药品质量检测系统概述
在药品制造过程中，自动检测损坏的药品、异物和错误药品至关重要。这些不合格药品如果流入市场，可能会导致健康风险、召回事件、销售损失以及声誉损害。本项目专注于在药品包装前的质量检测阶段，通过视觉检查来确保药品的尺寸、表面纹理、形状和颜色等特征符合规格。视觉检查可以在高速下进行，并且需要高精度。
提出的系统架构如下所示：一个计算机视觉模型可以在云服务器上进行训练，然后将模型部署到控制传送带的控制器上，用于检查药品。控制器从安装的摄像头获取数据，然后根据药品的质量水平进行分类。合格的药品被送往包装，损坏的药品被丢弃，数据被存储回服务器以供报告和研究。这种机器不仅适用于损坏检查，还适用于在包装前按药品类型进行分类。
项目需求
要构建上述项目，需要以下设备：Raspberry Pi 4或任何兼容Linux的板卡、USB摄像头、USB键盘、WiFi互联网连接。
药品数据集收集与准备
本项目使用两个类别：‘损坏的药品’和‘异物’。公共项目pill-inspection-od可在Roboflow Universe上找到，供在此指南的配合下打开和探索。以下图表显示了数据集中的示例图像：所有图像都上传到Roboflow平台，并根据其类别类型进行标记。一旦所有图像都被标记，将应用以下预处理和增强，然后生成数据集版本。
药品检测模型训练
生成数据集版本后，使用Roboflow Train来训练模型。选择了‘从头开始训练’选项，该选项选择Roboflow 2.0对象检测（准确）模型，并从头开始训练模型。在UI中点击‘开始训练’按钮，一旦生成数据集版本，就可以使用Roboflow开始训练模型。
在下一个对话框中选择喜欢的模型类型。选择‘从头开始训练’。Roboflow将自动准备数据集进行训练。训练将自动开始，可以实时观察模型训练情况。然后，模型将被托管，并通过API和边缘设备用于部署。以下图表显示了模型在训练周期中的性能。使用这些图表可以很容易地理解模型是如何从输入数据中学习的。
测试模型预测
以下图像显示了模型在测试数据上的表现。从图像中可以看到，模型以高准确率预测破损或损坏的药品，这对于此类系统是必需的。这些图像描绘了真实情况与模型预测的对比，可以清楚地看到模型检测破损药品的效果非常好。可以使用Roboflow的部署页面，在浏览器中直接使用图像、视频和摄像头测试模型，以了解模型性能。