在胶囊自动化生产线上,由于胶囊体积小、数量大、外壳软,常发生壳体表面凹陷、裂纹、壳体破片等生产缺陷,其中壳体表面凹陷最为常见,对胶囊生产环节进行缺陷检测尤为重要。如今,仅人为的进行随机抽取进行胶囊缺陷检测已不能满足市场生产需求。对胶囊进行外观缺陷检测,是把控胶囊生产质量的重要环节,提高企业竞争力的有效方法之一。本文针对胶囊在线生产时位置复杂、背景多样等特点,以复杂背景下的药用空心胶囊表面缺陷为具体的研究对象开展研究工作,主要研究工作如下:(1)针对胶囊外观凹陷缺陷,搭建基于视觉检测试验平台。采集制作胶囊缺陷数据集,包含缺陷胶囊、正常胶囊和同一相机视野中缺陷胶囊和正常胶囊同时存在的胶囊图集。采用有监督的方式对胶囊数据集进行处理。(2)针对胶囊生产线上粉尘、光照不均等原因产生的复杂背景问题,提出一种基于图像滤波的复杂背景弱化方法。通过对胶囊原始图像进行均值滤波后,再进行一次高斯滤波的双重滤波方式,保留胶囊主体特征的同时,对胶囊图像的背景进行弱化,保证后续胶囊缺陷定位的准确性。(3)在背景弱化的基础上,应用图像梯度算子、阈值分割等方法,对胶囊主体进行轮廓特征分析,提出了一种自适应阈值分割方式。因为胶囊主体通常保持在图像视野中心部分,在图像四角背景处分别采集特定大小的模板图像后,计算模板图像的平均灰度值,将其作为当前图像的阈值,提高阈值分割的稳定性。(4)将图像处理和YOLOv3算法相结合,对YOLOv3算法模型进行优化,提出了一种准确率更高的YOLO-OL算法。首先通过K-means聚类方法,对胶囊缺陷数据集进行聚类计算,得到针对胶囊缺陷大小的9个Anchor,提高了模型的IOU(Intersection Over Union)值,稳定模型训练时损失函数的下降趋势。接着通过图像处理技术,将胶囊图像的复杂背景弱化,提取胶囊轮廓后,将特征图进行标注后输入YOLO-OL中进行缺陷定位和分类,提高模型的缺陷识别准确率。(5)基于Python-Tkinter库开发胶囊表面缺陷检测系统,实现了胶囊表面缺陷在线检测和定位。系统满足单张图像检测、连续检测、视频检测、日志保存、可扩展更新等功能,为算法结合与改进提供基础。