YOLOv26+500万彩色工业相机实现药品铝塑板颗粒完整度检测：缺粒识别、颜色检测与穹顶漫射光机器视觉方案

文章来源说明 ：本文由 ZeroOne AI 整理发布，官网与 CSDN 双端同步首发，原文见 www.zeroone-ai.com。

一、项目背景

在药品生产过程中，铝塑板是非常常见的一种药品包装形式。一板药品通常由多个泡罩组成，每个泡罩内部对应一颗药品。生产过程中可能出现：

药粒缺失

药粒破损

药粒位置异常

药粒数量不足

药粒颜色异常

泡罩异常

铝塑板表面反光

异物进入包装

包装位置偏移

传统人工检测主要依靠操作人员目视检查。这种方式存在几个问题：

人工长时间工作容易疲劳

高速生产线无法保证检测效率

对轻微颜色差异的判断容易受到环境影响

缺粒、破损等缺陷容易漏检

无法稳定记录每一板药品的检测结果

因此，可以使用机器视觉 + 人工智能算法建立自动化药品铝塑板检测系统。

本方案采用：500万像素彩色工业相机 + 穹顶漫射光 + YOLOv26 + Lab颜色分析 + 颗粒位置模板检测，实现药品铝塑板的自动检测。

二、为什么选择彩色工业相机？

本项目最开始需要解决的是一个非常重要的问题：检测药品铝塑板，到底应该使用黑白相机还是彩色相机？

如果只检测：有无药粒、药粒位置、药粒轮廓、泡罩破损，那么黑白工业相机已经能够满足要求。

但是本项目除了检测药粒完整度，还需要检测：药粒颜色是否正确。这就使得彩色相机具有明显优势。

彩色相机可以同时获得 R、G、B 三个颜色通道。进一步可以转换到：

复制代码

RGB
 ↓
HSV
 ↓
Lab

从而建立药粒的颜色特征。

因此，本方案选择：500万像素彩色工业相机。

三、为什么选择500万像素？

工业视觉系统并不是简单地认为：相机像素越高越好。真正需要计算的是：一个药粒在图像中到底有多少像素。

例如假设铝塑板视野宽度为 200 mm，500万像素相机横向分辨率约 2448 pixel，那么理论物方分辨率约为：

复制代码

200 / 2448
≈ 0.082 mm/pixel

如果一个药粒直径约 10 mm，那么药粒直径大约可以获得：

复制代码

10 / 0.082
≈ 122 pixel

这样的像素数量已经能够比较稳定地进行：颗粒定位、面积分析、轮廓分析、颜色分析、缺粒检测。

因此，对于中小尺寸铝塑板，500万像素彩色工业相机是一个比较均衡的选择。

四、为什么使用全局快门？

药品生产线通常不是静止拍照，而是铝塑板在输送带上高速运动、相机拍照。

如果使用滚动快门，在高速运动情况下可能出现图像变形。例如：

复制代码

实际药粒：

○

滚动快门：

◇

因此工业视觉检测建议选择：全局快门工业相机。让整个图像尽可能在同一个时间窗口完成曝光，从而降低运动造成的几何变形。

五、为什么使用穹顶漫射光？

药品铝塑板检测还有一个非常棘手的问题：反光。铝塑包装具有明显的金属反射特性。

如果使用普通环形光，很容易产生高亮区域 → 局部过曝 → 药粒颜色发生变化 → 颜色检测不稳定。尤其是进行颜色判断时，光源变化会直接影响 RGB 值。

因此，本方案使用：穹顶漫射光。穹顶光可以从多个方向对目标进行漫射照明，使光线更加均匀。基本结构：

复制代码

彩色工业相机
 │
 ↓
 ┌──────────────┐
 │  穹顶漫射光  │
 │              │
 └──────┬───────┘
        ↓
 ┌──────────────┐
 │    铝塑板    │
 └──────────────┘

