摘" 要：藥品缺陷檢測是藥品生產(chǎn)加工過程中的重要環(huán)節(jié)，研究藥品缺陷檢測技術(shù)能夠有效減少藥企生產(chǎn)的壓力，促進(jìn)醫(yī)藥行業(yè)的發(fā)展。針對目前藥品缺陷檢測分類技術(shù)的研究現(xiàn)狀，對國內(nèi)外已經(jīng)研究出的藥品缺陷檢測技術(shù)進(jìn)行分析，發(fā)現(xiàn)目前能夠應(yīng)用到實(shí)際生產(chǎn)中的技術(shù)還不夠成熟。提出一種基于機(jī)器視覺的藥品缺陷檢測工站，能夠?qū)崟r(shí)完成藥品夾層、劃痕、斑點(diǎn)和缺損4類缺陷的檢測，檢測精度最高可達(dá)到98.7%，100粒藥品的平均檢測時(shí)間只有15.5 ms，能滿足藥企的實(shí)時(shí)生產(chǎn)需求。

關(guān)鍵詞：藥品缺陷；機(jī)器視覺；檢測技術(shù)；檢測精度；設(shè)計(jì)與優(yōu)化

中圖分類號：TP311.1" " " 文獻(xiàn)標(biāo)志碼：A" " " " " 文章編號：2095-2945（2024）32-0131-04

Abstract： Drug defect detection is an important link in the process of drug production and processing. Research on drug defect detection technology can effectively reduce the production pressure of pharmaceutical companies and promote the development of the pharmaceutical industry. In view of the current research status of drug defect detection classification technology， this paper analyzes the drug defect detection technology that has been developed at home and abroad， and finds that the technology that can be applied to actual production is not mature enough. A drug defect detection station based on machine vision is proposed， which can complete the detection of four kinds of defects， namely， drug layers， scratches， spots and defects in real time， with the detection accuracy up to 98.7%， and the average detection time of 100 drugs is only 15.5 ms， which can meet the real-time production needs of pharmaceutical companies.

Keywords： drug defects; machine vision; testing technology; detection accuracy; design and optimization

隨著我國人民生活水平質(zhì)量大幅度提升，人們對自身的健康情況越來越關(guān)注，使得各類藥物的需求大幅度增加。目前，我國醫(yī)藥行業(yè)支出逐年增長，醫(yī)藥市場規(guī)模龐大。在此背景下，藥品質(zhì)量作為決定性問題之一受到重點(diǎn)關(guān)注。在生產(chǎn)過程中，由于受到各種環(huán)境的影響，例如硬件條件（設(shè)備老化、設(shè)備故障）、廠房環(huán)境等，難免會出現(xiàn)各類缺陷藥片，這些藥片一旦流入市場，極可能危害使用者的生命健康。因此，藥品缺陷檢測是制藥廠商生產(chǎn)流水線上的一個(gè)必備流程。

近些年，國內(nèi)外學(xué)者對藥品缺陷檢測技術(shù)進(jìn)行了深入的研究與探索。朱銘煜等[1]使用了一種基于圖像坐標(biāo)的動態(tài)閡值分割算法，減小了光照不勻和灰度不均造成的影響，達(dá)到了較好的分割效果。于惠鈞等[2]主要對二維Otsu算法進(jìn)行了改進(jìn)，通過構(gòu)建新的閩值分割函數(shù)，很大程度上降低了運(yùn)算量，從而減小了藥品缺陷檢測算法時(shí)間復(fù)雜度，使其有更好的實(shí)時(shí)性與實(shí)用性。饒夢等[3]在K均值的基礎(chǔ)上，使用鄰域模型，提出了一種粗糙不確定的圖像分割方法，實(shí)現(xiàn)了很好的分割效果。Moghadas等[4]通過使用多層神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)進(jìn)行了特征的提取，實(shí)現(xiàn)了藥物瓶中異物的檢測和分類。劉玉環(huán)等[5]提出特征提取與機(jī)器學(xué)習(xí)相結(jié)合的方法，介紹用于目標(biāo)區(qū)域特征提取的詞袋特征（BOF）算法，分析BOF算法的最佳參數(shù)取值，并采用支持向量機(jī)對藥品分層缺陷進(jìn)行分類檢測。楊豐桓[6]通過提取藥板的BLOB特征實(shí)現(xiàn)了泡罩藥品上藥粒殘缺和破損缺陷的檢測。趙乾等[7]設(shè)計(jì)了一款基于計(jì)算機(jī)視覺的藥片實(shí)時(shí)檢測系統(tǒng)。方文星等[8]采用快速魯棒特征SURF提取算法、BOW算法和單分類支持向量機(jī)組成的缺陷檢測算法框架，并完成鋁塑泡罩藥品包裝缺陷檢測系統(tǒng)的開發(fā)。從上述文獻(xiàn)中可以看出，關(guān)于藥品缺陷檢測多停留在理論研究方面，實(shí)際應(yīng)用較少，無法給企業(yè)帶來實(shí)質(zhì)性作用。針對此問題，本文設(shè)計(jì)了一種基于機(jī)器視覺的藥品缺陷檢測工站，并對相關(guān)檢測算法進(jìn)行優(yōu)化，提高檢測效率和精度。

