面向移動端的象牙智能識別系統設計與實現

陳云霞 周用武 周婷媛 鄒智元

基金項目：南京森林警察學院預研項目；項目編號：LGY201901。北京信息科技大學校科研基金項目；項目編號：2023XJJ19。

作者簡介：陳云霞（1982— ），女，山西吉縣人，博士，教授；研究方向：事野生動植物物證鑒定與保護。

摘要：大象是地球上珍貴的野生動物資源，非洲象、亞洲象均已被列入《瀕危野生動植物種國際貿易公約》（CITES）目錄，國家野生動植物保護部門嚴格禁止現生象牙及其制品的市場貿易，這對保護野生動植物的特種多樣性具有十分重要的意義。但是，在禁止象牙及其制品貿易監管執法過程中，特別是在一線執法現場，如何快速、有效地對類象牙制品進行鑒定與識別，是目前亟待解決的問題。文章設計的面向移動端的象牙智能識別系統立足于計算機模式識別理論，采用圖像增強與紋理解析方法，建立基于深度學習的象牙識別算法模型，解決象牙圖像紋理識別問題，能夠提高一線執法人員的工作效率，為象牙相關違法犯罪的打擊提供技術支持。

關鍵詞：計算機科學；模式識別；象牙識別；象牙識別系統

中圖分類號： TP391.4? 文獻標志碼： A

0? 引言

象牙智能識別系統是面向國家野生動植物保護執法監管，為滿足現場快速、準確鑒定識別象牙及制品而設計的移動端系統。該系統針對從事象牙禁貿的執法人員以及象牙鑒定的檢測人員，能夠實現對象牙及制品的鑒定和識別，為檢測人員提供快捷識別、穩定高效的象牙鑒定服務。象牙智能識別系統的客戶端運行在移動設備上，依托象牙高清圖像自動采集技術，可通過移動端設備直接拍攝并上傳象牙紋理圖像，結合象牙圖像紋理檢測技術和深度學習模型，為象牙及其制品的鑒定和識別建立快捷、穩定的可視化系統。

目前，象牙制品的原材料主要分為現生象牙、猛犸象牙，由于很多動物骨制品，甚至某些植物制品、工業合成制品都與象牙相似，市場上也存在大量的象牙仿制品［1-2］。因此，海關工作人員在出入境檢查時，如發現疑似現生象牙或猛犸象牙的象牙樣品時，就需要一種快速檢測象牙的方法對象牙進行鑒定。

目前象牙樣品的鑒定方法大概可分為3類［2-3］，主要包括基于形態結構、基于物理特征、基于分子生物學［4-7］。3種方法中，基于物理特征和基于分子生物學的方法通常需要對象牙制品進行少量采樣，并對象牙制品造成不可逆的損傷。雖然基于形態結構的方法通過直接觀察象牙制品表面的施氏角來鑒定，可以避免象牙制品的損傷，但是這類方法的準確性卻受到鑒定人員經驗和不同觀察方法的影響，導致象牙識別的時間耗費長。同時，對象牙的判定主要依賴于鑒定人員的技術經驗，其鑒定結果必與鑒定人員的技術水平相符，這將直接影響鑒定結果的準確度。而基于分子生物學的方法通常通過 DNA分析來鑒定象牙制品，但是DNA檢測不但耗費時間長，而且該方法是有損鑒定，會對象牙或其制品造成一定程度的損壞。因此，建立一個快捷高效的智能化鑒定識別系統是很有必要的，象牙智能識別系統App應運而生。象牙智能識別系統App在移動終端拍照或在相冊選擇圖片，上傳至云端存儲服務器，服務器端處理象牙高清圖片，依賴紋理檢測技術深度神經網絡的象牙圖像識別算法，快捷鑒定識別樣品結果（見圖1）。

1? 系統設計

象牙智能識別系統由移動客戶端與服務器端組成，其中，移動客戶端主要完成象牙紋理圖像拍攝、數據處理與識別結果展示，服務器端負責提供象牙識別模型接口以及支撐客戶端運行的必要數據接口。以下主要從系統功能架構、系統模塊設計、識別模型設? 計等方面進行介紹。

1.1? 象牙識別系統功能架構

為更廣泛地提供鑒定識別服務，象牙智能識別系統App是一套基于Android系統環境的軟件。系統總體架構要滿足“高內聚-低耦合”的設計思路，采用MVP（Model-View-Presenter）架構設計模式，其中，Model負責數據處理部分，View負責UI界面展示及用戶操作交互，而Presenter則負責大部分運行邏輯的編寫。基于MVP的架構模式，象牙智能識別系統App主要包含了注冊登錄、鑒定識別、鑒定列表、發布鑒定、專家鑒定、設置、關于我們、版本更新等功能，如圖2所示。

