drogchecking一種高效的毒品檢測方法

drogchecking一種高效的毒品檢測方法

1毒駕檢驗檢測近年來，隨著一些惡意交通事故的發(fā)生，“中毒司機”不熟悉的危險駕駛行為逐漸進(jìn)入公眾視野。“致毒駕駛”是指駕駛行為的參與者在服用毒品或藥物濫用后駕駛汽車。毒品檢測標(biāo)準(zhǔn)方法包括氣相-質(zhì)譜聯(lián)用(GC-MS)隨著移動設(shè)備的普及以及圖像識別技術(shù)的發(fā)展，使得利用手機、相機等攝像設(shè)備結(jié)合機器學(xué)習(xí)等方法，形成一種更加高效便捷的毒駕識別方式成為了可能．首先，利用攝像頭采集毒檢試紙，經(jīng)轉(zhuǎn)換后存儲為圖片格式，之后從試紙圖像上提取色塊信息經(jīng)過數(shù)字信號處理后，對數(shù)據(jù)進(jìn)行分類，最終得出檢測結(jié)果．但在實際毒駕檢測試紙圖像成像過程中，存在以下問題:1)由于攝影設(shè)備、環(huán)境光照、色溫等影響，造成圖像目標(biāo)與背景對比度較低、噪聲較高、陰影干擾以及邊緣模糊的問題，對于毒駕試紙圖像的識別檢測造成影響．2)試紙圖像弱邊緣化．當(dāng)待檢測物質(zhì)濃度處于臨界范圍內(nèi)，試紙條顯色區(qū)域呈現(xiàn)的色塊顏色較淺，且形狀不規(guī)則，呈現(xiàn)試紙色域邊界弱邊緣化，對判斷色域是否存在產(chǎn)生影響．針對上述問題，本文提出一種面向弱邊緣毒駕唾檢試紙圖像識別方法DrugChecking，旨在實現(xiàn)對采集到的毒駕唾檢試紙圖像進(jìn)行識別，并對所屬毒品類別進(jìn)行準(zhǔn)確分類．本文使用多顏色空間信息和機器學(xué)習(xí)方式，在真實毒駕唾檢試紙圖像數(shù)據(jù)集中進(jìn)行驗證，試驗結(jié)果表明，DrugChecking在高效準(zhǔn)確分割弱邊緣試紙圖像的同時能夠?qū)崿F(xiàn)對毒品的精確分類，為常規(guī)道路毒駕稽查提供了準(zhǔn)確有效的識別方式．2多條件分類處理本節(jié)將重點介紹DrugChecking的整體流程，如圖1所示為毒駕唾檢試紙圖像的整體識別流程．首先，對原始圖像進(jìn)行預(yù)處理，使用邊緣檢測、投影變換等方式獲得試紙前景區(qū)域圖像，之后結(jié)合多顏色空間下不同圖像信息，進(jìn)行前景圖像的試紙分割，獲得原始圖像中的試紙圖像，采用PCA對試紙圖像進(jìn)行降維處理，并對降維后的數(shù)據(jù)進(jìn)行分類，從而獲得毒駕試紙中毒品所屬類別．2.1傳統(tǒng)邊緣檢測算子原始毒駕唾檢試紙圖像中包含大量圖像信息，首先對圖像進(jìn)行預(yù)處理，排除干擾信息，鎖定試紙前景區(qū)域，不僅能減少設(shè)備計算量，也能避免由干擾信息引起的分類錯誤．邊緣檢測是圖像處理領(lǐng)域的重要技術(shù)，是計算機視覺尤其是特征檢測和提取的基本工具．傳統(tǒng)的邊緣檢測算法一階包括Prewitt算子、Sobel算子本文基于算法復(fù)雜度以及實際應(yīng)用效果考慮，采用Canny算子進(jìn)行圖像邊緣的獲取．由于采集到原始圖像邊緣存在無關(guān)信息干擾，如圖2(b)為原始圖像經(jīng)過邊緣檢測后所得圖像，因此，為獲得原始圖像中試紙前景圖像，選取邊緣圖像中的最大連通區(qū)域，從而排除其他無關(guān)圖像信息．首先在獲得的邊緣圖像中搜索所有連通域，從中尋找所需最大連通域(圖2(c))的位置，獲得試紙前景區(qū)域(圖2(d))并從原始圖像中裁剪得到圖2(e)試紙前景圖像，將圖像數(shù)據(jù)量由1920×2560×3減少至480×480×3，識別結(jié)果如圖2所示．試紙前景圖像四邊形角點位置由中點以及圖形所在點間距離決定，即圖2(d)中標(biāo)記區(qū)域．