葉樺杉，李 翔

（文山學(xué)院 人工智能學(xué)院，云南 文山 663099）

中藥材三七是多種藥品的主要成分，目前，三七主根的質(zhì)量分級(jí)主要通過(guò)人工分揀的方式進(jìn)行，人工分級(jí)耗時(shí)耗力且效率低，分揀結(jié)果受分揀人員的水平和主觀影響較大[1]。與人工分揀相比，機(jī)器視覺(jué)技術(shù)能夠消除人工分揀帶來(lái)的主觀因素和由個(gè)體水平差異造成的分揀錯(cuò)誤，在農(nóng)產(chǎn)品品質(zhì)檢測(cè)中得到了廣泛的應(yīng)用[2]。在三七質(zhì)量檢測(cè)研究上，于佳楊等[3]基于機(jī)器視覺(jué)技術(shù)，使用決定系數(shù)來(lái)描述三七主根形狀，依據(jù)決定系數(shù)將三七主根分為錐形和瘤形，并分別建立錐形、瘤形三七主根正投影面積與質(zhì)量的回歸模型。李哲等[1]基于機(jī)器視覺(jué)技術(shù)，采用離心率描述三七種苗主根形狀，能夠?qū)⑷叻N苗分為長(zhǎng)苗和短苗。

可見(jiàn)，三七主根形狀是使用機(jī)器視覺(jué)技術(shù)對(duì)三七進(jìn)行分揀的重要依據(jù)。在于佳楊等[3]學(xué)者的研究中，按三七主根表面的光滑程度、質(zhì)量分布均勻程度和表面凸起數(shù)量將三七分為兩類(lèi)：表面光滑，凸起少，質(zhì)地均勻，稱(chēng)之為錐形三七；表面存在大量瘤形凸起，質(zhì)地不均勻，稱(chēng)之為瘤形三七。從其研究所得的回歸結(jié)果來(lái)看，機(jī)器視覺(jué)能否有效運(yùn)用于不同等級(jí)三七主根的自動(dòng)分揀，主要取決于三七主根形狀識(shí)別的準(zhǔn)確度，即識(shí)別錐形和瘤形的準(zhǔn)確度。文獻(xiàn)[3]將三七主根投影圖像外接矩形的長(zhǎng)和寬分別作為三七主根圖像的長(zhǎng)和寬，其比值作為形狀決定系數(shù)。選取適當(dāng)閾值，當(dāng)決定系數(shù)大于閾值則判定三七主根形狀為錐形，反之則為瘤形。文獻(xiàn)[1]利用三七主根投影圖像的偏心率判別其形狀。上述方法的特征值較為單一，對(duì)于常規(guī)三七主根形狀的識(shí)別具有較高的準(zhǔn)確率，但用于識(shí)別非常規(guī)形狀的三七主根會(huì)有一定的誤差。

將三七主根形狀分為錐形或瘤形是基于感官指標(biāo)分類(lèi)，為直觀反映不同方法的形狀識(shí)別性能，本文將劉大會(huì)等學(xué)者研究的不同規(guī)格、等級(jí)商品三七外觀形狀數(shù)據(jù)[4]作為區(qū)分錐形或瘤形的標(biāo)準(zhǔn)?；诖?，本文按照文獻(xiàn)[4]中不同規(guī)格、等級(jí)三七的長(zhǎng)度、中部直徑、長(zhǎng)粗比等數(shù)據(jù)信息，確定三七本征形狀并作為參考依據(jù),將三七主根正投影圖像的圓形度、矩形度、和軸長(zhǎng)比三個(gè)參量同時(shí)作為特征值，借助matlab神經(jīng)網(wǎng)絡(luò)工具箱，使用特征值構(gòu)建形狀判別函數(shù)，實(shí)現(xiàn)高效、準(zhǔn)確地判別三七主根形狀。

1 材料和方法

1.1 實(shí)驗(yàn)樣本

三七主根樣本購(gòu)于云南省文山市文山三七國(guó)際交易中心，共采集樣本圖像57個(gè)，其中標(biāo)準(zhǔn)錐形三七主根樣本16個(gè)，標(biāo)準(zhǔn)瘤形三七主根樣本13個(gè)，非常規(guī)形狀三七主根樣本28個(gè)。

