魏婷婷，林 楠，曹仰杰，魏君飛，楊 聰

1(鄭州大學 軟件學院，鄭州 450002) 2(鄭州大學 漢威物聯(lián)網(wǎng)研究院，鄭州 450002)

1 引 言

近年來，隨著一些惡性交通事故的發(fā)生，使“毒駕”這一民眾所不了解的高危駕駛行為逐漸進入到公眾的視野當中.“毒駕”(Drug-driving)是指交通行為參與人在未完全戒斷毒癮、正在使用毒品或使用毒品后進行機動車駕駛的行[1].“毒駕”行為隱蔽性高且社會危害性極大，目前，我國對由“毒駕”引發(fā)的道路交通事故尚無權威的統(tǒng)計數(shù)字，在國內(nèi)的相關報道中，2003-2005年，由“毒駕”引發(fā)的交通道路事故平均每年不足10起；2006-2008年，達到每年10～20起；2009年則上升至40起以上[2].2013-2016年，國內(nèi)媒體有關“毒駕”的報道分別為1940篇、4120篇、10400篇和13500篇，從近年相關報道反應出，其造成的交通道路事故呈上升態(tài)勢[3].因此，對于“毒駕”行為的檢測，是避免其造成公民的人身和財產(chǎn)安全的重要措施.

毒品檢測標準方法包括氣相-質(zhì)譜聯(lián)用(GC-MS)[4]與液相-質(zhì)譜聯(lián)用技術(LC-MS)[5，6]，這兩種技術相對比較成熟.此外，常見的毒品檢測方法還有色譜法[7]、光譜法[8]、免疫分析法[9，10]等方法，此類檢測方式需要使用大型專業(yè)儀器設備.對于實驗環(huán)境具有一定要求，因此面對復雜道路環(huán)境，這些方法雖然檢測準確但無法適用于常規(guī)道路稽查.國內(nèi)對于機動車駕駛者的毒駕檢測主要采用血液檢測、尿液檢測和唾液檢測3種方式，如表1所示.相較于另外兩種方式，唾液檢測在毒檢道路現(xiàn)場更為普遍.唾液檢測采用的試紙檢測方式，只需將待檢測物質(zhì)與試紙反應區(qū)接觸即可完成檢測，具有成本低、靈敏度高、方便快捷等特點.但在實際研究和應用中其試紙判斷方式存在不足.目前毒駕道路檢測中對唾檢試紙的常用判斷方式為目測法，目測法進行試紙反應色域的識別，會受到環(huán)境影響及人眼顏色識別的差異，且唾液檢紙體積較小，其有效試紙前景區(qū)域面積為15mm×15mm，僅僅依靠目測，檢測結果缺乏準確性.

表1 國內(nèi)常見機動車駕駛員毒駕檢測方式對比Table 1 Comparison of common driving test methods for motor vehicle drivers in China

隨著移動設備的普及以及圖像識別技術的發(fā)展，使得利用手機、相機等攝像設備結合機器學習等方法，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)進行分類，最終得出檢測結果.但在實際毒駕檢測試紙圖像成像過程中，存在以下問題：

1)由于攝影設備、環(huán)境光照、色溫等影響，造成圖像目標與背景對比度較低、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行識別，并對所屬毒品類別進行準確分類.本文使用多顏色空間信息和機器學習方式，在真實毒駕唾檢試紙圖像數(shù)據(jù)集中進行驗證，試驗結果表明，DrugChecking在高效準確分割弱邊緣試紙圖像的同時能夠實現(xiàn)對毒品的精確分類，為常規(guī)道路毒駕稽查提供了準確有效的識別方式.

2 DrugChecking毒駕唾液試紙檢測

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，對原始圖像進行預處理，使用邊緣檢測、投影變換等方式獲得試紙前景區(qū)域圖像，之后結合多顏色空間下不同圖像信息，進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對試紙圖像進行降維處理，并對降維后的數(shù)據(jù)進行分類，從而獲得毒駕試紙中毒品所屬類別.

