CN105139384A - 缺陷胶囊检测的方法和装置 - Google Patents

Abstract

本发明公开了一种缺陷胶囊检测的方法和装置，属于缺陷胶囊检测领域，所述方法包括：获取胶囊头的灰度图像；通过Sobel算子卷积所述灰度图像，得到梯度图；遍历半径的取值范围，并对每个半径执行如下操作：通过所述梯度图计算每个半径下的梯度幅值图像和梯度方向图像；利用所述梯度幅值图像和梯度方向图像计算联合投票矩阵；找出所述联合投票矩阵中投票最多的元素的值，作为每个半径对应的缺陷分值；判断所述缺陷分值的绝对值最大值是否大于缺陷阈值的绝对值，若否，为缺陷胶囊。与现有技术相比，本发明的缺陷胶囊检测的方法能够通过胶囊头图像快速准确的检测出缺陷胶囊。

Description

缺陷胶囊检测的方法和装置

技术领域

本发明涉及缺陷胶囊检测领域，特别是指一种缺陷胶囊检测的方法和装置。

背景技术

胶囊是保护药品的外壳，在胶囊制成过程中，由于其材质易碎，容易发生胶囊破损的情况，如果不能将这这些有缺陷的胶囊挑拣出来，会对人的身体健康造成隐患。传统的人工挑拣方式费时费力，且接触胶囊会对药品产生污染。

利用图像处理技术对胶囊图像进行分析，可以在不接触胶囊的前提下达到检测出有缺陷的胶囊。通过图像采集装置可得到两个不同方向设置的胶囊图像，一类是胶囊体图像，另一类是胶囊头图像。完好的胶囊的胶囊体图像颜色灰度均匀，边缘清晰无破痕，胶囊头图像可见规则的圆环形亮光斑。反之，缺陷胶囊的胶囊体图像会出现斑点、颜色不均、形状不规则等异常情况，胶囊头图像的亮光斑呈现不规则形状，如梅花状。

现有技术中已经可以使用胶囊体图像来检测缺陷胶囊，但是未有使用胶囊头图像来检测缺陷胶囊的方法。

发明内容

本发明提供一种缺陷胶囊检测的方法和装置，该方法能够通过胶囊头图像快速准确的检测出缺陷胶囊。

为解决上述技术问题，本发明提供技术方案如下：

一种缺陷胶囊检测的方法，包括：

获取胶囊头的灰度图像；

通过Sobel算子卷积所述灰度图像，得到梯度图；

遍历半径的取值范围，并对每个半径执行如下操作：

通过所述梯度图计算每个半径下的梯度幅值图像和梯度方向图像；

利用所述梯度幅值图像和梯度方向图像计算联合投票矩阵；

找出所述联合投票矩阵中投票最多的元素的值，作为每个半径对应的缺陷分值；

判断所述缺陷分值的绝对值最大值是否大于缺陷阈值的绝对值，若否，为缺陷胶囊。

一种缺陷胶囊检测的装置，包括：

灰度化模块，用于获取胶囊头的灰度图像；

卷积模块，用于通过Sobel算子卷积所述灰度图像，得到梯度图；

遍历模块，用于遍历半径的取值范围，并对每个半径执行如下操作：

第一计算单元，用于通过所述梯度图计算每个半径下的梯度幅值图像和梯度方向图像；

第二计算单元，用于利用所述梯度幅值图像和梯度方向图像计算联合投票矩阵；

第三计算单元，用于找出所述联合投票矩阵中投票最多的元素的值，作为每个半径对应的缺陷分值

判断模块，用于判断所述缺陷分值的绝对值最大值是否大于缺陷阈值的绝对值，若否，为缺陷胶囊。

本发明具有以下有益效果：

本发明中，首先灰度化拍摄得到的胶囊头图像，得到灰度图像；然后利用径向对称变换判断计算缺陷分值，具体包括：通过Sobel算子对灰度图像进行梯度化，得到梯度图；对每一个半径，通过该半径下的梯度幅值图像和梯度方向图像计算联合投票矩阵，并以联合投票矩阵中投票最多的元素的值，作为该半径对应的缺陷分值；最后判断缺陷分值的绝对值最大值是否大于缺陷阈值的绝对值，若否，则判断该胶囊头存在缺陷。本发明可以单独用于缺陷胶囊的检测，也可以与使用胶囊体图像来检测缺陷胶囊的方法结合使用。

