董豪，李少波, b, c，杨静, b, c，王军

基于YOLOv4算法的药用空心胶囊表面缺陷检测方法

董豪a，李少波a, b, c，杨静a, b, c，王军a

（贵州大学 a.机械工程学院 b.公共大数据国家重点实验室 c.现代制造技术教育部重点实验室，贵阳 550025）

为提升质检过程中药用空心胶囊的表面缺陷检测精度及其自动化水平。通过设计高质量图像采集方案来避免胶囊表面出现光斑，以此构建药用空心胶囊缺陷数据集。基于YOLOv4算法，建立深度学习检测模型，利用多尺度特征提取以及训练策略，增强对小目标缺陷检测的鲁棒性。采用K-means++聚类算法更新锚框初始值，以提高模型对胶囊表面缺陷的预测性能。实验结果表明，提出的胶囊缺陷检测方法能够准确判别胶囊好坏,并能检测出其表面的凹陷、孔洞、划痕、污点和接口缺损等5类缺陷，其中对于胶囊有无缺陷的平均精确均值达99.05%，各缺陷类型的平均精确率为91.81%，而每秒检测图像可达22张。与其他典型的目标检测方法相比，文中方法在检测速度和精度上都有一定优势。文中所提出的基于YOLOv4的缺陷检测方法实现了对药用空心胶囊多类型缺陷的分类与定位，具有较好的检测效果和稳定性，在满足生产质量管控要求的同时，可大幅降低人工成本。

药用胶囊；缺陷检测；YOLOv4；深度学习；K-means++

对于医药行业，其药品质量的合格与否关乎着对应病症的治疗效果和患者身体的健康状况。近年来，相较于传统的片剂、冲剂等药剂类型，药用胶囊凭借其可掩盖药物异味和易吸收等优点，已在药品领域得到了广泛的应用，其相应的产销量也在不断地扩增。随着众多药企生产规模的扩大，“问题胶囊”也接连不断地出现，使其成为消费者投诉的热点之一。

尽管在药用空心胶囊的生产过程中，具备整套的生产流程及工艺说明，且配有专业的技术人员把关，但是在面对大批量生产时，由于受到现有胶囊生产工艺的限制以及不确定生产因素的影响，仍不可避免地会出现各种类型的胶囊缺陷（如凹陷、孔洞等）[1]。这会直接影响药品制造商在后续灌药工序过程中对剂量的把控，若未及时剔除废品而投入市场，不仅无法保证其实际药效，甚至存在安全隐患，令企业遭受经济损失和负面影响[2]，因此，胶囊表面质量检测是胶囊生产过程中不可或缺的一环。

目前，我国制药企业普遍采用人工目测的方式对药用胶囊进行质量检测，其存在漏检、误检、效率低等弊端[3]。为了在保障医药产品质量的同时降低人工成本，相关企业亟待由人工检测向自动化检测的转型升级[4]。对胶囊表面缺陷自动化检测的早期探索[5-7]，众多研究者采用传统图像处理和机器学习算法来完成对药用胶囊的缺陷检出，作为机器视觉中最为常用的技术手段，这种方法也被广泛用于药品包装的缺陷检测[8-10]。如今，相较于传统人工设计特征与分类器相结合的方法，以卷积神经网络（Convolutional Neural Networks，CNN）为代表的深度学习方法显得更为稳定有效，在工业制造[11-12]、智慧农业[13-14]、医疗图像分析[15-16]等各个领域均有着广阔的发展前景。基于此，Zhou等[17]提出一种基于CNN的胶囊缺陷检测模型，可完成对凹陷、孔洞、污点等多种缺陷胶囊的分类，但仅适用于包含单个胶囊的图像识别，且无法对缺陷的精确定位；而Liu等[18]以目标检测模型R-CNN[19]为基础，提出一种药用胶囊缺陷识别与定位方法，但仅能实现对划痕和污点2类缺陷的检测。

通过对现有方法的调研分析可以发现，目前对胶囊表面缺陷检测的相关研究主要可分为2类：传统图像分割和深度学习方法，前者依靠对图像的处理，其检测效果取决于人工调参，稳定性差，而后者通过大量图像数据的表征学习，可以达到较为理想的检测效果，但现有研究存在无法对胶囊进行缺陷定位或检测类型少等问题。为弥补上述方法的不足，实现对胶囊常见的多类型缺陷检测，文中结合人工智能领域的研究成果，提出基于深度学习的药用空心胶囊表面缺陷检测方法，可完成对其凹陷、孔洞、划痕、污点以及接口缺损等5类缺陷的精确识别与定位。

