药品包装分为内包装与外包装,内包装的作用是保障药品药效,主要包装方式为铝塑泡罩;外包装上的信息用于药品追溯与安全用药,主要方式为药盒。为保障内外包装的完整性以及准确性,目前生产中常采用机器视觉对铝塑板缺粒与药盒三期（生产日期、保质期、批号）进行检测。然而在实际生产中,由于白色药片的颜色特性,机器视觉检测工位只能放在铝塑热封合之前,导致经过检测后的铝塑板仍有缺粒的风险;此外,药盒三期使用压印方式时,通常只能人工抽检,导致三期漏印的情况不能及时发现。本文采用机器视觉对目前存在的问题进行研究,主要工作如下:首先,针对白色药片在二值图中难以与背景区分的问题,提出一种基于显著性的分块阈值分割算法,通过对区域内像素的灰度值进行显著性计算来增大药片区域与背景之间的灰度值差值,实现对药片区域的分割以及是否缺粒的检测;针对分割算法鲁棒性不强、处理速度无法满足产线的要求的问题,将基于深度学习的目标检测算法YOLOv5s与Center Net用于铝塑板缺粒检测。在自制的铝塑板数据集上对上述三种方法进行验证,实验结果表明,YOLOv5s对药片检测的准确率最高,达到99.8%,速度也最快,达到16.7fps。其次,针对压印字符区域由于成像原理与背景区域的像素值相差无几,导致分割出的字符不完整、无法识别的问题,将基于深度学习的文本检测模型DBNet与文本识别模型CNN+RNN+CTC用于药盒三期识别。针对DBNet骨干网络参数较多、不易部署的问题,构建了基于注意力机制的轻量化模型DBNet-MC。首先,将骨干网络替换为轻量化模型Mobile Netv3,减少模型参数、加快推理速度;然后,引入卷积注意力机制模块CBAM,提高模型的特征表达能力;最后,在自制的压印字符数据集上进行验证,实验结果表明,改进后的文本检测模型准确率并未下降,达到98.5%,但推理速度提升26.7%,达到19fps。然后,因产线速度匹配需求,铝塑板缺粒检测速度需大于药盒三期识别速度,同时为了便于模型部署,使用通道剪枝方法对YOLOv5s进行压缩。实验结果表明,压缩后的模型在保持准确率不变的前提下,推理速度提升了33%,达到22fps。最后,根据需求搭建实验平台;基于上述优化的网络模型,使用Py Qt5开发了药品包装质量检测软件,集成铝塑板缺粒检测与药盒三期识别功能。在检测过程中将结果可视化,便于质检人员抽检。同时将结果保存在本地,便于日后追溯。该论文共有图78幅,表12个,参考文献69篇。