简介：面向图像处理课程设计与机器视觉入门者的药片缺陷及有无检测 MATLAB 实践案例，围绕小波去噪、自适应中值滤波、形态学重构与边缘算子，搭建从预处理到目标判别的完整算法链路，可用于理解工业检测场景下的实现思路。压缩包共 15 个文件、约 1.78MB，其中 5 个 .m 脚本分别承担主流程、边界提取、帧差处理与自适应中值滤波等工作，7 张 jpg 为各阶段效果图与样例图像，2 份 doc 与 1 份 docx 给出检测说明与边缘函数讲解，图文与代码相互对照便于验证。已有 1578 人学习下载。读者可从中获得可直接运行的算法脚本、去噪与形态学重构的参数组织方式、二值化后扫描匹配与好坏有无判定的实现细节，以及配套文档中的原理梳理，适合按预处理、分割、判别的顺序逐步复现并调参。

1. 药片检测在检什么：一片崩边和一片缺角，代码得能分开

产线质检工位上摆着一台工业相机，背光板上的药片一颗颗往下走，人眼盯十几分钟就开始糊：漏掉一片崩边的，整批货要返工。这个 MATLAB 项目负责的就是把眼睛换成代码——先用形态学把药片从背光背景里剥出来，再用边缘算法量每一片的轮廓，最后判断有没有（缺片、叠片、计数对不上）和好不好（崩边、缺角、裂片、污点）。

它适合已经有一条简单成像链路、想把算法快速跑通再谈上线的开发者，也适合拿它当形态学与边缘检测的实战样例来啃。整套流程没有深度学习那一套环境依赖，一台装了 MATLAB 和 Image Processing Toolbox 的机器就能开跑。

算法本身不复杂，难的是参数。同一套阈值在实验室的样图上漂亮得不行，搬到产线上换个批次的药片就整片整片地误判——这也是后面几章要反复拆的部分。

2. 工程骨架：MATLAB 里一条从读图到判定的六段流水线

很多人拿到这类项目的第一反应是打开一个 .m 文件从头往下读，读到第三十行就迷路了：变量名全是bw1、bw2、I2，中间还夹着几次figure调试。这套代码要想改得动，第一步得先把职责分开。

2.1 目录结构：把参数、算法、入口三样东西拆开放

我一般会按下面这个结构摆：

pill_inspect/ ├── main_inspect.m % 单图调试入口：读一张图，跑完，显示 ├── main_batch.m % 批量入口：扫 ok/ng 文件夹，出混淆矩阵 ├── +pill/ % 包目录，外部以 pill.xxx() 调用 │ ├── segment.m % 图像 -> 二值掩膜 │ ├── countPills.m % 掩膜 -> 连通域标号（含粘连拆分） │ ├── measure.m % 标号 -> 每片的几何与灰度特征 │ ├── judge.m % 特征 -> OK / NG 与原因 │ ├── fitCircle.m % 最小二乘圆拟合，崩边判据的来源 │ └── showResult.m % 可视化，只在调试入口调用 ├── config/ │ └── params.m % 所有阈值，一个函数返回一个结构体 ├── data/ │ ├── ok/ % 良品样图，用来回归 │ ├── ng/ % 不良品样图 │ └── test/ % 单张调试用 └── report/ % 批量跑完的 csv 落在这一层

三个目录各有各的作用。+pill/用 MATLAB 的包目录语法，函数名不会污染全局路径，也不会跟工具箱里同名的measure、judge撞车——这个冲突我在早期版本里踩过，报错信息还特别含糊，只说你调用参数数量不对。config/params.m是整套代码里最该被重视的文件，产线换批次时改的永远是它，而不是算法函数。data/ok和data/ng则是你的回归集，改完参数必须跑一遍，不然就是凭感觉调参。

单图调试入口写出来大概是这样，它只做四件事：拿参数、读图、调用、显示。

% main_inspect.m —— 单图调试入口，不承担任何算法逻辑 clear; clc; close all; P = params(); % 阈值全部来自 config/params.m img = imread(fullfile('data','test','sample_07.png')); [bw, gray] = pill.segment(img, P); % 第一段：分割 [L, n] = pill.countPills(bw, P); % 第二段：计数与粘连拆分 props = pill.measure(L, gray, P); % 第三段：逐片量化 rep = pill.judge(props, P); % 第四段：出结论 fprintf('检出 %d 片，整体判定：%s\n', n, string(rep.pass)); pill.showResult(img, L, rep); % 产线版本里这一行删掉

