CN114998639A - 一种基于深度学习的中药材品类识别方法 - Google Patents
一种基于深度学习的中药材品类识别方法 Download PDFInfo
- Publication number
- CN114998639A CN114998639A CN202210412607.5A CN202210412607A CN114998639A CN 114998639 A CN114998639 A CN 114998639A CN 202210412607 A CN202210412607 A CN 202210412607A CN 114998639 A CN114998639 A CN 114998639A
- Authority
- CN
- China
- Prior art keywords
- traditional chinese
- herbs
- chinese medicine
- image
- chinese medicinal
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 239000000463 material Substances 0.000 title claims abstract description 46
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000013135 deep learning Methods 0.000 title claims abstract description 21
- 239000003814 drug Substances 0.000 claims abstract description 74
- 238000013527 convolutional neural network Methods 0.000 claims abstract description 18
- 238000012545 processing Methods 0.000 claims abstract description 11
- 238000001914 filtration Methods 0.000 claims abstract description 8
- 230000004927 fusion Effects 0.000 claims abstract description 8
- 230000002087 whitening effect Effects 0.000 claims abstract description 5
- 235000008216 herbs Nutrition 0.000 claims description 37
- 238000012549 training Methods 0.000 claims description 30
- 238000001514 detection method Methods 0.000 claims description 18
- 241000411851 herbal medicine Species 0.000 claims description 8
- 238000013528 artificial neural network Methods 0.000 claims description 7
- 230000009193 crawling Effects 0.000 claims description 7
- 230000009471 action Effects 0.000 claims description 6
- 229940079593 drug Drugs 0.000 claims description 5
- 230000001939 inductive effect Effects 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 206010011224 Cough Diseases 0.000 claims description 3
- 206010062717 Increased upper airway secretion Diseases 0.000 claims description 3
- 208000004880 Polyuria Diseases 0.000 claims description 3
- XTXRWKRVRITETP-UHFFFAOYSA-N Vinyl acetate Chemical compound CC(=O)OC=C XTXRWKRVRITETP-UHFFFAOYSA-N 0.000 claims description 3
- 239000000428 dust Substances 0.000 claims description 3
- 239000000839 emulsion Substances 0.000 claims description 3
- 239000011521 glass Substances 0.000 claims description 3
- 238000005457 optimization Methods 0.000 claims description 3
- 208000026435 phlegm Diseases 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 208000011580 syndromic disease Diseases 0.000 claims description 3
- 230000002936 tranquilizing effect Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 238000010792 warming Methods 0.000 claims description 3
