基于机器视觉的药品缺陷检测工站设计与优化

摘" 要：药品缺陷检测是药品生产加工过程中的重要环节，研究药品缺陷检测技术能够有效减少药企生产的压力，促进医药行业的发展。针对目前药品缺陷检测分类技术的研究现状，对国内外已经研究出的药品缺陷检测技术进行分析，发现目前能够应用到实际生产中的技术还不够成熟。提出一种基于机器视觉的药品缺陷检测工站，能够实时完成药品夹层、划痕、斑点和缺损4类缺陷的检测，检测精度最高可达到98.7%，100粒药品的平均检测时间只有15.5 ms，能满足药企的实时生产需求。

关键词：药品缺陷；机器视觉；检测技术；检测精度；设计与优化

中图分类号：TP311.1" " " 文献标志码：A" " " " " 文章编号：2095-2945（2024）32-0131-04

Abstract： Drug defect detection is an important link in the process of drug production and processing. Research on drug defect detection technology can effectively reduce the production pressure of pharmaceutical companies and promote the development of the pharmaceutical industry. In view of the current research status of drug defect detection classification technology， this paper analyzes the drug defect detection technology that has been developed at home and abroad， and finds that the technology that can be applied to actual production is not mature enough. A drug defect detection station based on machine vision is proposed， which can complete the detection of four kinds of defects， namely， drug layers， scratches， spots and defects in real time， with the detection accuracy up to 98.7%， and the average detection time of 100 drugs is only 15.5 ms， which can meet the real-time production needs of pharmaceutical companies.

Keywords： drug defects; machine vision; testing technology; detection accuracy; design and optimization

随着我国人民生活水平质量大幅度提升，人们对自身的健康情况越来越关注，使得各类药物的需求大幅度增加。目前，我国医药行业支出逐年增长，医药市场规模庞大。在此背景下，药品质量作为决定性问题之一受到重点关注。在生产过程中，由于受到各种环境的影响，例如硬件条件（设备老化、设备故障）、厂房环境等，难免会出现各类缺陷药片，这些药片一旦流入市场，极可能危害使用者的生命健康。因此，药品缺陷检测是制药厂商生产流水线上的一个必备流程。

近些年，国内外学者对药品缺陷检测技术进行了深入的研究与探索。朱铭煜等[1]使用了一种基于图像坐标的动态阂值分割算法，减小了光照不匀和灰度不均造成的影响，达到了较好的分割效果。于惠钧等[2]主要对二维Otsu算法进行了改进，通过构建新的闽值分割函数，很大程度上降低了运算量，从而减小了药品缺陷检测算法时间复杂度，使其有更好的实时性与实用性。饶梦等[3]在K均值的基础上，使用邻域模型，提出了一种粗糙不确定的图像分割方法，实现了很好的分割效果。Moghadas等[4]通过使用多层神经网络和支持向量机进行了特征的提取，实现了药物瓶中异物的检测和分类。刘玉环等[5]提出特征提取与机器学习相结合的方法，介绍用于目标区域特征提取的词袋特征（BOF）算法，分析BOF算法的最佳参数取值，并采用支持向量机对药品分层缺陷进行分类检测。杨丰桓[6]通过提取药板的BLOB特征实现了泡罩药品上药粒残缺和破损缺陷的检测。赵乾等[7]设计了一款基于计算机视觉的药片实时检测系统。方文星等[8]采用快速鲁棒特征SURF提取算法、BOW算法和单分类支持向量机组成的缺陷检测算法框架，并完成铝塑泡罩药品包装缺陷检测系统的开发。从上述文献中可以看出，关于药品缺陷检测多停留在理论研究方面，实际应用较少，无法给企业带来实质性作用。针对此问题，本文设计了一种基于机器视觉的药品缺陷检测工站，并对相关检测算法进行优化，提高检测效率和精度。

1" 总体设计方案

1.1" 工作站布局

本文设计的药品缺陷检测工站主体部分为铝型材机架，起支撑和保护作用。共有8个主要组成部分，分别为机器视觉模块，主要用于获取药品图像及处理图像，输出检测结果；工业机器人（机械臂），用于分拣有缺陷的药品；2个挡停开关，方便视觉模块和工业机器人工作；2个RFID模块，主要为了方便企业对缺陷药品溯源追踪；2个传送带，起传送药品载具作用。具体结构示意图如图1所示。

1.2" 工作站工作流程

药品缺陷检测工站的工作流程图如图2所示。

具体流程如下。

1）将待检测的药品放在药品载具上，载具内包含一块可供RFID模块读取的芯片，芯片内提前写入药品的相关信息，方便追溯。然后，将载具放在工站传输带一上，准备进站检测。

2）载具进站后，RFID模块一读取到芯片信息时，挡停开关一将载具挡停，机器视觉模块开始采集载具上药品图像。

3）将采集好的药品图像传输至上位机，上位机利用相关图像处理算法处理药品图像，并与验证集比较，判断药品是否有缺陷。

4）若药品无缺陷，挡停开关一放行，无缺陷药品进入后续环节；若药品有缺陷，上位机在有缺陷药品的载具芯片中写入相关信息后，挡停开关一放行。

5）RFID模块二读取到缺陷药品信息后，挡停开关二挡停有缺陷药品载具，工业机器人开始工作，将有缺陷药品载具抓取到传输带二上，对有缺陷药品进行回收处理。

2" 工作站检测算法优化

在药品生产过程中，药品缺陷的检测精度与速度至关重要，决定了企业的生产效率，传统的缺陷检测算法虽能保证精度，但在检测效率上无法满足企业的要求。为实现药品的高效准确检测，本文设计了一款改进的YOLO V7药品缺陷检测算法模型，如图3所示。

