中藥飲片性狀質(zhì)量智能檢測(cè)關(guān)鍵技術(shù)研究＊

周 明，周金海，張燕群，段念林

（1. 南京中醫(yī)藥大學(xué)中醫(yī)學(xué)院·中西醫(yī)結(jié)合學(xué)院 南京 210023；2. 南京中醫(yī)藥大學(xué)人工智能與信息技術(shù)學(xué)院南京 210023；3. 杭州海善制藥設(shè)備股份有限公司 杭州 311401）

自李克強(qiáng)總理提出《中國(guó)制造2025》行動(dòng)綱領(lǐng)以來(lái)，國(guó)內(nèi)人工智能研究的熱度再度提升，特別是在計(jì)算機(jī)視覺(jué)和自然語(yǔ)言處理兩方面更為熱門(mén)。計(jì)算機(jī)視覺(jué)是一門(mén)研究如何使機(jī)器能像人一樣“看”的科學(xué)，其主要通過(guò)攝影機(jī)或照相機(jī)以及計(jì)算機(jī)設(shè)備來(lái)代替人眼對(duì)目標(biāo)進(jìn)行跟蹤、采集以及理解，最終建立能自主從圖像獲取感知信息的智能系統(tǒng)[1]。現(xiàn)今很多領(lǐng)域，如自動(dòng)駕駛、人臉識(shí)別及工農(nóng)業(yè)產(chǎn)品質(zhì)量檢測(cè)，都在研究計(jì)算機(jī)視覺(jué)技術(shù)應(yīng)用，并有一定成果[2-10]。

中藥飲片質(zhì)量的評(píng)價(jià)方法，通常包括含量測(cè)定、中藥指紋圖譜、生物評(píng)價(jià)法等[11]，廣泛使用先進(jìn)的分析技術(shù)及設(shè)備，可靠性較好，但檢測(cè)過(guò)程相對(duì)復(fù)雜，成本也較高，很難實(shí)現(xiàn)在線實(shí)時(shí)動(dòng)態(tài)檢測(cè)。因此，在中藥飲片企業(yè)的實(shí)際生產(chǎn)過(guò)程中，外觀形狀的評(píng)價(jià)仍以傳統(tǒng)的人工評(píng)判為主，依靠人的感官識(shí)別飲片的形、色、氣、味等外觀性狀，根據(jù)經(jīng)驗(yàn)來(lái)判斷中藥飲片的真?zhèn)蝺?yōu)劣[12]。著名中藥學(xué)家謝宗萬(wàn)先生將這種鑒別方法稱為“辨狀論質(zhì)”[13]。有學(xué)者認(rèn)為“辨狀論質(zhì)”具有便捷、直觀、實(shí)用等優(yōu)點(diǎn)，值得重視和發(fā)展[14-16]，但其主觀性較強(qiáng)、難以傳承等問(wèn)題也是存在的，特別不適合大規(guī)模自動(dòng)化生產(chǎn)，迫切需要現(xiàn)代科技加以闡釋和修正[17-18]。中藥“辨狀論質(zhì)”需要通過(guò)“眼看”來(lái)辨別飲片的形狀、規(guī)格、大小、顏色等外形特征，這些與圖像最基本的識(shí)別特征有較多重合，從而使得運(yùn)用計(jì)算機(jī)視覺(jué)技術(shù)來(lái)實(shí)現(xiàn)客觀化的中藥飲片性狀質(zhì)量檢測(cè)成為可能。相比其它行業(yè)，在中藥飲片質(zhì)量評(píng)價(jià)上，計(jì)算機(jī)視覺(jué)智能檢測(cè)研究還處在起步階段，近年來(lái)有限的報(bào)道大多集中在對(duì)單一性狀的檢測(cè)研究[19]，無(wú)法全面體現(xiàn)中藥飲片“辨狀論治”的內(nèi)涵。