本发明使用径向对称变换判断胶囊头是否破损，只需要检测胶囊头图像是否存在完整的圆形光斑即可，方法简单，复杂度低，速度快；并且本发明准确率高，在数据库上测试，具有较高的准确率。

故本发明的缺陷胶囊检测的方法能够通过胶囊头图像快速准确的检测出缺陷胶囊。

附图说明

图1为本发明的缺陷胶囊检测的方法流程图；

图2为本发明的缺陷胶囊检测的装置示意图；

图3为径向对称变换的流程图；

图4为径向对称变换的示意图；

图5为本发明中的二维高斯滤波器的示意图；

图6为本发明中的灰度图像；

图7为本发明中的梯度图；

图8为本发明中的梯度幅值图像；

图9为本发明中的梯度方向图像；

图10为本发明中的联合投票矩阵的示意图；

图11为本发明中的缺陷胶囊的示意图。

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，本发明提供一种缺陷胶囊检测的方法，如图1所示，包括：

步骤S101：获取胶囊头的灰度图像；

为了使后续处理的方便以及处理结果的准确，胶囊头图像在拍摄时应当使相机正对胶囊头，尽量拍摄出圆形的图像。

步骤S102：通过Sobel算子卷积灰度图像，得到梯度图，梯度图中每个像素点都有一个梯度矢量，包括梯度方向和梯度幅值；

步骤S103：遍历半径的取值范围，并对每个半径执行如下操作，在这之前，首先需要确定半径的取值范围：

步骤S1031：通过梯度图计算每个半径下的梯度幅值图像和梯度方向图像；

由于梯度是一个矢量，需要定义正方向，正方向不同时，梯度幅值图像和梯度方向图像中各个元素的值的符号也不同，或为正，或为负。

步骤S1032：利用梯度幅值图像和梯度方向图像计算联合投票矩阵；联合联合投票矩阵由梯度幅值图像和梯度方向图像共同决定。

步骤S1033：找出联合投票矩阵中投票最多的元素的值，作为每个半径对应的缺陷分值；

梯度的正方向不同时，投票最多的元素的值的符号也不同，或为正，或为负，但是其绝对值相比联合联合投票矩阵中其他的元素是最大的。

步骤S104：判断缺陷分值的绝对值最大值是否大于缺陷阈值的绝对值，若否，为缺陷胶囊；这里有两种情况，一种是缺陷分值为正值，缺陷阈值为正值，缺陷分值应大于缺陷阈值；另一种是缺陷分值为负值，缺陷阈值为负值，缺陷分值应小于缺陷阈值；缺陷阈值是预先定义的，不同的胶囊，相同胶囊在不同的拍摄环境下或者不同的质量要求下，缺陷阈值取值不同。

缺陷分值的绝对值最大值对应的半径即为将囊头的半径，当胶囊头的形状为标准圆形的时候，每一个圆周上的投票都可以准确地投给圆的中心，而当目标非标准圆时，投票就非常分散，投票值会很低(考虑正负号，即绝对值很小)。因此只有投票多余设定值的时候，即缺陷分值的绝对值最大值大于缺陷阈值的绝对值，才能判定胶囊头为标准圆形，否则判别为非标准圆环，即为破损胶囊头。