1" 總體設(shè)計(jì)方案

1.1" 工作站布局

本文設(shè)計(jì)的藥品缺陷檢測工站主體部分為鋁型材機(jī)架，起支撐和保護(hù)作用。共有8個(gè)主要組成部分，分別為機(jī)器視覺模塊，主要用于獲取藥品圖像及處理圖像，輸出檢測結(jié)果；工業(yè)機(jī)器人（機(jī)械臂），用于分揀有缺陷的藥品；2個(gè)擋停開關(guān)，方便視覺模塊和工業(yè)機(jī)器人工作；2個(gè)RFID模塊，主要為了方便企業(yè)對缺陷藥品溯源追蹤；2個(gè)傳送帶，起傳送藥品載具作用。具體結(jié)構(gòu)示意圖如圖1所示。

1.2" 工作站工作流程

藥品缺陷檢測工站的工作流程圖如圖2所示。

具體流程如下。

1）將待檢測的藥品放在藥品載具上，載具內(nèi)包含一塊可供RFID模塊讀取的芯片，芯片內(nèi)提前寫入藥品的相關(guān)信息，方便追溯。然后，將載具放在工站傳輸帶一上，準(zhǔn)備進(jìn)站檢測。

2）載具進(jìn)站后，RFID模塊一讀取到芯片信息時(shí)，擋停開關(guān)一將載具擋停，機(jī)器視覺模塊開始采集載具上藥品圖像。

3）將采集好的藥品圖像傳輸至上位機(jī)，上位機(jī)利用相關(guān)圖像處理算法處理藥品圖像，并與驗(yàn)證集比較，判斷藥品是否有缺陷。

4）若藥品無缺陷，擋停開關(guān)一放行，無缺陷藥品進(jìn)入后續(xù)環(huán)節(jié)；若藥品有缺陷，上位機(jī)在有缺陷藥品的載具芯片中寫入相關(guān)信息后，擋停開關(guān)一放行。

5）RFID模塊二讀取到缺陷藥品信息后，擋停開關(guān)二擋停有缺陷藥品載具，工業(yè)機(jī)器人開始工作，將有缺陷藥品載具抓取到傳輸帶二上，對有缺陷藥品進(jìn)行回收處理。

2" 工作站檢測算法優(yōu)化

在藥品生產(chǎn)過程中，藥品缺陷的檢測精度與速度至關(guān)重要，決定了企業(yè)的生產(chǎn)效率，傳統(tǒng)的缺陷檢測算法雖能保證精度，但在檢測效率上無法滿足企業(yè)的要求。為實(shí)現(xiàn)藥品的高效準(zhǔn)確檢測，本文設(shè)計(jì)了一款改進(jìn)的YOLO V7藥品缺陷檢測算法模型，如圖3所示。

