机器视觉在药品包装缺陷检测中的应用研究

（冀中能源邢矿集团生活后勤服务分公司，河北 邢台 054000）

药品包装是制药过程中一个非常重要的环节，只有包装质量完好的药品才能通过质量和卫生检验。如果包装有缺陷的药品进入市场，一方面会影响到包装内药品的质量，另一方面会损害制药企业的名誉。泡罩包装是药品包装的一种常见形式，多用于各种片剂和胶囊药品的包装。泡罩包装因泡罩区具有透明度，使包装内药品便于观察，对药品的售卖具有良好的辅助作用。但是，泡罩区的透明性也会导致其缺陷难以被发现。为了提升药品泡罩包装检测的质量和效率，采用机器视觉的方法替代人工检测的方法，是一种可行的途径。机器视觉依托图像处理技术，通过颜色区分、噪声去除、区域分割和纹理比较等，可以自动完成包装上缺陷的准确识别。该文以机器视觉在药品包装检测中的应用为核心研究内容，将对涉及的关键技术进行理论阐述和试验验证。

1 药品包装图像的预处理

运用机器视觉进行药品包装的缺陷检测，涉及2 个关键技术，分别是药品包装图像的预处理和药品包装图像的区域分割。预处理技术是指图像在进入缺陷检测之前所开展的准备工作。

1.1 预处理的技术流程

受到拍摄设备、拍摄环境和电磁干扰等各种因素的影响，药品包装被拍摄成图像的过程中可能有多种噪声，例如随机噪声、椒盐噪声以及高斯噪声。这些噪声的存在会影响原始像素显示位置的正确性和亮度。为了提升缺陷检测的准确性，必须对这些噪声进行去除，该文设计的三种噪声的去除方案，技术框图如图1 所示。

从图1 可以看出，该文对药品包装图像的噪声采用了3种滤波技术、分3 个环节有针对性地进行去噪处理。这3 种滤波技术分别是对随机噪声具有良好去噪效果的均值滤波技术、对椒盐噪声具有良好去噪效果的中值滤波技术以及对高斯噪声具有良好去噪效果的高斯滤波技术。

图1 该文设计的3 种噪声的去除方案

1.2 均值滤波去除随机噪声

均值滤波技术是用一部分像素的平均值替代噪声像素，达到去噪效果的滤波方法。均值滤波的前提性工作是选择合适的可以计算平均值的像素区域。考虑图像遍历过程的方便性，一般选择正方形窗口，并以噪声像素为中心，窗口内其邻域像素即为计算均值的候选像素。这里需要指出的是，均值滤波在去噪的同时有一定的模糊效应，均值窗口设置的越大、模糊效应越明显。因此，该文的均值滤波去噪过程中，选择了一个3×3 像素大小的均值窗口。

在这个3×3 像素的像素窗口内，中心点像素即为被噪声污染的像素，其二维图像坐标可以用（，）表示，那么均值滤波后（，）位置上的新像素灰度的计算如公式（1）所示。

式中：参数（，）为均值滤波后的新像素灰度；参数（，）为被噪声污染的原像素的灰度。

1.3 中值滤波去除椒盐噪声

中值滤波技术是主要处理过程包括像素选择都和均值滤波类似，也是围绕着被污染像素选择一个合适大小的正方形窗口，其后的操作有所不同。中值滤波要求将窗口内所有候选像素按照灰度大小进行排序，并用排序在中间位置的像素替代被污染的噪声像素，其处理如公式（2）所示。

式中：median 为在集合中选取中间值的操作。

为了更加直观地展示中值滤波的去噪过程，给定一个3×3 像素窗口下去噪的例子，如图2 所示。

图2 中值滤波去噪的一个实例

从图2 中可以看出，这是一个3×3 像素的中值滤波窗口，窗口中心位置上的像素的灰度为188，高于周围其他8个像素，这是一个被噪声污染的像素。按照中值滤波的去噪原理，将这9 个像素按照灰度大小进行排序，处在中间位置上的像素灰度为154，进而用154 代替188 完成去噪处理。

1.4 高斯滤波去除高斯噪声

均值滤波、中值滤波更多地是针对离散噪声的处理。如果从整幅图像或多幅图像来看，噪声的大小、噪声出现位置的频率一般都服从正态分布，即高斯分布。所以，图像中的噪声称之为高斯噪声。对服从高斯分布噪声的去除，该文直接选用高斯滤波器进行卷积处理。高斯滤波器的数学形式如公式（3）所示。

式中：参数为高斯系数，决定了滤波器的尺度范围。

2 药品包装图像的区域分割

从机器视觉的技术角度看，包装图像去噪处理只是完成了缺陷检测前的一项准备工作，而缺陷检测的另一个关键工作是对包装区域进行准确的分割，以便使用模板匹配等技术对每个分割出的包装单元和标准模板进行比对，进而判断出是否存在包装缺陷。