- 230000000507 anthelmentic effect Effects 0.000 claims description 2
- 239000003212 astringent agent Substances 0.000 claims description 2
- 230000002439 hemostatic effect Effects 0.000 claims description 2
- 239000008141 laxative Substances 0.000 claims description 2
- 230000001543 purgative effect Effects 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 229940124339 anthelmintic agent Drugs 0.000 claims 1
- 239000000921 anthelmintic agent Substances 0.000 claims 1
- 230000001680 brushing effect Effects 0.000 claims 1
- 239000002895 emetic Substances 0.000 claims 1
- NQBKFULMFQMZBE-UHFFFAOYSA-N n-bz-3-benzanthronylpyrazolanthron Chemical compound C12=CC=CC(C(=O)C=3C4=CC=CC=3)=C2C4=NN1C1=CC=C2C3=C1C1=CC=CC=C1C(=O)C3=CC=C2 NQBKFULMFQMZBE-UHFFFAOYSA-N 0.000 claims 1
- 230000008569 process Effects 0.000 abstract description 6
- 238000013499 data model Methods 0.000 abstract description 2
- 238000011160 research Methods 0.000 abstract description 2
- 238000011161 development Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 4
- 230000001737 promoting effect Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 230000036541 health Effects 0.000 description 3
- 229940126680 traditional chinese medicines Drugs 0.000 description 3
- 206010047700 Vomiting Diseases 0.000 description 2
- 208000006673 asthma Diseases 0.000 description 2
- 230000035619 diuresis Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000011176 pooling Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000002203 pretreatment Methods 0.000 description 2
- 241000894007 species Species 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 210000005013 brain tissue Anatomy 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001914 calming effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000003930 cognitive ability Effects 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000004925 denaturation Methods 0.000 description 1
- 230000036425 denaturation Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000029087 digestion Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000001678 irradiating effect Effects 0.000 description 1
- 210000004185 liver Anatomy 0.000 description 1
- 239000000843 powder Substances 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000010008 shearing Methods 0.000 description 1
- -1 slices Substances 0.000 description 1
- 238000010408 sweeping Methods 0.000 description 1
- 238000004809 thin layer chromatography Methods 0.000 description 1
- 230000001256 tonic effect Effects 0.000 description 1