圖1 DrugChecking毒駕試紙檢測流程圖Fig.1 Flow chart of drug driving test strip image detection

2.1 試紙前景區(qū)域獲取

原始毒駕唾檢試紙圖像中包含大量圖像信息，首先對圖像進行預處理，排除干擾信息，鎖定試紙前景區(qū)域，不僅能減少設備計算量，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域的重要技術，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[11]、Roberts算子，二階包括Laplace算子、LOG算子等.通常，這類算子以導數(shù)極大值點或過零點作為候選邊緣點，根據(jù)有效閾值，得到圖像邊緣.此類算子操作簡單、運算速度較快，但噪聲對該類算子影響較大，抗干擾能力弱，例如：LOG算子常產(chǎn)生雙邊界，Sobel算子易形成不閉合的區(qū)域，導致圖像邊緣不夠精準.而Canny算子[12]是最佳階梯型邊緣檢測算法，信噪比大且邊緣檢測精度高.

本文基于算法復雜度以及實際應用效果考慮，采用Canny算子進行圖像邊緣的獲取.由于采集到原始圖像邊緣存在無關信息干擾，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，識別結果如圖2所示.

圖2 試紙前景圖像獲取示意圖Fig.2 Schematic diagram of obtaining test strip foreground image

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)中標記區(qū)域.設Cj(j=1，2，3，4)為四邊形角點，Oi為四邊形中點，Pi表示最大連通域中坐標點，Pi∈{[x1，y1]，[x2，y2]，…，[xn，yn]}，其中i=1，2，…，n.角點Cj的輸出定義如公式(1)所示.根據(jù)得到的4個角點，對圖像裁剪獲得試紙前景圖像.

Cj=Max[(Pi-O0)(Pi-O0)T]

(1)

2.2 多顏色空間下毒品試紙邊緣提取

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)生嚴重影響.常用的RGB顏色空間是面向硬件設備描述的顏色空間，通常攝像系統(tǒng)都是基于RGB顏色空間成像，但由于攝像設備所采集的圖像，存在由于設備物理性、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準光照下比，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[13].因此將RGB顏色空間和HSV顏色空間的分量信息相結合，能夠從不同角度有效獲得所需試紙圖像特征信息.

將毒駕唾檢RGB圖像轉換到HSV顏色空間[14]，圖像的各分量計算公式如下：

(2)

(3)

V=max(R，G，B)

(4)

式中，Cmax=max(R，G，B)，Cmin=min(R，G，B)，Δ=Cmax-Cmin.

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顏色空間轉化所得灰度通道，共同構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通道進行形態(tài)學處理——膨脹，之后與其他通道進行并運算，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，進行閉操作能夠消除狹窄的間斷和細長的鴻溝，使得圖像輪廓平滑，填補邊緣輪廓的斷裂，具體數(shù)學表達式[15]如下：

EB=A⊕B={x，y|Bxy?A}

(5)

E=EB∩EH∩Egray

(6)

E′=E·C=(E⊕C)?C

(7)

假設結構元素B對集合A進行操作，EB即為膨脹后B通道邊緣，E和E′分別表示進行閉操作前后的試紙邊緣輪廓，EB，EH，Egray分別表示B通道、H通道和灰度通道的邊緣輪廓，最終得到試紙邊緣輪廓E′.

2.3 試紙條區(qū)域獲取

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[16]的參數(shù)方程如下所示：

ρ=xcosθ+ysinθ

(8)

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果，霍夫變換的基本方法[16]：用圖像空間的邊緣數(shù)據(jù)點計算參數(shù)空間中的參數(shù)點的可能軌跡，并在一個累加器中給計算出參考點的計數(shù)，最后選出符合條件的峰值，該峰值由ρ和θ決定，則在對應到圖像空間中滿足該式的點(x，y)就組成該直線.得到所需試紙邊緣信息之后，裁剪獲得試紙圖像，圖3(b)為裁剪后試紙圖像.