本发明中，首先灰度化拍摄得到的胶囊头图像，得到灰度图像；然后利用径向对称变换判断计算缺陷分值，具体包括：通过Sobel算子对灰度图像进行梯度化，得到梯度图；对每一个半径，通过该半径下的梯度幅值图像和梯度方向图像计算联合投票矩阵，并以联合投票矩阵中投票最多的元素的值，作为该半径对应的缺陷分值；最后判断缺陷分值的绝对值最大值是否大于缺陷阈值的绝对值，若否，则判断该胶囊头存在缺陷。本发明可以单独用于缺陷胶囊的检测，也可以与使用胶囊体图像来检测缺陷胶囊的方法结合使用。

本发明使用径向对称变换判断胶囊头是否破损，只需要检测胶囊头图像是否存在完整的圆形光斑即可，方法简单，复杂度低，速度快；并且本发明准确率高，在数据库上测试，具有较高的准确率。

故本发明的缺陷胶囊检测的方法能够通过胶囊头图像快速准确的检测出缺陷胶囊。

作为本发明的缺陷胶囊检测的方法的一种改进，获取胶囊头的灰度图像(步骤S101)进一步为：

选择胶囊头图像的RGB通道中最清晰的一个作为灰度图像。

灰度化处理有很多方法，本发明选择胶囊头图像的RGB通道中最清晰的一个作为灰度图像，简单方便。

作为本发明的缺陷胶囊检测的方法的另一种改进，梯度图包括每个像素点的梯度幅值和梯度方向，通过Sobel算子卷积灰度图像，得到梯度图(步骤S102)包括：

步骤S1021：使用3x3的Sobel算子计算得到每个像素点的横向梯度分值和纵向梯度分值；

Sobel算子包含两组3x3的矩阵，分别为横向及纵向，将之与图像作平面卷积，即可分别得出横向及纵向的亮度差分值，即为横向梯度分值和纵向梯度分值。3x3的Sobel算子可以保证计算速度，并且不会遗失图像信息。

步骤S1022：计算横向梯度分值和纵向梯度分值矢量叠加后的幅值，作为每个像素点的梯度幅值；

将横向梯度分值和纵向梯度分值矢量叠，取其二范数，即为梯度幅值。

步骤S1023：计算横向梯度分值和纵向梯度分值矢量叠加后的方向，作为每个像素点的梯度方向；

将横向梯度分值和纵向梯度分值矢量叠，取叠加后的方向，即为梯度方向。

本发明计算简单，速度快。

作为本发明的缺陷胶囊检测的方法的再一种改进，通过梯度图计算每个半径下的梯度幅值图像和梯度方向图像(步骤S1031)包括：

对梯度图上的每一个像素点进行投影，得到每一个像素点的投影点；投影点为在像素点的梯度方向上与像素点距离为半径的点；梯度图上的每一个点均包括梯度方向和梯度幅值，对每一个像素点，沿梯度方向走过半径的距离达到的点即为投影点。

对于每个投影点，将所有投影到一个投影点的像素点的梯度幅值进行累加，作为梯度幅值图像；此处的累加是包含正负号的，当为正时，每次加上梯度幅值，当为负时，每次减去梯度幅值，梯度幅值图像初值设为0。

对于每个投影点，将所有投影到一个投影点的像素点的个数进行累加，作为梯度方向图像；此处的累加是包含正负号的，当为正时，每次加1，当为负时，每次减1，梯度方向图像初值设为0。

本发明中提到的梯度幅值和梯度幅值图像，梯度方向和梯度方向图像只是名称相似，但是含义不同：梯度幅值和梯度方向是指梯度图上的每个像素点的信息，而梯度方向图像是指投影到投影点的所有像素点的个数，梯度幅值图像是指投影到投影点的所有像素点的梯度幅值的累加。