1 图像采集

以数据学习为支撑的深度学习方法，需要依靠大量原始图像作为输入信息，并借助监督学习的方式完成对先验知识的“吸收”与“总结”，因此，图像采集是表面缺陷检测技术中不可或缺的第1环节，但由于胶囊表面易反光的特性，直接通过光源直射或斜射的方式会导致图像出现局部高光，进而影响模型的特征提取与学习效果，若在图像采集完成后利用一般的图像处理算法进行图像预处理，则相对耗时麻烦且高光去除效果并不一定理想，而通过在图像采集前设计合理的方案对图像质量则显得尤为重要。

根据药用胶囊外表面所带有的反光特性，文中所提出的图像采集方案见图1。采集过程中由侧面LED光源进行照明，为了避免光源直接照射所产生的图像高光，设计并加工出由漫反射板组成的立方体光罩，利用漫反射板将光源进行扩散，从光罩外围以透光的形式为胶囊给光。这种方式可有效防止因强光在胶囊表面反射，使相机所采集到的原始图像上存在光斑的情况，其以均匀散射光源突出被检胶囊中缺陷部分的特征对比度，进而获得高质量的药用胶囊待检图像。

图1 胶囊图像采集方案

2 胶囊表面缺陷检测方法

通过对采集到的原始图像分析可发现，图像中胶囊表面的多数缺陷相对于整个图像所占像素比例较小，因此，文中的胶囊表面缺陷检测问题实际上属于小目标检测范畴。为实现基于深度学习的胶囊细小缺陷分类和定位，文中选择适用于小目标检测的YOLOv4[20]框架来开展药用胶囊表面缺陷检测方法的研究。

2.1 基于YOLOv4的胶囊缺陷检测模型

作为One-stage中广为流行的目标检测算法，YOLO系列已经发展至较为稳定的YOLOv4版本，其主要思想是将输入的待检图像分割为不同尺度大小的网格，各网格负责其所属区域，若检测对象的中心位于某个网格，则由对应网格完成该对象的检测。YOLOv4的网络结构见图2，主要包括主干网络（特征提取）、Neck（多尺度特征融合）以及预测（目标检测及输出）3部分。

相较于YOLOv3[21]，YOLOv4主要包括4个方面的优化：主干网络部分，YOLOv4借鉴了CSPNet的思路，将Darknet53改为CSPDarknet53，并将原有初始卷积层后的Leaky ReLU激活函数替换为Mish；Neck部分，其在主干网络之后增加了一个空间金字塔池化（Spatial Pyramid Pooling, SPP）模块，使用不同尺度的池化层对来自主干网络的末端特征层进行处理，以有效扩增网络的感受野，分离出显著的上下文语义信息；利用PANet中“自下而上”的特征金字塔结构，充分融合先前网络所提取到的多尺度特征图；损失函数部分，为了充分利用锚框宽高以及中心点坐标信息间的关系，YOLOv4采用CIOU代替原有YOLOv3中边框回归所采用的均方误差MSE。

在最后的预测部分，YOLOv4对由PANet中特征金字塔部分处理后的3个特征层进行预测，与YOLOv3相同，其对每个特征层中的先验框进行 判别，即判断是否包含检测目标及其类别，并通 过非极大值抑制和边框位置调整来获取最终的检测结果。

2.2 基于K-means++的anchor定制

针对anchor-based的深度学习目标检测算法，其原有的anchors大多都是由人工进行设计的先验锚框，仅适用于COCO、VOC等开放场景数据集，而文中数据集的检测对象与前者存有较大差异，因此，YOLOv4模型中默认设置并不适合文中的胶囊表面缺陷数据，若以原有anchor设定进行训练，不仅影响模型收敛速度，还会导致最终的检测效果不佳。

图2 YOLOv4网络结构

为获取针对性的初始anchors，文中通过K-means++聚类算法对胶囊表面缺陷数据集中待检测的7种标注框的宽高维度进行聚类，相较于K-means聚类算法[22]，其优化了随机初始点的选取，即先随机选择一个初始聚类中心，然后选择距离该中心最远的点作为下一个簇的初始中心，并以此选出个初始聚类中心，使网络模型更容易学习到准确的缺陷检测anchor，其主要流程见图3。

