近年来,基于机器视觉的胶囊缺陷检测与识别技术日渐成熟。国内外也陆续出现了相应的产品,逐步实现了机器检测替代人工检测,提高了生产效率。虽然国外的胶囊检测识别设备具有较好的检测效果和识别率,但价格较高。因此,研究和设计具有更高性价比的胶囊缺陷检测与识别系统具有现实意义,高性能的胶囊缺陷检测和识别系统的研究也成为目前智能制造的一个重点内容。本文研究设计了一套高性能的基于机器视觉的胶囊缺陷检测与识别系统,采用图像处理技术和模式识别技术实现胶囊的缺陷识别与分类。首先,介绍基于机器视觉的胶囊缺陷检测平台的总体结构,包括硬件系统设计和软件系统设计两部分。硬件平台的搭建包括工业相机、LED光源、工控机、微控制器等装置,并对采用的各种装置进行了说明。软件平台方面基于OpenCV开源图像视觉库,对图像处理算法进行设计并改进,形成包含图像处理与机器学习在内的胶囊缺陷检测与识别系统。其次,研究胶囊本体图像的区域分割与缺陷区域的边缘检测算法。对于胶囊本体图像的区域分割,先利用最小外接矩形方法求出胶囊的倾斜角度进而计算出旋转角度,再通过仿射变换实现对胶囊的倾斜校正,然后采用Scharr算子将胶囊分割为胶囊帽、胶囊体及中间结合部分。对于缺陷区域的边缘检测,首次将改进的Canny边缘检测算法应用于胶囊缺陷检测与识别系统,与传统Canny边缘检测算法相比,该算法检测的边缘信息更加清晰、更加完整,为胶囊缺陷区域边缘的准确提取提供了保证。最后,针对胶囊缺陷的常见特征类型和提取方法,提出一组带有典型特征值的向量作为缺陷识别分类器的输入量。在标准BP算法的基础上进行改进,对引入动量因子的改进算法和基于Levenberg-Marquardt的改进算法进行分析与比较,最终采用一种基于Levenberg-Marquardt改进的BP神经网络算法。使用改进的算法设计了分类器,采用胶囊缺陷样本集对设计好的分类器进行训练与测试。实验结果表明,该方法合理可行,且收敛速度快、预测精度高,同时测试准确度也较高。因此,本文研究的基于胶囊缺陷检测与识别技术具有可行性、有效性及较高的实用性。