圖3 毒駕圖像中試紙條區(qū)域的提取Fig.3 Images of drug driving test strips

2.4 試紙條區(qū)域主成分分析

直接對唾檢試紙圖像進行分類會耗費大量計算資源，通過對圖像進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[17]通過K-L變換，使用盡可能少的低維主成分代替之前高維數(shù)據(jù)信息，計算公式見式(9)-式(14).假設每張試紙圖像數(shù)據(jù)樣本矩陣為{x1，x2，…，xm}，首先將數(shù)據(jù)樣本進行中心化處理，取每個特征的均值：

(9)

(10)

從樣本特征中提取主要成分，進行數(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)進行數(shù)據(jù)計算：

(11)

[U，Λ，V]=svd(∑)

(12)

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=[λ1，λ2，…，λp]，特征向量U=[u1，u2，…，up]，其特征值是遞減排列，可選取全部p維特征中的前n維特征作為主要成分，通常選取保留的能量百分比E為95%以上的特征維度，即：

(13)

最終降維后的樣本數(shù)據(jù)為：

xPCA=[u1，u2，…，un]Td

(14)

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)，部分降維結果圖4所示：

圖4 部分試紙圖像降維結果示意圖Fig.4 Schematic diagram of PCA results of test strip images

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，而峰值個數(shù)則與試紙條圖像中色塊數(shù)目相對應，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 毒駕試紙分類

支持向量機(Support Vector Machine，SVM)[18]是機器學習中適用于小樣本數(shù)據(jù)的有效分類方法，通過構造最優(yōu)超平面從而對未知樣本進行分類.針對毒駕檢測試紙的小樣本性以及樣本特點，本文選用機器學習支持向量機對試紙毒品進行分類.SVM對于解決小樣本非線性的高維數(shù)據(jù)識別中具有很好的準確率和泛化能力.非線性的支持向量機學習算法[19]如下：

輸入：訓練數(shù)據(jù)集T={(x1，y1)，(x2，y2)，…，(xN，yN)}，其中，xi∈Rn，yi∈{+1，-1}，i=1，2，…，N；

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.構造并求解凸優(yōu)化問題

(15)

(16)

0≤ai≤C，i=1，2，…，N

得到最優(yōu)解：

(17)

(18)

步驟4.構造決策函數(shù)

(19)

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)(Liner Kernel，Linear)、多項式核函數(shù)(Polynomial Kernal，Poly)、Sigmoid核函數(shù)、徑向核函數(shù)(Radical Basis Function，RBF)，其表達式分別為：

K(y，yi)Linear=yyi

(20)

K(y，yi)Poly=(yyi+1)d

(21)

K(y，yi)Sigmoid=tanh(k(yyi)+θ)

(22)

K(y，yi)RBF=exp(-‖y-yi‖2/(2σ2))

(23)

針對不同數(shù)據(jù)，核函數(shù)的選擇對于分類的準確性具有重大影響，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，yi)將輸入向量由低維映射到高維特征空間，由非線性變?yōu)榫€性可分的數(shù)據(jù)向量.

3 實驗結果與分析

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16.0 GB，整體實驗流程基于Matlab實現(xiàn).

3.1 數(shù)據(jù)集

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.

表2 毒駕試紙原始類別信息Table 2 Type information of drug driving test strips

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 數(shù)據(jù)增強

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則遠遠小于其樣本數(shù)量，存在嚴重數(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[20，21].本文通過在原始圖像中加入均值為0，方差為0.025的高斯噪聲，將類別0、1、2進行數(shù)據(jù)擴充，數(shù)據(jù)擴充后信息如表3所示，使得每個類別的樣本數(shù)據(jù)量處于均衡狀態(tài)，這樣不僅增加了訓練樣本量，解決數(shù)據(jù)不平衡問題，也增強了算法分類的魯棒性.

