基于霍夫變換及卷積網(wǎng)絡(luò)的試管數(shù)目識別

文/徐天宇

（重慶郵電大學(xué)軟件工程學(xué)院 重慶市 400065）

隨著人工智能技術(shù)的不斷發(fā)展以及各種智能設(shè)備的普及，人工智能技術(shù)正影響著整個(gè)世界，人工智能的概念最早問世于1956年的達(dá)特茅斯會(huì)議上，數(shù)學(xué)、計(jì)算機(jī)科學(xué)等科學(xué)家們提出了人工智能(Artificial Intelligence,AI)的概念，標(biāo)志著計(jì)算機(jī)科學(xué)這一門交叉學(xué)科的又一次重要突破。人工智能這一交叉學(xué)科涵蓋統(tǒng)計(jì)學(xué)、腦神經(jīng)科學(xué)、社會(huì)科學(xué)等多門學(xué)科，涉及并應(yīng)用于諸如工業(yè)、教育、醫(yī)療等領(lǐng)域。在醫(yī)療以及科研時(shí)經(jīng)常用到試管這一重要工具，但是人們往往要涉及到試管的數(shù)量確認(rèn)，而試管數(shù)目檢測就可以減少不必要的人工涉入，自動(dòng)化的完成預(yù)期目標(biāo)。

1 試管數(shù)目識別方法研究

本文提出的基于卷積神經(jīng)網(wǎng)絡(luò)的試管數(shù)目識別算法從圖片形式，特征考慮，主要過程可以大致分為三個(gè)步驟,如圖1所示：

（1）采用Canny算子對試管圖像進(jìn)行邊緣檢測。

（2）利用霍夫變換識別圖像中的試管，并進(jìn)行標(biāo)注。

（3）利用卷積神經(jīng)網(wǎng)絡(luò)判斷所識別圖像是否為試管。

1.1 Canny算子邊緣檢測

邊緣檢測是傳統(tǒng)圖像處理中提取圖像邊緣信息的基本操作之一，能夠大幅度減少圖像中包含的信息量，提取關(guān)鍵的邊緣信息。目前在圖像處理領(lǐng)域有多種邊緣檢測方法，包括一階導(dǎo)數(shù)的微分算子，如Sobel算子、Robert算子、普通一階差分、Prewitt算子、Canny算子等；此外，以及通過計(jì)算二階導(dǎo)數(shù)的拉普拉斯算子、LoG算子等。考慮到Canny采用高斯濾波，對灰度漸變低噪聲的數(shù)據(jù)有著較好的檢測效果，因此本算法采用Canny算子進(jìn)行圖像的邊緣檢測。

Canny算子進(jìn)行試管圖像的邊緣檢測主要進(jìn)行以下步驟：

利用一維高斯濾波器平滑圖像，去除噪聲，如公式（1）所示：

用邊緣差分算子計(jì)算一階偏導(dǎo)的有限差分，用差分來計(jì)算梯度的幅值和方向，如公式（2）和公式（3）所示：

其中Gx表示水平方向上的差分，Gy表示垂直方向上的差分，θ表示梯度的方向，G表示計(jì)算所得梯度的模。

圖1：方法研究示意圖

圖2：CNN網(wǎng)絡(luò)結(jié)構(gòu)

對梯度幅值進(jìn)行非極大值抑制，尋找像素點(diǎn)局部的最大值，此時(shí)所得到的試管數(shù)據(jù)集圖片的邊緣寬度將大大減小。接下來利用雙閾值算法檢測，設(shè)置一個(gè)高閾值和一個(gè)低閾值，抑制梯度大小小于低閾值的噪點(diǎn)，并定義梯度大小大于高閾值的像素為強(qiáng)邊緣點(diǎn)，大于低閾值又小于高閾值的像素點(diǎn)為弱邊緣點(diǎn)。

最后進(jìn)行連接邊緣，也叫做滯后邊界跟蹤，檢查若邊緣點(diǎn)的領(lǐng)八連通域像素，如果發(fā)現(xiàn)存在強(qiáng)連通點(diǎn)則保留該弱連通點(diǎn)，否則抑制。

1.2 霍夫變換圓檢測

圖3：試管原始數(shù)據(jù)集

圖4：利用canny算子進(jìn)行邊緣檢測

霍夫變換是圖像處理中檢測幾何圖像的常用方法之一，主要用來檢測直線、圓等幾何特征，被廣泛的應(yīng)用于圖像處理，計(jì)算機(jī)視覺等技術(shù)中。在試管數(shù)量識別模型中，對于坐標(biāo)內(nèi)的任意一個(gè)點(diǎn)(x1,y1)，能夠做出無數(shù)個(gè)圓，并且存在公式（4）成立，而對于另一個(gè)點(diǎn)(x2,y2)，同樣能夠使得公式（4）成立，要檢測出圓就必須使得參數(shù)相等，當(dāng)方程存在解時(shí)，即檢測到圓。模型中依次計(jì)算中個(gè)像素點(diǎn)，當(dāng)公式（4）存在解時(shí)，累加器增加，表示該圖像中是試管數(shù)目加一，并輸入給卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行判斷。

