CN105139027A - 胶囊头缺陷检测方法和装置 - Google Patents

Abstract

本发明公开了一种胶囊头缺陷检测方法和装置，属于图像处理和模式识别领域，所述方法包括：获取待检测的胶囊头的灰度图像；从所述灰度图像中提取感兴趣区域，所述感兴趣区域包含有亮光斑；对所述感兴趣区域进行二值化处理，得到二值化图像；对所述二值化图像提取图像的边缘，得到亮光斑的目标区域；对所述目标区域提取形态特征和/或灰度统计特征；采用分类器对所述形态特征和/或灰度统计特征进行分类，检测所述胶囊头是否存在缺陷。与现有技术相比，本发明具有能够有效识别合格胶囊头和有缺陷胶囊头、准确率较高的优点。

Description

胶囊头缺陷检测方法和装置

技术领域

本发明涉及图像处理和模式识别领域，特别是指一种胶囊头缺陷检测方法和装置。

背景技术

在药品的生产中，对食道和胃粘膜有刺激性的粉末或颗粒，或口感不好、易于挥发的药物常采用胶囊进行包装，这些药物装入胶囊，既保护了药物药性不被破坏，也保护了消化器官和呼吸道。去掉胶囊壳可能会造成药物流失、药物浪费、药效降低。另外，有些药物需要在肠内溶解吸收，胶囊是一种保护，保护药物不被胃酸破坏。因此，胶囊在药品的生产加工过程中应用十分广泛。

胶囊在实际生产中具有种类多、数量大的特点，成品胶囊不可避免地会存在一些缺陷，主要有破损、超长、超短、表面斑点、厚度不均等。目前，国内制药厂在胶囊生产过程中多是依靠人工检测缺陷，这种方法不能满足现代工业生产质量的要求。虽然已有一些制药厂将图像处理的方法引入到胶囊检测中，解决了人工检测需要的人力、物力、二次接触污染、检测速度慢和主观判断不准确等问题，但都针对胶囊体进行研究，在胶囊头缺陷检测方面的研究成果较少，从而忽略了胶囊两端存在破损的情况。

发明内容

本发明要解决的技术问题是提供一种能有效识别合格胶囊头和有缺陷胶囊头、准确率较高的胶囊头缺陷检测方法和装置。

为解决上述技术问题，本发明提供技术方案如下：

一种胶囊头缺陷检测方法，包括：

获取待检测的胶囊头的灰度图像；

从所述灰度图像中提取感兴趣区域，所述感兴趣区域包含有亮光斑；

对所述感兴趣区域进行二值化处理，得到二值化图像；

对所述二值化图像提取图像的边缘，得到亮光斑的目标区域；

对所述目标区域提取形态特征和/或灰度统计特征；

采用分类器对所述形态特征和/或灰度统计特征进行分类，检测所述胶囊头是否存在缺陷。

一种胶囊头缺陷检测装置，包括：

获取模块：用于获取待检测的胶囊头的灰度图像；

提取模块：用于从所述灰度图像中提取感兴趣区域，所述感兴趣区域包含有亮光斑；

二值化处理模块：用于对所述感兴趣区域进行二值化处理，得到二值化图像；

边缘检测模块：用于对所述二值化图像提取图像的边缘，得到亮光斑的目标区域；

计算模块：用于对所述目标区域提取形态特征和/或灰度统计特征；

判断模块：用于采用分类器对所述形态特征和/或灰度统计特征进行分类，检测所述胶囊头是否存在缺陷。

本发明有以下有益效果：

与现有技术相比，本发明的胶囊头缺陷检测方法和装置，从所述灰度图像中提取含有亮光斑的区域作为感兴趣区域，使本发明可以直接获得图像分析所关注的重点，并通过对所述感兴趣区域进行的二值化处理和边缘检测处理，可以方便快速地获得的亮光斑区域的边缘作为目标区域，接着，对所述目标区域提取形态特征和/或灰度统计特征，该特征可以有效的反应目标区域中的亮光斑的形状，使合格的胶囊头和有缺陷的胶囊头得以区别，最后，本发明采用分类器对所述形态特征和/或灰度统计特征进行分类，检测所述胶囊头是否存在缺陷。与现有技术相比，本发明具有能够有效识别合格胶囊头和有缺陷胶囊头、准确率较高的优点。