1.2 圖像采集

圖像采集系統(tǒng)由硬件系統(tǒng)和軟件系統(tǒng)兩部分構(gòu)成，硬件系統(tǒng)由T1S型攝像頭（1920*1080像素）、計(jì)算機(jī)和自制光箱組成，能夠提供滿(mǎn)足圖像采集需求的物理環(huán)境。光箱中沿側(cè)棱方向放置4根LED熒光燈管作為光源，箱體內(nèi)部設(shè)有簡(jiǎn)易柔光罩，可為三七主根圖像采集提供均勻、柔和的光場(chǎng)。采集圖像時(shí)，將三七主根樣品正對(duì)攝像頭置于光箱底部。硬件系統(tǒng)結(jié)構(gòu)如圖1所示。軟件系統(tǒng)為基于MATLAB 2018a開(kāi)發(fā)的圖形用戶(hù)界面，用于操控?cái)z像頭獲取三七圖像。采集過(guò)程保持圖像采集系統(tǒng)的物距和焦距恒定。

圖1 圖像采集硬件系統(tǒng)結(jié)構(gòu)圖

2 圖像預(yù)處理

為消除原始圖像中的干擾信息，增強(qiáng)圖像信息的可檢測(cè)性，最大限度突出三七主根的各項(xiàng)參數(shù)特征并簡(jiǎn)化數(shù)據(jù)量，本文首先使用matlab圖像處理工具箱對(duì)原始圖像進(jìn)行預(yù)處理，原始圖像如圖2所示。過(guò)程如下：（1）采用遺傳算法[5]對(duì)三七主體進(jìn)行分割，使三七主根圖像與背景相分離；（2）結(jié)合開(kāi)運(yùn)算、閉運(yùn)算等形態(tài)學(xué)操作去除噪點(diǎn)；（3）構(gòu)建三七主根部分外接矩形區(qū)域，以該區(qū)域?yàn)檫吔鐚⑷咧黧w圖像切割出來(lái)；（4）使用edge函數(shù)配合Canny算子對(duì)切割出的三七主體圖像進(jìn)行邊緣提取，便于后續(xù)圖像分析。圖像預(yù)處理過(guò)程如圖3所示。

圖2 光箱采集的原始圖像

圖3 圖像預(yù)處理過(guò)程

3 三七主根形狀識(shí)別

3.1 特征值提取

三七主根投影圖像的特征值主要包括長(zhǎng)、寬、面積、圓形度、矩形度以及離心率等。本文以三七主根正投影圖像的圓形度、矩形度和軸長(zhǎng)比作為特征值參量對(duì)三七正投影圖像的形狀進(jìn)行區(qū)分。

3.1.1 圓形度

圓形度[6]能反映出三七主根圖像形狀與圓形的相似度，計(jì)算公式如下：

P為三七正投影圖像邊緣輪廓的周長(zhǎng)，本文用三七主根正投影圖像的邊緣像素點(diǎn)個(gè)數(shù)的總和表示周長(zhǎng)；A是三七圖像的正投影面積，本文用三七主根正投影圖像所有像素點(diǎn)個(gè)數(shù)的總和表示面積。當(dāng)圖像為圓形時(shí)C的值為1，因此，可用C來(lái)衡量三七主根投影圖像與圓形的相似程度。如圖4所示，相似度越高，表明三七主根形狀約接近瘤形。

圖4 三七主體圖像形狀與圓形的相似程度

3.1.2 矩形度

矩形度[6]反映了三七主根圖像與矩形的相似度，計(jì)算公式如下：

A為三七圖像的正投影面積，AR是三七主根主體圖像的最小外接矩形面積，可用三七主根圖像的正外接矩形旋轉(zhuǎn)而使其面積最小時(shí)的外接矩形面積表示。正外接矩形和最小外接矩形如圖5所示。

圖5 正外接矩形和最小外接矩形

R值為矩形度，能夠度量三七主根形狀與外接矩形的相似程度，其取值范圍在0～1之間，R越接近1，表明三七主根形狀越接近錐形。

3.1.3 軸長(zhǎng)比

令正外接矩形的較長(zhǎng)軸作為三七主體圖像的高H，較短軸作為三七主體圖像的寬W，如圖6所示。

圖6 主體圖像的寬和高

圖像軸長(zhǎng)比為L(zhǎng)=H/W，可以看出：L恒大于1，且L的值越大，則該矩形長(zhǎng)軸與短軸的長(zhǎng)度差值就越大，表明三七主根形狀約接近錐形。