1.2? 象牙識別系統模塊設計

象牙智能識別系統共由5個模塊組成，包括網絡通信模塊、數據存儲模塊、組件通信模塊、圖像處理模塊、數據解析模塊，各模塊具體功能如下。

1.2.1? 網絡通信模塊

網絡通信模塊采取Retrofit與OKHttp3相結合的方法。其中Retrofit是由Square公司開發的面向Android的一種Java類型安全的REST客戶端類庫，它能夠配合OKHttp完成網絡請求封裝，可能處理各類型的HTTP請求并具有安全、高效特性，系統集成簡便且運行穩定。

1.2.2? 數據存儲模塊

在用戶登錄后要本地化存儲用戶信息，包含賬號、手機號等必要信息，使用由Android平臺提供的輕量級數據存儲類SharedPreferences。SharedPreferences類下所有的文件和內存讀寫的操作，都通過鎖對象進行加鎖，保證了多線程同步。

1.2.3? 組件通信模塊

組件間通信使用EventBus，代替Android傳統的Intent、Handler、Broadcast或接口函數，在Fragment、Activity、Service線程之間傳遞數據。EventBus降低了應用程序內各個組件之間進行通信的復雜度，尤其是碎片之間進行通信的問題，可以避免由于使用廣播通信而帶來的諸多不便，同時分離了事件的發送者和接收者，避免了復雜的和易錯的依賴關系和生命周期問題，并且代碼更簡潔，性能更好，更快，依賴包更小（約50 k的jar包）。

1.2.4? 圖像處理模塊

圖像處理采用Glide圖片加載庫。Glide是一個快速高效的Android圖片加載庫，注重于平滑的滾動。Glide提供了易用的API，高性能、可擴展的圖片解碼管道（Decode Pipeline）以及自動的資源池技術，支持Gif，支持資源緩存。

1.2.5? 數據解析模塊

移動應用端和服務器端的數據通信采用JSON格式，針對JSON數據采用Google Gson庫進行解析。Gson作為Java對象和與JSON數據之間進行映射和轉換的Java類庫，具有快速高效、輕量實現、面向對象的特點。

1.3? 象牙識別模型設計

象牙識別模型技術路線如圖3所示。首先，研究并建立象牙高清圖像自動采集技術，并定義象牙圖像標規則，進而對象牙標本進行圖像采集與數據標注，建立象牙高清圖像數據集。然后，一方面，研究并提出基于架構自搜索深度網絡的象牙圖像識別算法，以象牙高清圖像數據集為訓練樣本，分別對象牙真假鑒定模型和象牙分類模型進行訓練，從而提到兩階段的象牙識別模型；另一方面，研究并提出面向真實象牙的圖像描繪與紋理量化解析算法，通過施氏結構檢測與提取算法得到象牙圖像中的施氏角與施氏線，并進一步得到量化的角度值。此外，針對圖像中的球面施氏角采用基于圖像畸變校正的算法進行校正處理，從而提高角度值的準確性。

2? 象牙識別系統實現

象牙智能識別系統可以實現快捷方便的鑒定識別功能，移動客戶端主要包含用戶登錄、鑒定識別、鑒定結果展示、專家鑒定等功能；服務器端主要部署象牙識別模型，并提供相應功能服務數據接口。

2.1? 用戶注冊

用戶打開象牙識別系統移動客戶端，可以通過立即注冊進入用戶注冊頁面。在該頁面，用戶輸入手機號、驗證碼、密碼，閱讀并同意服務條款后，并點擊“立即注冊”按鈕，可以完成象牙智能識別系統賬號注冊，如圖4所示。

在用戶注冊賬號時，要確保當前手機號能正常獲取驗證碼，并且未注冊過該系統賬號，注冊時要詳細閱讀象牙智能識別系統的服務條款。

2.2? 用戶登錄

用戶完成賬號注冊后進入移動客戶端登錄頁面，輸入已經注冊的手機號、密碼，閱讀并同意服務條款后，即可登錄象牙智能識別系統。

2.3? 象牙識別

用戶成功登錄象牙識別系統移動客戶端后，可以通過上傳圖片的方式請求服務器端鑒定識別服務，如圖5所示。

服務器端通過象牙紋理檢測技術得到象牙紋理區域，進而通過深度神經網絡算法進行象牙紋理圖像識別，從而得出象牙識別結果，識別耗時在1 s以內。識別結構以JSON格式數據返回，將上傳的圖片、鑒定結果、置信度顯示到結果頁面上。

2.4? 發布鑒定/專家鑒定

象牙智能識別系統用戶可以在移動客戶端發布需要鑒定識別的象牙及其制品照片到服務器端，認證的專家可以在移動端鑒定社區內發表鑒定結果，普通用戶可以與專家交流鑒定識別技術。

2.5? 服務器端部署

象牙識別系統服務器端部署在云服務器中，同時集成象牙識別算法程序，由算法程序加載象牙識別模型。移動端上傳待鑒定的象牙紋理圖像至服務器端后，由服務器端進行數據存儲，并調用象牙識別算法程序進行圖像識別，最后將鑒定識別結果返回到請求的移動端。