本研究從中藥飲片斑點(diǎn)、大小、異形及色澤多維的性狀特征入手，構(gòu)建基于計(jì)算機(jī)視覺(jué)的飲片性狀質(zhì)量智能檢測(cè)模式，解決中藥飲片生產(chǎn)在線檢測(cè)的關(guān)鍵技術(shù)問(wèn)題，意在逐步改變眾多中藥飲片企業(yè)人工進(jìn)行品質(zhì)分揀低能高耗的落后現(xiàn)狀，以提高產(chǎn)品質(zhì)量來(lái)增產(chǎn)增效。從行業(yè)角度而言，有利于促進(jìn)中藥飲片生產(chǎn)現(xiàn)代化進(jìn)程。以上即是本研究的意義和創(chuàng)新所在。

1 材料與設(shè)備

以計(jì)算機(jī)視覺(jué)關(guān)鍵技術(shù)構(gòu)建中藥飲片性狀質(zhì)量檢測(cè)系統(tǒng)，包含圖像采集部件（含LED 光源的小型攝影棚及高清晰度照相機(jī)）和圖像處理部件（含性狀數(shù)據(jù)庫(kù)及檢測(cè)軟件的計(jì)算機(jī)）。其中，軟件選用微軟公司的Visual Studio 平臺(tái)開(kāi)發(fā)，采用Intel 公司的OpenCV套件進(jìn)行辨析功能實(shí)現(xiàn)。

OpenCV 是一個(gè)開(kāi)源的計(jì)算機(jī)視覺(jué)算法庫(kù)，能高效的實(shí)現(xiàn)圖像處理和計(jì)算機(jī)視覺(jué)方面的許多通用算法，并且提供支持向量機(jī)、BP 人工神經(jīng)網(wǎng)絡(luò)等經(jīng)典機(jī)器學(xué)習(xí)算法[20-21]，其應(yīng)用已涵蓋質(zhì)量檢測(cè)、圖像識(shí)別、機(jī)器人等眾多領(lǐng)域[22-24]。

實(shí)驗(yàn)用大黃飲片購(gòu)自河北御顏坊中藥材有限公司，經(jīng)南京中醫(yī)藥大學(xué)陳建偉教授鑒定為蓼科植物藥用大黃Rheum officinaleBaill.的干燥根和根莖。

2 方法與步驟

對(duì)飲片性狀質(zhì)量相關(guān)的眾多要素進(jìn)行篩選，初步嘗試從有無(wú)斑點(diǎn)、大小、片形、色澤4 方面進(jìn)行計(jì)算機(jī)視覺(jué)檢測(cè)研究。

2.1 斑點(diǎn)檢測(cè)

中藥飲片在儲(chǔ)藏保管過(guò)程中，常易發(fā)生蟲(chóng)蛀、發(fā)霉變質(zhì)等現(xiàn)象，導(dǎo)致表面出現(xiàn)斑點(diǎn)，從而影響質(zhì)量和品相。因此，首先考慮對(duì)有斑點(diǎn)的瑕疵飲片進(jìn)行辨別排除。

斑點(diǎn)通常是指與周?chē)兄伾突叶炔町惖膮^(qū)域，在計(jì)算機(jī)視覺(jué)領(lǐng)域，主要通過(guò)檢測(cè)圖像中比周?chē)袼鼗叶戎得黠@大或明顯小的區(qū)域來(lái)實(shí)現(xiàn)[25-26]。研究選用基于局部極值的分水嶺算法進(jìn)行檢測(cè)，OpenCV中對(duì)應(yīng)的函數(shù)名為simpleBlobDetector，檢測(cè)原理及步驟如下：①對(duì)一張圖片設(shè)定一個(gè)最低閾值、一個(gè)最高閾值和一個(gè)步進(jìn)值。從最低閾值到最高閾值以步進(jìn)值為間隔取一系列閾值，用每一個(gè)閾值對(duì)圖像進(jìn)行二值化處理，得到一系列二值化圖像；②對(duì)每張二值化圖像提取輪廓，計(jì)算每一個(gè)輪廓的中心；③設(shè)置中心坐標(biāo)間最小距離，兩中心坐標(biāo)間距離小于最小距離則認(rèn)為屬于同一位置的斑點(diǎn)，獲得斑點(diǎn)數(shù)據(jù)集；④對(duì)已獲得的斑點(diǎn)數(shù)據(jù)集進(jìn)一步過(guò)濾，篩選符合要求的斑點(diǎn)。過(guò)濾參數(shù)包括：面積（Area）、顏色深淺（Thresholds）、圓度（Circularity）、慣性率（Inertia）、凸度（Convexity），各過(guò)濾參數(shù)效果見(jiàn)圖1。