文中令聚类簇个数=9，聚类得出的结果见图4。根据K-means++聚类出适用于胶囊数据集的9个anchors坐标大小以及宽高比结果，对初始锚框重新定制为(9，9)，(16，15)，(42，41)，(68，169)，(94，164)，(121，149)，(146，125)，(162，97)，(170，69)等9种。对初始的anchor宽高比设置，在原有anchor的宽高比基础上增为{1∶1，1∶2，2∶1，2∶3，2∶5，5∶2}。针对文中的胶囊表面缺陷数据集，由K-means++聚类算法定制出的anchors更加合理，可使检测网络在训练过程中的收敛加快，并获得更好的检测性能。

3 实验与结果分析

3.1 数据增强

由于原始图像采集所获取的缺陷数据为1 270张，对于胶囊表面缺陷检测并不充足，而样本量少则会导致训练过拟合，进而影响模型检测精度以及泛化能力。为此，文中通过旋转、翻转、对比度变化等操作对原始数据进行增强（见图5）。最后，数据扩增为6 790张样本图像，数据量提升至原有的5倍左右，再将现有图片按一定批次输入网络中训练，这种方式不仅可增加训练数据量以避免模型拟合性能不佳，还能在一定程度上增强模型的鲁棒性。

3.2 相关参数设定

文中实验的硬件环境为：Intel Xeon Silver 4210R@2.40 GHz处理器，GeForce RTX 2080Ti的显卡。软件环境为：64位Windows10操作系统，Pytorch深度学习框架，以及包含CUDA10.0、OpenCV2库和PyCharm的集成开发环境。

图3 K-means++聚类流程

对于模型超参数，文中经过多次参数调优，其中优化器为Adam，迭代批次设置为100，前40个迭代批次采用冻结方式加快训练速度，防止训练初期权值被破坏，初始学习率为0.001，批量大小为16，单个批次的迭代数为309；后60个迭代批次采用全网络训练，初始学习率为0.000 1，批量大小为8，单个批次的迭代数为618，整个训练的迭代数为9 888。其中，采用余弦退火衰减来更新学习率，即学习率每迭代1个Epoch进行衰减，衰减权值设为0.000 5，最低衰减至0.000 01。

图4 K-means++聚类结果

图5 数据增强示例

3.3 模型训练

在训练前的数据准备阶段，文中利用标注工具Labelimg对所构建的胶囊检测数据集进行标记，而在训练时按照9∶1的比例，将6 790张胶囊图片划分为包含6 111张图片的训练集和679张图片的测试集。对于文中模型的损失函数，其包括边框回归损失ciou、置信度损失conf以及分类损失cls3个部分，整体损失函数见式（1）。

其中，边框回归损失ciou为：

置信度损失conf为：

分类损失cls为：

在相关参数设定好后，根据损失函数的定义，文中模型训练的损失曲线见图6，可以看出，在训练的100个迭代批次中，随着训练的持续进行，胶囊表面缺陷检测模型总的损失在迭代40次之前持续下降，而在40～60迭代批次下降速度减缓，当迭代至70次之后基本趋于稳定，表明模型已达到收敛效果。

图6 模型总损失曲线

3.4 实验结果对比

为了检验药用空心胶囊表面缺陷检测模型的性能，文中使用平均精度（Average Precision，AP）来评估其各缺陷类型的检测效果，以平均精度均值（mean Average Precision，mAP）来评估模型的整体效果，而模型的检测速度则通过记录模型在测试过程中的每秒可检测图像张数（Frames Per Second，FPS）来衡量。同时，为了分析模型的有效性，文中与目前较为流行的目标检测算法（Two-stage代表方法Faster R-CNN[23]、anchor-free代表方法CenterNet[24）]，以及原始YOLOv4进行对比。如图7所示，相较于其他目标检测算法，文中模型在各检测类型的AP值都具有一定优势，其中，在对于胶囊好（OK）坏（NG）的判断上，文中模型可达99.05%，略高于其他方法。尽管各模型都能较为准确地判别出胶囊缺陷与否，但相较于凹陷（Dent）与污点（Stain）较为明显的缺陷特征，Faster R-CNN和CenterNet对孔洞（Hole）、接口缺损（Gap）以及划痕（Scratch）3类细微缺陷的检测性能较差。针对胶囊表面缺陷像素占比较小的问题，YOLOv4以多尺度特征提取与融合的方式，在面对小目标检测具有明显的优势，而文中通过K-means++聚类出适合于自身胶囊数据集的anchor设定，进一步改善了YOLOv4对于各类缺陷的检测精度。

