安瓿瓶是一种保存药液的密封容器,广泛应用于医药行业,每年的产量超过65亿支,但其在生产过程中头部可能会产生外观缺陷。目前,药品生产企业大多采用人工灯检的方式对安瓿瓶头部外观缺陷进行检测,但该方式不仅效率低和成本高,而且检测质量不能保证。为了提高安瓿瓶头部外观缺陷自动检测的速度、精度和鲁棒性,本文对安瓿瓶头部外观的缺陷检测算法进行了研究,提出了基于特征提取和深度学习两种算法,主要研究工作如下:1.通过测试对比分析,确定安瓿瓶头部图像较优的去噪、分割及轮廓提取算法。首先使用峰值信噪比测试评估多种去噪算法对原始图像的去噪效果,选择中值滤波对图像进行去噪;测试对比分析多种图像分割算法,确定基于标记点的分水岭算法分割图像;最终使用轮廓跟踪算法对分割出的边界图像实现轮廓提取。2.提出安瓿瓶头部外观轮廓的特征描述。通过对合格安瓿瓶头部外轮廓形状进行分析,得到合格头顶部外轮廓形状为圆弧和圆弧与侧轮廓直线光滑相交且无内凹的结论,由此定义两个特征:瓶头顶部圆弧特征和圆弧与侧轮廓直线过渡特征,给出其明确的数学描述模型,并结合轮廓曲线拟合数据提取定义的特征。3.提出基于特征提取的安瓿瓶头部外观缺陷检测算法。使用特征阈值确定算法,找到最佳特征阈值。根据提取到的安瓿瓶头部轮廓特征结合最佳特征阈值,实现安瓿瓶头部外观的缺陷检测。4.提出基于深度学习的安瓿瓶头部外观缺陷检测算法。建立包含合格瓶头和缺陷瓶头的图像数据集,将其划分为训练集、验证集和测试集;构建残差网络并使用迁移学习初始化网络参数;通过在训练集中进行网络学习,在验证集中确定最佳网络模型,并通过测试集验证网络模型的泛化性能,实现安瓿瓶头部外观的缺陷检测。根据实验,基于特征提取的安瓿瓶头部外观缺陷检测算法的准确率达到98.3%,检测平均速度为每张103.9ms,基于深度学习的安瓿瓶头部外观缺陷检测算法的准确率达到99.5%,检测平均速度为每张27.5ms,两种检测算法均能满足药企对安瓿瓶头部外观缺陷检测的需求。其中基于深度学习的检测算法的性能更好,验证了深度学习算法比传统的特征提取算法在缺陷检测方面更具优势。图55幅,表6个,参考文献86篇。