基于自适应学习和精确计数的药物缺陷多尺度轨迹跟踪

《Journal of Pharmaceutical Innovation》：Multi-Scale Trajectory Tracking of Pharmaceutical Defects with Adaptive Learning and Precision Counting

制药高速压片生产中缺陷检测与计数难题，提出MS-PDTAC系统。其双流架构集成YOLOv8检测与自监督学习，通过多阶段过滤、四分辨率特征提取、 Hungarian算法优化及时空注意力机制，结合卡尔曼滤波与指数平滑，实现缺陷全生命周期管理，最终达成100%计数准确率，显著优于传统方法。

摘要

制药制造业在高速生产药片的过程中面临着保持质量控制一致性的关键挑战，现有的跟踪方法存在药品身份混淆、时间不一致以及计数不准确的问题。本文提出了一种名为“多尺度药品缺陷跟踪器与自适应置信度及计数系统”（Multi-Scale Pharmaceutical Defect Tracker with Adaptive Confidence and Counting，简称MS-PDTAC）的实时系统，该系统专门用于药品生产线中的缺陷检测、跟踪和计数。该系统采用双流并发处理架构，结合了基于YOLOv8的对象检测技术、先进的跟踪机制以及自监督学习功能。主要处理流程通过几何验证、非最大值抑制和时间一致性检查实现多阶段错误检测过滤，随后在四个不同分辨率级别上进行多尺度直方图特征提取，以捕捉不同尺度下的缺陷特征。缺陷检测与跟踪的关联过程利用匈牙利算法进行优化，通过复合成本矩阵综合考虑空间距离、外观相似性和置信度质量等因素，并通过时空注意力机制动态调整这些因素的权重，该机制根据轨迹预测、时间一致性和特征匹配的可靠性来动态调整权重。状态估计利用卡尔曼滤波进行位置预测，并通过指数平滑技术对特征进行精细化处理；缺陷状态生命周期管理实现了从“待验证”状态到“已确认”状态的转换，确保只有经过验证的缺陷才会被计入最终统计结果。多方法交叉检测结合了直接位置监测、轨迹历史分析和基于区域的检测方法，以实现高度可靠的计数精度。同时运行的自监督学习流程每50帧通过统计反馈机制不断调整置信度阈值和特征权重，从而实现无需人工干预的实时系统优化。在定制的药品数据集上的全面评估表明，该系统的计数准确率达到100%，在所有七种缺陷类型（黑点、药片破损、颜色不匹配、裂纹、双盖、空胶囊和异物颗粒）上均无绝对计数误差，显著优于存在计数过载、误报和药品身份混淆问题的传统方法。