文摘

医药产品的质量在制药工业中起着重要的作用在我们的生活中。使用有缺陷的平板电脑可以为患者是有害的。在本研究,我们提出了一种无损方法识别缺陷和无缺陷的平板电脑使用他们的表面形态。三种不同的环境因素温度、湿度和水分进行了分析评价该方法的性能。多个纹理特征提取的表面缺陷和无缺陷的平板电脑。这些纹理特征灰度同现矩阵,运行长度矩阵,直方图,自回归模型和HAAR小波。总从281年图像纹理特征提取。我们执行一个分析所有这些281年前15名,前2的特性。前15名特性提取使用三种不同的特性减少技术:卡方检验,获得比和relief-F。在这项研究中我们使用三种不同的分类器:支持向量机,最近的邻居和朴素贝叶斯方法计算精度与使用两个实验,即分析交叉验证技术和训练测试模型。我们测试每一个分类器对所有选定的特征,然后进行比较的结果。实验工作导致的,在大多数情况下SVM表现好于其他两个分类器。

1。介绍

药品是化合物,可以被用来阻止和治疗病人不同的疾病。在当今快速变化的时代,在药理学领域的进步帮助医生拯救生命的人治疗他们。平板电脑是最常见的药物处方医生的病人。美国FDA(食品及药物管理局)负责批准药物之前发送到本地市场的制造商。FDA只允许那些安全的药品销售市场,履行所有定义的质量标准。

当这些药物提供给当地的药店甚至被FDA批准后仍有许多机会,药物是不合格的。伪劣药品是那些以某种方式不满足质量标准和对病人的健康是有害的。它们可以被归类为假冒、过期和环境影响了药物。

环境影响了药物是那些符合标准的生产但随着时间的推移不同的外部因素改变成伪劣药品的类别。这些因素包括水分、光(尤其是阳光),极端温度和氧气。所讨论的伊斯兰教等。1),水分影响的物理和化学稳定性加速药物的水解反应和辅料。在另一个研究Szakonyi和以及中校州(2)在平板表面吸水导致退化的活性药物成分(api)。使用有缺陷的平板电脑可能会导致一些小问题病人的身体像过敏,也可能导致他们的死亡。这是一个巨大的需要这样的方法可以识别环境影响药品生产后。

在这个研究我们正在处理三个环境因素,也就是说,湿度,湿度和温度。湿度是指空气中水蒸气的量可用。制药的api平板电脑与湿度指示反应,如果他们留在户外导致氧化和还原过程。我们从事这项研究的第二个因素是水分。术语水分相关内容在液态的水。平板电脑的稳定性很大程度上取决于现在的水量。增加水分高于其实际需要的数量会导致反应的api和辅料中讨论(1]。同样的温度是第三个环境因素在这项研究处理。温度变化的效力平板电脑和导致不可预知的行为。

不同的技术可用在文学的评估和估计公式,质量、正确性,和固体药物的稳定。使用这些技术的制造业得到正确的信息的api。薄层色谱(薄层色谱法)和高效液相色谱法(高效液相色谱)是传统技术用于这一目的。Deisingh [3)使用薄层色谱的估计和识别假冒药品或平板电脑的api。这些技术都是缓慢的、昂贵的和破坏性的(4]。

讨论了一些其他研究[3,5- - - - - -8)、固体药物评估技术也可以分为基于光谱评估(SBA)技术。这些包括质谱(MS)、核磁共振光谱(NMR), x射线衍射(XRD)、扫描电镜(SEM)和振动光谱(VS)技术。对包括拉曼和近红外光谱分析技术。不同的研究9- - - - - -11)解释说,所有这些需要全部或一定数量的样品制备所以他们破坏性的或半破坏除了VS的技术。

基于光谱图像评估(阿拉伯河)技术是另一种类型,可用于分析固体形式的剂量。阿拉伯河涉及两个主要的技术称为多光谱成像(MSI)和高光谱成像(HSI)。汉密尔顿和lod (12)使用HSI制药药物的分析比较HSI在高效液相色谱和得出结论,铸铁的性能更准确。在另一个研究中,高恩et al。13)进行无损评估制药平板电脑使用VS和各种图像处理(IP)技术。数码影像的图像创建的组合与拉曼光谱或近红外光谱学被称为化学图像。使用化学成像Šašić[14]分析制药原料。从不同的研究(15- - - - - -17)发现化学成像还可以用来监控药品的开发过程和质量控制平板电脑。Puchert et al。18)使用近红外化学成像(NIRCI)假冒药品的识别。广泛的比较研究,所有这些技术都可以在5,19]。