本发明采用上述方法计算梯度幅值图像和梯度方向图像，只需要进行累加计算即可，简单方便，速度快。

作为本发明的缺陷胶囊检测的方法的再一种改进，利用梯度幅值图像和梯度方向图像计算联合投票矩阵包括：

对梯度幅值图像和梯度方向图像进行归一化后相乘，并通过控制参数控制梯度幅值图像和梯度方向图像的权重，得到结果矩阵；

通过尺度因子对梯度幅值图像和梯度方向图像进行归一化，能将不同半径下的梯度幅值图像和梯度方向图像归一化到同一尺度上面，使后续的计算以及比较有一个统一的度量，更加方便；控制参数是指给归一化后的梯度幅值图像或梯度方向图像分配一个指数，以此调节梯度幅值图像和梯度方向图像对最终结果的控制程度，使后续的检测结果更加准确。

通过二维高斯滤波器对结果矩阵进行滤波，得到联合投票矩阵；使用二维高斯滤波器为结果矩阵的每个元素分配一个权值，使后续的计算以及比较有一个统一的度量，更加方便。

本发明简单方便，使检测结果更加准确。

另一方面，本发明提供一种缺陷胶囊检测的装置，如图2所示，包括：

灰度化模块11，用于获取胶囊头的灰度图像；

卷积模块12，用于通过Sobel算子卷积灰度图像，得到梯度图；

遍历模块13，用于遍历半径的取值范围，并对每个半径执行如下操作：

第一计算单元131，用于通过梯度图计算每个半径下的梯度幅值图像和梯度方向图像；

第二计算单元132，用于利用梯度幅值图像和梯度方向图像计算联合投票矩阵；

第三计算单元133，用于找出联合投票矩阵中投票最多的元素的值，作为每个半径对应的缺陷分值；

判断模块14，用于判断缺陷分值的绝对值最大值是否大于缺陷阈值的绝对值，若否，为缺陷胶囊。

本发明的缺陷胶囊检测的装置能够通过胶囊头图像快速准确的检测出缺陷胶囊。

作为本发明的缺陷胶囊检测的装置的一种改进，灰度化模块进一步用于：

选择胶囊头图像的RGB通道中最清晰的一个作为灰度图像。

灰度化处理有很多方法，本发明选择胶囊头图像的RGB通道中最清晰的一个作为灰度图像，简单方便。

作为本发明的缺陷胶囊检测的装置的另一种改进，梯度图包括每个像素点的梯度幅值和梯度方向，卷积模块包括：

卷积单元，用于使用3x3的Sobel算子计算得到每个像素点的横向梯度分值和纵向梯度分值；

梯度幅值计算单元，用于计算横向梯度分值和纵向梯度分值矢量叠加后的幅值，作为每个像素点的梯度幅值；

梯度方向计算单元，用于计算横向梯度分值和纵向梯度分值矢量叠加后的方向，作为每个像素点的梯度方向。

本发明计算简单，速度快。

作为本发明的缺陷胶囊检测的装置的再一种改进，第一计算单元包括：

投影单元，用于对梯度图上的每一个像素点进行投影，得到每一个像素点的投影点，投影点为在像素点的梯度方向上与像素点距离为半径的点；

梯度幅值图像计算单元，用于对于每个投影点，将所有投影到一个投影点的像素点的梯度幅值进行累加，作为梯度幅值图像；

梯度方向图像计算单元，用于对于每个投影点，将所有投影到一个投影点的像素点的个数进行累加，作为梯度方向图像。

本发明采用上述各个单元计算梯度幅值图像和梯度方向图像，只需要进行累加计算即可，简单方便，速度快。

作为本发明的缺陷胶囊检测的装置的再一种改进，联合投票矩阵计算单元包括：

结果矩阵计算单元，用于对梯度幅值图像和梯度方向图像进行归一化后相乘，并通过控制参数控制梯度幅值图像和梯度方向图像的权重，得到结果矩阵；

滤波单元，用于通过二维高斯滤波器对结果矩阵进行滤波，得到联合投票矩阵。

本发明简单方便，使检测结果更加准确。

下面以一个具体的实施例来对本发明进行说明：

首先，对本发明需要用到的各种背景以及知识进行介绍：

本实施例旨在克服现有缺陷胶囊检测算法的不足，目的是提供一种基于径向对称变换的胶囊头图像检测的算法，径向对称变换的流程图如图3所示。

径向对称变换方法以梯度为基础，在梯度图的基础上进行计算。本实施例采用3×3的sobel算子分别计算图像的水平和竖直方向的梯度。对于一个候选的半径集合R，针对其中的每一个半径r，梯度图像上每一个点的投票值都是由距该点距离为r的点进行投票得到的。对于半径r，梯度图上点p的投影点由以下公式表示：