模型采用YOLO V7作為基礎(chǔ)網(wǎng)絡(luò)對藥品表面進(jìn)行檢測，首先，在原本網(wǎng)絡(luò)模型的基礎(chǔ)上首先對網(wǎng)絡(luò)進(jìn)行輕量化升級，將模型中主干網(wǎng)絡(luò)部分的CBS模塊替換為GhostNet網(wǎng)絡(luò)，利用該卷積網(wǎng)絡(luò)進(jìn)行特征提取，實(shí)現(xiàn)了模型的輕量化升級。其次，在原有YOLO V7網(wǎng)絡(luò)的基礎(chǔ)上引入了CBAM注意力機(jī)制，實(shí)現(xiàn)了通道和空間維度上的注意力特征融合，使得特征提取網(wǎng)絡(luò)更加關(guān)注待檢測目標(biāo)，提高檢測結(jié)果。

2.1" 輕量化升級

為實(shí)現(xiàn)網(wǎng)絡(luò)模型的輕量化升級，利用GhostNet卷積網(wǎng)絡(luò)替代主干網(wǎng)絡(luò)中的CBS模塊。GhostNet卷積網(wǎng)絡(luò)是一種輕量級的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，有效減少了參數(shù)數(shù)量和計(jì)算量。

GhostNet的網(wǎng)絡(luò)結(jié)構(gòu)主要分為4個(gè)部分：stem、ghost stage、stage2-n和classifier。其中，stem主要用于對輸入的圖像進(jìn)行初步特征提取，ghost stage是GhostNet的核心模塊，由多個(gè)Ghost Bottleneck模塊組成，stage2-n則是由多個(gè)標(biāo)準(zhǔn)的Bottleneck模塊組成的，用于進(jìn)一步提取特征，最后的classifier則是將提取到的特征進(jìn)行分類輸出。

Ghost Bottleneck模塊與ResNet的Bottleneck模塊類似，但是通過只用Ghost Module來替代ResNet中的Conv2d操作，將模型中的參數(shù)量減少了約50%。因此，在保證檢測精確度的同時(shí)，GhostNet卷積網(wǎng)絡(luò)有效地減少了主干網(wǎng)絡(luò)的數(shù)據(jù)計(jì)算量，提升了模型的檢測速度。

2.2" CBAM注意力機(jī)制升級

如圖4所示，CBAM注意力機(jī)制一共包含2個(gè)獨(dú)立的子模塊，通道注意力模塊和空間注意力模塊，分別進(jìn)行通道和空間維度上的注意力特征融合。引入CBAM注意力機(jī)制不僅能夠節(jié)約參數(shù)和計(jì)算力，還保證了其能夠作為即插即用的模塊集成到Y(jié)OLO V7網(wǎng)絡(luò)架構(gòu)中去，有效解決了原始網(wǎng)絡(luò)無注意力偏好的問題。

3" 實(shí)驗(yàn)結(jié)果與分析

3.1" 藥品缺陷類型

多樣化的藥品需求促使制藥行業(yè)采用了多樣化的生產(chǎn)工藝流程，每一種流程均針對特定藥品的特性進(jìn)行定制化設(shè)計(jì)。因此，不同的制作流程不僅反映了藥品間的差異性，也導(dǎo)致了各自可能面臨的缺陷類型不盡相同，體現(xiàn)了制藥工藝的復(fù)雜性與精準(zhǔn)性。本文的研究對象是片狀藥品，主要針對夾層、劃痕、斑點(diǎn)和缺損4類缺陷進(jìn)行檢測研究，4類缺陷主要特征表現(xiàn)：夾層是指藥品夾帶異物，出現(xiàn)夾層；劃痕是藥品本身出現(xiàn)劃痕；斑點(diǎn)是藥品因某些外在原因出現(xiàn)斑點(diǎn)；缺損是藥品出現(xiàn)缺損。

3.2" 數(shù)據(jù)集

如圖5所示，利用公開數(shù)據(jù)集進(jìn)行實(shí)驗(yàn)，數(shù)據(jù)集包含2 759張藥品缺陷圖片及標(biāo)注，YOLO V7算法的圖片輸入格式通常為三通道的RGB圖像，并且輸入圖像的大小會根據(jù)模型配置進(jìn)行調(diào)整。在本文中，輸入圖像調(diào)整為448×448像素。在實(shí)際訓(xùn)練過程中，需要根據(jù)具體的數(shù)據(jù)集和訓(xùn)練目標(biāo)微調(diào)相對應(yīng)的超參數(shù)，以達(dá)到最佳的訓(xùn)練效果。因藥品數(shù)據(jù)集訓(xùn)練資源有限，本文通過batch-size和epochs來平衡訓(xùn)練速度和模型性能，讓檢測效果最優(yōu)化。