如前文所述，原始YOLOv4的anchor值属于开放场景数据集的基础anchor设定，其并不适用于文中的胶囊数据集，尤其是文中胶囊缺陷普遍较小的情况，这一方面会影响模型训练效果，所学习的anchor尺寸不匹配将限制模型精度的提升；而另一方面则影响模型学习效率，即干扰模型寻找较优检测框的速度，在anchor设定与胶囊数据不匹配时，模型的训练与检测过程将会花费时间在检测框的回归（即目标框的修正）上。文中方法利用K-means++聚类算法来统计整个数据的anchor及其宽高比分布，以此对训练前的anchor设定进行优化，使得模型在训练初期便具有适合于胶囊缺陷的较优anchor，在提升模型定位精度的同时，缩减了检测框回归过程的时间耗费。各模型之间的整体性能见表1，对于缺陷检测的mAP值，文中模型比Faster R-CNN、CenterNet和YOLOv4分别高9.42%、5.87%和1.35%，说明整体文中模型效果更好，且相较于其他3种方法的检测速度也更具有优势。

模型之间的具体检测效果对比见图8。在面对单张图像中的单/双目标时，虽然各方法均能判断胶囊的好坏，并检测出所存在的缺陷，但在实际的定位精度和分类置信度上，文中模型都具有一定优势；而在面对多目标时，受到目标错乱的影响，Faster R-CNN存在误检的情况，不同的是，得益于多尺度特征融合的学习方式，YOLOv4与文中模型的效果明显优于其他2种方法。其中，文中模型进一步采用K-means++聚类方法来设置特定的anchor，取得了更高的定位精度和分类置信度。总的来说，相较于其他方法，文中模型在准确地判别胶囊外表面缺陷与否的同时，能够更好地实现对凹陷、孔洞、划痕、污点以及接口缺损等5类缺陷的定位与分类。

图7 缺陷检测的AP值对比

表1 各模型性能对比

Tab.1 Performance comparison of various models

图8 模型检测效果对比

4 结语

文中提出了一种基于深度学习的药用胶囊表面缺陷检测方法，主要包括：设计图像采集方案以获取高质量原始图像，并利用数据增强的方式来扩增与构建胶囊缺陷数据集；基于YOLOv4中多尺度特征提取及学习的方式，建立适用于小目标缺陷的药用胶囊缺陷检测模型；通过K-means++聚类算法来确定锚框初始值，提升了模型对胶囊表面缺陷的检测效果。文中方法针对药用胶囊缺陷目标小、检测难的问题，以及现有方法存在的识别类型少、人工成本较高等弊端，实现了多类胶囊及其缺陷的检出。相较于主流的目标检测算法，该方法具有较高的精度和检测效率，可有效提升相关制药企业产品的外观质量和市场竞争力。对于其他新类的胶囊缺陷（如裂纹、气泡等），通过样本扩增进行模型的训练与更新，以实现对更多常见缺陷的检出，将对制造业场景中的自动化生产具有一定的实际意义。

[1] 王铮. 基于机器视觉的胶囊表面缺陷检测技术研究[D]. 贵阳: 贵州大学, 2020: 1-8.

WANG Zheng. Research on Capsule Surface Defect Detection Technology Based on Machine Vision[D]. Guiyang: Guizhou University, 2020: 1-8.

[2] 赖大虎, 黄宴委. 基于极端学习机的胶囊缺陷检测[J]. 福州大学学报(自然科学版), 2012, 40(4): 489-494.

LAI Da-hu, HUANG Yan-wei. Inspection for Defected Capsules Based on Extreme Learning Machine[J]. Journal of Fuzhou University (Natural Science Edition), 2012, 40(4): 489-494.

[3] 刘玉环, 唐庭龙, 陈胜勇. 基于词袋特征算法的药品分层缺陷检测[J]. 计算机工程, 2018, 44(6): 249-252.

LIU Yu-huan, TANG Ting-long, CHEN Sheng-yong. Defect Inspection of Hierarchical Drug Based on Feature of Bag Algorithm[J]. Computer Engineering, 2018, 44(6): 249-252.