$P_{+}\left(p\right)=p+round\left(\frac{g\left(p\right)}{\left|\right|g\left(p\right)\left|\right|}\×r\right)$

$P_{-}\left(p\right)=p-round\left(\frac{g\left(p\right)}{\left|\right|g\left(p\right)\left|\right|}\×r\right)$

其中，r为检测半径，g(p)＝(g_x,g_y)为p点的梯度方向，g_x为水平方向梯度，g_y为竖直方向梯度。我们也可以通过图4来直观地看出投票点与被投票点之间的位置关系：

O_r为梯度方向图像，M_r为梯度幅值图像，对每一个半径r，我们要计算这两个值O_r和M_r。在计算开始之前，O_r和M_r初始化为0。计算方法如下公式所示：

O_r(P₊(p))＝O_r(P₊(p))+1

O_r(P_-(p))＝O_r(P_-(p))-1

M_r(P₊(p))＝M_r(P₊(p))+||M(p)||

M_r(P_-(p))＝M_r(P_-(p))-||M(p)||

可以看出，O_r是P₊(p)在半径为r的情况下，周围点集个数上的累加；M_r则是对P₊(p)在半径为r的情况下梯度幅值的累加。

最终的径向对称变换联合投票矩阵由梯度幅值和梯度方向共同构成，如下式所示：

S_r＝F_r*A_r

其中，

$F_r\left(p\right)=\frac{M_r\left(p\right)}{k_r}{\left(\frac{\left|{\hat{O}}_r\left(p\right)\right|}{k_r}\right)}^{\mathrm{\α}}$

公式中的A_r是一个二维高斯滤波器，它的大小为r×r，标准差为0.25r。如图5所示：

指数α是一个控制参数，通过调节α的大小可以调节梯度幅值和梯度方向两者对于最后结果的控制程度。k_r是一个尺度因子，它能将不同半径情况下的O_r和M_r归一化到同一尺度上面。

完整的径向对称变换最后要计算所有半径条件下的平均值(实际上我们没有用到此公式，这里只是放在此处便于理解)，定义如下：

$S=\frac{1}{\left|N\right|}\underset{r\∈N}{\Σ}{S}_r$

这里要说明一点，梯度的方向是根据灰度的大小得来的，如果定义梯度方向为暗区域指向亮区域，那么当S为正数时，检测到的区域为高亮区域；当S为负数时，检测到的区域为较亮的区域。在本文中径向对称变换是用作对胶囊图像的定位，也就是深色区域的定位，因此我们得到的是S为负时的结果。我们也可以将径向对称变换定义为：

${\hat{F}}_r\left(p\right)=\mathrm{sgn}\left({\hat{O}}_r\right(p\left)\right)\frac{M_r\left(p\right)}{k_r}{\left(\frac{\left|{\hat{O}}_r\left(p\right)\right|}{k_r}\right)}^{\mathrm{\α}}$

本实施例的具体步骤是：

步骤一、针对彩色胶囊图片，将其转换成灰度图像再进行接下来的识别检测部分。这一部分可根据具体胶囊的颜色提取出最清晰的RGB通道之一，得到一个较为清晰的图像来完成之后的步骤，如图6所示；

步骤二、径向对称变换以图像的梯度为基本信息进行处理，首先我们通过sobel算子来计算图像整体的梯度。本发明中采用的sobel算子为3*3像素大小，根据水平(横向)和竖直(纵向)方向的不同得到不同方向的滤波，再取其二范数得到每一个像素点的梯度幅值，如图7所示；