P是唯一一个贯穿全流程的变量，好处是任何一次判定结果都能复现——把当时的P存下来，三个月后出了问题还能原样重跑。pill.showResult单独拎出来是有意的，imshow、montage、plot这些调用会显著拖慢单帧耗时，上线前必须能干净地摘掉，而不是靠注释一行行去找。

参数文件长这样，每一行都对应一个物理含义：

function P = params() % 所有可调阈值集中在这里，改完务必跑 main_batch 回归 P.blurSigma = 1.2; % 高斯 sigma，单位像素；越大越糊，崩边细节会被抹平 P.bgRadius = 60; % 背景估计结构元素半径，取图像短边的 1/8 左右 P.threshScale = 1.00; % Otsu 阈值缩放系数，0.90~1.10 之间微调 P.minArea = 800; % 单片最小面积（像素），小于它当噪点丢弃 P.openR = 2; % 开运算半径，去毛刺 P.closeR = 2; % 闭运算半径，补缺口；别超过最小崩边宽度的 1.5 倍 P.minCirc = 0.82; % 圆形度下限，低于它怀疑崩边或裂片 P.areaTol = 0.12; % 面积相对偏差容限 ±12% P.residTol = 1.8; % 圆拟合半径残差 std 上限（像素） P.expectNum = 24; % 治具上应有片数，用于有无检测 end

2.2 算法主链路：灰度化、压噪、去背景、二值化、形态学、连通域

整条链路其实只有六步，但每一步都有个“为什么是它而不是别的”的理由。

第一步转灰度。如果相机出的是彩色图，rgb2gray用的加权系数对背光成像基本够用；但如果药片本身是带颜色的糖衣片，颜色反而是重要信息（比如深浅片混淆），这时候就该考虑在 HSV 空间取某个通道，而不是无脑转灰度。

第二步压噪。imgaussfilt的高斯核比中值滤波更适合抑制传感器的高斯型噪声，代价是边缘变软。sigma 从 1.0 起调，崩边只有一两个像素宽的时候，sigma 上到 2 就基本判不出来了——这是最常见的一类“算法不准”投诉的真实原因。

第三步去背景不均。背光板用久了会有暗角，全局 Otsu 在这种图上会把中间一片判成前景、边上一片判成背景。老版本 MATLAB 没有imflatfield，用形态学顶帽等价实现：

% 背景估计：大半径开运算把“比结构元素窄的亮区”抹掉，剩下慢变的背景 se = strel('disk', P.bgRadius, 0); bg = imopen(gray, se); gray = gray - bg; % 顶帽变换：背景被减掉，药片边缘被保留 gray = mat2gray(gray); % 归一化到 [0,1]，方便后面固定阈值

strel('disk', R, 0)第三个参数是近似方式，0 表示用多边形近似，速度快、精度略差；需要更圆的盘就写strel('disk', R, 4)，代价是运算变慢。半径 R 的取法有个简单准则：必须明显大于单个药片的直径，又必须小于整幅图的光照变化尺度，一般在图像短边的 1/6 到 1/10 之间。

第四步二值化，背光成像下药片是暗的，取反让药片成为true：

level = graythresh(gray); % Otsu，直方图双峰时最稳 bw = imbinarize(gray, level * P.threshScale); bw = ~bw; % 关键一行：别忘 bw = imfill(bw, 'holes'); % 药片刻字造成的内部空洞 bw = bwareaopen(bw, P.minArea); % 去小噪点

imfill(bw,'holes')这一步容易被跳过，后果是药片中心被刻字、凹槽挖出一堆洞，后面算面积全部偏小，圆形度也崩了。

第五步形态学清理，第六步连通域标号，这两块内容多，下一章单独拆。

2.3 参数之间的耦合关系：改一个必须回头看三个

新手最容易犯的错是把参数当成互相独立的旋钮，一个个拧到“看起来对”为止。实际上它们强耦合，下面这张表是我自己调参时贴在显示器边上的备忘：

举个具体例子：把openR从 2 调到 4，单片的面积会缩小大概 3% 到 6%（缩小量约等于周长乘以半径），这时候areaTol还卡在 ±12%，看起来没问题，但面积中位数已经整体下移，一旦有批次本身偏小就会集体越界。所以每次动形态学半径，我都要重跑一遍批量回归看面积分布，而不是只看单张图顺眼。