这样可以有效改善：金属反光、药粒局部高光、阴影、光照不均、颜色漂移。

如果现场仍然存在明显镜面反射，可以进一步增加偏振片，形成：

复制代码

光源
 ↓
偏振片
 ↓
铝塑板
 ↓
偏振片
 ↓
相机

进一步降低镜面反射对颜色检测的影响。

六、整体机器视觉系统架构

整个系统可以设计为：

复制代码

药品铝塑板
   │
   ↓
┌─────────────┐
│ 穹顶漫射光源 │
└──────┬──────┘
       ↓
500万彩色工业相机
       │
       ↓
    图像采集
       │
 ┌─────┴─────┐
 ↓           ↓
YOLOv26    颜色分析
 ↓           ↓
药粒定位/缺陷  RGB → Lab
 ↓           ↓
 └─────┬─────┘
       ↓
   颗粒级结果
       │
 ┌─────┼─────┬─────┐
 ↓     ↓     ↓     ↓
OK   缺粒  颜色异常 破损
       │
 ┌─────┴─────┐
 ↓           ↓
  整板判定
  OK / NG

七、YOLOv26负责什么？

这里有一个重要的算法设计思想：不要让 YOLOv26 承担所有检测任务。

YOLOv26 更加适合解决：目标在哪里、是什么目标、属于什么缺陷。

因此可以让 YOLOv26 负责：药粒定位、药粒缺失、药粒破损、异常目标、异物。例如建立以下类别：

复制代码

normal
missing
damaged
foreign_object

YOLOv26 输出 Class、Confidence、X、Y、W、H，例如：

复制代码

normal 0.98
normal 0.97
missing 0.99
normal 0.96
damaged 0.94

这样就能够知道每一个药粒的位置和状态。

八、为什么颜色检测不完全交给YOLO？

如果直接训练 normal、color_error 两个类别，理论上也能够完成颜色检测。

但是颜色检测与普通目标检测存在明显区别。例如同一种药品正常颜色 RGB = (220,180,120)，由于光源变化、相机曝光变化、白平衡、反光、环境温度、表面反射，实际拍摄可能变成 (215,176,117) 或者 (228,185,125)。

因此颜色检测最好建立一个独立的颜色评价体系。推荐：YOLOv26 负责定位，Lab 负责颜色评价。

九、RGB转Lab进行药粒颜色检测

得到药粒 ROI 之后，进行 RGB → Lab 转换。

Lab 颜色空间可以表示为 L*、a*、b*，其中：

L* → 亮度

a* → 红/绿方向

b* → 黄/蓝方向

例如建立正常药粒颜色模型：

复制代码

L* = 72
a* = 8
b* = 31

当前检测药粒：

复制代码

L* = 70
a* = 12
b* = 20

两者存在明显颜色差异。进一步可以计算 ΔE 颜色距离：

当 ΔE < Threshold，判定：颜色正常

当 ΔE > Threshold，判定：颜色异常

最终形成：

复制代码

YOLOv26
   ↓
获取药粒ROI
   ↓
RGB → Lab
   ↓
计算ΔE
   ↓
颜色是否超限

十、药粒完整度检测

仅仅判断"有没有药粒"还不够。实际生产过程中可能出现正常药粒，以及破损药粒、缺角药粒。因此可以结合 YOLOv26 和传统视觉进行二次分析。

复制代码

YOLO定位
   ↓
获得药粒ROI
   ↓
二值化
   ↓
轮廓提取
   ↓
面积计算
   ↓
圆度/完整度
   ↓
最终判断

定义：完整度 = 实际有效面积 / 标准药粒面积。例如：

复制代码

完整度 ≥ 95%
   ↓
  OK

完整度 < 95% ↓ NG

实际阈值需要根据药品形状和工艺标准进行标定。

十一、药粒位置也应该参与判断

药品铝塑板具有固定排列结构。例如：

复制代码

○ ○ ○ ○ ○
○ ○ ○ ○ ○
○ ○ ○ ○ ○

那么可以建立一个药粒位置模板：

复制代码

P1   P2   P3   P4   P5
P6   P7   P8   P9   P10

YOLO 检测完成之后，把检测结果与模板进行匹配。如果 P1 → OK、P2 → OK、P3 → OK、P4 → Missing、P5 → OK，直接可以判断：第 4 颗药粒缺失。

这种方法比单纯统计 YOLO 检测框数量更加可靠。

十二、最终采用颗粒级检测

最终系统不应该只输出 NG，而应该输出详细结果：

复制代码

药品铝塑板检测结果
总颗粒：20
正常：18
缺粒：1
破损：0
颜色异常：1
最终结果：NG

甚至可以进一步输出位置：

复制代码

P01 OK
P02 OK
P03 OK
P04 Missing
P05 OK
P06 OK
...
P18 Color Error
...

