片叠装。生产线班长一脸无奈地告诉我人工目检的速度根本跟不上装盒机节拍尤其是小规格药片直径6mm以下在传送带上飞驰而过时肉眼看漏太正常了。这类问题的本质不只是一个缺粒或多粒的检测而是整个药片外观质量管控体系。药片缺陷检测和有无检测看似是两个任务在实际产线上却必须放在同一个视觉系统里解决因为你不会为了测有无上一套设备再为了测裂片另上一套设备。药片常见的缺陷按我的项目经验大概能分成这几类缺陷类型典型表现产生原因缺粒/多粒铝塑泡罩内无药片或有两片下料机构卡滞、药片粘连裂片/缺角药片边缘崩缺、贯穿性裂纹压片压力不稳、冲头损伤表面污渍黑点、油斑、杂色点物料污染、设备润滑残留印字不良字迹模糊、缺笔断划压字冲头磨损、墨量不足异物混入非本批药片的异色颗粒清场不彻底、交叉污染这些缺陷虽然成因各异但最终都要靠图像上的灰度差异、形状异常和纹理变化来区分。所以做药片检测系统之前先别急着买相机选镜头必须把产线上的缺陷样本收集齐哪怕是靠人工挑出来的十几个样品也比只看样本图有用得多。我一般会让客户至少提供30到50片含代表性的缺陷样品用于后续算法调试和灵敏度验证。另一个容易被忽视的需求是检测节拍。很多产线的实际速度是每分钟600到1200片也就是每秒10到20片。如果视觉系统处理一帧要超过100毫秒就算硬件再好也跟不上产线。因此规划阶段就要算清楚节拍预算这直接决定了相机分辨率、图像算法复杂度以及是否需要双相机分流。2. 硬件选型的底层逻辑光源和相机怎么配才能看清药片很多初次做药片视觉项目的人上来就纠结相机是多少万像素却忽略了光源——这个决定成败的关键。药片表面通常有光泽有的还有薄膜衣或糖衣反光很凶。如果光源角度不对正常的药片也会拍出大片白斑算法极容易误判成脏污或者崩缺。我的经验是检测药片有无和轮廓缺陷首选背光源底光其次是低角度环形光。背光的原理是让光线从被测物底部射出药片不透光时图像里药片呈现黑色轮廓背景为白色此时有无、缺角、裂片、以及双片叠放都非常清晰。透光性较强的药片如某些维生素片在背光下会整体变灰但轮廓依旧可辨不影响缺粒判断。而检测表面黑点和污渍时则需要改用高角度环形光或同轴光让表面纹理显现出来。相机和镜头的搭配则要根据最小检测精度来反推。以直径6mm的药片为例如果要求能稳定识别0.3mm的崩缺那每个像素对应的物理尺寸最好不大于0.1mm即至少需要3个像素覆盖最小缺陷。直接用公式算视野宽度按传送带宽度50mm来算相机横向分辨率50mm ÷ 0.1mm/像素 500像素考虑到边缘畸变和稳定余量选择120万像素1280×960以上的相机就足够了。但如果要检测的是刻字药片上的细微缺笔分辨率要求会陡增建议用500万像素级相机并配合放大镜头同时视野必须收窄到只覆盖单片药片范围。这里有个坑视野收窄后机械定位精度必须跟上药片若跑偏出视野整个检测就失效了。所以高精度检测往往要配伺服驱动的定位拨轮而不是靠着传送带自然滑动。镜头方面定焦镜头永远是首选。变焦镜头的机械结构在振动环境下容易产生焦点飘移我吃过一次亏用变焦镜头做药片检测白天调试时一切正常到了夜间产线振动加大后图像开始缓慢模糊排查了整整一天才发现是镜头松动。从那以后药片检测项目我只用固定焦距的镜头并且调试完成后会用螺纹胶固定。3. 有无检测的实战难点透明片、双片叠装与边缘定位药片的有无检测听着简单做起来却有不少细节坑。最典型的就是透明薄膜衣药片。这种药片在可见光下几乎是半透明的在普通背光图像中它和空泡罩的灰度差异非常小。很多人第一次做透明片项目直接套用普通药片的灰度阈值分割结果空泡也被当成有片漏检率惨不忍睹。