3. 形态学拆解：结构元素、开闭运算与粘连药片的分离

形态学在这个项目里不是“美化一下掩膜”的收尾步骤，它直接决定了面积、周长、圆形度这些判据准不准。半径差一个像素，崩边判据的阈值就得跟着改。

3.1 结构元素尺寸怎么由物理尺寸反推

不要凭感觉给半径，先从标定板算出像素当量。假设标定结果是 0.05 mm/pixel，药片直径 8 mm，也就是 160 像素；允许的最小崩边宽度 0.2 mm，也就是 4 像素。

按这个换算，几个半径就有了依据：

• openR取 2，对应 0.1 mm，只能削掉比这更细的毛刺，不会伤到真正的崩边；
• closeR取 2，能补上 0.2 mm 以内的缺口，再大就会把两片之间 0.3 mm 的缝糊死；
• bgRadius取 60，对应 3 mm，远大于药片直径的一半，又远小于整幅视场。

这套换算还有个用处：跟工艺人员沟通时不用讲像素。对方说“崩边超过 0.2 mm 才算不良”，你直接把它翻译成 4 像素，写进params.m的注释里，后面谁改都能看懂。

strel的形状也别乱选。圆形结构元素对回转体形状的药片最自然；用方形strel('square', n)会在斜 45 度方向多削掉一块，圆形度算出来系统性偏低。异形片（椭圆片、胶囊片）另说，那种情况圆形度这个判据本身就不该用。

3.2 开运算与闭运算的顺序、半径和副作用

开运算是先腐蚀后膨胀，作用是去掉比结构元素小的亮细节（毛刺、飞边、粘连的细桥）；闭运算是先膨胀后腐蚀，作用是填补比结构元素小的暗细节（缺口、裂缝、内部小洞）。

顺序上一定先开后闭。反过来先闭的话，缺口补上的同时两个相邻药片之间的窄缝也被填了，再开运算也分不开——因为缝已经变成实心区域了。

% 形态学清理：顺序不能反 bw = imopen(bw, strel('disk', P.openR)); % 1) 去毛刺、断开细桥 bw = imclose(bw, strel('disk', P.closeR)); % 2) 补缺口、闭合轮廓 bw = imfill(bw, 'holes'); % 3) 填内部空洞 bw = bwareaopen(bw, P.minArea); % 4) 最后再滤小连通域

注意bwareaopen放在了最后。如果放在闭运算之前，那些面积略小于阈值、本来会被闭运算连成一片的小碎块就被提前删掉了，等于人为制造了漏检。这个顺序问题我在一个批次上排查了大半天，最后发现是两行代码写反了。

还有一个隐蔽的坑：imclose之后掩膜边界会整体外扩约closeR个像素，如果直接拿它算面积，会比真实面积偏大 5% 左右。要么在闭运算后补一次同半径的开运算（开闭级联，imclose再imopen），要么在标定areaTol的时候把这点系统性偏差吸收进去。我选后者，因为多一次开运算又会把崩边削掉。

3.3 粘连分离：距离变换加分水岭，再按面积回合并

药片在振动盘上走，偶尔两片贴在一起。这时候连通域标号会把它们算成一片，计数少一片，面积超上限，两个判据同时报警但报的都是“假警”。

标准解法是距离变换加分水岭：

function [L, n] = countPills(bw, P) % 输入 bw：清理后的二值掩膜；输出 L：连通域标号，n：片数 bw = imclearborder(bw); % 压边的不完整片剔除，交人工 D = bwdist(~bw); % 每个前景点到最近背景的距离 D = -D; % 取负，让“中心”变成谷底 D(~bw) = -Inf; % 背景强制为分水岭的汇水盆地边界 Lw = watershed(D); % 分水岭分割 Lw(~bw) = 0; % 背景置零 L = zeros(size(bw)); cnt = 0; for k = 1:max(Lw(:)) m = (Lw == k); if sum(m(:)) >= P.minArea * 0.35 % 剔除分水岭产生的碎片 cnt = cnt + 1; L(m) = cnt; end end n = cnt; end