附图说明

图1为本发明的胶囊头缺陷检测方法的流程示意图；

图2为本发明的胶囊头缺陷检测方法的感兴趣区域示意图；

图3为本发明的胶囊头缺陷检测方法的二值化图像过程示意图；

图4为本发明的胶囊头缺陷检测方法的全局阈值计算方法的流程示意图；

图5为本发明的胶囊头缺陷检测方法的对二值化图像进行骨架处理和填充处理的过程示意图；

图6为本发明的胶囊头缺陷检测方法的对感兴趣区域的椭圆环拟合示意图，其中，(a)合格胶囊头的椭圆拟合；(b)缺陷胶囊头的椭圆拟合；

图7为本发明的胶囊头缺陷检测方法的感兴趣区域的误差点示意图，其中，(a)合格胶囊头误差点示意图；(b)缺陷胶囊头误差点示意图；

图8为本发明的胶囊头缺陷检测方法的提取的9种特征的特征值的分布图；

图9为本发明的胶囊头缺陷检测装置的结构示意图；

图10为本发明的胶囊头缺陷检测装置的二值化处理模块的结构示意图。

具体实施方式

为使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体实施例进行详细描述。

一方面，本发明提供一种胶囊头缺陷检测方法，如图1所示，包括：

步骤S101：获取待检测的胶囊头的灰度图像；

本步骤中，当获取待检测的胶囊头图像为彩色图像时，可以根据胶囊颜色选择合适的红、绿、蓝(RGB)通道将原始真彩色胶囊头图像转化成灰度图像，对图像的灰度处理可以减小图像原始数据量，使后续处理的计算量减少。

步骤S102：从所述灰度图像中提取感兴趣区域，所述感兴趣区域包含有亮光斑；

本步骤中，为了获取形状规则、稳定的圆形亮光斑，优选在待检测的胶囊头的正对面设置一个稳定的光源，然后采用设置在待检测的胶囊头的正对面的可见光照相机对该胶囊头进行拍照，进而获取含有亮光斑的灰度图像；

如图2所示，本步骤中，以包含亮光斑的区域作为感兴趣区域是由于：发明人经研究发现，当胶囊头图像为胶囊的俯视圆形图像时，正常胶囊头图像可见规则的圆环形亮光斑，含有缺陷的胶囊头图像的亮光斑则呈现不规则形状或非完整圆环形状。因此，通过亮光斑的形状差异可以判定胶囊头是否存在破损情况；

本步骤中，可以采用径向对称变换、边缘检测或区域生长等技术提取感兴趣区域，优选的，采用径向对称变换对胶囊头进行粗定位，并根据定位结果确定感兴趣区域。

步骤S103：对所述感兴趣区域进行二值化处理，得到二值化图像；

本步骤中，可以采用多种方法对所述感兴趣区域进行二值化处理，如最大类间法、迭代阈值法、P分位法和基于最小误差的全局阈值法等。

步骤S104：对所述二值化图像提取图像的边缘，得到亮光斑的目标区域；

本步骤中，本步骤中的边缘提取可以采用本领域技术人员公知的多种边缘检测方法对所述二值化图像提取图像的边缘，如Sobel边缘检测算子、Canny边缘检测算子、梯度边缘检测、Roberts边缘检测算子、Laplace边缘检测算子或差分边缘检测等方法，均能够实现本发明的技术效果。

