5.9.2 运动连续性AP异物检测性能
为了验证提出的检测算法的综合性能，从检测算法的稳定性、准确性以及普适性进行以下实验分析。
1.Knapp-Kushner效能比测试
Knapp-Kushner测试是一种被欧洲药典和美国FDA(U.S.Food&Drug Administration)承认的评估自动检测系统性能的方法。该方法通过将自动检测系统与人工检测系统的性能进行比较，采用统计的方法来评估自动检测系统的检测效能。在进行Knapp-Kushner测试的过程中，有以下几个指标需要计算：
(1)质量因数FQ
其中，FQi为第i个药液瓶的质量因数，n为剔除次数，N 为总检测次数。
(2)人工检测质量因数FQA
当人工检测的质量因数FQA处于[7，10]时，将其累加用于最终的剔除效能计算：
(3)自动检测系统质量因数FQB
采用同样的方法计算自动检测系统质量因数FQB：
(4)性能比较
(https://www.daowen.com)
若比值R≥1，表示自动检测系统的性能优于人工检测的性能。
现应用Knapp-Kushner测试方法对本节异物检测算法的性能进行评估。随机选取200瓶药液，其中包含异物的药液有80瓶。对这200瓶药液进行随机标号，然后分别采用人工检测方法和本节自动检测算法对200瓶药液进行检测，并计算质量因数，最后统计质量因数值处于[7，10]区间的累加和。
在实验过程中，检测总次数N=50。人工检测的质量因数为FQA=624，本节检测算法的质量因数为FQB=759。比值R=FQB/FQA=1.22，说明本节检测算法的性能优于传统人工检测方法。
2.检测稳定性试验
检测算法的稳定性是指对同一药液进行重复性检测都得到一致的结果，这一性质对于实际生产是非常重要的。本节提出AP聚类算法对提取到的目标进行分类，其优势之一就在于AP聚类算法的稳定性，对同一数据集进行反复聚类都会得到一致的结果。我们对100瓶药液进行重复性实验，其中包含20个不合格品(编号为F1～F20)，重复次数为10次，检测结果如表5.4所示。
表5.4 异物检测重复性实验结果
从表5.4中可以看出，自动检测算法在检测稳定性上同样优于人工检测方法。这是因为本节采用的AP聚类算法具有很好的稳定性，与此同时，根据连续帧图像识别异物轨迹的方法可以避免异物在某一帧图像中缺失而造成漏检的发生。由于外界光线的干扰，可能在异物提取的过程中，同一异物并非在每一帧图像中都能检测出来。但是即便有这种异物缺失的情况，提取到的剩余异物目标还是能够构成连续的运动轨迹，从而提高了检测的鲁棒性。
3.检测精度试验
为了验证算法的检测准确率，本节选取了包含纤维、玻璃屑和橡皮屑三种不同异物种类的药液各100个，采用本节检测算法和人工检测方法来统计异物的误检率和漏检率，如表5.5所示。
表5.5 异物检测精度实验结果
从表5.5中可以看出，本节的检测算法在三种异物类型的误检率和漏检率上都比人工检测方法低。其中，橡皮屑的检测效果最好，其次是纤维，效果相对最差的是玻璃屑。这是因为橡皮屑是深色异物，其成像质量要比玻璃屑这种浅色异物要好。而纤维虽然也是深色的异物，但是其形状呈细长状，容易在运动的过程中产生形变，从而导致在相邻帧图像中纤维的特征信息发生变化，影响聚类的结果。另外，所有异物在运动到药液瓶边缘的时候都有可能被瓶身的反光淹没，导致在目标提取阶段丢失异物。以上问题都值得进一步研究和改进：可以考虑通过增加图像序列的帧数来避免异物多帧丢失的情况，但是算法的处理时间也会增加；另外一种途径是通过改进检测系统的照明设计部分，使获取的药液图像对比度增强；还可以考虑采用多摄像头获取不同方位的药液图像，得到更加全面的异物信息，弥补单摄像头拍摄的不足之处。
本节在获得目标特征信息的基础上，对标准近邻传播聚类算法进行改进，提出了运动连续性AP算法用于可见异物的识别。首先分析了将标准AP算法直接应用到药液异物识别问题中的局限性，然后根据药液异物目标的特性从相似性度量方法和模型约束方程两方面对标准近邻传播聚类算法进行改进。改进后的相似性度量方法将欧式距离转换成能够反映数据集内部拓扑结构的测地距离，同时利用异物目标运动连续性的特性重建聚类模型与约束方程，并根据因子图与置信传播原理推导出新的迭代方程。实验结果表明，运动连续性AP算法与标准AP算法相比，能够得到更好的聚类结果。