3? 象牙識別測試

為驗證象牙智能識別系統的有效性，本研究工作使用象牙識別算法模型的非訓練數據，對系統的識別準確性進行測試。

3.1? 象牙識別測試數據

本研究進行額外的象牙圖像數據采集，進而從原始采集圖像數據中分別篩選出167張現生象牙和157張猛犸象牙圖像進行數據預處理，從而建立象牙識別測試數據。其中原始采集的圖像中象牙區域的分辨率約為2 000×2 000。

數據預處理。首先，調整原始圖像方向并截取圖像中間區域，進一步截取分辨率為512×512的圖像；然后，對所有分辨率為512×512的圖像進篩選，保留含有清晰紋理的圖像，剔除含有高光、陰影以及非樣本的圖像；最后，進行二次篩選，使兩類圖像的樣本數量差距小于10%，得到測試數據集。其中，現生象牙紋理圖像322張，猛犸象牙圖像331張。

3.2? 象牙識別測試結果

基于象牙識別測試數據集，依次將每張測試圖像通過移動客戶端輸入系統，對象牙智能識別系統進行測試，測試結果如表1所示。其中，針對322張現生象牙紋理圖像，系統能夠正確判別298張，識別準確率為92.55%；針對331張猛犸象牙紋理圖像，系統能夠正確判別301張，識別準確率為90.94%。根據象牙識別的測試結果，象牙智能識別系統針對現生象牙和猛犸象牙的平均識別準確率達到91.73%。測試結果表明，象牙智能識別系統針對額外采集的真實象牙圖像數據能夠有效識別。

4? 結語

象牙智能識別系統能夠方便快捷、穩定高效地實

現象牙及其制品的類別鑒定。基于深度學習的象牙識別算法模型采用客戶端-服務器端架構進行部署和調用，極大地減輕了客戶端的計算負載。此外，算法模型可以部署在云服務器中，方便系統升級迭代，計算能力強且運行成本較低。隨著象牙紋理數據的不斷積累，象牙識別深度學習模型也能夠進行再訓練和調優，其鑒定識別結果的準確性也會逐漸提高。目前，象牙智能識別系統的功能以象牙鑒定識別為主，隨著移動客戶端的用戶增多，系統也將繼續完善功能，來滿足更多用戶需求。

參考文獻

［1］中華人民共和國海關總署.象牙及其制品鑒定技術規范：SN/T 5275-2019［EB/OL］.（2019-12-27）［2023-07-20］.https：//www.doc88.com/p-7456184 1888351.html.

［2］胡紅.象牙及其制品鑒定技術標準的研究［D］.哈爾濱：東北林業大學，2010.

［3］郭書林.象牙及其制品鑒定方法適用性解析［J］.2019（12）：82-84.

［4］ANDREAS S，BERNHARD D，DAVID G，et al.Development and application of a method for ivory dating by analyzing radioisotopes to distinguish legal from illegal ivory［J］.Forensic Science International，2018（289）：363-367.

［5］GIANLUCA，MARISA D E，EUGENIA B，et al.Radiocarbon dating of ivory：Potentialities and limitations in forensics［J］.Forensic Science International，2019（299）：114-118.

［6］BUDDHACHAT K，BROWN J L，THITARAM C，et al.Distinguishing real from fake ivory products by elemental analyses：a Bayesian hybrid classification method［J］.Forensic Science International，2017（272）：142-149.

［7］SCHMIED S A K，BRUNNERMEIER M J，SCHUPFNER R，et al.Age assessment of ivory by analysis of 14C and 90Sr to determine whether there is an antique on hand［J］.Forensic Science International，2011（207）：1-4.

（編輯? 王雪芬編輯）

Design and implementation of ivory intelligent identification system for mobile terminal

Chen? Yunxia1， Zhou? Yongwu1， Zhou? Tingyuan2， Zou? Zhiyuan3

（1.Nanjing Police University， Nanjing 210023， China;

2.The 15th Institute of China Electronics Technology Group Corporation， Beijing 100080， China;

3.Computer School， Beijing Information Science and Technology University， Beijing 100101， China）

Abstract：? Elephants are precious wildlife resources on the earth. African elephants and Asian elephant have been listed into the convention on international trade in endangered species of wild fauna and fora （CITES） catalogue. This is important for the conservation of the special diversity of wildlife. But in the process of supervision and enforcement， how to recognition ivory and its products quickly and effectively is an urgent problem to be solved at present. The pattern recognition-based ivory intelligent recognition system and app adopt image enhancement and texture analysis methods， and build deep ivory recognition model based on deep learning to solve texture recognition of ivory image. This can improve the efficiency of law enforcement personnel and ensure the accuracy of detection and identification of ivory and its products.

Key words： computer science; pattern recognition; ivory recognition; ivory recognition system