逐段解释一下。bwdist算的是欧氏距离，药片是近似圆形的凸体，距离变换的极大值就落在每片的几何中心，两片粘连的地方会形成一个鞍点，分水岭正是沿着鞍点切开。D(~bw) = -Inf这一行不能省，否则背景区域也会被分割成无数块，后面的循环直接爆掉。

P.minArea * 0.35这个系数是经验值。分水岭在粘连处切出来的碎片通常只有完整片的 10% 到 40%，取 0.35 能滤掉绝大多数碎片，但如果两片严重重叠（重叠超过 60%），切出来的两块都接近完整片大小，这时候面积判据就兜不住了，得靠圆形度和圆拟合残差——重叠片的轮廓不是圆，resid会明显偏大。

还有一种更朴素的做法：如果粘连是偶发的，直接按面积除以中位单片面积四舍五入估个数就行，简单粗暴但很有效。

% 兜底方案：面积估数，适合粘连率低于 5% 的产线 stats = regionprops(L, 'Area'); areas = [stats.Area]; area0 = median(areas); % 单片面积基准 estNum = round(sum(areas) / area0); % 总面积的商，四舍五入

这个估法在叠片（三片摞一起）时会低估，但对“两片贴着”这种最常见的情况足够，而且没有分水岭过分割的风险。我一般两个都实现，用params.m里一个开关切换，跑回归集对比谁的误判少就用谁。

4. 边缘与判据：Canny、圆拟合残差和面积周长怎么组合成 NG 结论

分割只回答了“药片在哪”，缺陷判定才回答“这片行不行”。这一步的核心思路是：把每片的轮廓拟合成一个理想圆，然后看实际轮廓偏离这个圆有多远。崩边、缺角、裂片，本质上都是轮廓的局部凹陷。

4.1 边缘检测的选型：Canny 拿来定位，圆拟合拿来量化

实际跑下来，bwboundaries这条路最稳，因为分割阶段的形态学已经把轮廓整理干净了，边界点天然闭合，不会出现 Canny 那种断断续续要自己连的情况。Canny 我主要留着做两件事：一是调参时叠在原图上肉眼确认边缘位置对不对，二是当分割阶段出问题时用它交叉验证是不是阈值的事。

如果规格要求高到需要亚像素，常见做法是对每个边缘点沿法向取灰度剖面，做抛物线拟合找极值点，把整数坐标插值成小数坐标。这套实现量不小，一般项目用不到，先用整像素圆拟合把流程跑通再说。

4.2 圆拟合残差：把“崩边”变成一个可比较的数字

function [xc, yc, r, resid, maxDev] = fitCircle(x, y) % Kasa 最小二乘圆拟合：x^2 + y^2 = 2*xc*x + 2*yc*y + (r^2 - xc^2 - yc^2) % 先把坐标平移到质心再解，否则 A 矩阵条件数很差，结果会飘 x = x(:); y = y(:); mx = mean(x); my = mean(y); xs = x - mx; ys = y - my; A = [2*xs, 2*ys, ones(numel(xs),1)]; b = xs.^2 + ys.^2; p = A \ b; % 最小二乘解 xc = p(1) + mx; yc = p(2) + my; r = sqrt(p(3) + p(1)^2 + p(2)^2); d = sqrt((x - xc).^2 + (y - yc).^2); resid = std(d - r); % 半径残差的标准差：整体形状偏离程度 maxDev = max(abs(d - r)); % 最大偏差：局部崩边就体现在这里 end

三个输出各有分工。r是等效半径，可以和标称半径比对，判断是不是整片偏小（模具磨损的典型特征）。resid是残差标准差，反映整体轮廓的“不圆程度”，椭圆片、变形片在这里报警。maxDev是最大偏差，崩边这种局部凹陷主要看它——一片直径 160 像素的圆，崩掉宽 4 像素、深 3 像素的一个角，maxDev大约会到 3 左右，而resid可能只有 0.8，光看resid就漏了。

坐标平移到质心这一步是数值稳定性问题。药片在图像右下角时，x、y都是几百上千的量级，平方之后到 10^6，而半径信息在 10^4 量级，直接解正规方程会丢掉有效数字，拟合出来的圆心偶尔会飞到图像外面去。平移之后所有坐标都在 ±100 以内，条件数立刻正常。这个坑我在一张 2048×2048 的大图上结结实实踩过一次，当时还以为是\运算符有问题。

