石龍杰， 周 揚(yáng)， 岑 崗， 劉鐵兵， 施 秧，陳正偉， 黃 俊， 汪鳳林， 岑躍峰

(浙江科技學(xué)院 信息與電子工程學(xué)院，浙江 杭州 310012)

1 引 言

中國(guó)的淡水珍珠產(chǎn)量連續(xù)多年位居世界第一，高峰期總產(chǎn)量約占全球產(chǎn)量的95%，但銷售額卻不到世界珍珠銷售額的10%，質(zhì)量與產(chǎn)量嚴(yán)重脫節(jié)[1]，故全面推進(jìn)珍珠產(chǎn)業(yè)提質(zhì)增效具有重要的現(xiàn)實(shí)意義[2]。在提質(zhì)增效的具體實(shí)施中，珍珠的產(chǎn)后無(wú)損檢測(cè)尤為重要。現(xiàn)有檢測(cè)方法多是通過(guò)對(duì)珍珠的尺寸、形狀、光澤等指標(biāo)進(jìn)行檢測(cè)分級(jí)[3]。近年來(lái)，機(jī)器視覺技術(shù)發(fā)展迅速，馬丹丹等利用機(jī)器視覺技術(shù)以條碼尺為基準(zhǔn)精確定位了落紗小車在軌道上的位置[4]。張竟月等通過(guò)結(jié)合激光和機(jī)器視覺技術(shù)，并采用數(shù)字處理技術(shù)，提取圖像特征，完成了玻璃容器中液體體積的高精度測(cè)量[5]。機(jī)器視覺技術(shù)也應(yīng)用于珍珠外在質(zhì)量的檢測(cè)，文獻(xiàn)[6,7]中分別設(shè)計(jì)了珍珠的機(jī)器視覺檢測(cè)裝置，使用相機(jī)從不同角度獲取珍珠的圖像并利用特征融合的方法，基于大小、形狀、光澤、瑕疵和顏色等對(duì)珍珠進(jìn)行自動(dòng)分級(jí)。但對(duì)于珍珠內(nèi)部質(zhì)量的檢測(cè)，尤其是對(duì)珍珠內(nèi)部品質(zhì)無(wú)損的檢測(cè)卻鮮見文獻(xiàn)報(bào)道。

在淡水無(wú)核珍珠的生長(zhǎng)過(guò)程中，其內(nèi)部主要成分是碳酸鈣(CaCO3)，存在同質(zhì)多相現(xiàn)象。大量研究證實(shí)，淡水珍珠質(zhì)層碳酸鈣物相主要是文石，含有少量的方解石、霰石以及微量有機(jī)質(zhì)(蛋白質(zhì))和微量元素。優(yōu)質(zhì)珍珠的質(zhì)層是由文石堆疊而成，呈磚墻結(jié)構(gòu)[8]，而方解石和霰石主要存在于劣質(zhì)淡水珍珠中[9]。霰石是碳酸鈣的不穩(wěn)定相，但在淡水無(wú)核珍珠中卻很少被發(fā)現(xiàn)，因此，方解石是淡水無(wú)核珍珠內(nèi)部缺陷的主要成分，其與有機(jī)物混合會(huì)造成珍珠顏色呈黃色，降低珍珠的品質(zhì)。因此，建立一種無(wú)損識(shí)別淡水無(wú)核珍珠內(nèi)部方解石缺陷層的方法尤為必要。

鑒于OCT成像技術(shù)在珍珠內(nèi)部質(zhì)量檢測(cè)方面的獨(dú)特優(yōu)勢(shì)，董俊卿利用OCT成像技術(shù)對(duì)海水珍珠的內(nèi)部缺陷進(jìn)行了成像，但對(duì)缺陷的識(shí)別僅限于人工分析圖像，操作過(guò)程費(fèi)時(shí)費(fèi)力[22]。Zhou Y等提出一種利用圖論的方法來(lái)自動(dòng)分類缺陷珍珠和非缺陷珍珠的自動(dòng)化算法[23]，將缺陷層上下邊界的灰度均值作為分類依據(jù)，分類依據(jù)單一，不具有普適性，分類性能有待進(jìn)一步提高。因此，基于OCT圖像淡水無(wú)核珍珠內(nèi)部缺陷的自動(dòng)化識(shí)別和分類方法具有研究?jī)r(jià)值。