設(shè)C2.2多顏色空間背景下毒駕過轉(zhuǎn)具有多邊緣性能的轉(zhuǎn)變毒駕唾檢試紙圖像由于在成像過程中容易收到光照、色溫等影響，圖像中產(chǎn)生陰影、偽影等情況，同時試劑暈染模糊也會對試紙圖像的邊緣確定產(chǎn)生嚴(yán)重影響．常用的RGB顏色空間是面向硬件設(shè)備描述的顏色空間，通常攝像系統(tǒng)都是基于RGB顏色空間成像，但由于攝像設(shè)備所采集的圖像，存在由于設(shè)備物理性、環(huán)境高亮度比、色溫等諸多因素的影響，使得攝像得到的圖像與標(biāo)準(zhǔn)光照下比，會存在高噪聲、陰影、強度不均勻等情況，致使RGB顏色空間在描述物體色彩和計算處理方面不夠完全．HSV(Hue,Saturation,Value)顏色空間即色調(diào)、飽和度和亮度，3個分量相互獨立，受外界環(huán)境影響較小將毒駕唾檢RGB圖像轉(zhuǎn)換到HSV顏色空間式中，C本文采用RGB顏色空間中的B通道，HSV顏色空間中的H通道，以及由RGB顏色空間轉(zhuǎn)化所得灰度通道，共同構(gòu)建毒駕唾檢試紙圖像邊緣信息．B通道邊緣能夠擬合圖像的大部分邊緣，因此首先對B通道進(jìn)行形態(tài)學(xué)處理———膨脹，之后與其他通道進(jìn)行并運算，這樣既能保持原有圖像邊緣輪廓，又能通過其他通道補充邊緣信息．最后，進(jìn)行閉操作能夠消除狹窄的間斷和細(xì)長的鴻溝，使得圖像輪廓平滑，填補邊緣輪廓的斷裂，具體數(shù)學(xué)表達(dá)式假設(shè)結(jié)構(gòu)元素B對集合A進(jìn)行操作，E2.3．霍夫變換直線檢測根據(jù)試紙條邊緣為直線的特點，本文采用霍夫變換對圖像進(jìn)行直線檢測，從每張前景圖像中可以得到3張毒駕試紙圖像．Hough變換用θ和ρ參數(shù)來描述直線，ρ表示原點到直線的垂直距離，θ表示該垂線與x軸的夾角．霍夫變換通常可以在圖像中尋找到所需形狀曲線，根據(jù)曲線信息進(jìn)行下一步圖像處理．從原始圖像中獲取試紙前景圖像后，采用霍夫變換直線檢測，圖3(a)即為采用霍夫直線檢測結(jié)果，霍夫變換的基本方法2.4主要成分降維直接對唾檢試紙圖像進(jìn)行分類會耗費大量計算資源，通過對圖像進(jìn)行降維處理能夠有效提升處理速度．主成分分析(PCA)是一種利用從高維到低微的降維思想，是從高維的可觀測顯示變量中獲取信息，組成低維不可直接觀測的隱式變量．PCA式中，m代表樣本數(shù)，u從樣本特征中提取主要成分，進(jìn)行數(shù)據(jù)降維．需要計算樣本集的協(xié)方差矩陣，并使用SVD函數(shù)進(jìn)行數(shù)據(jù)計算:式中，∑表示樣本x的協(xié)方差矩陣，由∑計算可得樣本x的特征值和特征向量，特征值Λ=[λ最終降維后的樣本數(shù)據(jù)為:本文480×100×3將維的分割所得試紙圖像，經(jīng)過PCA降維，成為480×1維數(shù)據(jù)，由于降維后第一主成分的能量百分比為98.7376%，因此，使用第一主成分即可代表該圖像主要數(shù)據(jù)，部分降維結(jié)果圖4所示:從圖4可以看出，降維后圖像存在不同數(shù)目的峰值，峰值高低與圖像的明暗度和色塊顏色強弱有關(guān)，而峰值個數(shù)則與試紙條圖像中色塊數(shù)目相對應(yīng)，如圖4左上圖中，峰值與試紙色塊均為2，右上圖中峰值與試紙色塊均為1．因此，降維后的數(shù)據(jù)能夠有效代表原始圖片．2.5毒種多毒性能分析的核函數(shù)選擇支持向量機(SupportVectorMachine,SVM)輸入:訓(xùn)練數(shù)據(jù)集T={(x輸出:分離超平面和分類決策函數(shù)f(x)步驟1．選取合適的核函數(shù)K(x,z)和懲罰參數(shù)C>0;步驟2．構(gòu)造并求解凸優(yōu)化問題0≤a得到最優(yōu)解:步驟3．選取位于區(qū)間(0,C)中的a步驟4．構(gòu)造決策函數(shù)式中，sgn()表示符號函數(shù)．