步骤S105：对所述目标区域提取形态特征和/或灰度统计特征；

本步骤中，可以采用形态学操作和/或灰度阈值分割等方法对目标区域的形态特征和/或灰度统计特征进行提取，这两种特征均能够反应合格的胶囊头和有缺陷的胶囊头的差异。

步骤S106：采用分类器对所述形态特征和/或灰度统计特征进行分类，检测所述胶囊头是否存在缺陷。

本步骤中，采用的分类器可以为SVM分类器、AdaBoost分类器或联合贝叶斯分类器等，均可以对形态特征和/或灰度统计特征进行分类，进而检测出存在缺陷的胶囊头。

本发明的胶囊头缺陷检测方法，从所述灰度图像中提取含有亮光斑的区域作为感兴趣区域，使本发明可以直接获得图像分析所关注的重点，并通过对所述感兴趣区域进行的二值化处理和边缘检测处理，可以方便快速地获得的亮光斑区域的边缘作为目标区域，接着，对所述目标区域提取形态特征和/或灰度统计特征，该特征可以有效的反应目标区域中的亮光斑的形状，使合格的胶囊头和有缺陷的胶囊头得以区别，最后，本发明采用分类器对所述形态特征和/或灰度统计特征进行分类，检测所述胶囊头是否存在缺陷。与现有技术相比，本发明具有能够有效识别合格胶囊头和有缺陷胶囊头、准确率较高的优点。

作为本发明的一种改进，步骤S103之前，包括：

步骤S1021：采用中值滤波对所述感兴趣区域进行平滑处理，去除噪声；

步骤S1022：采用同态滤波处理增强图像对比度。

本发明中，采用的中值滤波是一种能有效抑制噪声的非线性信号处理技术，它的基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替，让周围的像素值接近的真实值，从而消除孤立的噪声点。同时，本发明中，采用的同态滤波是把频率过滤和灰度变换结合起来的一种图像处理方法，它依靠图像的照度/反射率模型作为频域处理的基础，可以有效地增强图像的对比度。本发明采用中值滤波和同态滤波对所述感兴趣区域进行预处理，可以为后续的二值化处理提供较好的输入量。

本发明中，如图3所示，步骤S103优选进一步为：

采用全局阈值对所述感兴趣区域进行分割，得到二值化图像；

如图4所示，所述全局阈值可以通过以下步骤计算得到：

步骤S1031：选择一个初始值作为全局阈值T；

步骤S1032：采用全局阈值T对所述感兴趣区域进行分割，产生两组像素，其中，一组G₁是由灰度值大于全局阈值的所有像素组成，另一组G₂是由灰度值小于等于全局阈值的所有像素组成；

$g(x,y)=\left\{\begin{array}{c}1,f\left(x,y\right)>T\\ 0,f\left(x,y\right)\≤T\end{array}\right.---\left(1\right)$

步骤S1033：对分割得到的两组像素分别计算平均灰度值m₁和m₂；

步骤S1034：对计算得到的两个平均灰度值m₁和m₂取平均值，作为新的全局阈值，并重复上述步骤，直至新的全局阈值与前一全局阈值的差值小于预定值ΔT。

本发明中，全局阈值法利用全局信息(例如整幅图形的灰度直方图)对整幅图像求出最优分割阈值，可以是单阈值，也可以是多阈值，另外，本发明还可以采用局部阈值实现对所述感兴趣区域进行分割，也能够实现本发明的技术效果，局部阈值法是把原始的整幅图像分为几个小的子图像，再对每个子图像应用全局阈值法分别求出最优分割阈值。本发明中的全局阈值和局部阈值均具有能够简单有效地实现图像二值化的特点。

本发明中，优选的，形态特征可以包括：胶囊头骨架的周长和面积比、目标区域的致密度、目标区域的紧凑度、目标区域的圆形度、目标区域的边界数目、目标区域的径向对称变换强度、目标区域的误差点的个数中的一个或多个，其中，上述各形态特征计算过程如下：