綜上，OCT成像技術(shù)已經(jīng)能展現(xiàn)淡水無(wú)核珍珠的內(nèi)部結(jié)構(gòu)，但淡水無(wú)核珍珠產(chǎn)量極大，通過(guò)人工分析圖像對(duì)每顆珍珠進(jìn)行內(nèi)部缺陷檢測(cè)和分類耗時(shí)長(zhǎng)，無(wú)法應(yīng)用于實(shí)際工業(yè)生產(chǎn)，本文提出一種使用OCT成像技術(shù)對(duì)淡水無(wú)核珍珠內(nèi)部缺陷自動(dòng)識(shí)別的快速分類方法，通過(guò)提取珍珠OCT圖像的特征并結(jié)合反向傳播神經(jīng)網(wǎng)絡(luò)(back propagation neural network, BPNN)模型進(jìn)行內(nèi)部缺陷分類判別，實(shí)現(xiàn)全自動(dòng)化的缺陷檢測(cè)與分類。

2 珍珠樣本及OCT圖像處理

2.1 珍珠樣本及其圖像采集

珍珠樣品由諸暨市淡水珍珠主要生產(chǎn)商之一的浙江阮仕珍珠股份有限公司提供，40個(gè)樣品均為2015年采收的淡水無(wú)核珍珠。使用美國(guó)Thorlabs公司生產(chǎn)的TELSTO 1300V2型譜域OCT成像儀采集淡水無(wú)核珍珠的斷層掃描圖像，圖像橫向分辨率為10 μm，縱向分辨率為3.4 μm，信噪比為120 dB，掃描速度7.6 kHz,掃描范圍6 mm，采集過(guò)程無(wú)需對(duì)珍珠樣本進(jìn)行預(yù)處理，所采集的圖像尺寸為530×1 040。采集的40幅圖像中，20幅是無(wú)缺陷的珍珠圖像，20幅是有缺陷的珍珠圖像，圖1給出了典型淡水無(wú)核珍珠樣本的OCT圖像。

圖1 典型淡水珍珠OCT圖像Fig.1 OCT images of typical freshwater pearls

2.2 缺陷識(shí)別方法

為了定位OCT圖像中珍珠缺陷層的具體位置，缺陷識(shí)別方法分為圖像預(yù)處理、特征提取與樣本匹配度檢測(cè)、分類模型訓(xùn)練及模型預(yù)測(cè)等4個(gè)主要步驟，方法流程如圖2所示。圖像預(yù)處理過(guò)程主要是為了消除圖像中噪聲對(duì)后續(xù)特征提取的影響，完成目標(biāo)和背景的分割、目標(biāo)對(duì)象的拉平變換和進(jìn)行必要的裁剪，以便于后續(xù)的特征提取。特征提取主要根據(jù)珠層內(nèi)部缺陷部位從“暗”到“亮”到“暗”的變化特點(diǎn)，從梯度變化和位置特征著手提取特征，樣本匹配度檢測(cè)是為了檢測(cè)從樣本中提取的特征是否對(duì)應(yīng)樣本的類型，確保訓(xùn)練BPNN模型的特征真實(shí)可靠。最后使用與樣本類型相匹配的特征訓(xùn)練并測(cè)試BPNN模型，通過(guò)BPNN模型預(yù)測(cè)淡水無(wú)核珍珠質(zhì)層內(nèi)部是否存在缺陷，根據(jù)珍珠質(zhì)層內(nèi)部有無(wú)缺陷實(shí)現(xiàn)自動(dòng)分類。