这样可以直接与 MES 系统连接。

十三、与MES系统结合

在实际工业生产中，视觉检测只是整个生产系统的一部分。可以把检测结果上传到 MES：

复制代码

视觉检测系统
   ↓
检测结果
   ↓
MES
   ↓
生产批次
   ↓
产品序列号
   ↓
检测记录

例如：

复制代码

Batch: 20260905-001
Product: XXXXX
Machine: BL-01

Total: 20 Missing: 1 ColorError: 1 Damaged: 0

Result: NG

这样以后出现质量问题，可以通过批次追溯：产品 → 包装批次 → 生产设备 → 视觉检测结果 → 缺陷位置 → 生产时间，形成完整的药品包装质量追溯体系。

十四、推荐的硬件配置

针对中小型药品铝塑板检测，可以优先考虑以下配置：

相机：500万像素彩色工业相机

快门：全局快门

接口：GigE / USB3

镜头：低畸变工业镜头

光源：穹顶漫射光

光源颜色：白光

偏振：反光严重时增加

算法：YOLOv26

颜色算法：RGB → Lab

颜色评价：ΔE

定位算法：YOLO + 模板

完整度：面积/轮廓 + AI

输出：OK / NG

数据：MES追溯

十五、软件算法流程

整个软件流程可以设计为：

复制代码

Camera
   ↓
Image Acquisition
   ↓
White Balance
   ↓
Exposure Correction
   ↓
YOLOv26 Inference
   ↓
Drug ROI
   ↓
Position Matching
   ↓
Completeness Analysis
   ↓
RGB → Lab
   ↓
ΔE Color Analysis
   ↓
Defect Classification
   ↓
OK / NG
   ↓
MES

如果采用 C# 进行工业软件开发，还可以设计：

复制代码

相机SDK
   ↓
C#图像采集
   ↓
OpenCV
   ↓
YOLOv26 / OpenVINO
   ↓
Lab颜色算法
   ↓
检测结果
   ↓
PLC
   ↓
剔除机构

最终形成 AI视觉检测 + PLC控制 + MES数据追溯的一体化系统。

十六、为什么推荐YOLOv26？

YOLO 系列非常适合工业视觉中的目标定位与缺陷识别。对于本项目，YOLOv26 主要解决：药粒在哪里？以及：这个药粒有没有异常？

传统视觉负责：到底有多完整？

颜色算法负责：颜色偏差到底有多大？

因此整个系统不是一个 AI 模型解决所有问题，而是 AI + 传统机器视觉 + 颜色科学联合检测。这种架构更加适合工业质量检测。

十七、最终方案总结

本项目最终推荐：

复制代码

500万彩色工业相机
        │
        ↓
   穹顶漫射光源
        │
        ↓
    铝塑板药品
        │
        ↓
    图像采集
        │
 ┌──────┴──────┐
 ↓             ↓
YOLOv26      Lab颜色
 ↓             ↓
药粒定位        ΔE
 ↓             ↓
缺粒/破损     颜色异常
 └──────┬──────┘
        ↓
    模板匹配
        ↓
    颗粒级判定
        ↓
     OK / NG
        ↓
     PLC剔除
        ↓
     MES追溯

最终实现：药粒有无检测 + 药粒完整度检测 + 药粒颜色检测 + 缺粒检测 + 破损检测 + 异物检测 + 产品追溯。

十八、结语

药品铝塑板视觉检测并不是简单地安装一台相机，然后运行 YOLO 模型。真正决定系统稳定性的关键因素包括：相机、镜头、光源、曝光、白平衡、图像分辨率、目标像素数量、AI模型以及颜色算法。

本方案选择 500万像素彩色工业相机 + 穹顶漫射光，首先保证图像质量；再使用 YOLOv26 完成药粒定位、缺粒和破损检测；最后通过 Lab + ΔE 完成药粒颜色检测。

这种"AI目标检测 + 传统视觉 + 颜色分析"的组合，可以避免单纯依赖 YOLO 模型，在药品铝塑板质量检测中建立更加稳定、可解释、可追溯的工业视觉检测系统。