- 230000008673 vomiting Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/50—Information retrieval; Database structures therefor; File system structures therefor of still image data
- G06F16/55—Clustering; Classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/95—Retrieval from the web
- G06F16/951—Indexing; Web crawling techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Databases & Information Systems (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于深度学习的中药材品类识别方法,包括建立学习模型和识别中药材饮片两个部分。本发明利用网络爬虫和线下采集方式并通过对数据集进行数据增强后,供卷积神经网络建立识别数据模型,识别中药材饮片过程前对其进行样品处理并连续采像后,利用同态滤波对采集的图像与基于卷积神经网络进行图像融合,通过ZCA白化对图像进行处理后,再使用Transformer提取特征,并将图像特征导入卷积神经网络模型中进行特征对比,以快速获取样本中药材类别,极大地排出了处理过程中影响识别准确性的因素数量,提升了识别率,可为中药材快速识别方法研究提供理论支撑,为推重中医药现代化具有非常深远的意义。
Description
技术领域
本发明涉及中药材识别技术领域,具体为一种基于深度学习的中药材品类识别方法。
背景技术
目前,中药饮片识别基本上是专家根据知识和经验,或者通过图片比对而做出判断。后疫情时代下的人们对中医健康疾病预防有着比较高涨的热情,但是大部分人并不是这方面的专业人士,对于中药材饮片方面的分辨能力有限,而且中药材种类众多,市场也不完全规范,很多负责采购的相关人员都无法完全准确地识别出中药材。
在计算机技术发达的今天,利用深度学习和大量数据结合,通过部署在小程序、APP、网站等,就能轻松地实现对中药材饮片的品类识别。中药材饮片识别能够提高人们对中药材的认知能力,拓宽在养生方面的知识,从而更加了解身体健康状况,简言之,能够提高人们的生活质量。同时也促进了中医学和现代计算机技术的发展,是对中医学的传承和创新,对推动中医学现代化具有非常重要的意义。
现有技术中,如中国专利号为:CN 105891172 A的“一种用于不同种属及易混淆中药材或中药饮片的检测识别方法”,其包括:将紫外线应用于中药材检测中,利用紫外线照射中药材或中药饮片的断面、粉末、切片、溶液提取液或薄层色谱法展开分离物,通过照射产出的荧光的颜色变化及颜色特征达到鉴别不同种属以及易混淆中药材或中药饮片真伪优劣的目的。
但现有技术中,通过物理/化学特征提取方法实现中药材识别居多,不仅预处理方法繁琐,处理过程中影响识别准确性的因素过多,导致识别率受限,还由于中药材数据集资源缺少、参差不齐、现实场景复杂种种因素,基于计算机视觉的中药材识别开展较少,具有不确定性,误检率加大,危害人民的生命安全。
所以我们提出了一种基于深度学习的中药材品类识别方法,以便于解决上述中提出的问题。
发明内容
本发明的目的在于提供一种基于深度学习的中药材品类识别方法,以解决上述背景技术提出的通过物理/化学特征提取方法实现中药材识别居多,不仅预处理方法繁琐,处理过程中影响识别准确性的因素过多,导致识别率受限,还由于中药材数据集资源缺少、参差不齐、现实场景复杂种种因素,基于计算机视觉的中药材识别开展较少,具有不确定性,误检率加大,危害人民的生命安全的问题。
为实现上述目的,本发明提供如下技术方案:一种基于深度学习的中药材品类识别方法,包括建立学习模型和识别中药材饮片两个部分,所述建立学习模型包括以下步骤:
S10、中药材饮片类别划分:采用功能分类法标记中药材种类,根据同一类药物在药性、配伍、禁忌方面的共性,且利用同类药物间按作用的强弱、作用部位的异同分组类比;
S11、数据集采集:将使用Python爬虫,在Scrapy框架上对百度图片进行多线程爬取,并进行线下交易市场使用高清相机拍摄采集中药材数据,对采集到的中药材数据,根据步骤S10中所述中药材种类加以标签注释;
S12、数据集预处理:根据所述中药材种类将中药材RGB图像数据中的重复数据剔除,按6:2:2的比例分为训练集、验证集、测试集后,进行数据增强,采用2D的one-hot编码标签建立样本标签数组;
S13、模型训练:选择Alex Net、Goog Le Net、Squeeze Net作为基础结构,使用使用Alex Net、Squeeze Net、Goog Le Net在Image Net数据集上训练得到的参数来为模型参数初始化后,进行微调训练;
所述识别中药材饮片包括以下步骤:
S20、检测样品制片;
S21、获取检测样品图像并整理;
S22、将步骤S22中获得的检测样品图像导入所述卷积神经网络模型中进行卷积处理。
优选的,在步骤S10中,所述中药材种类包括解表药、清热药、泻下药、祛风湿药、芳香化湿药、利水渗湿药、温里药、理气药、消导药、驱虫药、止血药、活血药、化痰止咳平喘药、安神药、平肝熄风药、开窍药、补益药、固涩药、涌吐药共19种。
优选的,在步骤S12中,所述数据增强为将中药材图像随机旋转30°,水平方向和垂直方向随机平移20%,随机错切变换强度为0.2,图像随机缩放的幅度设置为0.2,对图像进行图像随机水平翻转后,将所有中药材图像调整为150×150像素。
优选的,在步骤S13中,所述模型训练包括以下步骤:
S130、基于Bagging方法的子训练集划分;
S131、利用各子训练集,根据特征融合网络训练方式训练得到多个弱分类器;
S132、将各个弱分类器集成为强分类器。