模型采用YOLO V7作为基础网络对药品表面进行检测，首先，在原本网络模型的基础上首先对网络进行轻量化升级，将模型中主干网络部分的CBS模块替换为GhostNet网络，利用该卷积网络进行特征提取，实现了模型的轻量化升级。其次，在原有YOLO V7网络的基础上引入了CBAM注意力机制，实现了通道和空间维度上的注意力特征融合，使得特征提取网络更加关注待检测目标，提高检测结果。

2.1" 轻量化升级

为实现网络模型的轻量化升级，利用GhostNet卷积网络替代主干网络中的CBS模块。GhostNet卷积网络是一种轻量级的卷积神经网络结构，有效减少了参数数量和计算量。

GhostNet的网络结构主要分为4个部分：stem、ghost stage、stage2-n和classifier。其中，stem主要用于对输入的图像进行初步特征提取，ghost stage是GhostNet的核心模块，由多个Ghost Bottleneck模块组成，stage2-n则是由多个标准的Bottleneck模块组成的，用于进一步提取特征，最后的classifier则是将提取到的特征进行分类输出。

Ghost Bottleneck模块与ResNet的Bottleneck模块类似，但是通过只用Ghost Module来替代ResNet中的Conv2d操作，将模型中的参数量减少了约50%。因此，在保证检测精确度的同时，GhostNet卷积网络有效地减少了主干网络的数据计算量，提升了模型的检测速度。

2.2" CBAM注意力机制升级

如图4所示，CBAM注意力机制一共包含2个独立的子模块，通道注意力模块和空间注意力模块，分别进行通道和空间维度上的注意力特征融合。引入CBAM注意力机制不仅能够节约参数和计算力，还保证了其能够作为即插即用的模块集成到YOLO V7网络架构中去，有效解决了原始网络无注意力偏好的问题。

3" 实验结果与分析

3.1" 药品缺陷类型

多样化的药品需求促使制药行业采用了多样化的生产工艺流程，每一种流程均针对特定药品的特性进行定制化设计。因此，不同的制作流程不仅反映了药品间的差异性，也导致了各自可能面临的缺陷类型不尽相同，体现了制药工艺的复杂性与精准性。本文的研究对象是片状药品，主要针对夹层、划痕、斑点和缺损4类缺陷进行检测研究，4类缺陷主要特征表现：夹层是指药品夹带异物，出现夹层；划痕是药品本身出现划痕；斑点是药品因某些外在原因出现斑点；缺损是药品出现缺损。

3.2" 数据集

如图5所示，利用公开数据集进行实验，数据集包含2 759张药品缺陷图片及标注，YOLO V7算法的图片输入格式通常为三通道的RGB图像，并且输入图像的大小会根据模型配置进行调整。在本文中，输入图像调整为448×448像素。在实际训练过程中，需要根据具体的数据集和训练目标微调相对应的超参数，以达到最佳的训练效果。因药品数据集训练资源有限，本文通过batch-size和epochs来平衡训练速度和模型性能，让检测效果最优化。

3.3" 实验结果与分析

为检验药品缺陷检测工作站的实际检测效果，对带有夹层、划痕、斑点和缺损4种缺陷的药品进行检测，检测结果见表1。

通过表1中的检测结果可以看出，4种药品缺陷的检测准确度都达到了97.6%以上，每100个药品缺陷的检测平均时间为15.5 ms，在检测准确度和检测速度两方面都达到了药企工业实时生产的要求。

4" 结论与研究展望

传统的药品缺陷检测方法在实际生产应用过程中受到诸多因素的限制，导致传统的药品检测方法存在着检测精度低、检测速度慢、检测全面性不够等缺点。本文提出基于机器视觉的药品缺陷检测工作站有效解决了传统药品缺陷检测的不足。硬件结构方面，工作站利用独特的检测结构实现了药品的图片采集和缺陷药品分拣，全自动化结构有效地减少了人力等资源的浪费。软件机构方面，工作站采用改进的YOLO V7算法，首先利用GhostNet卷积网络替代主干网络中的CBS模块，减少了算法的参数量和计算量；然后利用CBAM注意力机制，解决了原始网络无注意力偏好的问题；这两方面的算法改进既保证了工作站的药品检测准确度，又有效提高了工作站的检测速度。本文算法的不足是针对药品缺陷检测的种类还不够全面，后续可进一步改进检测算法，提高药品缺陷检测工作站检测的全面性。

参考文献：

[1] 朱铭煜，周武能.图像处理在药片缺陷检测中的应用[J].计算机工程与设计，2010，31（23）：5151-5154.

[2] 于惠钧，吴婉，成运.改进Otsu算法在铝塑泡罩药品包装缺陷检测中的应用[J].包装工程，2014，35（15）：15-18.

[3] 饶梦，苗夺谦，罗晟.一种粗糙不确定的图像分割方法[J].计算机科学，2020，47（2）：72-75.

[4] MOGHADAS S M， RABBANI N. Detection and classification of foreign substances in medical vials using MLP neural network and SVM[C]// Iranian Conference on Machine Vision amp; Image Processing. IEEE， 2010.

[5] 刘玉环，唐庭龙，陈胜勇.基于词袋特征算法的药品分层缺陷检测[J].计算机工程，2018，44（6）：249-252，258.

[6] 杨丰桓.基于智能相机的泡罩药品缺陷在线检测技术研究[D].武汉：华中科技大学，2014.

[7] 赵乾，赵硕伟.基于计算机视觉的药片实时检测系统[J].机械与电子，2018，36（3）：49-51.

[8] 方文星，王野.一种铝塑泡罩药品包装缺陷检测方法[J].包装工程，2019，40（1）：133-139.