破局方案是改用同轴平行背光或红外光源并启用图像梯度信息。透明药片虽然对光线的吸收少但其边缘结构会产生明显的折射和相位差因此在图像中会形成一圈比空泡区域更强的边缘梯度。算法上不再单纯依赖灰度阈值而是用边缘强度图来判定是否存在药片。具体做法是先对泡罩区域做边缘提取再统计该区域内边缘像素的密度和连通域大小当两者均超过设定值时判定为有片。双片叠装则是另一个高频漏检项。两片药叠在一起在背光下看起来和单片药的外轮廓几乎一样因为药片本身不透光轮廓都是那一个圆。要识别叠片必须利用药片的厚度信息。常规2D相机加背光无法直接测厚但有一个取巧的方案在药片经过检测位时用一个极低角度的前光源斜打药片叠放部位的高度差会把光线遮挡形成一道额外阴影区图像上表现为药片内部的灰度不均匀或边缘双层投影。通过分析药片区域的灰度均方差和边缘平行度就能区分单层与双层。对于泡罩有无检测还有一点必须重视泡罩的定位。铝塑包装的泡罩位置在生产中会有轻微偏移如果检测区域是固定坐标药片一旦走偏就可能落在判定区域外造成误判。我的做法是用泡罩边沿或铝箔冲孔特征做配准先定位泡罩坐标再在该坐标系下划定药片检测区域而不是用整幅图像的固定像素坐标。4. 缺陷检测的核心思路从阈值分割到多特征融合缺陷检测的算法部分是药片视觉项目里最考验功底的地方。纯阈值分割的老办法在某些场景下依然好用但绝对不能只靠它。分享一套我常用的多阶段检测思路第一阶段定位与分割。通过背光图像得到药片区域的二值掩膜。此时如果药片缺角或裂纹明显掩膜的面积和形状就会偏离正常基准。用连通域分析提取药片区域的面积、周长、圆度、外接矩形尺寸等基础特征任何一个特征超出阈值范围直接判为疑似缺陷。这一阶段的优势是速度快每片耗时不到5毫秒能过滤掉约80%的明显不良品。第二阶段表面灰度特征分析。对通过第一阶段的药片切换到表面光照条件如高角度环形光提取药片表面区域的灰度直方图、梯度幅值均值和熵值。正常药片表面灰度分布均匀梯度均值低而表面污渍、划痕、印字不良的药片局部梯度会显著升高。以灰度方差为例正常糖衣片的方差通常在20到35之间8bit灰度图而带污渍的药片往往超过60。算法上可以直接用经验阈值但更稳妥的做法是现场取50片良品和20片缺陷品用直方图统计确定区分度最好的特征和阈值。第三阶段深度学习辅助判别。当缺陷形态复杂、传统特征难以描述时比如气泡型麻点、轻微压痕就轮到深度学习模型上场。我通常用轻量化的分类网络如MobileNetV3或EfficientNet-Lite输入尺寸控制在224×224训练数据用现场采集的良品与缺陷品图片做旋转、平移、亮度扰动增强。模型压缩到ONNX格式后单张推理时间可以控制在10毫秒内完全能满足在线检测的节拍需求。深度学习方案的优点是鲁棒性强但前提是缺陷样本要足够覆盖各种形态否则会出现训练时没见过、产线上狂漏检的尴尬。多特征融合的核心不是把每个特征都卡一个死阈值而是给每个特征设定一个权重和置信区间。我习惯的做法是先对每个特征进行归一化再用加权投票或简单的规则树做最终判定。比如面积异常和圆度异常同时出现时判定权重要提高而仅仅灰度均值偏高可能只是批次间颜色差异权重则要降低。这样能有效控制误判率而不是每发现一点异常就报废一整批药。5. 产线部署调试中的真实误判案例与排查链路项目走到现场调试才是问题爆发的高峰期。我挑三个印象最深、也最具代表性的误判案例完整还原排查过程希望对你有参考价值。案例一满盘药片全部误报表面污渍。现象是视觉系统一上线把正常药片中大约10%判为污渍不良但人工复检却找不到任何污点。第一个排查动作是看实时图像发现药片表面确实有微小暗点但不是污渍而是背景中某种纹理的倒影。