步骤三、确定半径的遍历搜索范围r，初始化最终的计数矩阵S；

步骤四、对当前的半径r，将梯度幅值矩阵M_r和梯度方向矩阵O_r初始化为0；

步骤五、根据公式计算出每一像素点对应的P_-的位置，并按照公式计算出每一个位置P_-上的值O_r(P_-(p))和M_r(P_-(p))，如图8和图9所示；

步骤六、利用步骤五中得到的O_r和M_r矩阵，通过公式计算得到F_r(p)，其中k_r＝9.9，α＝2。再用半径为r的高斯滤波器A_r对F_r(p)进行滤波，得到当前r所对应的S_r，如图10所示；

步骤七、找出S_r中各个元素的最小值由上可知为负值，得到对应点的坐标(x_min,y_min)和对应的半径r_min，并且将其记录到矩阵S中；

步骤八、将半径递增，r＝r+1，返回步骤四的开端，继续计算下一个r所对应的S_r，并将其记录到矩阵S；

步骤九、迭代结束，对比所有的r所对应的S_r，找到的最小值。

步骤十、将的最小值与阈值比较，判断胶囊是否损坏。

根据以上的步骤我们可以看出当找到的目标为标准圆形的时候，每一个圆周上的投票都可以准确地投给圆的中心，而当目标非标准圆时，投票就非常分散，投票值会很低，由于为负值，即较大。因此我们用的最小值(绝对值对大值)为指标，只有它的值小于我们的阈值(也是负值)，才能判定目标为标准圆形，否则判别为非标准圆环，即为破损胶囊头。如图11所示。

概括起来就是：

1、对输入图像进行灰度化处理，挑选合适的RGB通道使其灰度化。得到灰度图像如图6所示.

2、通过Sobel算子计算出图像的梯度图像，如图7所示。

3、计算当前半径r下，图像的梯度幅值图像和梯度方向图像M_r和O_r，如图8和图9所示。

4、利用公式计算出S_r，如图10所示，并找到最小值并记录，它所对应的坐标即为此时r对应的圆心(x_min,y_min)。

5、继续进行迭代所有的半径，得到每个半径对应下的和它们对应的圆心。找到其中最小的它所对应的即为所求半径和圆心。

6、将的最小值与阈值比较，判断胶囊是否损坏。

通过如上若干个步骤的判别即可对所有情况的破损胶囊进行识别，进而将破损胶囊剔除掉达到目标效果。

本实施例技术方案带来的有益效果：

本发明提出了一个对胶囊头图像是否存在完整光亮斑的处理方法，用于检测胶囊头端是否存在缺陷。该方法采用精度较高的图像处理技术，在不接触胶囊的前提下，实现了较高精度核快速的缺陷胶囊自动检测。在胶囊数据库NEU-Capsule-DatabaseVersion1.0上测试，本实施例提出的方法达到了较高的准确率。

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)