[4] 陈宏彩, 任亚恒, 郝存明, 等. 基于YOLOv3的医药玻璃瓶缺陷检测方法[J]. 包装工程, 2020, 41(7): 241-246.

CHEN Hong-cai, REN Ya-heng, HAO Cun-ming, et al. Defect Detection Method for Medical Glass Bottles Based on YOLOv3[J]. Packaging Engineering, 2020, 41(7): 241-246.

[5] 左奇, 史忠科. 基于机器视觉的胶囊完整性检测系统研究[J]. 西安交通大学学报, 2002, 36(12): 1262-1265.

ZUO Qi, SHI Zhong-ke. General Design for Capsule Integrality Detection System Based on Machine Vision[J]. Journal of Xi'an Jiaotong University, 2002, 36(12): 1262-1265.

[6] 王宪保, 何文秀, 王辛刚, 等. 基于堆叠降噪自动编码器的胶囊缺陷检测方法[J]. 计算机科学, 2016, 43(2): 64-67.

WANG Xian-bao, HE Wen-xiu, WANG Xin-gang, et al. Capsule Defects Detection Based on Stacked Denoising Autoencoders[J]. Computer Science, 2016, 43(2): 64-67.

[7] 李莲, 闫志洋. 破损胶囊检测的图像处理分析与研究[J]. 仪器仪表学报, 2011, 32(12): 322-324.

LI Lian, YAN Zhi-yang. The Image Processing Analysis and Research of Damaged Capsule[J]. Chinese Journal of Scientific Instrument, 2011, 32(12): 322-324.

[8] 陈财彪, 于惠钧, 张发明, 等. 基于LBP直方图和SIFT的药品包装缺陷检测方法[J]. 湖南工业大学学报, 2014, 28(4): 91-95.

CHEN Cai-biao, YU Hui-jun, ZHANG Fa-ming, et al. Pharmaceutical Packaging Defect Detection Method Based on LBP Histogram and SIFT[J]. Journal of Hunan University of Technology, 2014, 28(4): 91-95.

[9] 黄秀玲, 陆宏建, 任超, 等. 基于四光源光度立体法的药品泡罩包装中铝箔缺陷检测方法[J]. 包装学报, 2018, 10(3): 47-51.

HUANG Xiu-ling, LU Hong-jian, REN Chao, et al. The Method of Aluminum Foil Defect Detection in Medicine Packaging Based on Four-Light Photometric Stereo Method [J]. Packaging Journal, 2018, 10(3): 47-51.

[10] 陈轶楠, 葛斌, 王俊, 等. 基于集成分类器的泡罩包装药品缺陷识别[J]. 包装工程, 2021, 42(1): 250-259.

CHEN Yi-nan, GE Bin, WANG Jun, et al. Defect Identification of Blister Packaging Medicine Based on Integrated Classifier[J]. Packaging Engineering, 2021, 42(1): 250-259.

[11] SEJUNE C, LEE H K, OUK K C, et al. Convolutional Neural Network for Wafer Surface Defect Classification and the Detection of Unknown Defect Class[J]. IEEE Transactions on Semiconductor Manufacturing, 2019, 32(2): 163-170.

[12] KANG Gao-qiang, GAO Shi-bin, YU Long, et al. Deep Architecture for High-Speed Railway Insulator Surface Defect Detection: Denoising Autoencoder with Multitask Learning[J]. IEEE Trans Instrumentation and Measurement, 2019, 68(8): 2679-2690.

[13] GOLUGURI N V R R, SUGANYA D K, VADAPARTHI N. Image Classifiers and Image Deep Learning Classifiers Evolved in Detection of Oryza Sativa Diseases: Survey[J]. Artificial Intelligence Review, 2021, 54(1): 359-396.

[14] 吴赛赛, 周爱莲, 谢能付, 等. 基于深度学习的作物病虫害可视化知识图谱构建[J]. 农业工程学报, 2020, 36(24): 177-185.

WU Sai-sai, ZHOU Ai-lian, XIE Neng-fu, et al. Construction of Visualization Domain-Specific Knowledge Graph of Crop Diseases and Pests Based on Deep Learning[J]. Transactions of the Chinese Society of Agricultural Engineering, 2020, 36(24): 177-185.

[15] WANG Tong-he, LEI Yang, FU Ya-bo, et al. A Review on Medical Imaging Synthesis Using Deep Learning and Its Clinical Applications[J]. Journal of Applied Clinical Medical Physics, 2021, 22(1): 11-36.