3.2 三七主根形狀識(shí)別方法

本文在沿用基于形狀決定系數(shù)（軸長(zhǎng)比）的判別和基于離心率的判別兩種傳統(tǒng)方法的基礎(chǔ)上，同時(shí)采用圓形度C、矩形度R和軸長(zhǎng)比L作為三七主根正投影圖像的特征值，融合定性變量數(shù)值化[7]的思想，借助matlab神經(jīng)網(wǎng)絡(luò)工具箱構(gòu)建形狀判別函數(shù)。測(cè)量時(shí)，將待測(cè)三七主根的各項(xiàng)特征值作為形狀判別函數(shù)的自變量，求出形狀判別函數(shù)值，將該值作為三七主根形狀判別的依據(jù)。

3.2.1 定性變量數(shù)值化

本文以三七主根正投影圖像作為觀測(cè)對(duì)象，其形狀屬性的屬性值為錐形或瘤形。該屬性值屬于定性變量[7]，如若要其參與數(shù)值運(yùn)算，則必須將其屬性值與某些特定的數(shù)值相關(guān)聯(lián)。本文中使用數(shù)字2表示三七主根正投影圖像形狀為瘤形；使用數(shù)字1表示三七主根正投影圖像形狀為錐形，用于形狀判別函數(shù)的建立和應(yīng)用。

3.2.2 形狀判別函數(shù)

本文通過(guò)神經(jīng)網(wǎng)絡(luò)的方法，建立以圓形度C、矩形度R、和軸長(zhǎng)比L為自變量的三元函數(shù)f(C,R,L)作為三七正投影圖像形狀判別函數(shù)，當(dāng)圖像形狀為錐形時(shí)，函數(shù)值為1；當(dāng)圖像形狀為瘤形時(shí)，函數(shù)值為2。

4 性能分析

本文在仿真測(cè)試中采用以下硬件環(huán)境進(jìn)行實(shí)驗(yàn)：計(jì)算機(jī)為L(zhǎng)enovo LEGION Y900X，配置InterRCoreTMi7-9750H CPU@2.60GHz，InterRUHD Graphics 630 1GB,16GB內(nèi)存，Windows11操作系統(tǒng)，基于MATLAB 2018a平臺(tái)。

4.1 方法驗(yàn)證

為評(píng)估本文方法對(duì)三七主根形狀的識(shí)別效果，本文做了大量的對(duì)比實(shí)驗(yàn)，在此隨機(jī)選取出44個(gè)三七主根正投影圖像樣本進(jìn)行數(shù)據(jù)展示，其中包含12個(gè)標(biāo)準(zhǔn)瘤形樣本（見(jiàn)圖7）、12個(gè)標(biāo)準(zhǔn)錐形樣本（見(jiàn)圖8）、12個(gè)非常規(guī)形狀樣本（見(jiàn)圖9）。

圖7 標(biāo)準(zhǔn)瘤形三七主根樣本圖片

圖8 標(biāo)準(zhǔn)錐形三七主根樣本圖片

圖9 非常規(guī)形狀三七主根樣本圖片

本文分別采用：基于離心率的三七主根形狀判別法[1]、基于軸長(zhǎng)比的三七主根形狀判別法[3]以及本文提出方法對(duì)樣本圖像進(jìn)行形狀判別，在下文分別稱(chēng)其為方法一、方法二及本文方法。

使用方法一時(shí)，挑選若干個(gè)標(biāo)準(zhǔn)錐形三七樣本和若干個(gè)標(biāo)準(zhǔn)瘤形三七樣本，求出軸長(zhǎng)比閾值L0，三七主根投影圖像的軸長(zhǎng)比大于閾值則判定為錐形三七主根，反之為瘤形三七主根。通過(guò)所用樣本求得決定系數(shù)閾值L0=1.4185。

使用方法二時(shí)，挑選若干個(gè)標(biāo)準(zhǔn)錐形三七主根樣本和若干個(gè)標(biāo)準(zhǔn)瘤形三七樣本求出離心率的閾值e0，三七主根投影圖像的離心率大于閾值則判定為錐形三七主根，反之為瘤形三七主根。通過(guò)所用樣本求得離心率閾值e0=0.7015。