基于图像的评估(IBA)也用于平板电脑的分析和分类。IBA是一种无损、便宜和简单的方法基于不同的IP技术图像增强、分割、边缘、轮廓检测和纹理分析,等等。分割的灰度平板图像自适应阈值和形态学操作用于平板电脑识别也称为药物识别。安德烈亚斯等人在他的研究20.,21)进行分类使用欧氏距离特性集基于大小,形状,颜色,和结果描述,从这三个最主要的特征是“大小。“Ramya et al。22)使用模板匹配以及一系列IP技术来检测从泡罩包装破碎的平板电脑。Špiclin et al。23)执行检查压印平板电脑上使用图像配准图像数据库不同的缺陷和无缺陷的平板电脑。他们用在这个研究三种注册方法:直接匹配的像素强度,主轴匹配和圆形轮廓匹配。比较分析表明,圆形轮廓匹配是一个更强大的目视检查注册技术的平板电脑。在另一个几何和统计方法的研究比较视觉检查平板电脑使用接收机工作特性进行了分析。几何特性都是基于印形状而另一方面统计特性是基于平板表面的统计数据。该检验方法Bukovec [24)可以身份五种类型的点缺陷,deboss,浮雕,裂纹,点。结果表明,从统计方法提取的特征的几何方法比平板电脑检查。

在本研究,我们关注的IBA平板表面形态结构特征。拟议的方法有助于固体平板电脑分类为两个不同的类别,有缺陷的平板电脑(DT)和无缺陷的平板电脑(无损检测)。这项研究旨在制定一种新的无损方法基于平板电脑的表面分析借贷给予分类。在论文的其余部分2提供材料和方法部分3描述结果和讨论,以及部分4总结了纸。

2。材料和方法

2.1。图像采集

执行的实验提出的九个不同数据集创建方法。每个数据集包含的图像缺陷和无缺陷的十个不同的平板电脑的版本。这些图像捕获使用Labomed 5像素的数码相机安装在Eclipse LV100尼康显微镜的分辨率2580×1944。我们考虑三个主要环境因素,即温度、水分、湿度,创建缺陷的平板电脑。

三个数据集创建平板电脑受到温度和贴上T1, T2和T3。T1包括平板电脑的图像被放置在一个面积有200°C温度五分钟和无缺陷的版本。类似T2和T3含有图像的缺陷和无缺陷的平板电脑放置在240°C和280°C五分钟,分别。同样的三个数据集创建湿度因素贴上A1, A2, A3。A1中有缺陷的平板电脑放置的包装(露天)三天;同样,A2和A3包含图像的平板电脑,保持包装的两天,一天,分别。另外三个数据集创建为平板电脑图像受水分的影响。水分影响平板图像捕获的影响四个平板电脑后第一天,4天2,和四个在第三天不同程度的水分(水),他们暴露于这些数据集的平板电脑称为W1, W2, W3,分别。表中给出了数据集的简要描述1。

图1显示了一些图像的数据集用于这项研究。在每个图的一部分1前四图像环境影响了平板电脑和合格品的最后四个版本。数据1(一),1 (b),1 (c)部分显示平板电脑的图像数据集A1, A2, A3是受湿度的影响。同样的数据1 (d),1 (e),1 (f)显示平板电脑受到温度和贴上T1、T2和T3。数据1 (g),1 (h)和1(我)代表数据集的平板电脑W1 W2, W3,分别。这三个数据集属于水分影响平板电脑。

2.2。提出的方法

在这个研究我们的主要重点是分析基于表面形态的固体剂型(平板电脑)使用IP和ML(机器学习)。平板电脑可以有效地代表其表面特征。在拟议的方法,我们使用的是平板表面图像之间的分类DT和无损检测。拟议的方法主要包括四个阶段:预处理、特征提取、功能降低,和分类。该方法的主要流如图2。