1)计算胶囊头骨架的周长和面积比：

对得到的二值图像进行形态学操作，如图5所示，移除得到目标区域边界像素点，但不隔开目标，保留下来的像素组成了胶囊头图像的骨架，进而求得胶囊头的周长Q₁。然后再填充胶囊头的二值图像中的空洞区域，求得胶囊头的面积Q₂，将周长和面积的比值B作为一项形态特征：

$B=\frac{Q_1}{Q_2}---\left(2\right)$

2)计算目标区域致密度：

致密度定义为目标区域边界的周长的平方与目标区域面积的比值：

$C=\frac{P^2}{A}---\left(3\right)$

其中，P表示了目标区域边界的周长，而A则表示目标区域的面积。当目标区域为圆形时，C的最小值为4π；当目标区域为其他形状的时候，则有C>4π，且形状越复杂，C的值也就越大；

3)计算目标区域紧凑度：

紧凑度的表达式为：

$C_s=1-\frac{4\mathrm{\π}A}{P^2}---\left(4\right)$

当C_s→0时，目标区域的形状近似为圆形。紧凑度反映是的目标区域边界的复杂程度，若一个目标区域的边界越粗糙，那么C_s值越大，紧凑度越低，也就是说紧凑度在一定的程度上反映了区域边界的粗糙程度。若果目标区域的边界形状相似或相同，那么它们的紧凑度也相似或相同；若区域边界的形状相差比较大，那么紧凑度的变化比较大。紧凑度具有平移不变性、旋转不变性和收缩不变性；

4)计算目标区域圆形度：

圆形度的表达式为：

$E=\frac{4\mathrm{\π}A}{P^2}---\left(5\right)$

圆形度刻画了物体边界的复杂程度，例如比较相同面积的星形和圆形，星形的周长要比圆形的周长大一些。形状越接近圆形，E的值就越大；相反的，形状越复杂，E的值就越小。当目标区域为圆形时，有E＝1；

5)计算目标区域边界数目：

针对胶囊头的特殊圆环形状，其中心的光圈经过边缘分割后得到了胶囊头的边界。提取胶囊头的边界，保留长度大于20的边界。如果提取的边界个数为2，则为好的胶囊；若提取的边界个数不等于2，则为坏的胶囊；

6)计算目标区域径向对称变换强度：

本文使用径向对称变换对胶囊头进行定位，同时记录了每个胶囊头的径向对称强度S(即最大贡献度)，把径向对称变强度作为一项特征可以分别好的胶囊和坏的胶囊(主要是空的胶囊)。好的胶囊头具有较大的径向对称强度，而坏的胶囊的径向对称强度相对较小；

7)计算目标区域误差点的个数：

提取胶囊头ROI的边界曲线后，如图6-7所示，利用感兴趣区域的内外边界的数据(其中包括中心坐标、长轴、短轴、弧度数、参数)可以进行椭圆环拟合。通过比较胶囊头的感兴趣区域边界和椭圆环，可以得出两者之间的误差点个数。好的胶囊头的误差点个数相对较少，而坏的胶囊的误差点个数相对较多。

本发明中，优选的，灰度统计特征包括目标区域的灰度均值、目标区域的灰度方差中的一个或多个，其中：

设图像f的大小为M×N，在坐标为(i.j)处的像素的灰度值用f(i,j)来表示，其中i＝0,1,…,M-1，j＝0,1,…,N-1，因此，图像f的灰度均值和灰度方差分别表示为：

$Gm=\frac{\underset{i=0}{\overset{M-1}{\Σ}}\underset{j=0}{\overset{N-1}{\Σ}}f(i,j)}{M\×N}---\left(6\right)$

$Gu=\frac{\underset{i=0}{\overset{M-1}{\Σ}}\underset{j=0}{\overset{N-1}{\Σ}}{(f(i,j)-Gm)}^2}{M\×N}---\left(7\right)$

优选的，所述分类器为SVM分类器；

本发明中，采用的SVM(SupportVectorMachine，支持向量机)是一种有坚实理论基础的样本学习方法，SVM避开了现有技术中的从归纳到演绎的传统过程，实现了高效的从训练样本到预报样本的“转导推理”，大大简化了本发明的分类过程。