使用本文方法時(shí)，軸長(zhǎng)比計(jì)算方法同方法一。實(shí)驗(yàn)結(jié)果見(jiàn)表1、表2：

表1 標(biāo)準(zhǔn)瘤形三七主根樣本實(shí)驗(yàn)結(jié)果

表2 標(biāo)準(zhǔn)錐形三七主根樣本實(shí)驗(yàn)結(jié)果

從實(shí)驗(yàn)結(jié)果來(lái)看，對(duì)于標(biāo)準(zhǔn)錐形、標(biāo)準(zhǔn)瘤形的三七主根樣本，三種方法的判別結(jié)果均一致，證明本方法具有一定可行性。為了驗(yàn)證本文方法對(duì)于非常規(guī)形狀三七主根樣本的判別效果，隨機(jī)選出20個(gè)非常規(guī)形狀的三七主根圖像來(lái)進(jìn)行測(cè)試，樣本數(shù)據(jù)及實(shí)驗(yàn)結(jié)果見(jiàn)表3。

表3 非常規(guī)形狀三七主根樣本實(shí)驗(yàn)結(jié)果

4.2 性能評(píng)估

4.2.1 判別準(zhǔn)確度評(píng)估

上述實(shí)驗(yàn)數(shù)據(jù)表明：在判別標(biāo)準(zhǔn)錐形和標(biāo)準(zhǔn)瘤形的三七主根時(shí)，本文方法的判別結(jié)果與傳統(tǒng)方法判別結(jié)果一致，說(shuō)明本文提出方法具有一定的可行性；但在判別非常規(guī)形狀的三七主根時(shí)，本文方法的判別準(zhǔn)確率高于方法一和方法二。說(shuō)明相較于單一特征的三七主根形狀判別方法，本文融合多特征進(jìn)行判別的方法具有更高的準(zhǔn)確率。

4.2.2 時(shí)間復(fù)雜度評(píng)估

本文將三種分類(lèi)方法分別作用于預(yù)處理后的圖像，用算法運(yùn)行時(shí)間度量各分類(lèi)方法的運(yùn)行速率。同等條件下，算法運(yùn)行時(shí)間越短，說(shuō)明該分類(lèi)方法的響應(yīng)速率越高。各分類(lèi)方法運(yùn)行時(shí)間如表4所示：

表4 各分類(lèi)方法運(yùn)行時(shí)間對(duì)比

由表4可知：相較于單一特征的離心率判別法、軸長(zhǎng)比判別法，本文方法將圓形度、矩形度和軸長(zhǎng)比進(jìn)行多特征融合，時(shí)間復(fù)雜度偏高。故本文方法的運(yùn)行速率略低于離心率判別法及軸長(zhǎng)比判別法。

綜上所述，本文方法相較于方法一、方法二，在提高了判別準(zhǔn)確率的同時(shí)，不可避免地增加了時(shí)間復(fù)雜程度。在后續(xù)研究中，將考慮對(duì)本文方法進(jìn)一步優(yōu)化，加強(qiáng)多特征并行處理研究，使算法時(shí)間復(fù)雜度降低，從而提高運(yùn)行速率。

5 結(jié)論

本文將三七主根正投影圖像的圓形度、矩形度和軸長(zhǎng)比三個(gè)特征量進(jìn)行融合，對(duì)三七正投影圖像的形狀進(jìn)行區(qū)分，相較于單一特征的三七主根形狀判別方法，本文方法可以更準(zhǔn)確地區(qū)分錐形三七主根和瘤形三七主根。但由于樣本數(shù)量有限，建立的樣本圖像庫(kù)還無(wú)法涵蓋所有三七主根形狀結(jié)構(gòu)特征，所以會(huì)存在一定的誤判率，在日后提升和優(yōu)化中考慮擴(kuò)充樣本庫(kù)使訓(xùn)練樣本更完整，提高識(shí)別準(zhǔn)確率。

在基于機(jī)器視覺(jué)的三七主根分揀分級(jí)研究中，往往需要對(duì)三七主根形狀進(jìn)行區(qū)分。以基于計(jì)算機(jī)視覺(jué)的三七主根質(zhì)量的分級(jí)方法為例[3]，錐形三七主根質(zhì)量預(yù)測(cè)模型R2為0.9849；瘤形三七主根質(zhì)量預(yù)測(cè)模型R2為0.9866。可見(jiàn)，在研究過(guò)程中，根據(jù)三七形狀進(jìn)行必要的分類(lèi)討論，能夠提高研究結(jié)果的準(zhǔn)確性。本文研究的三七主根形狀分類(lèi)方法可以為后續(xù)基于機(jī)器視覺(jué)技術(shù)對(duì)三七主根進(jìn)行自動(dòng)分揀的實(shí)現(xiàn)提供支撐條件。