圖5 試紙類別示意圖Fig.5 Different types of test strips

表3 毒駕試紙數(shù)據(jù)擴充類別信息Table 3 Drug driving test strip data extended category information

3.3 評價指標

在機器學習方法中，分類模型的評價指標通常為準確率(Accuracy，Acc)、精準率(Precision，Pre)、召回率(Recall)、綜合評價指標F1-Score(F1)，各評價指標所使用的樣本數(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.各項評價指標如下所示：

表4 樣本數(shù)據(jù)類別表Table 4 Sample data category Table

(24)

(25)

(26)

(27)

3.4 實驗結果

3.4.1 試紙區(qū)域識別

為了從原始圖像中得到所需唾檢試紙圖像，通常選用RGB顏色空間或將彩色圖像轉化為灰度圖，進行邊緣信息提取.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確邊緣，從而影響后續(xù)圖像識別，各通道邊緣識別準確率如表5所示.

表5 不同顏色通道的邊緣識別準確率Table 5 Accuracy of edge recognition for different color channels

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圖像轉化得到的灰度圖通道，圖6(a)中由于顏色暈染及陰影，導致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行分割，在目前數(shù)據(jù)集中分割正確率為100%，能夠高效準確識別試紙邊緣，進行試紙圖像分割.

圖6 不同顏色通道試紙邊緣識別示意圖Fig.6 Test strip edges with different color channels

3.4.2 試紙分類結果

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份作為訓練數(shù)據(jù)，剩余1份作為測試數(shù)據(jù).交叉驗證重復10次實驗，綜合每次實驗得出的Acc，Pre，Recall和F1，計算平均值作為對模型整體性能的評估，避免隨機結果造成的影響.

對于機器學習，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測精度，導致模型整體性能下降.因此在數(shù)據(jù)預處理時，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如表6所示.

表6 數(shù)據(jù)擴充前后各指標對比Table 6 Comparison of indicators before and after data expansion

根據(jù)表6看出，加入噪聲后的擴充數(shù)據(jù)，分類準確率由0.946提升至0.9804，其余3種評價指標的數(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，模型對該類別學習能力較弱，當擴大數(shù)據(jù)集后，豐富的信息，使模型做出更加準確的判斷.實驗結果表明，使用該方法對數(shù)據(jù)集進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)進行實驗對比，評價不同核函數(shù)對實驗分類，結果見表7.

表7 不同核函數(shù)的評價指標對比Table 7 Comparison of evaluation indicators of different kernel functions

根據(jù)表7看出，采用Poly核函數(shù)進行毒駕試紙分類，由于數(shù)據(jù)內(nèi)部關聯(lián)性，其各個指標均高于另外3種核函數(shù)，因此，在SVM進行樣本分類時，本文選用Poly核函數(shù)能夠達到當前最優(yōu)結果.

3.4.3 對比試驗

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[4]、LC-MS[6])相比具有較低的檢測時間，能夠有效提高對駕駛員的毒駕檢測效率，不同檢測方式用時如表8所示.

表8 不同檢測方式所的檢測時間Table 8 Time taken for different detection methods

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行多種預處理，之后由于試劑的不同導致所需反應時間也有所差異，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.

3.4.4 模型分析

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.當該模型框架應用于其他領域時，可以根據(jù)不同需求進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.

表9 不同類別試紙的識別準確率Table 9 Recognition accuracy of different types of test strip

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確率，如表9所示，DrugChecking對每個類別的試紙都具有較高的識別率.

4 結 論

本文針對毒駕唾檢試紙的特點，提出了一種簡潔、高效的試紙分類方法——DrugChecking.該方法在融合不同顏色空間下的試紙圖像邊緣信息基礎上，提取了毒駕唾檢試紙條區(qū)域，并對試紙條區(qū)域進行降維分類，最終實現(xiàn)毒檢分類.本文針對毒駕唾檢試紙中樣本不平衡的問題，通過數(shù)據(jù)擴充有效提高了模型魯棒性，并增強模型泛化能力.此外，經(jīng)試驗驗證，DrugChecking對于常規(guī)道路毒駕檢測具有穩(wěn)定的識別能力和良好的分類性能.在之后的工作中，將進一步提高模型對毒駕唾檢試紙的識別準確率，并加強對處于檢測閾值的弱色塊識別能力.