作为本发明的进一步改进，步骤S104进一步为：

采用Sobel算子对所述二值化图像进行边缘检测，得到目标区域的边界。

本步骤中，采用的Sobel算子可以根据胶囊头的二值化图像上的像素点上下左右邻点灰度加权差，在图像的边缘处达到极值这一现象检测边缘，对图像的噪声具有平滑作用，提供精确的图像边缘信息。

优选的，步骤S106包括：

步骤S1061：采用正样本和负样本的多维特征向量对SVM进行训练学习，并通过对比不同核参数的识别结果，选出准确率较高的核参数；

步骤S1062：利用SVM对胶囊头图像的特征进行判定。

本步骤中，采用的SVM分类器针对小样本数据利用支持向量，就能够完成线性或非线性规划问题，不但可以帮助我们抓住关键样本、“剔除”大量冗余样本，而且该分类器算法简单，鲁棒性好的特点。

本发明中，如图8所示，给出了9种特征对应的特征值的分布，横坐标的9种特征分别为致密度、紧凑度、误差点的个数、均值、方差、边界个数、圆形度、径向对称强度、周长和面积的比，纵坐标为这9种特征对应的特征值，其中，对于致密度、紧凑度、误差点的个数、边界个数、圆形度、径向对称强度、周长和面积的比这7种形态特征来说，合格胶囊头与有缺陷胶囊头的特征值有着明显的差异，因此，利用这7种形态特征可以较好的区分合格的胶囊头与有缺陷的胶囊头。而对于均值和方差这2种灰度统计特征来说，虽然合格胶囊头与有缺陷胶囊头的特征值也存在着差异，但是与形态特征值的差异相比，较不明显，这是由于胶囊头图像的斑点缺陷本身较不明显。综上所述，本发明可以根据这9种特征来区分合格胶囊头与有缺陷胶囊头。

另一方面，与上述胶囊头缺陷检测方法相对应，本发明还提供一种胶囊头缺陷检测装置，如图9所示，包括：

获取模块11：用于获取待检测的胶囊头的灰度图像；

提取模块12：用于从所述灰度图像中提取感兴趣区域，所述感兴趣区域包含有亮光斑；

二值化处理模块13：用于对所述感兴趣区域进行二值化处理，得到二值化图像；

边缘检测模块14：用于对所述二值化图像提取图像的边缘，得到亮光斑的目标区域；

计算模块15：用于对所述目标区域提取形态特征和/或灰度统计特征；

判断模块16：用于采用分类器对所述形态特征和/或灰度统计特征进行分类，检测所述胶囊头是否存在缺陷。

本发明的胶囊头缺陷检测装置，从所述灰度图像中提取含有亮光斑的区域作为感兴趣区域，使本发明可以直接获得图像分析所关注的重点，并通过对所述感兴趣区域进行的二值化处理和边缘检测处理，可以方便快速地获得的亮光斑区域的边缘作为目标区域，接着，对所述目标区域提取形态特征和/或灰度统计特征，该特征可以有效的反应目标区域中的亮光斑的形状，使合格的胶囊头和有缺陷的胶囊头得以区别，最后，本发明采用分类器对所述形态特征和/或灰度统计特征进行分类，检测所述胶囊头是否存在缺陷。与现有技术相比，本发明具有能够有效识别合格胶囊头和有缺陷胶囊头、准确率较高的优点。

作为本发明的一种改进，获取模块11与提取模块12之间还连接有预处理模块，预处理模块用于：

平滑处理模块：用于采用中值滤波对所述感兴趣区域进行平滑处理，去除噪声；

滤波处理模块：用于采用同态滤波处理增强图像对比度。

本发明中，平滑处理模块采用的中值滤波是一种能有效抑制噪声的非线性信号处理技术，它的基本原理是把数字图像或数字序列中一点的值用该点的一个邻域中各点值的中值代替，让周围的像素值接近的真实值，从而消除孤立的噪声点。同时，本发明中，滤波处理模块采用的同态滤波是把频率过滤和灰度变换结合起来的一种图像处理方法，它依靠图像的照度/反射率模型作为频域处理的基础，可以有效地增强图像的对比度。本发明采用中值滤波和同态滤波对所述感兴趣区域进行预处理，可以为后续的二值化处理提供较好的输入量。

