摘  要： 针对目前空心胶囊端面缺陷图像采集困难等问题，提出了一种特殊照明的方式对胶囊端部进行成像。将图像锐化、改进后的局部自适应阈值、轮廓提取用于胶囊端面图像的预处理，并针对胶囊端面缺陷漏检率高、检测效果差等问题，提出了一种基于K邻域链码的拐点检测算法，统计出胶囊端面缺陷图像中的拐点个数并做出缺陷判别。实验结果证明，该检测算法实时性好，对常见的5种颜色的胶囊漏检率和误检率均控制在2%~9%。

　　关键词： K邻域链码；空心胶囊；端面缺陷检测

0 引言

　　空心胶囊的缺陷检测是药品质量监管中不可或缺的一道工序。空心胶囊轻微的表面缺陷会影响其外观，严重的表面缺陷可能造成充填机停机或使胶囊失去容器特性，因此需要对胶囊表面缺陷进行检测。端面缺陷是常见的一种空心胶囊缺陷，ISLAM M J等人经过Otsu算子分割、轮廓跟踪算法拟合端部的轮廓，得到两个圆的半径，判断半径是否在设定范围之内来判断胶囊端部是否存在缺陷[1]。KARLOFF A C等人利用了3个相机进行拍摄，实现360°的胶囊柱面图像采集[2]。本文提出了一种较特殊的端部缺陷检测方案，利用特定光源照射下胶囊端部反射的“月牙”图形进行后续的处理和判别。通过图像增强使“月牙”图像的边缘轮廓更为清晰，再采用图像分割使端部的“月牙”图形从背景中分离出来，对“月牙”的轮廓进行提取与筛选，并提出了一种基于K邻域链码的拐点检测算法统计轮廓拐点数量，从而判别端部是否存在缺陷。

1 端部缺陷检测方案

　　1.1 端部缺陷类别

　　常见的胶囊端部缺陷主要分为梅花头和顶凹这两种缺陷，如图1所示。

　　1.2 照明结构设计

　　在检测胶囊端部缺陷时，考虑到胶囊两头为半球面，相机垂直拍摄，仅仅依靠背光时端部存在盲区，无法看清端部的情况。实践发现，两端各设置一个平行光源进行正面照明，会有一部分反光进入上方的相机，观察反射光是否异常就可以知道端部是否存在缺陷。具体的光源结构设计及采集的图像分别如图2、图3所示。

　　1.3 端部缺陷检测算法设计

　　胶囊两端各有一平行光源，光线照射到胶囊端部并反射进相机中，由于胶囊表面较为光滑且两端为半球形，因此反射光在相机采集到的图像中呈现“月牙”的形状。当胶囊的端部正常时，图像中的“月牙”形状完整，亮度均匀，且“月牙”的轮廓相对平滑；当胶囊的端部存在缺陷时，“月牙”的形状将会发生改变，由于不再光滑的半球面使“月牙”的亮度变得不均匀，导致其轮廓的平滑度降低，产生许多不规则凹凸，甚至出现断裂的情况，如图4所示。

　　利用端部正常时的“月牙”与端部存在缺陷时的“月牙”之间的各种差异，通过检测“月牙”的形状就可以判断胶囊端部是否异常。

2 预处理

　　2.1 图像增强

　　“月牙”图像的检测主要依赖于其边缘平滑度的分析，当端部存在缺陷时，“月牙”图像可能发生虚化，图像增强算法增强“月牙”边缘的对比度，使边缘更加清晰。图像锐化即边缘增强处理，可以使图像的边缘更为清晰，分为频域高通滤波法和空间域微分法[3-4]。空间域微分法直接对图像像素进行操作，免去了频域与空间域之间的转换，本文采用改良后的Laplacian变形算子[5]，获得更佳的锐化效果。典型的算子模板如式（1）所示，考虑了在图像45°和135°上的效果。

　　由于Laplacian算子对噪点敏感，在锐化之前首先利用高斯平滑对图像进行降噪处理，然后用式（1）模板进行二阶微分运算，将得到的拉普拉斯图像与原图像根据式（2）叠加，获取锐化后的图像如图5所示。

　　2.2 阈值分割与孤立点消除

　　为了提高算法效率，减少不必要的数据运算，首先需要设定每个“月牙”所在区域的ROI，如图6所示，4个白色矩形框为设定的ROI。由于相机触发采集的图像中胶囊的位置固定，可保证“月牙”包含于ROI中，复制ROI图像后，算法只需针对“月牙”所处的区域进行处理。

　　少量的反光让背景图像对“月牙”后续的分析造成影响，需单独提取出“月牙”。为了使“月牙”与背景分离，需采用阈值分割进行处理，但胶囊端部出现缺陷时，可能出现“月牙”亮度不均匀的情况，并且胶囊槽上下各有小部分冗余的空间，使胶囊在槽中的位置有所变化。本文对最有代表性的局部自适应阈值法Bernsen算法[6]进行修改，使之可以用于从较暗的背景中分割出亮的前景，修改前后的公式分别如式（3）、式（4）所示：

　　根据式（4）对锐化后的图像局部自适应阈值进行分割得到图7，其中窗口大小为25×25，参数C=22。

　　从图7可以看出，由于底板、胶囊槽边框及胶囊本身有轻微的反光，在“月牙”周围仍然存在一些干扰。若采用形态学运算腐蚀或开运算进行处理，虽能去除周围的小区域，但因为“月牙”自身区域面积较小，其形状将被严重破坏，如图8所示。