圖1 斑點(diǎn)檢測(cè)方法中過(guò)濾參數(shù)效果的圖形解釋

2.2 大小檢測(cè)

在中藥飲片的質(zhì)量分級(jí)中，大小是區(qū)分等級(jí)的重要因素之一[27-28]，傳統(tǒng)經(jīng)驗(yàn)認(rèn)為“大”者為佳。諸如大黃等根莖類(lèi)飲片，多為類(lèi)圓形，無(wú)法用直徑準(zhǔn)確衡量大小，因此考慮用橫切面積作為檢測(cè)指標(biāo)。獲取飲片橫切面積，首先需要標(biāo)注出輪廓，然后對(duì)輪廓包圍面積進(jìn)行計(jì)算。OpenCV中使用findContours函數(shù)完成輪廓提取[29]，使用尋找輪廓凸包的方式來(lái)獲取中藥飲片的近似面積。再與標(biāo)準(zhǔn)面積進(jìn)行比較，判定飲片大小是否符合要求。

2.3 異型檢測(cè)

異型檢測(cè)是在大小符合標(biāo)準(zhǔn)的飲片中，排除長(zhǎng)條形和凹陷形兩種不合格飲片，是進(jìn)一步的形狀一致性篩選。

鑒別長(zhǎng)條形飲片，通過(guò)尋找飲片圖像最小外接矩形實(shí)現(xiàn)[30]。所謂最小外接矩形指包圍整個(gè)飲片圖像面積最小的矩形，矩形的長(zhǎng)寬比可用來(lái)表示飲片的圓形程度，比值越接近于1說(shuō)明圓度越高。OpenCV 視覺(jué)庫(kù)中minAreaRect 函數(shù)可用于尋找圖像最小外接矩形，獲得矩形四個(gè)頂點(diǎn)坐標(biāo)，通過(guò)坐標(biāo)可求出矩形的長(zhǎng)和寬，進(jìn)而計(jì)算出飲片的長(zhǎng)寬比，若比值大于預(yù)設(shè)值，說(shuō)明為長(zhǎng)條形飲片，即完成檢測(cè)。

篩查凹陷形飲片，選用凸缺陷檢測(cè)法。所謂凸缺陷，指圖形輪廓與圖形凸包之間的區(qū)域，如圖2 所示，飲片與其周?chē)谏€段包圍的區(qū)域稱為凸缺陷，即圖中A、B、C、D 區(qū)域。使用OpenCV 中的convexityDefects函數(shù)實(shí)現(xiàn)凸缺陷檢測(cè)，搜索到離對(duì)應(yīng)凸包邊緣最遠(yuǎn)的點(diǎn)集，計(jì)算出最遠(yuǎn)距離，此最遠(yuǎn)距離若大于可容忍最大凹陷距離，即判斷當(dāng)前為凹陷形飲片。

圖2 凸缺陷示意圖

2.4 色澤檢測(cè)

色澤檢測(cè)是中藥飲片性狀評(píng)價(jià)中尤為重要的一部分，無(wú)論是古人對(duì)優(yōu)質(zhì)飲片的描述，還是現(xiàn)代對(duì)飲片等級(jí)劃分的標(biāo)準(zhǔn)中，都涉及色澤要求[31-32]。本研究中色澤檢測(cè)的總體流程如圖3所示，包含圖像處理、特征提取、辨色識(shí)別3部分。