圖2 缺陷識(shí)別方法流程圖Fig.2 Flow chart of proposed method

2.2.1 圖像預(yù)處理

圖像預(yù)處理過(guò)程如圖3所示，因OCT圖像中共軛噪聲集中分布在圖像頂部區(qū)域，故珍珠目標(biāo)在采集過(guò)程中，珍珠目標(biāo)避免落在頂部區(qū)域，可對(duì)圖像上部邊緣(本設(shè)備涉及前30行)的像素灰度值清零，消除共軛噪聲的影響。接著，對(duì)圖像進(jìn)行一次形態(tài)學(xué)開運(yùn)算，消除圖像背景中零星像素點(diǎn)，減少背景中散斑噪聲的干擾。同時(shí)，因圖像中背景和目標(biāo)的分界線位置在圖像上半部分，故對(duì)圖像上半部分進(jìn)行搜索，將像素灰度值不為零且都屬于同一個(gè)八連通區(qū)域像素集合成為一個(gè)區(qū)域，逐一搜索各個(gè)區(qū)域，將總像素不超過(guò)40的區(qū)域內(nèi)所有像素清零，去除無(wú)效區(qū)域?qū)Ρ尘昂湍繕?biāo)分離過(guò)程中的影響。為了平滑目標(biāo)的上輪廓，對(duì)圖像進(jìn)行一次形態(tài)學(xué)閉運(yùn)算。最后使用canny算子對(duì)圖像中珍珠目標(biāo)進(jìn)行邊緣檢測(cè)，將檢測(cè)到的珍珠目標(biāo)上邊緣作為珍珠目標(biāo)和背景的分界線。最后根據(jù)邊界線在圖中的所在位置，取未做任何處理的珍珠OCT原始圖像，將邊界上部像素灰度值清零，下部像素灰度值保持不變，用于后續(xù)步驟處理。

從表2可看出，膠塞在室溫下1 h不成膠，現(xiàn)場(chǎng)有充足的時(shí)間進(jìn)行泵注。隨著溫度的升高，膠塞的成膠時(shí)間縮短。現(xiàn)場(chǎng)施工時(shí)，需根據(jù)井筒封堵位置的溫度，合理計(jì)算膠塞在地面的時(shí)間，使得膠塞注入井筒目的位置后可快速成膠。

圖3 圖像預(yù)處理流程圖Fig.3 Flow chart of image preprocessing

由于淡水無(wú)核珍珠的珠層在成形過(guò)程中，呈年輪狀結(jié)構(gòu)，為了便于提取水平和垂直方向的梯度變換特征，隨即對(duì)圖像中的目標(biāo)進(jìn)行了拉平變換。以珍珠目標(biāo)的上邊緣為基準(zhǔn)，對(duì)圖像每列像素進(jìn)行上移目標(biāo)，使上邊緣上的點(diǎn)都位于第一行。

OCT通過(guò)檢測(cè)珍珠內(nèi)部散射介質(zhì)的背向單次散射光成像，散射光隨著深度的增加而發(fā)生衰減，因此所采集到目標(biāo)底部的灰度值較小，導(dǎo)致底部區(qū)域珍珠目標(biāo)與背景的對(duì)比度過(guò)低，不能滿足有效的特征提取。另一方面，采集圖像時(shí)，OCT的焦點(diǎn)位于所采區(qū)域中心位置的上部，目標(biāo)邊緣區(qū)域信息相較于目標(biāo)中心區(qū)域灰度值小，因此目標(biāo)的中心區(qū)域更能反映不同類型珍珠之間的特征差異。同時(shí)，目標(biāo)拉平后，目標(biāo)邊緣會(huì)變得模糊，為快速提取有效的特征，在不裁剪到缺陷區(qū)域的前提下，選擇裁去上部邊緣5%、下部邊緣25%、左右邊緣各25%的區(qū)域，裁剪后圖像尺寸為318×520；最后，為減小目標(biāo)內(nèi)部散斑噪聲對(duì)特征提取的影響，采用中值濾波對(duì)圖像降噪，經(jīng)過(guò)反復(fù)測(cè)試，[5×12]的模板有較好的效果。降噪后的圖像作為提取特征步驟的輸入。圖像預(yù)處理步驟中的具體過(guò)程如圖4所示。