在第一阶段,准备输入图像进一步分析。然后通过预处理图像特征提取阶段不同纹理特征提取将存储为特征向量(艘)。在下一阶段,功能还原技术应用于阵线来减少它的维度。最后阶段将图像分为DT和无损检测基于所选择的特性。提出的方法如图的细节3。

2.2.1。预处理

预处理包括算法可用于图像增强和噪声去除。图像采集后,预处理是一个重要的步骤准备捕获的图像的特征提取。预处理在执行两个步骤,即灰度转换和图像增强。

(1)灰度转换。纹理分析中使用不同的机器视觉表面检查和分类等问题。我们可以定义纹理的空间分布不同的灰色的水平附近。进行结构分析是很重要的彩色图像转化为灰度图像。

(2)对比度增强。图像增强是重要的提高输入图像的质量。中使用的增强技术提出的是对比度增强方法。提出的方法提高图像对比使用执行[中给出的公式25)基于饱和1%的数据在高和低输入图像的灰度强度值。

对比度增强公式如下: 在哪里是在像素的对比度增强吗,在一个特定的图像强度指数吗,图像的高强度,低强度的形象。

2.2.2。特征提取

应用在输入图像预处理之后,我们需要进行特征提取来量化图像的表面通过不同的参数。平板电脑通过其表面的纹理分析可以提供很大的帮助在分类成正确的和损坏的平板电脑。纹理的表面可以定义使用不同类型的特性,可以从图像的灰度分布强度。统计特征提取方法是广泛用于纹理分析。不同结构特性用于这项研究灰度同现矩阵应用灰度共生矩阵建立(),柱状图,运行长度矩阵(那么使用RLM),自回归模型(ARM)和HAAR小波的特性。所以共有281个纹理特征提取的预处理图像使用马自达(纹理分析软件)由Szczypiński et al。26]。的创建th数据集所示(2);这里的价值从1到9。

数据集的公式表示如下: 在哪里是输入图像,的特性集吗th形象,图片为每个数据集的总数。

下面的这些特性给出细节。

(1)灰度同现矩阵应用灰度共生矩阵建立()。GLCM的统计特征提取方法,可用于定义纹理的表面。它是基于像素之间的空间关系。纹理特征可以通过计算频率与特定的价值观和对像素空间关系发生在指定一个图像。马自达提供应用灰度共生矩阵建立11个特征提取。这些角二阶矩、对比、相关、平方和,逆不同时刻,和平均值,方差,和熵,熵,差异方差,和差熵。在本研究应用灰度共生矩阵建立计算功能5 between-pixel距离(1、2、3、4和5)。所以220特征提取。

(2)直方图特征。直方图特征是基于一阶统计特性,用于代表表面纹理。根据Srinivasan和萨布哈27),基于直方图的特征代表图像的强度集中在所有地区。马自达提供共有九个直方图特点,我们选择了四个:意味着(直方图的意思),方差(直方图方差),偏态(直方图的偏斜度)和峰度(直方图的峰态)。

(3)运行长度矩阵(那么使用RLM)。运行长度从输入灰度图像是由一组连续的定义,共线的像素有相同的灰度。粗糙的纹理可以使用那么使用RLM[捕获在一个特定的方向28]。那么使用RLM马自达提供总20特性提取。这些特性是运行长度不均匀性,灰色的水平不均匀性,长期强调,短期内强调,在运行的形象。计算每个特性在四个不同的方向(横向、纵向、45度和135度)。

(4)自回归模型的特性(手臂)。基于自回归模型的马自达提供了5种不同的特性。这些是θ1(参数),θ2(参数),θ3(参数),θ4(参数)和σ(参数)。

(5)HAAR小波的特性。小波能量特征是8点测量量表使用四个频段的频率(噢,LH、HL和HH)使用马自达。这提供了共有32个功能。

2.2.3。功能降低

特征提取阶段的结果在281年很难处理的不同特点。所以对于更好的结果是很重要的减少特性集的维数。三个不同特征提取还原技术是本研究中使用的最有前途的功能,这可以引导我们走向正确的分类之间DT和无损检测。这三种技术是卡方(CS),得到比率(GR), relief-F (RF)。功能降低是由提取的特征有15完整特征向量的上述三种技术。开发的功能减少了使用WEKA大厅等。29日]。所有的这些特征选择算法以及士兵使用的搜索算法。可以看出前15名的特征提取GR和射频数据集是相同的。前15名的特性从CS中提取,GR和射频表中列出2。这些特征选择技术的细节是下面要讨论的。