作为本发明的进一步改进，二值化处理模块13，用于采用全局阈值对感兴趣区域进行分割，得到二值化图像；

如图10所示，优选的，二值化处理模块13包括：

初始子模块131：用于选择一个初始值作为全局阈值；

分割子模块132：用于采用全局阈值对所述感兴趣区域进行分割，产生两组像素，其中，一组是由灰度值大于全局阈值的所有像素组成，另一组是由灰度值小于等于全局阈值的所有像素组成；

计算子模块133：用于对分割得到的两组像素分别计算平均灰度值；

全局阈值生成子模块134：用于对计算得到的两个平均灰度值取平均值，作为新的全局阈值，并重复上述分割子模块、计算子模块以及该子模块中的步骤，直至新的全局阈值与前一全局阈值的差值小于预定值。

本发明中，全局阈值法利用全局信息(例如整幅图形的灰度直方图)对整幅图像求出最优分割阈值，可以是单阈值，也可以是多阈值，另外，本发明还可以采用局部阈值实现对所述感兴趣区域进行分割，也能够实现本发明的技术效果，局部阈值法是把原始的整幅图像分为几个小的子图像，再对每个子图像应用全局阈值法分别求出最优分割阈值。本发明中的全局阈值和局部阈值均具有能够简单有效地实现图像二值化的特点。

本发明中，优选的，形态特征包括：胶囊头骨架的周长和面积比、目标区域的致密度、目标区域的紧凑度、目标区域的圆形度、目标区域的边界数目、目标区域的径向对称变换强度、目标区域的误差点的个数中的一个或多个；

灰度统计特征包括目标区域的灰度均值、目标区域的灰度方差中的一个或多个。

本发明中，计算模块15对上述的形态特征和灰度统计特征进行计算，可以较好的区分合格的胶囊头与有缺陷的胶囊头；

优选的，分类器为SVM分类器；

本发明中，采用的SVM(SupportVectorMachine，支持向量机)是一种有坚实理论基础的样本学习方法,SVM避开了现有技术中的从归纳到演绎的传统过程,实现了高效的从训练样本到预报样本的“转导推理”,大大简化了本发明的分类过程。

作为本发明的进一步改进，边缘检测模块14，进一步用于：

采用Sobel算子对二值化图像进行边缘检测，得到目标区域的边界。

本发明中，采用的Sobel算子根据胶囊头的二值化图像上的像素点上下左右邻点灰度加权差，在图像的边缘处达到极值这一现象检测边缘，对图像的噪声具有平滑作用，提供精确的图像边缘信息。

以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。

Claims (10)

