胶囊是医药行业不可或缺的重要产品,其质量直接关系到人们的生命安全。近年来,随着大数据、人工智能的快速发展,国内外对机器视觉的研究日渐成熟,一些基于机器视觉的胶囊缺陷检测设备相继出现。实现机器智能检测可以大大提高工业生产效率,节约人工成本。在机器视觉检测领域研究上,国内目前的检测技术水平明显略低于国外,但由于国外的检测设备售价昂贵,让国内很多中小型制药厂望而却步,这就给我国很多制药厂想实现传统到人工智能检测的转变带来了阻碍,因此,对胶囊缺陷的在线检测研究是非常具有实际性意义的课题。本文以基于机器视觉技术对胶囊表面缺陷在线检测研究为目的,制定了一套可行性的质量检测方案,主要的研究内容如下:针对医药行业中胶囊生产经常出现的缺陷问题和国家药监总局发布的制药标准,对胶囊表面缺陷识别算法进行研究。首先,设计并搭建了胶囊图像采集系统,完成了对胶囊图像数据集的采集。同时针对图像预处理部分,采用U2-net神经网络算法实现了对胶囊图像的前景分割,保持前景的清晰,减少了背景的干扰。在数据增强方面,运用了Opencv离线增强和Mosaic在线增强两种数据增强的方式对图像数据进行扩增,并完成胶囊数据集的制作。其次,基于YOLOv5网络模型对胶囊表面缺陷检测算法进行研究。本文首先对YOLOv5的三个网络模型进行训练,发现YOLOv5网络对本次研究的胶囊表面缺陷检测存在小目标检测不敏感且损失函数收敛性差。针对以上问题,基于YOLOv5s模型从特征提取和边界框回归计算两方面对网络模型进行改进,实验结果表明该模型检测的平均精度均值（m AP）达到98%,速度达到每秒86.076帧的检测速度,并与其他改进算法进行对比,数据表明该模型较对比模型在检测精度、速度、损失函数上都具有明显优势。最后,设计了一套胶囊表面缺陷在线检测系统,详细介绍了胶囊检测系统的工作流程、软件的设计以及可视化界面的功能,并对软件功能检测进行测试验证。