圖4 圖像預(yù)處理過(guò)程中對(duì)應(yīng)圖3各步驟的圖像Fig.4 Images corresponding to each step of image preprocessing processshowninfigure

2.2.2 特征提取與樣本匹配度檢測(cè)

方解石作為珍珠質(zhì)層中的缺陷，同等成像條件下，在OCT圖像中像素灰度值比文石層像素灰度值大，呈現(xiàn)出“亮”的突變，因此在OCT圖像從上向下搜索過(guò)程中，跨過(guò)缺陷部位上邊界時(shí)像素灰度值是由小到大突變的，跨過(guò)缺陷層下邊界時(shí)是由大到小突變，即從圖像上反映出“暗”到“亮”再到“暗”的變化特點(diǎn)，而內(nèi)部無(wú)缺陷淡水無(wú)核珍珠OCT圖像的像素灰度值沿著搜索方向像素灰度值呈現(xiàn)下降趨勢(shì)。通過(guò)自定義卷積模板[-1 -1 -1;0 -1 0;0 0 0;0 1 0;1 1 1]對(duì)圖像進(jìn)行濾波，生成自定義梯度圖像，再對(duì)自定義梯度圖像中每個(gè)像素以自身為起始點(diǎn)的垂直方向5個(gè)像素灰度值求和生成待搜索梯度圖像；把待搜索梯度圖像每列灰度值最大的像素點(diǎn)作為缺陷層上邊界的待擬合像素點(diǎn)，同時(shí)，從缺陷層上邊界位置開始，將此列灰度值最小的像素點(diǎn)作為缺陷層下邊界的待擬合像素點(diǎn)。在自定義梯度圖像中找到上邊界和下邊界待擬合像素點(diǎn)所在的位置，分別求出上、下邊界的灰度均值作為BPNN待輸入的2個(gè)特征。

針對(duì)無(wú)缺陷樣本，其OCT圖像上缺陷位置無(wú)法單純使用梯度變化來(lái)確定，即會(huì)有較大的縱向波動(dòng)，在這種情況下，可能搜索到并非缺陷部位的真實(shí)邊界。因此將圖像每條邊界上相鄰點(diǎn)的縱向距離大于閾值10，即認(rèn)為存在一次波動(dòng)。在得出每幅圖像缺陷層上、下邊界的位置后，依次判斷同一邊界相鄰兩個(gè)邊界點(diǎn)的縱向距離，分別統(tǒng)計(jì)上、下邊界的波動(dòng)次數(shù)作為另一組待輸入的兩個(gè)特征。

為保證訓(xùn)練出的BPNN模型具有良好的預(yù)測(cè)性能，需要確定從每個(gè)樣本中所提取的特征與樣本類型匹配，使用與樣本類型相匹配的特征作為數(shù)據(jù)集訓(xùn)練和測(cè)試BPNN模型。本文選擇K-means算法對(duì)樣本與特征的匹配度進(jìn)行檢測(cè),K-means作為一種無(wú)監(jiān)督學(xué)習(xí)的聚類算法，根據(jù)相似性的原則，將具有相似度較高的樣本劃分至同一類。K-means算法在聚類類別少的數(shù)據(jù)集中聚類效果優(yōu)，收斂速度快，本文所聚類類別為缺陷珍珠和非缺陷珍珠兩類，使用K-means算法能夠?qū)颖具M(jìn)行有效聚類。

