胶囊作为日常的保健品和药用品随处可见,而缺陷胶囊流入市场可能会对消费者的生命健康造成威胁。国家对胶囊的检测标准也越来越高,但是大部分制药企业仍然在采用人工灯检的方式对胶囊进行检测。这种检测方式容易造成视觉疲劳且对工人的眼睛伤害较大,对与企业经营来说人工灯检的胶囊质量得不到稳定的保障,生产效率也较为低下。如果能够利用一套全自动的缺陷检测系统代替人工,不仅可以保障消费者的生命健康,而且可以提升生产效率。企业也可以在此基础上更好把控胶囊的质量,通过分析常见的缺陷种类,优化生产过程。但是目前国内关于胶囊的检测系统研究的较少,且性能与国外相差较大,随着胶囊产量的日益攀升,企业对于高速率、自动化的缺陷检测系统的需求日益增长。因此,设计出具有自主知识产权的胶囊缺陷自动化检测设备,对提高医药行业的自动化进程有着重要的意义。本文在充分分析国内外相关技术的研究现状和局限性的基础上,分别对胶囊的数字图像处理技术、缺陷识别技术以及相关重要的神经网络模型这几方面进行了深入的研究。主要内容如下所示:(1)从硬件和软件两个方面完成整个缺陷检测系统的搭建。硬件方面主要包括LED背光源和光源控制器、CCD摄像机、电磁阀、电动机、气泵、传送带、图像采集卡等。软件部分主要包括图像数据的采集、转换、存储和处理。本文利用集成的算法库对胶囊图像进行处理。(2)设计以了一种基于人工神经网络的图像二值化方法。在讨论了传统的大津法(OSTU),以及阈值分割方法后,首先提出了利用胶囊图像的5个特征信息:图像的像素值、5*5邻域中的平均值、标准差、熵、以及相对平滑度。以这五个特征作为神经网络的矢量输入对图像进行二值化,设计的网络结构中的隐藏层有4个节点,以及全连接输出层。(3)研究并优化了用于胶囊缺陷特征提取和缺陷识别的算法。首先使用基于边缘的分割算子(Sobel算子)来定位背景和胶囊边缘之间的过渡,然后使用形态学操作来平滑边缘。利用最小二乘法将胶囊顶部和底部图像拟合近似为半圆,最终基于最小矩形分割将胶囊图像分为三个部分。再利用边界跟踪算法,获得底部和顶部两者的边界点,识别半圆的每个部分和两个端点的半径,作为以此来判断胶囊是否存在缺陷的特征值。(4)确定BP神经网络的初始阈值和权重、学习速率,采用测试集和训练集来训练数据,比例为7:3。比较了两种典型的神经网络模型,分析了它们的不足和优点。对两种模型都做了相关的改进和实验,在GoogleNet的框架上搭建模型,以各种优化方法进行仿真实验,通过不断迭代,增强缺陷检测能力,分析减少系统误差。