(1)卡方。卡方(CS)特征选择算法进行排名的功能通过计算卡方统计量为每个类。CS计算之间的依赖程度,属性和一个特定的类。根据Chatcharaporn et al。30.),考虑CS的公式。

卡方检验的公式如下: 在哪里和分别是观察和期望频率。

(2)获得比。获得比(GR)补偿偏差等级属性的信息增益(IG)。根据Chatcharaporn et al。30.GR可以通过以下测量。

公式获得比例如下: 在哪里是熵。GR的结果总是在。意味着完全可以预测,在那里是变量来预测,表明你没有关系和。

(3)Relief-F。另一个统计属性选择技术用于这项研究是relief-F (RF)。射频计算重量为每个功能使用一个特性之间的关系和一个特定的类等级(30.]。这个重量计算是基于两种类型的最近邻概率。第一个概率计算通过两个不同的类与不同的特征值以及其他重量计算的概率是基于同一个类的两个最近的邻国相同特征值(31日]。

前15名选择特性使用CS,从281 GR,射频表2。从表可以看出2根据CS在前15相关特性14角二阶矩(AngScMom)从多个距离和一个逆不同时刻(InvDfMom)距离是4。应用灰度共生矩阵建立所有15特性从CS中提取有关。另一方面14应用灰度共生矩阵建立相关特性选择从GR和从HAAR小波是小波能量特征。

2.2.4。分类

从平板电脑图像提取的特征的评价是使用三种不同类型的分类算法执行的,也就是说,支持向量机,然而,NB。在这项研究我们执行这些分类器的精度实现之间的比较。所有实验工作使用MATLAB进行这项研究。分类是使用所有执行281年,前15名的特性选择使用上述功能还原算法,和前两从281年整体特性。

(1)朴素贝叶斯。朴素贝叶斯统计学习算法,执行基于贝叶斯网络的概率分类(32]。朴素贝叶斯执行培训评估之前和数据集的条件概率。先验概率计算为一个特定的类数除以训练的例子在这个类总数的例子。另一方面条件概率是基于频率分布的特性从属于特定的训练数据类(31日]。NB使用MATLAB实现的实验。相关的一些重要研究药物使用朴素贝叶斯分类器(33- - - - - -36]。

(2) 最近的邻居(资讯)。最近的邻居(资讯)是一个简单但强大的算法能有效地处理复杂问题的分类。它是基于多个参数喜欢多少必须考虑最近的邻居而分类,用、距离的特性在一个数据集,以确定哪些数据属于哪一组。在拟议的方法,我们实现了使用MATLAB与资讯2和余弦距离度量的价值。

(3)支持向量机(SVM)。支持向量机使用训练数据的线性方程建立分区数据集。支持向量机在两个步骤:非线性数据从输入空间映射到特征空间中执行第一步然后特征向量的相似度是衡量使用核函数。它可以处理大特性集高精度(30.]。支持向量机是使用MATLAB实现。训练数据集的执行使用线性核函数和序列最小优化(SMO)分离超平面的方法。侯et al。37)承认SH3 domain-peptide利用支持向量机模型。

3所示。结果与讨论

在本研究,我们评估的准确性提出了使用两种不同的实验方法。我在实验,分析(厕所)交叉验证方法用于该方法的评价。厕所交叉验证首先应用于每个数据集,然后在每个环境因素的联合数据集,最后在一个数据集的所有环境因素相结合。在第二实验评价方法的准确性,使用独立的训练和测试数据集。每个数据集分为两半;所以50%的数据用于训练方法和50%的剩余的数据用于该方法的测试。分类精度的测量方法是使用三种不同的分类器(SVM、资讯和NB)。特征向量形成使用基于281纹理特征提取的图像预处理。

在试验我,首先,我们使用整个281特征作为特征向量和评估的性能提出了基于厕所交叉验证方法使用这三种分类器。这种分类单独执行每个平板电脑数据集,然后在联合数据集。表3包含了这个实验的结果。