SVM中常用核函數(shù)包括:線性核函數(shù)(LinerKernel,Linear)、多項式核函數(shù)(PolynomialKernal,Poly)、Sigmoid核函數(shù)、徑向核函數(shù)(RadicalBasisFunction,RBF)，其表達(dá)式分別為:針對不同數(shù)據(jù)，核函數(shù)的選擇對于分類的準(zhǔn)確性具有重大影響，經(jīng)試驗，Poly核函數(shù)對于毒品試紙的正確分類具有顯著效果．在使用SVM進(jìn)行樣本分類時，由于絕大數(shù)問題都是非線性問題，因此需要選用合適的核函數(shù)K(y,y3系統(tǒng)實驗流程本文實驗采用64位Windows10操作系統(tǒng)，處理器為Intel(R)Core(TM)i7-8700，內(nèi)存為16.0GB，整體實驗流程基于Matlab實現(xiàn)．3.1段試樣檢測結(jié)果本文所使用的毒駕檢測試紙圖像均是真實場景下常規(guī)道路稽查環(huán)節(jié)檢測所得圖像，共包括1920×2560×3尺寸的247張原始圖片，經(jīng)過圖片分割處理后獲得741張480×100×3尺寸的試紙圖像，按照試紙圖像中色塊位置的不同分為5個類別，類別信息如表2所示．每張試紙包含3個色塊，從上而下分別代表色塊有效性、毒品A和毒品B，為了類別標(biāo)記的便捷性，我們將色塊的有無分別用1和0表示，組成5種類別，包括000,100,110,111和101，如圖5所示．000表示該試紙檢測無效;100表示試紙檢測有效，并且不存在毒品A和B;110表示試紙有效且存在毒品A，不存在毒品B;111表示試紙有效，同時毒品A和B都已檢測到;101表示試紙有效，不存在毒品A，存在毒品B.3.2基于數(shù)據(jù)不平衡的分類方法在分類后的試紙數(shù)據(jù)中，類別之間樣本數(shù)量差距較大，類別3和類別4較多，而類別0、1、2則遠(yuǎn)遠(yuǎn)小于其樣本數(shù)量，存在嚴(yán)重數(shù)據(jù)不平衡現(xiàn)象，影響后續(xù)SVM的樣本分類，造成分類精確度下降．目前解決樣本數(shù)據(jù)不平衡問題的方法主要有加權(quán)法、采樣法以及對原始數(shù)據(jù)增加噪聲擴大樣本量等方法3.3模型各評價指標(biāo)在機器學(xué)習(xí)方法中，分類模型的評價指標(biāo)通常為準(zhǔn)確率(Accuracy,Acc)、精準(zhǔn)率(Precision,Pre)、召回率(Recall)、綜合評價指標(biāo)F1-Score(F1)，各評價指標(biāo)所使用的樣本數(shù)據(jù)類別如表4所示．Acc表示該算法所有分類正確的樣本占所有數(shù)據(jù)樣本的比率，則Acc越高，代表該算法檢測出數(shù)據(jù)樣本真實情況的能力越強．Pre和Recall都表示在不同分類情況下對該類別的判斷能力，Pre和Recall數(shù)值越高，則該算法對該類別的分類能力越強．各項評價指標(biāo)如下所示:3.4結(jié)果3.4.1通道邊緣檢測為了從原始圖像中得到所需唾檢試紙圖像，通常選用RGB顏色空間或?qū)⒉噬珗D像轉(zhuǎn)化為灰度圖，進(jìn)行邊緣信息提取．由于毒駕檢測圖像中干擾信息較多，存在陰影、偽影以及顏色暈染等情況，使得在RGB顏色空間下無法獲得準(zhǔn)確邊緣，從而影響后續(xù)圖像識別，各通道邊緣識別準(zhǔn)確率如表5所示．在圖6中，Green、Blue、Gray分別代表RGB圖像的G通道、B通道以及由RGB圖像轉(zhuǎn)化得到的灰度圖通道，圖6(a)中由于顏色暈染及陰影，導(dǎo)致3個通道均未正確檢測到試紙邊緣，在圖6(b)中只有B通道能夠準(zhǔn)確識別識別試紙邊緣．