4.3 判据组合与有无检测：三张表合成一个结论

单片判据用表格理清楚更直观：

最后一行灰度特征容易被忽略。背光成像下，两片叠在一起的位置透光率明显偏低，灰度直方图会出现第二个峰；药片上有污点或裂纹时，局部灰度方差也会变大。这一条判据基本不增加计算量，但对叠片特别有效——几何特征在叠片时反而可能“看起来正常”。

判定函数把这些串起来，同时处理有无检测：

function rep = judge(props, P) n = numel(props); if n == 0 rep.pass = false; rep.num = 0; rep.reason = 'empty'; return end areaMed = median([props.area]); % 用中位数而不是均值，抗单片异常 rep.num = n; rep.items = struct('idx',{},'ng',{},'reason',{}); for k = 1:n reasons = {}; if abs(props(k).area - areaMed) / areaMed > P.areaTol reasons{end+1} = 'area'; end if props(k).circ < P.minCirc reasons{end+1} = 'shape'; end if props(k).resid > P.residTol || props(k).maxDev > 3.0 reasons{end+1} = 'chip'; end rep.items(k).idx = k; rep.items(k).ng = ~isempty(reasons); rep.items(k).reason = strjoin(reasons, '|'); end rep.missing = n < P.expectNum; % 缺片 rep.extra = n > P.expectNum; % 叠片或多投 rep.pass = ~(rep.missing || rep.extra || any([rep.items.ng])); end

areaMed用中位数是个刻意的选择。一批 24 片里如果混进一片叠片，面积是正常的两倍，用均值的话基准会被拉高 4%，本来合格的小片就被误判了。中位数在污染比例低于 50% 时完全不受影响。

expectNum这个判据依赖治具的固定工位。如果产线是自由摆放、片数不固定，那就不能靠这个数判断有无，得改成“面积总和除以单片基准面积”的估数法，或者干脆只判单片质量、把计数交给上游的称重工位。这一点在跟工艺确认需求的时候必须问清楚，不然后面全是无用功。

5. 避坑排查：分割翻车、计数飘、换批次就崩的五个现场记录

这一章记的都是真实发生过的现场问题，每条按“现象 → 原因 → 解决”写。新手对着排查能省不少时间。

5.1 成像与分割阶段：整幅图变白、边缘发虚

现象一：跑完segment，bw整幅图全是true，figure出来一片白。原因：背光成像下药片比背景暗，Otsu 算出来的前景其实是背景，忘了取反；另一种可能是顶帽变换时bgRadius取得太小，药片自己被当成背景减掉了，剩下的全是噪声。 解决：先imhist(gray)看直方图是不是双峰、峰在哪一侧，用figure; imshowpair(img, bw, 'montage')并排看一眼。忘了取反这种低级错，加一行断言就能兜住：assert(mean(bw(:)) < 0.5, '前景占比过高，检查是否忘记取反')。

现象二：崩边判不出来，maxDev永远小于 2。原因：blurSigma设成了 2.0，一两个像素宽的缺口被高斯核抹平了，后面再怎么调阈值也找不回来。 解决：把blurSigma降到 1.0 以内，改在中值滤波上压噪（medfilt2(gray, [3 3])），中值滤波对椒盐噪声有效又不糊边缘。代价是运算慢一点，单帧多几毫秒。

5.2 形态学与计数阶段：数量总差一两片

现象三：明明 24 片，n稳定报 25 或 26。原因：药片表面的刻字、凹槽形成暗环，imfill之前这些小洞被算成了背景，bwboundaries沿着洞的内壁又描了一圈，regionprops把内圈也算成了一个连通域。 解决：imfill(bw,'holes')必须在连通域标号之前，而且要确认洞是真的被填满了——imfill只填“完全被前景包围”的区域，如果洞有一处开口通到外面就填不上。可以在imfill后接一次imclose，把开口封住再填。

现象四：n稳定少一片，maxDev却有片报得特别大。原因：两片粘连，分水岭把其中一片切成了两块碎片，碎片面积小于minArea*0.35被丢掉，剩下的一块又被当成完整片。 解决：把碎片阈值降到 0.2，同时给分水岭加一个“最小间距”约束——两片中心距小于0.8 * 等效直径时不做分割，直接按面积估数。分水岭的过分割问题没有通用解，只能靠回归集反复试。