圖3 色澤檢測(cè)流程示意圖

2.4.1 圖像處理

為避免背景對(duì)飲片顏色特征提取的影響，需提取圖片中飲片部分進(jìn)行單獨(dú)分析，此步驟稱為圖像分割。圖像分割算法很多，最常用的是分水嶺算法。經(jīng)典的分水嶺算法由Vincent等[33]在1991年提出，其具有分割精確、便于實(shí)現(xiàn)的優(yōu)點(diǎn)，但也存在過(guò)度分割的缺陷。OpenCV 提供了一種基于標(biāo)記的分水嶺算法，該算法使用一系列預(yù)定義標(biāo)記來(lái)引導(dǎo)圖像分割，對(duì)圖像中重要區(qū)域做標(biāo)記，忽略不重要區(qū)域，例如前景用一種顏色標(biāo)記，背景用另外一種顏色標(biāo)記，未知區(qū)域標(biāo)記為0，最后運(yùn)用分水嶺算法就可實(shí)現(xiàn)更為理想的圖像分割[34]。圖像分割的主要步驟如下：①讀取待分割飲片圖像；②標(biāo)記圖像中的飲片部分與背景部分，合成標(biāo)記圖像；③將原圖與標(biāo)記圖輸入封裝好的分水嶺算法進(jìn)行圖像分割；④顯示并保存分割出的飲片圖像。

2.4.2 特征提取

統(tǒng)計(jì)學(xué)中，直方圖用來(lái)顯示數(shù)據(jù)的分布，同樣在計(jì)算機(jī)視覺(jué)中，顏色直方圖可用來(lái)描述不同色彩在整幅圖像中的分布情況，其是對(duì)顏色數(shù)據(jù)進(jìn)行統(tǒng)計(jì)的一種方法[35]。研究基于RGB 顏色空間，采集飲片顏色特征。特征提取一般步驟如下：①載入飲片圖像；②將圖片分割為R、G、B 單通道圖像；③計(jì)算各單通道圖像的顏色直方圖；④保存直方圖數(shù)據(jù)并進(jìn)行顯示。

2.4.3 構(gòu)建模型

計(jì)算機(jī)視覺(jué)與機(jī)器學(xué)習(xí)關(guān)系緊密，圖像數(shù)據(jù)往往通過(guò)機(jī)器學(xué)習(xí)方法構(gòu)建模型，才能實(shí)現(xiàn)智能檢測(cè)目的。支持向量機(jī)（Support Vector Machine，SVM）是一種有監(jiān)督的機(jī)器學(xué)習(xí)方法，多用于二分類(lèi)問(wèn)題。其基于結(jié)構(gòu)風(fēng)險(xiǎn)最小化的原則，力求在高維空間尋求最優(yōu)分隔超平面，使得訓(xùn)練集中不同類(lèi)別的樣本正好落在超平面的兩側(cè)。如圖4所示，綠色平面將藍(lán)、紅兩種圓球完美分開(kāi)，并且保證任意紅球或藍(lán)球到平面的間距最大化，這個(gè)綠色平面就是尋找到的最優(yōu)分隔超平面，形成的SVM模型可用于藍(lán)、紅兩種圓球的分類(lèi)。

圖4 SVM原理示意圖

SVM 在解決小樣本、非線性及高維模式識(shí)別中表現(xiàn)出較好的判別性能，所以在分類(lèi)問(wèn)題中被廣泛運(yùn)用[36]。建立飲片圖像SVM 辨別模型的主要步驟如下：①將提取的飲片顏色直方圖數(shù)據(jù)隨機(jī)劃分為訓(xùn)練集和測(cè)試集；②初始化SVM 參數(shù)，用訓(xùn)練集數(shù)據(jù)進(jìn)行模型訓(xùn)練，構(gòu)建判別模型；③用建好的模型判別測(cè)試集數(shù)據(jù)，驗(yàn)證模型的準(zhǔn)確性。

3 實(shí)現(xiàn)與結(jié)果

3.1 斑點(diǎn)檢測(cè)