因此，本文采用HSV顏色空間中H通道，RGB顏色空間中B通道和灰度圖通道，從表5中看出，使用Green、Blue、Gray顏色通道進(jìn)行圖像分割，分割正確率分別為88%、98%和97%，利用3個通道所疊加的邊緣信息進(jìn)行分割，在目前數(shù)據(jù)集中分割正確率為100%，能夠高效準(zhǔn)確識別試紙邊緣，進(jìn)行試紙圖像分割．3.4.2svm算法性能分析本文實驗采用十折交叉驗證策略，將數(shù)據(jù)集分成10份，其中9份作為訓(xùn)練數(shù)據(jù)，剩余1份作為測試數(shù)據(jù)．交叉驗證重復(fù)10次實驗，綜合每次實驗得出的Acc,Pre,Recall和F對于機器學(xué)習(xí)，數(shù)據(jù)集中樣本類別的數(shù)據(jù)不平衡會影響單個類別預(yù)測精度，導(dǎo)致模型整體性能下降．因此在數(shù)據(jù)預(yù)處理時，對原始圖像數(shù)據(jù)加入高斯噪聲，生成新的數(shù)據(jù)圖像，以平衡數(shù)據(jù)樣本類別．為了驗證數(shù)據(jù)擴充前后，模型對不同樣本類別及整體分類性能，本文經(jīng)過一系列對比實驗，得到數(shù)據(jù)擴充前后的各種模型指標(biāo)如表6所示．根據(jù)表6看出，加入噪聲后的擴充數(shù)據(jù)，分類準(zhǔn)確率由0.946提升至0.9804，其余3種評價指標(biāo)的數(shù)值也明顯高于原始數(shù)據(jù)．由于原始數(shù)據(jù)中某些類別數(shù)據(jù)較少，模型對該類別學(xué)習(xí)能力較弱，當(dāng)擴大數(shù)據(jù)集后，豐富的信息，使模型做出更加準(zhǔn)確的判斷．實驗結(jié)果表明，使用該方法對數(shù)據(jù)集進(jìn)行擴充能夠有效提高模型魯棒性，增強泛化能力．此外，對于不同分類問題，不同核函數(shù)的選擇對SVM算法模型性能有不同影響．本文使用Linear、Poly、Sigmoid和RBF核函數(shù)進(jìn)行實驗對比，評價不同核函數(shù)對實驗分類，結(jié)果見表7.根據(jù)表7看出，采用Poly核函數(shù)進(jìn)行毒駕試紙分類，由于數(shù)據(jù)內(nèi)部關(guān)聯(lián)性，其各個指標(biāo)均高于另外3種核函數(shù)，因此，在SVM進(jìn)行樣本分類時，本文選用Poly核函數(shù)能夠達(dá)到當(dāng)前最優(yōu)結(jié)果．3.4.3常規(guī)毒品檢測方式本文所提出的使用毒檢試紙圖像的DrugChecking與常用毒品檢測方法(GC-MS常規(guī)的毒品檢測方式CG-MS和LC-MS需要首先對采集到的唾液等試劑進(jìn)行多種預(yù)處理，之后由于試劑的不同導(dǎo)致所需反應(yīng)時間也有所差異，但整個檢測過程通常耗費較多時間．與試紙檢測的目測法相比，DrugChecking依然有更高的檢測效率．3.4.4dr膜法檢測圖像DrugChecking毒駕檢測試紙識別方法采用模塊化思想，降低算法耦合性，具有更高的靈活性和可擴展性，為毒駕試紙檢測提供新的思路．當(dāng)該模型框架應(yīng)用于其他領(lǐng)域時，可以根據(jù)不同需求進(jìn)行模塊或算法的修改，例如顏色空間的選擇、主成分分析時特征維度的保留、分類算法的選擇等方面．DrugChecking同樣具有較強的抗干擾性，對環(huán)境干擾和試紙污染都能夠有效處理．一方面，此算法是應(yīng)用于日常道路毒駕檢測，因此檢測環(huán)境的光照、天氣和溫度，所產(chǎn)生的高曝光、陰影、偽影等，都會對圖像的拍攝造成影響．另一方面，待檢測試劑與試紙的反應(yīng)不可避免的會產(chǎn)生色塊暈染情況．如圖6所示，陰影、偽影和色塊暈染對邊緣的識別具有影響．本文采用多顏色空間融合方式，HSV顏色空間能夠消除圖像中光線所造成的影響，而采用RGB顏色空間和灰度圖能夠排除試紙暈染帶來的干擾．本文采用的測試圖像包含此類干擾圖像，不同類別試紙的識別準(zhǔn)確率，如表9所示，DrugChecking對每個類別