K-means算法聚類流程如下：

(1) 從數(shù)據(jù)集中隨機(jī)選擇兩個(gè)樣本，初始化聚類中心；

(2) 計(jì)算每個(gè)樣本與聚類中心的歐式距離，分配給每個(gè)樣本距離最近的聚類中心的類型，使用每個(gè)聚類樣本的特征均值更新聚類中心；

(3) 重復(fù)步驟(2)，直到聚類中心不在變化；

(4) 輸出聚類中心和每個(gè)樣本的類型。

聚類結(jié)束后，剔除數(shù)據(jù)集中與樣本類型不匹配的特征，將余下樣本的特征作為BPNN的輸入，訓(xùn)練BPNN模型。

2.2.3 BPNN模型

BPNN是一種按照誤差逆向傳播算法訓(xùn)練的多層前饋神經(jīng)網(wǎng)絡(luò)，它主要通過(guò)梯度搜索技術(shù)對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，使網(wǎng)絡(luò)的預(yù)測(cè)結(jié)果更接近訓(xùn)練集樣本真實(shí)值，是目前應(yīng)用最廣泛的網(wǎng)絡(luò)之一，其優(yōu)點(diǎn)如下：具有實(shí)現(xiàn)任何復(fù)雜非線性映射的功能、具備自學(xué)習(xí)的能力、網(wǎng)絡(luò)具有一定的推廣、概括能力，對(duì)于二分類問(wèn)題，BPNN有準(zhǔn)確的預(yù)測(cè)能力[25]。

典型的3層BPNN模型的拓?fù)浣Y(jié)構(gòu)如圖5所示，BPNN的訓(xùn)練包括信號(hào)的前向傳播和誤差的反向傳播兩個(gè)過(guò)程。正向傳播時(shí)，將樣本特征作為輸入信號(hào)通過(guò)隱藏層的各個(gè)神經(jīng)元節(jié)點(diǎn)，經(jīng)過(guò)非線性變換后通過(guò)輸出層產(chǎn)生輸出結(jié)果，將實(shí)際輸出與期望輸出結(jié)果對(duì)比，若實(shí)際輸出與期望輸出結(jié)果不同，計(jì)算實(shí)際輸出與期望輸出之間的誤差。誤差反向傳播時(shí)，將誤差通過(guò)隱藏層向輸入層逐層傳播，并分?jǐn)偨o各層中的所有神經(jīng)元節(jié)點(diǎn)，從各層獲得的誤差信號(hào)作為調(diào)整各神經(jīng)元節(jié)點(diǎn)之間連接權(quán)值的依據(jù)。通過(guò)調(diào)整輸入神經(jīng)元節(jié)點(diǎn)與隱藏層神經(jīng)元節(jié)點(diǎn)的連接強(qiáng)度和隱藏層神經(jīng)元節(jié)點(diǎn)與輸出層神經(jīng)元節(jié)點(diǎn)的連接強(qiáng)度以及閾值，使誤差沿梯度方向下降，經(jīng)過(guò)反復(fù)學(xué)習(xí)訓(xùn)練，確定與最小誤差相對(duì)應(yīng)的權(quán)值和閾值。

圖5 BPNN模型拓?fù)鋱DFig.5 The topology of BPNN model

創(chuàng)建BPNN模型分3個(gè)階段，分別為設(shè)計(jì)、訓(xùn)練和測(cè)試階段。設(shè)計(jì)階段，使用Matlab自帶工具箱完成對(duì)BPNN模型的創(chuàng)建，對(duì)神經(jīng)網(wǎng)絡(luò)的層數(shù)和各層的節(jié)點(diǎn)數(shù)、均方根誤差MSE、迭代次數(shù)epoch、學(xué)習(xí)率Ir、各層神經(jīng)元的傳遞函數(shù)和訓(xùn)練方法進(jìn)行設(shè)置。在訓(xùn)練和測(cè)試階段，將每個(gè)圖像樣本中提取的4個(gè)特征作為輸入，采用留一法劃分訓(xùn)練集和測(cè)試集后對(duì)網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并使用均方根誤差MSE評(píng)價(jià)網(wǎng)絡(luò)的學(xué)習(xí)性能。最后的測(cè)試階段，將絕對(duì)誤差E作為檢驗(yàn)BPNN模型預(yù)測(cè)結(jié)果準(zhǔn)確性的依據(jù)，其計(jì)算公式為：