調(diào)用OpenCV 視頻庫(kù)中斑點(diǎn)檢測(cè)器simpleBlob Detector，設(shè)置和調(diào)整具體參數(shù)。圖片灰度值范圍一般為0-255，0代表黑色，255代表白色，此也為閾值允許的調(diào)節(jié)范圍。實(shí)驗(yàn)中預(yù)設(shè)最低閾值（minThreshold）為50，最高閾值（maxThreshold）為150，步進(jìn)值（thresholdStep）為5；過(guò)濾參數(shù)中斑點(diǎn)最大和最小面積（maxArea、minArea）分別預(yù)設(shè)為2000 和50。如上參數(shù)常需根據(jù)飲片品種及實(shí)際情況調(diào)整，所以設(shè)計(jì)在前臺(tái)交互界面中控制，而過(guò)濾參數(shù)中圓度、慣性率、凸度值一旦確定無(wú)需過(guò)多修改，所以設(shè)計(jì)在后臺(tái)代碼中。經(jīng)試驗(yàn)最終確定斑點(diǎn)最小圓度（minCircularity）為0.1f，最小慣性率（minInertiaRatio）為0.01f，最小凸度（minConvexity）為0.01f。此外，中心坐標(biāo)間最小距離（minDistBetweenBlobs）及顏色深淺（blobColor）均取默認(rèn)值。核心代碼見(jiàn)圖5所示。

圖5 斑點(diǎn)檢測(cè)核心代碼

圖6為中藥飲片斑點(diǎn)檢測(cè)示例，（a）為前臺(tái)交互界面，（b）為兩枚大黃飲片經(jīng)斑點(diǎn)檢測(cè)后所得結(jié)果圖。左圖飲片橫斷面未見(jiàn)明顯斑痕標(biāo)注，右圖飲片經(jīng)檢測(cè)準(zhǔn)確標(biāo)出斑點(diǎn)位置。經(jīng)多次驗(yàn)證，此斑點(diǎn)檢測(cè)方法可對(duì)指定大小、灰度范圍的不規(guī)則斑點(diǎn)進(jìn)行篩選和標(biāo)記，準(zhǔn)確度滿意，適用于中藥飲片表面斑痕檢測(cè)。

圖6 大黃飲片斑點(diǎn)檢測(cè)示例

3.2 大小檢測(cè)

大小檢測(cè)核心在于對(duì)中藥飲片輪廓的提取。輪廓提取函數(shù)的輸入值要求為單通道圖像矩陣，因此先要對(duì)彩色飲片圖像進(jìn)行預(yù)處理。處理過(guò)程包括：①讀取中藥飲片圖片并轉(zhuǎn)化為灰度圖像（imread 函數(shù)）；②使用高斯濾波函數(shù)對(duì)灰度圖進(jìn)行降噪（Gaussian Blur 函數(shù)）；③運(yùn)用邊緣檢測(cè)函數(shù)，將圖片二值化（Canny 邊緣檢測(cè)函數(shù)）。如上得到輪廓提取所需輸入文件，代入findContours 函數(shù)，提取飲片輪廓。由于不能保證獲得的輪廓均為封閉曲線，飲片面積考慮運(yùn)用尋求凸包方式求得，使用convexHull函數(shù)，核心代碼見(jiàn)圖7。

圖7 中藥飲片大小檢測(cè)核心代碼

參考《中國(guó)藥典》[37]及大黃商品規(guī)格等級(jí)劃分方法[38]，將直徑大于5 cm 的大黃評(píng)定為優(yōu)等，計(jì)算直徑5 cm 圓形面積作為標(biāo)準(zhǔn)面積。將計(jì)算出的樣品面積與標(biāo)準(zhǔn)面積比較，完成中藥飲片大小判別。圖8 為大黃飲片大小檢測(cè)示例，（a）為飲片灰度圖，（b）為Canny邊緣檢測(cè)得到的二值化圖，（c）為findContours 提取輪廓得到的飲片最外層輪廓，（d）為飲片的凸包圖像。從（d）中可以看出，凸包面積略大于標(biāo)準(zhǔn)圓面積，通過(guò)面積數(shù)值比較，此大黃飲片大小符合要求。

圖8 大黃飲片大小檢測(cè)結(jié)果圖

3.3 異形檢測(cè)