　　因此本文采用轮廓提取算法获取图像中所有连通域的轮廓，并计算每个轮廓包围的面积。考虑到缺陷的“月牙”自身因为断裂的出现而分为几个部分，所以通过设定一个小数值的阈值，将面积小于该阈值的区域去除，保留大于阈值的区域，即“月牙”本身，得到图9。

3 基于K邻域链码的拐点检测

　　拐点定义为改变曲线上、下走势的点。拐点检测算法可分两类，一类是利用模板处理图像中所有像素，依据结果确定拐点[7]；另一类通过搜索区域边缘曲率最大值来寻找拐点[8]。后一种方法实现较为简单，准确度较高。正常的“月牙”具有两个拐点，而缺陷的“月牙”由于边缘的形变较多，拐点数将超过两个，通过拐点检测算法检测“月牙”边缘拐点，统计其数量即可判断是否存在缺陷。

　　本文将K邻域链码用于拐点检测，相比于8邻域链码，其方向量化精度有所提高，并且具有平滑作用，避免边界噪声的干扰，可准确计算边缘曲率。

　　设“月牙”边缘由n个像素pi（i=1，2，…，n）组成，  c（k，i）和ei为第i个边缘像素的链码和曲率，在某一邻域内，像素p（i+k/8）相对于pi的方向可表示为c（k，i+k/8）。像素pi的K邻域如图10所示，中心像素的外围第1、2、3圈分别为8邻域、16邻域、和24邻域，用数字0，1，2，…，k-1表示邻域方向。实际中存在两种特殊的情况：

　　（1）像素p（i+k/8）不在的K邻域内，但在pi的k-8m内，其中m=1，2，…，且k-8m≥8，则用式（5）来代替；

　　c（k，i+k/8）≈c（k-8m，i+k/8）×k/（k-8m）（5）

　　（2）若像素p（i+k/8）不在pi的任何一个邻域内，表明 p（i+k/8）和pi为同一个像素，且意味着像素p（i+k/16）为拐点，标记p（i+k/8）和pi，在后续处理中此标记可表明在点p（i+k/16）位置上有曲率突变。此时，c（k，i+k/8）不参与曲率的计算，可以令c（k，i+k/8）=c（k，i+k/8-1）。

　　根据K邻域链码描述可得边缘像素pi处的切线角度的改变量i为：

　　为了扩大边缘上各点的曲率之差，使之易于比较，采用式（8）进行计算。

　　对二值图像中的“月牙”进行拐点检测，统计边缘曲线上的轮廓数量，即可实现缺陷判断。

4 实验结果

　　从生产线上选用不同颜色的胶囊作为测试样本，主要检测顶凹和梅花头两种缺陷，端部正常时与端部缺陷时的检测结果如图11所示，图形“×”表示所找到的拐点所在位置，可以看出图11（a）中正常的空心胶囊端部观点数目为2个，11（b）端部缺陷的空心胶囊拐点数目远大于2个。可见该端部缺陷检测算法具有良好的效果。在实际测试中，本算法在Intel Core i7 4770k的处理平台下耗费的总时间平均为5.4 ms，实时性较好。

　　选用5种不同颜色的胶囊进行端部缺陷检测实验，检测完成后分别从成品和次品中抽样检测，统计每种颜色胶囊的漏检率和误检率，部分抽样结果如表1所示。本算法漏检率和误检率均在2%~9%之间。

5 结论

　　本文提出了一种较为特殊的端部缺陷检测方案，利用特定光源照射下胶囊端部反射的“月牙”图形进行后续的处理和判别。实验结果证明，本文提出的缺陷检测算法实时性好，漏检率、误检率较低，算法健壮性较强且效率较高，有一定的应用价值。

　　参考文献

　　[1] ISLAM M J， AHMADI M， SID-AHMED M A. Image processing techniques for quality inspection of gelatin capsules in pharmaceutical applications[C]. 10th International Conference on Control， Automation， Robotics and Vision， ICARCV 2008， IEEE， 2008：862-867.

　　[2] KARLOFF A C， SCOTT N E， MUSCEDERE R. A flexible design for a cost effective， high throughput inspection system for pharmaceutical capsules[C]. IEEE International Conference on Industrial Technology， ICIT 2008， IEEE， 2008：1-4.

　　[3] MURAI T， MORIMOTO M， FUJII K. A visual inspection system for medical capsules[C]. Systems， Man， and Cybernetics （SMC）， IEEE， 2012：1433-1437.

　　[4] 万水龙，刘进，余彪，等.基于阈值函数和TV模型的印章图像去噪[J].微型机与应用，2014，33（2），46-49.

　　[5] 张聪，桂志国.噪声控制的图像非线性锐化方法[J].计算机工程与应用，2011，47（4）：154-156.

　　[6] BERNSEN J. Dynamic thresholding of grey-level images[C].International Conference on Pattern Recognition， 1986： 1251-1255.

　　[7] 尚振宏，刘明业.二值图像中拐点的实时检测算法[J].中国图象图形学报，2005，10（3）：295-300.

　　[8] SARFRAZ M， MASOOD A， ASIM M R. A new approach to corner detection[M]. Springer Netherlands： Computer Vision and Graphics， 2006.