1.一种药盒混装缺陷的视觉在线检测方法，其特征在于，包括：获取药盒混装缺陷的训练数据，所述训练数据包括待检测生产线上的样本药盒图像以及样本药盒图像对应的真值标签；

对所述样本药盒图像进行预处理，得到预处理后的样本药盒图像，并提取所述预处理后的样本药盒图像中的图像特征，得到样本图像特征；

构建药盒混装缺陷检测模型，并以所述样本药盒图像对应的样本图像特征以及样本药盒图像对应的真值标签为基础，对药盒混装缺陷检测模型进行训练，得到训练完成的药盒混装缺陷检测模型；

采集待检测生产线上的实时药盒图像，并提取所述实时药盒图像的实时图像特征，采用训练完成的药盒混装缺陷检测模型对实时图像特征进行识别，获取药盒混装缺陷的检测结果。

2.根据权利要求1所述的药盒混装缺陷的视觉在线检测方法，其特征在于，对所述样本药盒图像进行预处理，得到预处理后的样本药盒图像，包括：对所述样本药盒图像进行滤波处理，得到预处理后的样本药盒图像，所述滤波处理包括均值滤波或者高斯滤波。

3.根据权利要求1所述的药盒混装缺陷的视觉在线检测方法，其特征在于，提取所述预处理后的样本药盒图像中的图像特征，得到样本图像特征，包括：将所述预处理后的样本药盒图像均分为N*N个图像块，得到待处理图像块；

针对每个所述待处理图像块，采用M点高斯采样法对待处理图像块进行采样，得到每个待处理图像块对应的采样点，并获取每个采样点的梯度；其中，M为128、256或者512；

针对每个所述待处理图像块，将待处理图像块对应的采样点均分为两个点集，所述两个点集分别为Q点集以及P点集；

将Q点集中的采样点与P点集中的采样点进行一一对应配对，得到配对点集；

根据每个采样点的梯度以及配对点集，获取每个待处理图像块对应的图像块特征；

根据图像块特征，获取预处理后的样本药盒图像中的图像特征，得到样本图像特征。

4.根据权利要求3所述的药盒混装缺陷的视觉在线检测方法，其特征在于，获取每个采样点的梯度为：；

其中， 表示采样点的坐标， 表示二维离散函数， 表示采样点在x方向上的梯度， 表示采样点在y方向上的梯度。

5.根据权利要求4所述的药盒混装缺陷的视觉在线检测方法，其特征在于，将Q点集中的采样点与P点集中的采样点进行一一对应配对，得到配对点集，包括：A1、设置计数器t=1；

A2、针对P点集中的第t个第一采样点 ，采用高斯分布的随机抽样方法在Q点集中确定与第t个第一采样点 所对应的第二采样点 ，得到配对点( )；并在配对后将第二采样点 从Q点集中去除；

A3、判断计数器t的计数值是否等于或者大于M/2，若是，则将所有的配对点( )组成配对点集，否则令计数器t的值加一，并返回步骤A2。

6.根据权利要求4或5所述的药盒混装缺陷的视觉在线检测方法，其特征在于，根据每个采样点的梯度以及配对点集，获取每个待处理图像块对应的图像块特征，包括：；

其中，f表示待处理图像块对应的图像块特征， 表示配对点集中第一对配对点， 表示点 在x方向上的梯度， 表示点 在y方向上的梯度， 表示点在x方向上的梯度， 表示点 在y方向上的梯度， 表示点 梯度的模，表示点 梯度的模； 表示配对点集中第二对配对点， 表示点 在x方向上的梯度， 表示点 在y方向上的梯度， 表示点 在x方向上的梯度，表示点 在y方向上的梯度， 表示点 梯度的模， 表示点 梯度的模； 表示配对点集中第 对配对点， ， 表示点 在x方向上的梯度， 表示点 在y方向上的梯度， 表示点 在x方向上的梯度，表示点 在y方向上的梯度， 表示点 梯度的模， 表示点梯度的模。

7.根据权利要求6所述的药盒混装缺陷的视觉在线检测方法，其特征在于，根据图像块特征，获取预处理后的样本药盒图像中的图像特征，得到样本图像特征，包括：将N*N个图像块特征组成向量 ，

得到样本图像特征；其中， 分别表示第1,

2,…,N,N+1,…,2N,2N+1,…,N*N个图像块所对应的图像块特征。

8.根据权利要求7所述的药盒混装缺陷的视觉在线检测方法，其特征在于，所述药盒混装缺陷检测模型设置为SVM模型。

9.根据权利要求8所述的药盒混装缺陷的视觉在线检测方法，其特征在于，以所述样本药盒图像对应的样本图像特征以及样本药盒图像对应的真值标签为基础，对所述药盒混装缺陷检测模型进行训练，得到训练完成的药盒混装缺陷检测模型，包括：将所述样本药盒图像对应的样本图像特征按特征维度展开，得到展开后的样本图像特征  ，其中， 表示第i个样本图像特征， 分别表示样本图像特征中第1,2,…,n个特征，n=N*N*M/2；

构建药盒混装缺陷检测模型的超平面方程为：

；

其中， ， ， 表示超平面的法向量，表示超平面上的点，表示偏移量， 、 和 表示超平面方程的不同系数， 、 和 表示超平面上的不同的点，T表示转置；

以所述超平面方程为基础，获取样本图像特征 与药盒混装缺陷检测模型的超平面之间的距离为：

；

其中， 表示第i个样本图像特征 与超平面之间的距离， 表示第i个样本图像特征中的特征矩阵；

根据样本药盒图像对应的真值标签label以及距离 ，构建支持向量求解模型：；

对支持向量求解模型进行求解，得到药盒混装缺陷检测模型的支持向量，所述支持向量包括法向量 和偏移量 ，完成药盒混装缺陷检测模型的训练。

10.一种药盒混装缺陷的视觉在线检测装置，其特征在于，包括训练数据获取模块、样本图像特征获取模块、训练模块以及实时检测模块；

所述训练数据获取模块用于，获取药盒混装缺陷的训练数据，所述训练数据包括待检测生产线上的样本药盒图像以及样本药盒图像对应的真值标签；

所述样本图像特征获取模块用于，对所述样本药盒图像进行预处理，得到预处理后的样本药盒图像，并提取所述预处理后的样本药盒图像中的图像特征，得到样本图像特征；

所述训练模块用于，构建药盒混装缺陷检测模型，并以所述样本药盒图像对应的样本图像特征以及样本药盒图像对应的真值标签为基础，对药盒混装缺陷检测模型进行训练，得到训练完成的药盒混装缺陷检测模型；

所述实时检测模块用于，采集待检测生产线上的实时药盒图像，并提取所述实时药盒图像的实时图像特征，采用训练完成的药盒混装缺陷检测模型对实时图像特征进行识别，获取药盒混装缺陷的检测结果。