产品质量关乎企业的生存与发展,而药品质量的好坏在很大程度上影响着人们的健康,甚至社会的稳定。药品生产过程中,西林瓶瓶盖经常会存在质量缺陷,而瓶中药品也会出现分层情况,从而影响药品的质量。为了解决这一问题,本文详细分析了西林瓶及药品质量检测的相关技术,研发了基于视觉的西林瓶及瓶中药品质量检测的相关算法,该算法不仅可以实现西林瓶及药品质量的实时检测,而且可以提高企业的生产速度,从而增加药品生产企业的收益。本论文的工作主要为:第一提出了阈值分割与图像分块相结合的算法,以快速准确地获取图像的感兴趣区域;第二对样本特征进行建模分析,生成了样本的词袋模型(BOF),充分利用了样本特征点类内分散度小、类间分散度大的特点,获得低维有效的样本的特征词典,即样本的特征向量;第三针对西林瓶盖缺陷和药品分层缺陷建立了少量样本情况下的支持向量机(SVM)二分类模型,在该模型下对未知类别的样本进行缺陷检测,极大地提高了西林瓶及药品的识别精度和检测速度。文章重点讨论了以下内容:1.提出了阈值分割与图像分块相结合的方法以快速准确地获取图像的感兴趣区域(ROI)。如果将整个样本作为缺陷检测的研究对象,光照、瓶体等无关因素会影响系统的检测效率。由于西林瓶盖和瓶体其他部分对光的反射程度不同,采用Otsu阈值分割算法定位瓶盖的缺陷区域,然后把图像分成16?16的小块,将含有缺陷的小块提取出来即得到图像的ROI区域。算法的优点是提高了整个系统的运行效率,消除了光照和瓶体其他部分对整体检测效率和检测精度的影响,提高了系统整体算法的鲁棒性。2.对样本特征进行建模分析,生成了样本的BOF模型。在BOF模型中,提出了用尺度不变特征变换(SIFT)、局部二值模式(LBP)、梯度直方图特征(HOG)、加速鲁棒特征(SURF)等特征提取算法对每个样本的ROI进行特征提取,然后结合k-means算法找到所有图像特征点的聚类中心即视觉词汇,进而生成样本的视觉词典,即样本最终的特征向量。该模型充分利用了样本特征点类内分散度小、类间分散度大的特点,获得低维有效的样本的特征词典。通过实验分析验证了该算法不但能够在具有大批量样本的情况下快速获得样本的特征信息,而且可以保持很好的稳健性。3.采用机器学习算法,针对西林瓶盖缺陷和药品分层缺陷建立了少量样本情况下的支持向量机(SVM)二分类模型。将该模型用于对未知类别的样本进行缺陷检测,由实验结果可知模型对样本的识别精度最高达到95%,且具有较快的检测速度,极大地提高了企业的生产效率。支持向量机具有较广阔的适用性,较好的可移植性,突破了样本少和样本采集困难等方面的局限性。