5.3 参数迁移与性能：换批次崩、单帧超时

现象五：样图上调好的参数，换一个批次误判率飙升到 15%。原因：threshScale硬编码成 1.05，那个批次的药片颜色深、整体偏暗，Otsu 阈值本来就偏低，再乘 1.05 前景收缩过度，边缘片被切碎。 解决：threshScale一律给 1.00，让 Otsu 自适应；每批开机时先跑三张良品图，统计前景占比，占比落在 60% 到 75% 之外就报警提示重新标定。这套“开机自检”比事后调阈值靠谱得多。

现象六：离线跑 40 ms 一张，产线上要 120 ms，节拍跟不上。原因：调试用的imshow、imshowpair、plot全留在主流程里；每帧都imread一张未经压缩的大图；循环里没有预分配结构体数组。 解决：把可视化全部收进showResult，上线版永不调用；图像在采集阶段就用无损压缩或 ROI 裁剪，把视场缩到治具范围，能砍掉一半像素；measure循环里的结构体先按n预分配，MATLAB 的结构体数组在循环里动态增长非常慢。这三条做完，同一套算法能压到 30 ms 以内。

6. 二次开发：把 demo 脚本改成能挂到产线节拍上的检测函数

单张图跑通只是起点。真正要交付的时候，代码要面对的是“换批次、换规格、连续跑八小时”这些工程约束。

第一件事是接口收敛。我习惯把所有对外能力收成一个函数：

function rep = inspect(img, P) % 对外唯一入口：输入一帧图像和参数，输出结论结构体 % 上线时会被 C# 或 C++ 侧通过 MATLAB Compiler SDK 调用 [bw, gray] = pill.segment(img, P); [L, n] = pill.countPills(bw, P); props = pill.measure(L, gray, P); rep = pill.judge(props, P); rep.n = n; end

调用方只需要拿到rep.pass和rep.items(k).reason，内部怎么改形态学、怎么换边缘算法，对外完全透明。这条约定立下来之后，同事换了一版基于形态学梯度的边缘定位，接口没动，产线侧一行代码都没改。

第二件事是回归集和混淆矩阵。没有回归集的调参就是赌博。main_batch.m干的就是这个：

% main_batch.m —— 跑 ok/ng 两个文件夹，出混淆矩阵和追溯表 P = params(); sets = {'ok', true; 'ng', false}; yTrue = []; yPred = []; names = {}; for s = 1:size(sets,1) files = dir(fullfile('data', sets{s,1}, '*.png')); for i = 1:numel(files) img = imread(fullfile(files(i).folder, files(i).name)); rep = inspect(img, P); yTrue(end+1) = sets{s,2}; yPred(end+1) = rep.pass; names{end+1} = files(i).name; end end C = confusionmat(yTrue, yPred); disp(array2table(C, 'RowNames', {'NG','OK'}, 'VariableNames', {'predNG','predOK'})); % 把漏检的样本名单独列出来，逐个肉眼复核 miss = names(~yTrue & yPred); % 真值 NG、预测 OK = 漏检 if ~isempty(miss) fprintf('漏检 %d 张：%s\n', numel(miss), strjoin(miss, ', ')); end

confusionmat约定真值和预测都是逻辑或类别标签，这里true表示 OK。漏检（NG 判成 OK）和误检（OK 判成 NG）在产线上的代价完全不对等——漏检会流出不良品，误检只是停机复检。所以调参的时候不能只看总准确率，要单独盯漏检数，宁可误检率高一倍也不能放过一片崩边。

第三件事是收尾清单。下面这张表是我每次交付前必过的：

那次最惨的教训是把一段判据逻辑写在了showResult里改颜色——调试时一切正常，上线版删掉可视化之后，NG 片全被判成了 OK，因为那个ng标志是在画图函数里顺手赋值的。

从那以后我每次交付前都强制走一遍“空图 + 全黑图 + 无可视化”三连测试，任何一步报错或者结果不对，就不许发布。这套习惯听着笨，但确实把线上事故压到了零。

希望帮到你。

本文还有配套的精品资源，点击获取