和其他内容图像的区域分割相比，药品包装图像的区域分割有它的特殊性。其他图像的内容信息一般比较复杂，纹理上也呈现出明显的区域变化，因此轮廓提取、边缘检测等区域分割技术具有更好的针对性。但药品包装图像上，每个包装体系下包括多个有规律排列和分布的多个包装单元，并且这些包装单元所在区域和背景区域具有鲜明的色彩、纹理差异。所以，可以利用包装区域和背景区域之间的对比度差异进行区域分割，不仅原理简单而且实用效果好。

据此，该文采取基于阈值判别的策略完成药品包装图像的区域分割。经过判断包装单元和背景区域的灰度差异后，设置合理的阈值，并根据不同区域灰度和阈值灰度的大小，判断出是包装单元还是背景区域，其处理如公式（4）所示。

式中：（，）为要参与判断的像素灰度，它可能是包装单元区域的像素，也可能是背景区域的灰度；（，）为分割后重新设置的像素灰；为进行区域分割操作的判断阈值。

区域分割操作的关键在于阈值的选择，阈值的合理设定是一个难点。此外，当区域分割作为算法的一部分纳入整个药品包装缺陷识别算法时，阈值的设定应该是自动的，由算法本身根据实时传送进来的药品包装图像来自动设定的。如果药品包装图像发生了变化，这个阈值也应该随之变化。

根据不同图像内容自动设定阈值的方法，一般可以选择最小误差法、大律法等。该文根据药品包装图像的特点，选择大律法进行阈值设定。

大律法完成阈值设定的思路是，先随机选定一个阈值作为初始阈值，按照这个初始阈值进行分割后形成2 个初始灰度集合。再分别计算这两个集合的灰度均值，进而形成方差计算，再根据方差极值不断调整阈值，每次更新都会让阈值的设定更加合理，直到这个阈值和药品包装图像完全契合。

在药品包装图像（，）位置上的像素可以采用（，）描述，同时设定药品包装图像含有个灰度等级，并用[0，-1]的灰度区间法表示。那么级灰度可能出现的概率为（），其计算如公式（5）所示。

在这个核心公式之后，大律法还要分别计算药品包装区域的像素比、药品包装区域的像素数、药品包装图像的灰度均值以及上述3 个参数的对应背景参数，具体如公式（6）所示。

3 药品包装的缺陷检测试验

试验中，将通过具体的检测试验来验证该文给出的去噪方法和分割方法对药品包装图像缺陷检测的实用效果。检测试验进行的流程如下。

第一个环节，从没有缺陷的药品包装图像中提取包装单元部分，作为后续检测和比对的模板图像。

第二个环节，对要进行检测的药品包装图像进行去噪处理，即按照前述的方法分别采用均值滤波去除包装图像上的随机噪声，采用中值滤波去除包装图像上的椒盐噪声，采用高斯滤波去除包装图像上的高斯噪声。

第三个环节，根据药品包装图像的内容信息按照大律法自动设定阈值，并根据这个阈值完成区域分割，从图像中分离出一个个药品包装单元区域。

第四个环节，将每个分离出的药品包装单元区域和第一个环节备用的模板图像进行比对，形成对该单元是否为缺陷包装的判别结果。

检测试验分别针对两种形式的药品包装进行，其中，第一种是胶囊类的药品包装，其无缺陷的胶囊包装单元图像作为模板图像，如图3 所示。

图3 无缺陷的胶囊包装单元图像

对整个胶囊药品包装图像分别执行去噪处理、区域分割，并根据模板图像进行比对检测后，形成的缺陷检测结果如图4 所示。

图4 全部胶囊药品包装单元的缺陷检测结果

从图4 中的结果可以看出，经过去噪处理后，胶囊药品包装图像上的噪声被有效去除，包装区域和背景区域之间对比度更清晰。进而通过大律法完成区域分割，每个药品包装单元都被黄色边界圈定，形成一个个独立区域，可以和模板图像进行比较。模板匹配之后，有缺陷的包装单元被准确检出。

第二种是片状类的药品包装，其无缺陷的片状包装单元图像作为模板图像，如图5 所示。

图5 无缺陷的片状包装单元图像

对整个片状药品包装图像分别执行去噪处理、区域分割，并根据模板图像进行比对检测后，形成的缺陷检测结果如图6 所示。

从图6 中的结果可以看出，经过去噪处理片状药品包装图像上的噪声被有效去除，包装区域和背景区域之间对比度更清晰，进而通过大律法完成区域分割，每个药品包装单元都被黄色边界圈定，形成一个个独立区域，可以和模板图像进行比较。模板匹配之后，有缺陷的包装单元被准确检出。

图6 全部片状药品包装单元的缺陷检测结果

4 结论

针对药品包装图像的缺陷检测问题，该文采取一种基于机器视觉的检测方法，完成包装缺陷的自动检测。首先，对药品包装图像进行去噪处理，分别采用均值滤波去除包装图像上的随机噪声，采用中值滤波去除包装图像上的椒盐噪声，采用高斯滤波去除包装图像上的高斯噪声。其次，采用大律法自动设定阈值并完成包装单元和背景之间的区域分割。最后，通过模板匹配技术判断每个包装单元是否存在缺陷。分别针对胶囊包装和片状包装进行缺陷检测试验，试验结果充分证实了该文方法的有效性。