[16] 姚明青, 胡靖. 基于深度强化学习的多模态医学图像配准[J]. 计算机辅助设计与图形学学报, 2020, 32(8): 1236-1247.

YAO Ming-qing, HU Jing. Robust Multimodal Medical Image Registration Using Deep Recurrent Reinforcement Learning[J]. Journal of Computer-Aided Design & Computer Graphics, 2020, 32(8): 1236-1247.

[17] ZHOU Jun-lin, HE Jiao, LI Guo-li, et al. Identifying Capsule Defect Based on an Improved Convolutional Neural Network[J/OL]. Shock and Vibration, 2020 [2021-04-10]. https://doi.org/10.1155/2020/8887723.

[18] LIU R, GU Q, WANG X, et al. Region-Convolutional Neural Network for Detecting Capsule Surface Defects[J]. Boletín Técnico, 2017, 55(3): 92-100.

[19] GIRSHICK R, DONAHUE J, DARRELL T, et al. Region-Based Convolutional Networks for Accurate Object Detection and Segmentation[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2016, 38(1): 142-158.

[20] BOCHKOVSKIY A, WANG C, LIAO H. YOLOv4: Optimal Speed and Accuracy of Object Detection[EB/OL]. (2020)[2021-03-14]. http://arxiv.org/pdf/ 2004.10934.

[21] REDMON J, FARHADI A. YOLOv3: An Incremental Improvement[EB/OL]. (2018)[2021-03-14]. http://arxiv. org/pdf/1804.02767.

[22] REDMON J, FARHADI A. YOLO9000: Better, Faster, Stronge[C]// Proceedings of IEEE Conference on Computer Vision and Pattern Recognition, Honolulu, IEEE, 2017: 6517-6525.

[23] REN Shao-qing, HE Kai-ming, GIRSHICK R, et al. Faster R-CNN: Towards Real-Time Object Detection with Region Proposal Networks[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017, 39(6): 1137-1149.

[24] ZHOU X, WANG D, PHILIPP K. Objects as Points[EB/OL]. (2019)[2021-03-14]. http://arxiv.org/pdf/ 1904.07850.

Surface Defect Detection Method for Pharmaceutical Hollow Capsules Based on YOLOv4 Algorithm

DONG Haoa, LI Shao-boa, b, c, YANG Jinga, b, c, WANG Juna

(a.School of Mechanical Engineering b.State Key Laboratory of Public Big Data c.Key Laboratory of Advanced Manufacturing Technology of Ministry of Education, Guizhou University, Guiyang 550025, China)

The work aims to improve the surface defect detection accuracy and automation level of the pharmaceutical hollow capsules in the process of quality inspection. A high-quality image acquisition scheme was designed to avoid light spots on the capsule surface. A dataset of defects in pharmaceutical hollow capsules was constructed. Based on the YOLOv4 algorithm, a deep learning detection model with multi-scale feature extraction and training strategies was developed to enhance the robustness of defect detection for small objects. The K-means++ clustering algorithm was used to update the initial values of the anchor frame to improve the performance of the model in detecting defects on the capsule surface. The experimental results showed that the proposed capsule defect detection method can accurately detect five types of defects which include dent, hole, scratch, stain and gap on its surface. Furthermore, the mean average precision of whether the capsule was defective or not was 99.05%, the average precision of each defect type was 91.81%, and the detection speed was 22 FPS. The method had certain advantages in comparison to other typical target detection methods in terms of detection speed and precision. The proposed YOLOv4-based defect detection method achieves the classification and localization of multiple types of defects in pharmaceutical hollow capsules, and has a better detection effect and stability, which can significantly reduce labor costs while fulfilling production quality control requirements.

pharmaceutical capsules; defect detection; YOLOv4; deep learning; K-means++

TB487

A

1001-3563(2022)07-0254-08

10.19554/j.cnki.1001-3563.2022.07.033

2021-05-08

国家自然科学基金（51475097，91746116）；工信部资助项目（工信部联装[2016]213号）；贵州省科技计划（黔科合人才[2015]4011）；贵州省重点实验室建设项目（黔科合平台人才[2016]5103）

董豪（1996—），男，贵州大学硕士生，主攻智能制造与智能控制。

李少波（1975—），男，博士，贵州大学教授，主要研究方向为智能制造、制造物联和大数据等。

责任编辑：曾钰婵