1.一种胶囊头缺陷检测方法，其特征在于，包括：

获取待检测的胶囊头的灰度图像；

从所述灰度图像中提取感兴趣区域，所述感兴趣区域包含有亮光斑；

对所述感兴趣区域进行二值化处理，得到二值化图像；

对所述二值化图像提取图像的边缘，得到亮光斑的目标区域；

对所述目标区域提取形态特征和/或灰度统计特征；

采用分类器对所述形态特征和/或灰度统计特征进行分类，检测所述胶囊头是否存在缺陷。

2.根据权利要求1所述的胶囊头缺陷检测方法，其特征在于，所述对所述感兴趣区域进行二值化处理，得到二值化图像之前，包括：

采用中值滤波对所述感兴趣区域进行平滑处理，去除噪声；

采用同态滤波处理增强图像对比度。

3.根据权利要求1所述的胶囊头缺陷检测方法，其特征在于，所述对所述感兴趣区域进行二值化处理，得到二值化图像进一步为：

采用全局阈值对所述感兴趣区域进行分割，得到二值化图像；

所述全局阈值通过以下步骤计算得到：

选择一个初始值作为全局阈值；

采用全局阈值对所述感兴趣区域进行分割，产生两组像素，其中，一组是由灰度值大于全局阈值的所有像素组成，另一组是由灰度值小于等于全局阈值的所有像素组成；

对分割得到的两组像素分别计算平均灰度值；

对计算得到的两个平均灰度值取平均值，作为新的全局阈值，并重复上述步骤，直至新的全局阈值与前一全局阈值的差值小于预定值。

4.根据权利要求1所述的胶囊头缺陷检测方法，其特征在于，所述形态特征包括：胶囊头骨架的周长和面积比、目标区域的致密度、目标区域的紧凑度、目标区域的圆形度、目标区域的边界数目、目标区域的径向对称变换强度、目标区域的误差点的个数中的一个或多个；

所述灰度统计特征包括目标区域的灰度均值、目标区域的灰度方差中的一个或多个；

所述分类器为SVM分类器。

5.根据权利要求1至4中任一所述的胶囊头缺陷检测方法，其特征在于，所述对所述二值化图像提取图像的边缘，得到目标区域进一步为：

采用Sobel算子对所述二值化图像进行边缘检测，得到目标区域的边界。

6.一种胶囊头缺陷检测装置，其特征在于，包括：

获取模块：用于获取待检测的胶囊头的灰度图像；

提取模块：用于从所述灰度图像中提取感兴趣区域，所述感兴趣区域包含有亮光斑；

二值化处理模块：用于对所述感兴趣区域进行二值化处理，得到二值化图像；

边缘检测模块：用于对所述二值化图像提取图像的边缘，得到亮光斑的目标区域；

计算模块：用于对所述目标区域提取形态特征和/或灰度统计特征；

判断模块：用于采用分类器对所述形态特征和/或灰度统计特征进行分类，检测所述胶囊头是否存在缺陷。

7.根据权利要求6所述的胶囊头缺陷检测装置，其特征在于，所述获取模块与提取模块之间还连接有预处理模块，所述预处理模块用于：

平滑处理模块：用于采用中值滤波对所述感兴趣区域进行平滑处理，去除噪声；

滤波处理模块：用于采用同态滤波处理增强图像对比度。

8.根据权利要求6所述的胶囊头缺陷检测装置，其特征在于，所述二值化处理模块，用于采用全局阈值对所述感兴趣区域进行分割，得到二值化图像；

所述二值化处理模块包括：

初始子模块：用于选择一个初始值作为全局阈值；

分割子模块：用于采用全局阈值对所述感兴趣区域进行分割，产生两组像素，其中，一组是由灰度值大于全局阈值的所有像素组成，另一组是由灰度值小于等于全局阈值的所有像素组成；

计算子模块：用于对分割得到的两组像素分别计算平均灰度值；

全局阈值生成子模块：用于对计算得到的两个平均灰度值取平均值，作为新的全局阈值，并重复上述分割子模块、计算子模块以及该子模块中的步骤，直至新的全局阈值与前一全局阈值的差值小于预定值。

9.根据权利要求6所述的胶囊头缺陷检测装置，其特征在于，所述形态特征包括：胶囊头骨架的周长和面积比、目标区域的致密度、目标区域的紧凑度、目标区域的圆形度、目标区域的边界数目、目标区域的径向对称变换强度、目标区域的误差点的个数中的一个或多个；

所述灰度统计特征包括目标区域的灰度均值、目标区域的灰度方差中的一个或多个；

所述分类器为SVM分类器。

10.根据权利要求6至9中任一所述的胶囊头缺陷检测装置，其特征在于，所述边缘检测模块，进一步用于：

采用Sobel算子对所述二值化图像进行边缘检测，得到目标区域的边界。