进一步检查光源发现高角度环形光的安装高度比设计值低了两厘米导致反射角度改变把药片表面原本该散射掉的光打成了阴影。调整光源高度并加入偏振片后暗点消失误报率降为0.2%以下。这个案例的教训是任何一次硬件位置变更哪怕是拧松了紧固螺丝都要重新验证成像质量。案例二泡罩缺粒检测在特定批次出现大面积漏判。某批次药片颜色比正常批次偏浅在背光图像中透光性增强空泡和含泡区域的灰度差变小导致漏判。排查过程先验证了系统标定板和标准品均正常再怀疑光源衰减但测量光强度在正常范围最后拿两个批次的药片做灰度对比才发现颜色差异是关键变量。解决方案不是改算法而是给检测系统加了批次自适应策略每批药片进入相机前先取前20片做灰度基准校准自动调整判定阈值区间。这也是与质检工艺结合的典型案例说明视觉工程师不仅要懂算法还要懂批次工艺波动。案例三药粉碎屑造成的连续性误判。产线运行过程中药片切边产生的细碎粉末飘落在相机窗口上导致图像出现随机的小黑点。起初误判是随机出现的很难定位。最后在日志中按时间戳回放图像发现每运行约40分钟就会集中爆发一次才联想到是粉尘积累到一定程度后的影响。解决方法是给相机镜头加装压缩空气吹扫装置并每2小时自动执行一次背景灰度校验一旦发现背景区域的灰度均值异常下降就自动触发吹扫。这个案例的关键在于图像漂移问题不能总是靠算法去扛有时候根源在环境维护。这三个案例有一个共性问题都不是出在算法逻辑本身而是出在了成像环境、批次波动和系统维护这些边缘环节。这也是为什么我一直强调视觉检测项目不是一个装好相机调好算法就完事的交付物而是一个和现场环境深度耦合的系统工程。6. 从项目验收角度看性能指标怎么定才不会给自己挖坑所有药片视觉检测项目最终都躲不过验收环节。很多乙方在签技术协议时为了拿到订单对于检测率和误检率的目标值一口答应结果到了验收时发现怎么调都达不到或者达到了却极其脆弱一有风吹草动就超标。我建议在项目启动之初就与客户明确以下几个关键指标的定义和验收方法检测率缺陷检出率与误检率良品误杀率。业界一个相对可操作的约定是检测率不低于99.9%误检率不高于1%。但这里有个大坑——缺陷样本从哪来如果客户无法提供足够多的真实缺陷品来测试就只能使用人为模拟样品如用针在药片表面划痕、用刀片切除边角。模拟样品和真实缺陷在图像特征上会有差异这会造成一个错觉验收时检测率达标正式上线后真实缺陷却捕捉不住。所以我在技术协议里会写明模拟缺陷样品需经双方确认且至少覆盖80%协议列明的缺陷类型防止验收口径不一致。灰度波动容忍度。药片颜色在不同批次间可能存在明显差异而生产现场的照明电压波动、光源老化也会导致图像灰度漂移。协议中应该约定在光源正常工作寿命周期内系统自动补偿灰度波动范围不超过±20%。超出这个范围的灰度变化不认定为系统性能问题。单次连续运行无故障时间。药片产线通常是三班倒连续运行的视觉系统至少要连续运行72小时以上才可能暴露出散热、内存泄漏、图像缓存堆积等问题。我见过不少演示10分钟完美、连续跑8小时卡死的系统这些坑必须在项目验收前通过老化测试排掉。在实际操作中我还会做一项额外的测试抓取异常触发信号后延时20毫秒内发出剔除信号并在产线末端配备吹除/拨除装置确保缺陷品不会流入下一道工序。很多项目只做了检测没做联动剔除最后缺陷品被系统标出来了却仍然进入了包装环节那就失去了检测的意义。药片视觉检测这行硬件的账好算算法的坑也好填真正拉开差距的是对工艺的理解、对现场环境的敬畏以及在每个细节上都愿意多问一个为什么的习惯。希望这篇分享能让你少走几步弯路。本文还有配套的精品资源点击获取