排除長(zhǎng)條形飲片，使用minAreaRect 函數(shù)尋找中藥飲片圖像的最小外接矩形。輸入?yún)?shù)是飲片大小檢測(cè)中獲得的最外層輪廓數(shù)據(jù)，通過(guò)返回值的size 屬性即可獲得矩形的長(zhǎng)和寬。計(jì)算長(zhǎng)寬比，與預(yù)設(shè)值進(jìn)行比較，即可判別是否為長(zhǎng)條形飲片。圖9 為長(zhǎng)條形飲片檢測(cè)的核心代碼。

圖9 長(zhǎng)條形飲片檢測(cè)核心代碼

篩選凹陷形飲片，選擇convexityDefects 函數(shù)對(duì)飲片進(jìn)行凸缺陷檢測(cè)。輸入?yún)?shù)涉及飲片輪廓檢測(cè)和凸包檢測(cè)數(shù)據(jù)，分別可用飲片大小檢測(cè)中提及的findContours 和convexHull 函數(shù)獲得，結(jié)果可得到距離對(duì)應(yīng)凸包邊緣的最遠(yuǎn)點(diǎn)坐標(biāo)，計(jì)算出坐標(biāo)與邊緣垂直距離即可進(jìn)行判斷[37]，核心代碼如圖10所示。圖11為凸缺陷檢測(cè)結(jié)果示意圖，左圖為合格飲片，右圖飲片輪廓上明顯標(biāo)記一加粗圓圈（箭頭所指處），說(shuō)明此中藥飲片在箭頭所指區(qū)域凹陷程度過(guò)大，已超過(guò)凹陷判定閾值，提示為異型不合格飲片。

圖10 凸缺陷檢測(cè)核心代碼

圖11 凸缺陷檢測(cè)結(jié)果示意圖

3.4 色澤檢測(cè)

在斑點(diǎn)檢測(cè)和片型檢測(cè)均合格的飲片圖像中，隨機(jī)選取100份圖像形成色澤檢測(cè)樣本集。

3.4.1 圖像分割

圖像分割使用基于標(biāo)記的分水嶺算法，OpenCV中函數(shù)原型為：void watershed（InputArray image， Input OutputArry markers）。

其中，輸入?yún)?shù)image為待分割圖像，markers為標(biāo)記圖像。圖像分割的關(guān)鍵步驟是標(biāo)記圖像中的飲片部分與背景部分，圖12 為圖像分割的關(guān)鍵代碼，圖13為圖像分割的基本過(guò)程，步驟大體包括讀取圖片、標(biāo)記飲片、標(biāo)記背景、合成標(biāo)記圖像、圖像分割等。

圖12 圖像分割的關(guān)鍵代碼

圖13 圖像分割過(guò)程與結(jié)果

3.4.2 顏色特征提取

通過(guò)顏色直方圖來(lái)提取中藥飲片顏色特征，OpenCV 中函數(shù)原型為：void calcHist（const Mat* images,int nimages, const int* channels, InputArray mask,OutputArray hist, int dims, const int* histSize, const float**ranges, bool uniform=true, bool accumulate=false）。

其中，參數(shù)images 為輸入的圖像；nimages 為輸入圖像序列的數(shù)量；channels 為需要統(tǒng)計(jì)的通道索引；hist 為輸出的直方圖結(jié)果矩陣；dims 為需要計(jì)算的直方圖維數(shù)；histSize 為直方圖每一維的大小，即每個(gè)維度bin的數(shù)目；ranges為直方圖每一維的取值范圍[11]。

由于該函數(shù)一次只能計(jì)算單個(gè)顏色分量，因此需要先用split 函數(shù)將飲片圖像R、G、B 三個(gè)顏色通道分離，再分別計(jì)算直方圖數(shù)據(jù)。因傳入的是單通道數(shù)據(jù)，所以參數(shù)nimages、channels、dims值均是確定的，分別為1、0、1，并且一般情況下histSize 值取256，ranges范圍設(shè)置在[0,255]，而uniform、accumulate 取默認(rèn)值即可。圖14 為核心代碼，圖15 是通過(guò)代碼運(yùn)算得出的某大黃飲片顏色直方圖。