图形表示的每个分类器如图的准确性4。结果表明,最大精度的实现是通过使用支持向量机分类器的数据集。分类精度与水分平板电脑是高于其他两个因素的影响。从湿度影响平板电脑数据,可以看出,湿度影响表面的固体平板电脑非常慢,就是他们分类率低的原因。相同的结果的精度反映合并后的数据集。

从表3表8,“Acc”是准确性,“Sn”敏感性,特异性“Sp”。

后,厕所交叉验证应用于选定的前15名的特性。分类精度计算再次使用三个分类器对前15名选择特性,从结果可以看到,从CS中提取的特征和GR相比提供更高的精度。使用前15名特性的比较结果如表所示4。整体使用CS的SVM和安提供更高的精度对所有个人平板电脑数据集分类。SVM为W1提供最高90.32%的准确率数据集时使用CS安提供了90.91%的准确率W3再次使用GR。从结果可以强调,水分影响平板电脑有更高的分类速度。

平板电脑的组合数据集,最大精度达到水分影响平板电脑和最低湿度影响。在整个综合数据集使用ANN分类器最大达到了86.30%的准确率。图5显示了个人的精度,结合平板电脑数据集。

实验结束时,我们已经评估方法的准确性对从281年特征选择的最高的两个特点。这两个特性选择通过组合两个从281年特性,然后选择一双功能提供最大的准确性。选择的最高的两个特性是“S(5,0)熵”(熵在距离5)和“Horzl_GLevNonU”(水平灰度不均匀性)。应用灰度共生矩阵建立熵测量来自从那么使用RLM和Horzl_GlevNonU。

表5显示个别和合并数据集的精度。厕所交叉验证再次使用前两个特性提供最大的分类率影响的水分通过SVM数据集。在联合数据集NB提供最大的分类精度的情况下,也就是说,91.10%,但灵敏度较低的利率,也就是说,29.41%。这是描绘在图6。

同样,在实验二世,我们评估的精度提出了方法论通过训练和测试模型对所有281年,选择前15名,前两个特点。所有精度计算在这个实验中通过提供测试数据集训练模型。

表6对所有281特性显示了测试结果。整体的数据集相结合,86.30%的准确性和湿度数据集86.67%精度是通过SVM相结合。对个人数据如温度和湿度NB提供更准确的结果。NB为W1提供93.75%的准确率(敏感性100%,特异性85.71%),提供了T2 87.50%。在A1的情况下,支持向量机提供最大的准确性,即78.57%。图7图形化的形式显示了结果。

测试结果对选中的15大特性如表所示7。CS的特性选择超越GR在大多数情况下。NB提供相对较低的精度比SVM和安。在平板电脑的情况下受温度和湿度影响安提供了更好的精度,但对于水分影响平板电脑,支持向量机是更好。结合测试数据集训练模型时,最大达到91.18%的准确率与水分影响平板电脑数据集。这些结果的图示如图8。

针对前两名的精度选择功能表提供了使用测试数据集8。从结果可以看到,几乎所有的数据集支持向量机除了湿度要好。湿度的影响数据集安提供了更好的结果。W3, SVM为88.24%的准确率提供了敏感性88.89%,特异性87.5%。NB的整体组合数据集提供了最大的精确度,也就是说,90.14%,特异性为98.48%。这些结果也显示在图9。

4所示。结论

在这个研究中,我们提出了一种新的分类方法的缺陷和无缺陷的平板电脑使用图像处理和机器学习技术。在建议的方法,我们利用纹理特征提取的表面预处理图像。整体分析是进行良品和有缺陷的平板电脑。的表面有缺陷的平板电脑受到三个环境因素的影响,也就是说,温度、湿度、和水分。使用所有执行比较分析281年,前15名(提取使用CS、GR和RF),顶部2的特性。使用支持向量机进行分类,然而,NB分类器。分析表明,在水分影响平板电脑上实现更高精度随着水分快速反应的api平板电脑。在不同类型的实验中,该方法使用SVM的大部分数据集比另外两个分类器。在未来的空间和光谱数据的结合平板电脑可以用来达到更高的精度。

利益冲突

作者宣称没有利益冲突有关的出版。