(1)

(2)

式中：M為輸入層節(jié)點(diǎn)數(shù),N為輸出層節(jié)點(diǎn)數(shù),a為 1～10 之間的調(diào)節(jié)整數(shù)。在BPNN模型的訓(xùn)練過(guò)程中MSE應(yīng)該逐漸減小，但是由于內(nèi)部缺陷珍珠和非缺陷珍珠提取的特征比較明顯，MSE設(shè)定的大小對(duì)BPNN訓(xùn)練的速度影響不大，MSE設(shè)置的較小或者較大都能完成訓(xùn)練，且預(yù)測(cè)性能差距不大，BPNN的具體訓(xùn)練參數(shù)設(shè)置如表1所示，其他參數(shù)均采用Matlab的默認(rèn)設(shè)置。

表1 BPNN模型訓(xùn)練參數(shù)的確定Tab.1 Determination of BPNN model training parameters

在對(duì)BPNN模型訓(xùn)練之前，量化BPNN的輸出結(jié)果，內(nèi)部無(wú)缺陷的珍珠標(biāo)簽為1，內(nèi)部缺陷的珍珠標(biāo)簽為0。訓(xùn)練階段，為避免過(guò)度學(xué)習(xí)和欠學(xué)習(xí)狀態(tài)的發(fā)生，留一法用于檢驗(yàn)網(wǎng)絡(luò)的預(yù)測(cè)性能。

3 實(shí)驗(yàn)結(jié)果

本文通過(guò)灰度突變和定位缺陷層在珍珠OCT圖像中的位置來(lái)提取圖像特征，為了展示圖像的特征，圖6給出了6種典型的珍珠樣品的OCT圖像及其特征提取過(guò)程，最終對(duì)缺陷層的上、下邊界進(jìn)行了準(zhǔn)確定位，圖6(a)是內(nèi)部無(wú)缺陷的淡水珍珠OCT圖像，圖6(b)～圖6(f)是內(nèi)部有多種類型缺陷的淡水珍珠OCT圖像。無(wú)缺陷淡水珍珠因沒有缺陷層，在OCT圖像中所提取出的上、下邊界不是真實(shí)缺陷層的上、下邊界，其同一邊界水平相鄰列的邊界點(diǎn)縱向距離差距大，而對(duì)于內(nèi)部缺陷的淡水珍珠OCT圖像的缺陷層，處于同一邊界上的相鄰點(diǎn)的縱向距離差距小，所定位的缺陷層上、下邊界較平滑，可見該波動(dòng)特點(diǎn)是后續(xù)能夠準(zhǔn)確檢測(cè)出淡水珍珠內(nèi)部的缺陷的依據(jù)。表2給出了6個(gè)典型樣本從OCT圖像提取4種特征具體數(shù)值，保留小數(shù)點(diǎn)后面4位有效數(shù)字。

圖6 6個(gè)典型樣品的缺陷層位置圖，缺陷類型與圖1相對(duì)應(yīng)。左列：目標(biāo)被拉平后的負(fù)片圖像；右列：目標(biāo)被拉平后的垂直梯度圖像Fig.6 Defect locations of six typical samples, Corresponding to each image in figure 1. Left column: negative image where the target is flattened and cropped; Right column: gradient image

通過(guò)表2對(duì)比了內(nèi)部無(wú)缺陷珍珠和內(nèi)部有缺陷珍珠的4種特征，可以看出無(wú)缺陷珍珠的上邊界灰度均值小于缺陷珍珠的上邊界灰度均值，而下邊界灰度卻呈現(xiàn)出相反的趨勢(shì)。從波動(dòng)性上分析，無(wú)缺陷珍珠上、下邊界的波動(dòng)次數(shù)相較于缺陷珍珠的上、下邊界波動(dòng)次數(shù)大，可見不同類型珍珠之間的4種特征存在顯著差異，可作為分類判別的依據(jù)。