圖14 提取飲片RGB顏色直方圖的核心代碼

圖15 某大黃飲片樣本的RGB顏色直方圖

3.4.3 模型建立與質(zhì)量判別

100 份樣本圖片經(jīng)過(guò)圖像分割、特征提取后，隨機(jī)抽取75 份作為訓(xùn)練集，25 份作為測(cè)試集。使用OpenCV MLL 庫(kù)中的SVM 算法構(gòu)建飲片色澤檢測(cè)模型。

SVM 函數(shù)原型為：CvSVM（const Mat& trainData,const Mat& responses, const Mat& varIdx=Mat(), const Mat&sampleIdx=Mat(), CvSVMParams params=CvSVMParams()）。

其中，trainData 為訓(xùn)練數(shù)據(jù)，responses 為分類(lèi)結(jié)果，CvSVMParams為SVM的初始化參數(shù)。

初始化SVM 參數(shù)，kernel_type 指定為RBF 類(lèi)型，即使用徑向基核函數(shù)。用訓(xùn)練集數(shù)據(jù)進(jìn)行模型訓(xùn)練，將訓(xùn)練好的模型保存在XML 文件中[38]。用測(cè)試集樣本驗(yàn)證模型判別的準(zhǔn)確性，飲片優(yōu)、劣等級(jí)分別用數(shù)字1 和0 表示，結(jié)果如表1 所示，SVM 判別模型對(duì)測(cè)試集樣本有21例判別正確，其對(duì)飲片質(zhì)量等級(jí)的判別準(zhǔn)確率達(dá)84.00%，表明在相同的飲片圖像采集環(huán)境下，SVM 分類(lèi)模型已經(jīng)能夠從色澤角度比較準(zhǔn)確的判定大黃飲片的質(zhì)量。

表1 測(cè)試集飲片SVM質(zhì)量判別結(jié)果列表

4 結(jié)語(yǔ)

以中藥飲片“辨狀論質(zhì)”理論為基礎(chǔ)，運(yùn)用人工智能之計(jì)算機(jī)視覺(jué)技術(shù)，針對(duì)中藥飲片的表面斑點(diǎn)、大小、片形及色澤特征進(jìn)行處理分析，實(shí)驗(yàn)構(gòu)建了大黃飲片性狀智能檢測(cè)模式，實(shí)現(xiàn)了快捷準(zhǔn)確的飲片質(zhì)量判別，彌補(bǔ)了生產(chǎn)過(guò)程中傳統(tǒng)人工質(zhì)量檢測(cè)在客觀性上的不足。設(shè)計(jì)方案可遷移推廣至其它根莖類(lèi)中藥飲片的質(zhì)量檢測(cè)；對(duì)于藤類(lèi)、葉類(lèi)、花類(lèi)及果實(shí)種子類(lèi)飲片，部分方法也可借鑒使用。此研究為構(gòu)建企業(yè)產(chǎn)品數(shù)據(jù)庫(kù)提供了參照標(biāo)準(zhǔn)，對(duì)中藥飲片行業(yè)大規(guī)模全線產(chǎn)品性狀智能在線自動(dòng)檢測(cè)系統(tǒng)的研究奠定了技術(shù)創(chuàng)新基礎(chǔ)。

隨著人工智能技術(shù)的不斷發(fā)展，采用計(jì)算機(jī)視覺(jué)結(jié)合機(jī)器人技術(shù)的中藥飲片性狀智能自動(dòng)檢測(cè)新裝備研發(fā)前景好。一旦成熟的設(shè)備面世，可望改變密集型人工在線質(zhì)量分揀低能高耗的落后狀態(tài)，也會(huì)得到中藥飲片企業(yè)的大力歡迎。大規(guī)模地推廣應(yīng)用，將為中藥飲片行業(yè)提質(zhì)增效和中醫(yī)藥現(xiàn)代化發(fā)展做出巨大貢獻(xiàn)。