3.3" 實(shí)驗(yàn)結(jié)果與分析

為檢驗(yàn)藥品缺陷檢測工作站的實(shí)際檢測效果，對帶有夾層、劃痕、斑點(diǎn)和缺損4種缺陷的藥品進(jìn)行檢測，檢測結(jié)果見表1。

通過表1中的檢測結(jié)果可以看出，4種藥品缺陷的檢測準(zhǔn)確度都達(dá)到了97.6%以上，每100個(gè)藥品缺陷的檢測平均時(shí)間為15.5 ms，在檢測準(zhǔn)確度和檢測速度兩方面都達(dá)到了藥企工業(yè)實(shí)時(shí)生產(chǎn)的要求。

4" 結(jié)論與研究展望

傳統(tǒng)的藥品缺陷檢測方法在實(shí)際生產(chǎn)應(yīng)用過程中受到諸多因素的限制，導(dǎo)致傳統(tǒng)的藥品檢測方法存在著檢測精度低、檢測速度慢、檢測全面性不夠等缺點(diǎn)。本文提出基于機(jī)器視覺的藥品缺陷檢測工作站有效解決了傳統(tǒng)藥品缺陷檢測的不足。硬件結(jié)構(gòu)方面，工作站利用獨(dú)特的檢測結(jié)構(gòu)實(shí)現(xiàn)了藥品的圖片采集和缺陷藥品分揀，全自動化結(jié)構(gòu)有效地減少了人力等資源的浪費(fèi)。軟件機(jī)構(gòu)方面，工作站采用改進(jìn)的YOLO V7算法，首先利用GhostNet卷積網(wǎng)絡(luò)替代主干網(wǎng)絡(luò)中的CBS模塊，減少了算法的參數(shù)量和計(jì)算量；然后利用CBAM注意力機(jī)制，解決了原始網(wǎng)絡(luò)無注意力偏好的問題；這兩方面的算法改進(jìn)既保證了工作站的藥品檢測準(zhǔn)確度，又有效提高了工作站的檢測速度。本文算法的不足是針對藥品缺陷檢測的種類還不夠全面，后續(xù)可進(jìn)一步改進(jìn)檢測算法，提高藥品缺陷檢測工作站檢測的全面性。

參考文獻(xiàn)：

[1] 朱銘煜，周武能.圖像處理在藥片缺陷檢測中的應(yīng)用[J].計(jì)算機(jī)工程與設(shè)計(jì)，2010，31（23）：5151-5154.

[2] 于惠鈞，吳婉，成運(yùn).改進(jìn)Otsu算法在鋁塑泡罩藥品包裝缺陷檢測中的應(yīng)用[J].包裝工程，2014，35（15）：15-18.

[3] 饒夢，苗奪謙，羅晟.一種粗糙不確定的圖像分割方法[J].計(jì)算機(jī)科學(xué)，2020，47（2）：72-75.

[4] MOGHADAS S M， RABBANI N. Detection and classification of foreign substances in medical vials using MLP neural network and SVM[C]// Iranian Conference on Machine Vision amp; Image Processing. IEEE， 2010.

[5] 劉玉環(huán)，唐庭龍，陳勝勇.基于詞袋特征算法的藥品分層缺陷檢測[J].計(jì)算機(jī)工程，2018，44（6）：249-252，258.

[6] 楊豐桓.基于智能相機(jī)的泡罩藥品缺陷在線檢測技術(shù)研究[D].武漢：華中科技大學(xué)，2014.

[7] 趙乾，趙碩偉.基于計(jì)算機(jī)視覺的藥片實(shí)時(shí)檢測系統(tǒng)[J].機(jī)械與電子，2018，36（3）：49-51.

[8] 方文星，王野.一種鋁塑泡罩藥品包裝缺陷檢測方法[J].包裝工程，2019，40（1）：133-139.