表2 不同類型珍珠的4種特征對(duì)比Tab.2 Comparison of four features of different types of pearls

為驗(yàn)證本文方法對(duì)提取特征的準(zhǔn)確性，使用K-means算法分別根據(jù)樣本的梯度特征和位置特征對(duì)樣本進(jìn)行聚類，如圖7所示。圖7(a)是所有淡水珍珠樣本OCT圖像的位置特征二維分布圖，從圖中可以看出，根據(jù)樣本的上、下邊界波動(dòng)次數(shù)特征分布特點(diǎn)來(lái)看，樣本主要分布在2個(gè)區(qū)域。圖7(b)顯示的是K-means算法對(duì)OCT圖像位置特征的自動(dòng)聚類結(jié)果。圖7(a)結(jié)合圖7(b)可以看出，K-means算法能夠根據(jù)樣本的上、下邊界波動(dòng)次數(shù)特征對(duì)兩種類型的珍珠樣本進(jìn)行聚類，同一區(qū)域內(nèi)均為同一種類型樣本，再結(jié)合圖7(c)中珍珠的真實(shí)類型與K-means算法聚類預(yù)測(cè)的類型對(duì)比，所有樣本中的3個(gè)樣本聚類的類型與珍珠的真實(shí)類型不相同，余下37個(gè)樣本聚類的類型與珍珠的真實(shí)類型相同。圖7(d)是所有淡水珍珠樣本OCT圖像的梯度特征二維分布圖，從圖中可以看出，上邊界像素灰度均值較大的樣本其下邊界灰度均值相對(duì)較小。圖7(e)顯示的是K-means算法對(duì)OCT圖像梯度特征的自動(dòng)聚類結(jié)果，圖7(d)結(jié)合圖7(e)可以看出，K-means算法按照樣本的上、下邊界像素灰度均值特征也能完成兩種類型珍珠的聚類，再結(jié)合圖7(f)中珍珠的真實(shí)類型與K-means算法聚類的珍珠類型對(duì)比結(jié)果，其中3個(gè)樣本聚類的類型與珍珠的真實(shí)類型不相同，余下37個(gè)樣本聚類的類型與珍珠的真實(shí)類型相同。將圖7(c)與圖7(f)結(jié)合進(jìn)行對(duì)比發(fā)現(xiàn)，3個(gè)樣本按照位置特征和梯度特征進(jìn)行聚類，聚類的類型與珍珠真實(shí)類型均不相同，其余37個(gè)樣本按照位置特征和梯度特征進(jìn)行聚類，聚類的類型與珍珠的真實(shí)類型均相同。結(jié)果顯示聚類的匹配度為92.5%，表明可以將樣本的上、下邊界分別對(duì)應(yīng)的邊界點(diǎn)波動(dòng)次數(shù)和上、下的像素灰度均值可以作為區(qū)分淡水珍珠內(nèi)部有無(wú)缺陷的特征。