1.一种缺陷胶囊检测的方法，其特征在于，包括：

获取胶囊头的灰度图像；

通过Sobel算子卷积所述灰度图像，得到梯度图；

遍历半径的取值范围，并对每个半径执行如下操作：

通过所述梯度图计算每个半径下的梯度幅值图像和梯度方向图像；

利用所述梯度幅值图像和梯度方向图像计算联合投票矩阵；

找出所述联合投票矩阵中投票最多的元素的值，作为每个半径对应的缺陷分值；

判断所述缺陷分值的绝对值最大值是否大于缺陷阈值的绝对值，若否，为缺陷胶囊。

2.根据权利要求1所述的缺陷胶囊检测的方法，其特征在于，所述获取胶囊头的灰度图像进一步为：

选择所述胶囊头图像的RGB通道中最清晰的一个作为灰度图像。

3.根据权利要求1所述的缺陷胶囊检测的方法，其特征在于，所述梯度图包括每个像素点的梯度幅值和梯度方向，所述通过Sobel算子卷积所述灰度图像，得到梯度图包括：

使用3x3的Sobel算子计算得到每个像素点的横向梯度分值和纵向梯度分值；

计算所述横向梯度分值和纵向梯度分值矢量叠加后的幅值，作为每个像素点的梯度幅值；

计算所述横向梯度分值和纵向梯度分值矢量叠加后的方向，作为每个像素点的梯度方向。

4.根据权利要求3所述的缺陷胶囊检测的方法，其特征在于，所述通过所述梯度图计算每个半径下的梯度幅值图像和梯度方向图像包括：

对梯度图上的每一个像素点进行投影，得到每一个像素点的投影点，所述投影点为在像素点的梯度方向上与像素点距离为半径的点；

对于每个投影点，将所有投影到一个投影点的像素点的梯度幅值进行累加，作为梯度幅值图像；

对于每个投影点，将所有投影到一个投影点的像素点的个数进行累加，作为梯度方向图像。

5.根据权利要求1所述的缺陷胶囊检测的方法，其特征在于，所述利用所述梯度幅值图像和梯度方向图像计算联合投票矩阵包括：

对所述梯度幅值图像和梯度方向图像进行归一化后相乘，并通过控制参数控制所述梯度幅值图像和梯度方向图像的权重，得到结果矩阵；

通过二维高斯滤波器对所述结果矩阵进行滤波，得到联合投票矩阵。

6.一种缺陷胶囊检测的装置，其特征在于，包括：

灰度化模块，用于获取胶囊头的灰度图像；

卷积模块，用于通过Sobel算子卷积所述灰度图像，得到梯度图；

遍历模块，用于遍历半径的取值范围，并对每个半径执行如下操作：

第一计算单元，用于通过所述梯度图计算每个半径下的梯度幅值图像和梯度方向图像；

第二计算单元，用于利用所述梯度幅值图像和梯度方向图像计算联合投票矩阵；

第三计算单元，用于找出所述联合投票矩阵中投票最多的元素的值，作为每个半径对应的缺陷分值

判断模块，用于判断所述缺陷分值的绝对值最大值是否大于缺陷阈值的绝对值，若否，为缺陷胶囊。

7.根据权利要求6所述的缺陷胶囊检测的装置，其特征在于，所述灰度化模块进一步用于：

选择所述胶囊头图像的RGB通道中最清晰的一个作为灰度图像。

8.根据权利要求6所述的缺陷胶囊检测的装置，其特征在于，所述梯度图包括每个像素点的梯度幅值和梯度方向，所述卷积模块包括：

卷积单元，用于使用3x3的Sobel算子计算得到每个像素点的横向梯度分值和纵向梯度分值；

梯度幅值计算单元，用于计算所述横向梯度分值和纵向梯度分值矢量叠加后的幅值，作为每个像素点的梯度幅值；

梯度方向计算单元，用于计算所述横向梯度分值和纵向梯度分值矢量叠加后的方向，作为每个像素点的梯度方向。

9.根据权利要求8所述的缺陷胶囊检测的装置，其特征在于，所述第一计算单元包括：

投影单元，用于对梯度图上的每一个像素点进行投影，得到每一个像素点的投影点，所述投影点为在像素点的梯度方向上与像素点距离为半径的点；

梯度幅值图像计算单元，用于对于每个投影点，将所有投影到一个投影点的像素点的梯度幅值进行累加，作为梯度幅值图像；

梯度方向图像计算单元，用于对于每个投影点，将所有投影到一个投影点的像素点的个数进行累加，作为梯度方向图像。

10.根据权利要求6所述的缺陷胶囊检测的装置，其特征在于，所述联合投票矩阵计算单元包括：

结果矩阵计算单元，用于对所述梯度幅值图像和梯度方向图像进行归一化后相乘，并通过控制参数控制所述梯度幅值图像和梯度方向图像的权重，得到结果矩阵；

滤波单元，用于通过二维高斯滤波器对所述结果矩阵进行滤波，得到联合投票矩阵。