1.3 試管識別

利用霍夫變換檢測到的圓形可以得到圓形樣本，但是由于霍夫變換并不穩(wěn)定，以及圖像中其他圓形的干擾，可能產(chǎn)生不是試管圖案的圓形訓(xùn)練集。利用標(biāo)簽技術(shù)，區(qū)分是否為試管圖案，并作為卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集。將每一張訓(xùn)練集轉(zhuǎn)換成64*64大小的圖片，輸入給卷積層，進(jìn)行特征提取，然后將結(jié)果輸出給最大池化層，降低高維信息并減小過擬合的風(fēng)險(xiǎn)，并減少特征數(shù)量，參數(shù)數(shù)量。

卷積神經(jīng)網(wǎng)絡(luò)是一種基于卷積和池化操作的神經(jīng)網(wǎng)絡(luò)，最早演技與上世紀(jì)80，90年代，隨著后來計(jì)算機(jī)技術(shù)，計(jì)算機(jī)硬件的發(fā)展，越來越多人開始研究卷積神經(jīng)網(wǎng)絡(luò)，其中LetNet-5是出現(xiàn)最早的卷積神經(jīng)網(wǎng)絡(luò)，能夠提取數(shù)據(jù)集中的深層次特征。被廣泛地應(yīng)用于計(jì)算機(jī)視覺，自然語言處理中。

本模型采用CNN結(jié)構(gòu)中，共有5層，兩個(gè)卷積層，1個(gè)池化層以及兩個(gè)全連接層，其中卷積層的激活函數(shù)使用ReLU,用于解決高維空間，梯度消失的問題，損失函數(shù)使用SoftMax以及交叉熵，被用來衡量在給定的真實(shí)分布下，兩個(gè)概率分布之間的信息差。使用Adam最優(yōu)化參數(shù)，Adam結(jié)合了Adagrad和Momentum兩者的優(yōu)點(diǎn)，利用梯度的一階和二階矩陣來動(dòng)態(tài)的調(diào)節(jié)所要優(yōu)化損失函數(shù)的學(xué)習(xí)率(learning rate)。具體網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

2 實(shí)驗(yàn)與結(jié)果分析

2.1 實(shí)驗(yàn)數(shù)據(jù)與實(shí)驗(yàn)環(huán)境

實(shí)驗(yàn)所采用的數(shù)據(jù)集來自實(shí)驗(yàn)室真實(shí)數(shù)據(jù)，如圖3所示，定圖片是以俯視的角度拍攝試管架。本數(shù)據(jù)集一共有15張?jiān)嚬苷掌?，并保?張作為測試集，經(jīng)過霍夫變換識別試管之后，一共獲得378個(gè)卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集。在訓(xùn)練模型時(shí)，每批包含50張圖片，一共為100此迭代訓(xùn)練。實(shí)驗(yàn)硬件環(huán)境采用Windows10操作系統(tǒng)，第七代i5處理器2.5GHz，8GB內(nèi)存，GeForce1050獨(dú)立顯卡，軟件環(huán)境為PyCharm開發(fā)環(huán)境，python3.7，tensorflow1.8。

2.2 實(shí)驗(yàn)結(jié)果分析

分析可以發(fā)現(xiàn)在圖像處理階段，輸入圖像被轉(zhuǎn)換成二值圖，Canny算子的邊緣檢測效果十分明顯，如圖4所示，并且所有試管都被霍夫變換所識別，變換效果不是十分理想，試管架上面的圓形與試管無法完全區(qū)分。把許多并不是試管的圓識別出來，需要卷積神經(jīng)網(wǎng)絡(luò)發(fā)揮作用。綜上所述，基于本文設(shè)計(jì)的試管數(shù)量識別模型有著較高的準(zhǔn)確率，測試集的收斂速度也十分迅速，泛化效果不錯(cuò)。

3 結(jié)束語

本文設(shè)計(jì)一種基于卷積神經(jīng)網(wǎng)絡(luò)的試管數(shù)目識別模型，利用了canny邊緣檢測以及霍夫變換檢測圖像圓形等圖像處理方法，采用卷積神經(jīng)網(wǎng)絡(luò)識別圓形是否為正確試管，其中利用最大池化有效的減少參數(shù)量，并且降低過擬合的風(fēng)險(xiǎn)。模型實(shí)現(xiàn)了自動(dòng)化試管數(shù)目的檢測，解決在實(shí)驗(yàn)過程中人工涉入的問題，可以有效地實(shí)現(xiàn)使館數(shù)目識別，完成人工智能技術(shù)在醫(yī)療實(shí)驗(yàn)方面的應(yīng)用。