圖7 K-means算法聚類分析圖Fig.7 Clustering analysis results of K-means algorithm

剔除K-means算法聚類出的類型和真實(shí)類型不同的珍珠樣本，使用K-means算法聚類出的類型與真實(shí)類型相同珍珠樣本的特征訓(xùn)練BPNN模型，采用留一法檢驗(yàn)BPNN模型的預(yù)測(cè)準(zhǔn)確性，結(jié)果如圖8所示，圖8(a)給出了樣本的真實(shí)類型與預(yù)測(cè)類型，圖8(b)是每個(gè)樣本真實(shí)類型與預(yù)測(cè)類型之間的數(shù)值絕對(duì)誤差，根據(jù)絕對(duì)誤差小于0.5即為預(yù)測(cè)正確的判斷標(biāo)準(zhǔn)，從圖8(b)中可以看出，所有樣本的預(yù)測(cè)類型數(shù)值與真實(shí)類型數(shù)值之間的絕對(duì)誤差均小于0.5，BPNN模型預(yù)測(cè)出的類型與真實(shí)類型相同，預(yù)測(cè)準(zhǔn)確率達(dá)到100%。表明經(jīng)K-means算法聚類分析所選擇特征訓(xùn)練出的BPNN模型能夠作為珍珠類型的預(yù)測(cè)模型，證明了本文所提出的方法能夠自動(dòng)檢測(cè)珍珠內(nèi)部缺陷，并實(shí)現(xiàn)淡水無(wú)核珍珠按照內(nèi)部缺陷自動(dòng)分類。

圖8 BPNN預(yù)測(cè)結(jié)果圖Fig.8 Prediction result of BPNN model

4 分析與討論

在珍珠內(nèi)部缺陷檢測(cè)的方法中，現(xiàn)有方法主要是通過(guò)專家經(jīng)驗(yàn)人工判別、X射線法和光學(xué)相干層析成像法[26，27]。人工檢測(cè)效率低，且準(zhǔn)確性因人而異，X射線檢測(cè)技術(shù)具有明顯的缺陷，珍珠在長(zhǎng)時(shí)間的X光照射下會(huì)失去光澤，導(dǎo)致其價(jià)值的損失。OCT成像技術(shù)能在微米級(jí)分辨率下無(wú)損的掃描并顯示珍珠內(nèi)部組織結(jié)構(gòu)，除了無(wú)損的優(yōu)點(diǎn)外,OCT還具有掃描速度快，操作簡(jiǎn)單，幾乎對(duì)所有珍珠都具有普適性的優(yōu)點(diǎn)。

OCT成像技術(shù)作為一種珍珠內(nèi)部缺陷檢測(cè)的新方法，現(xiàn)有的應(yīng)用大多數(shù)都是基人工對(duì)圖像進(jìn)行觀察和得出檢測(cè)結(jié)論，這項(xiàng)工作耗時(shí)費(fèi)力。本研究是圖像處理技術(shù)和OCT成像技術(shù)的結(jié)合，提出了一種完全自動(dòng)化的方法對(duì)淡水無(wú)核珍珠內(nèi)部缺陷部位的檢測(cè)并分類，該方法作為OCT成像技術(shù)在珍珠內(nèi)部缺陷檢測(cè)方面應(yīng)用的補(bǔ)充，提高了分類的準(zhǔn)確性和效率，為淡水無(wú)核珍珠內(nèi)部質(zhì)量檢測(cè)與分類的產(chǎn)業(yè)化應(yīng)用奠定了基礎(chǔ)，并且在其他產(chǎn)品分類上具有推廣價(jià)值。

5 結(jié) 論

本文提出了一種能夠根據(jù)OCT圖像進(jìn)行淡水無(wú)核珍珠內(nèi)部有無(wú)缺陷的自動(dòng)分類算法，通過(guò)提取圖像垂直梯度和珍珠內(nèi)部缺陷位置的變化特征，通過(guò)K-means算法選擇與樣本類型匹配的特征訓(xùn)練BPNN模型，實(shí)現(xiàn)對(duì)淡水無(wú)核珍珠自動(dòng)化檢測(cè)分類。實(shí)驗(yàn)過(guò)程驗(yàn)證了淡水無(wú)核珍珠的OCT成像的有效性以及OCT成像技術(shù)在對(duì)淡水無(wú)核珍珠內(nèi)部缺陷檢測(cè)上的可行性。本文提出的方法能夠?qū)Ω鞣N缺陷類型的珍珠有準(zhǔn)確的識(shí)別能力，分類性能較傳統(tǒng)方法有所提升，具有較強(qiáng)的普適性、準(zhǔn)確性和執(zhí)行速度。