优选的,在步骤S20中,所述检测样品制片为利用毛刷扫去中药材饮片表面细小灰尘,利用醋酸乙烯乳液将所述中药材饮片固定于载玻片上。
优选的,在步骤S21中,所述获取检测样品图像并整理包括以下内容:
S220、使用电子目镜对步骤S20中所述中药材饮片进行调节间距至边缘;
S221、逐步向中心进行调节焦距并连续拍摄采集,直至拍摄完成整个图像;
S222、对步骤S221中所采集的图像分辨率统一为28×28像素后,删除冗余图像。
优选的,在步骤S22中,包括以下步骤:
S220、利用同态滤波对采集的图像与基于卷积神经网络进行图像融合;
S221、通过ZCA白化对步骤S220处理后的图像进行处理;
S222、利用Transformer提取特征;
S223、通过Softmax分类器进行鉴别。
优选的,在步骤S220中,通过所述基于卷积神经网络模型进行胶垫检测判定图像聚焦程度,通过确定阈值将得到的焦点转换为二进制图,通过取出小区域和引导滤波优化均值滤波器二进制图后,加权平均法融合图像。
与现有技术相比,本发明的有益效果是:
本发明利用网络爬虫和线下采集方式并通过对数据集进行数据增强后,供卷积神经网络建立识别数据模型,识别中药材饮片过程前对其进行样品处理并连续采像后,利用同态滤波对采集的图像与基于卷积神经网络进行图像融合,通过ZCA白化对图像进行处理后,再使用Transformer提取特征,并将图像特征导入卷积神经网络模型中进行特征对比,以快速获取样本中药材类别,极大地排出了处理过程中影响识别准确性的因素数量,提升了识别率,可为中药材快速识别方法研究提供理论支撑,为推重中医药现代化具有非常深远的意义。
附图说明
图1为本发明一种基于深度学习的中药材品类识别方法的流程图;
图2为本发明一种基于深度学习的中药材品类识别方法的Scrapy爬取流程图;
图3为本发明一种基于深度学习的中药材品类识别方法的标准神经网络示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施条例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1-3,本发明提供一种技术方案:一种基于深度学习的中药材品类识别方法。其中,卷积神经网络是一种前馈神经网络,它包括卷积计算并具有较深的结构,因此是深度学习的代表性算法之一。随着科技的不断进步人们在研究人脑组织时受启发创立了神经网络。神经网络由很多相互联系的神经元组成并且可以在不同的神经元之间通过调整传递彼此之间联系的权重系数x来增强或抑制信号,一种基于深度学习的中药材品类识别方法,包括建立学习模型和识别中药材饮片两个部分。
其中,建立学习模型包括以下步骤:
一、中药材饮片类别划分:中药材的类别繁多复杂,根据近年相关从业人员的统计结果,其总数约有8000种,除去罕见药,日常生活中人们常用的中药材亦有700种左右。为了更好地学习、研究和应用中药材。
采用功能分类法标记中药材种类,根据同一类药物在药性、配伍、禁忌方面的共性,且利用同类药物间按作用的强弱、作用部位的异同分组类比;中药材种类包括解表药、清热药、泻下药、祛风湿药、芳香化湿药、利水渗湿药、温里药、理气药、消导药、驱虫药、止血药、活血药、化痰止咳平喘药、安神药、平肝熄风药、开窍药、补益药、固涩药、涌吐药共19种。
二、数据集采集:由于中药材是中国特有的药材,目前网络上没有开源中药材数据集,所以本项目将使用Python爬虫,在Scrapy框架上对百度图片进行多线程爬取。Scrapy具有功能强大、爬取效率高、相关扩展组件多、可配置和可扩展程度强的爬虫框架。
它基于Twisted的异步处理框架,是纯Python实现的爬虫框架,其架构清晰,模块耦合程度低,可以灵活的完成各种需求,简单来说,Scrapy是一个为了爬取网站数据,提取数据而编写的应用框架,Scrapy爬取流程如图2所示。同时进行线下交易市场使用高清相机拍摄采集中药材数据,对采集到的中药材数据,根据中药材种类加以标签注释。
三、数据集预处理:根据中药材种类将中药材RGB图像数据中的重复数据剔除,按6:2:2的比例分为训练集、验证集、测试集后,进行数据增强,采用2D的one-hot编码标签建立样本标签数组;数据增强为将中药材图像随机旋转30°,水平方向和垂直方向随机平移20%,随机错切变换强度为0.2,图像随机缩放的幅度设置为0.2,对图像进行图像随机水平翻转后,将所有中药材图像调整为150×150像素。
四、模型训练:标准卷积神经网络通常由输入层、卷积层、池化层、全连接层和输出层组成,如图3所示。其中第一层为输入层,大小为28x28,然后通过20x2424的卷积层,得到的结果再输入池化层中,最后再通过图中第四层既全连接层,直到最后输出。
选择Alex Net、Goog Le Net、Squeeze Net作为基础结构,使用使用Alex Net、Squeeze Net、Goog Le Net在Image Net数据集上训练得到的参数来为模型参数初始化后,进行微调训练,微调训练内容具体如下:首先修改Alex Net、Squeeze Net和Goog Le Net网络中的Softmax分类器的输出节点为98,使用Image Net训练得到的参数来为以上三个网络的参数初始化,而后使用中药材数据微调Alex Net、Squeeze Net和Goog Le Net网络,训练出效果比较好的模型。接着调整网络结构,通过添加BN层和特征连接层(concat layer),将底层特征与高层特征进行融合,修改过的网络被称为Alex Net-fusion、Squeeze Net-fusion、Goog Le Net-fusion。最终,以步骤1)训练得到的网络参数,为Alex Net-fusion、Squeeze Net-fusion、Goog Le Net-fusion的参数赋值,而后在中药材数据集上以更小的学习率继续微调。
模型训练包括以下步骤:
1)基于Bagging方法的子训练集划分;
2)利用各子训练集,根据特征融合网络训练方式训练得到多个弱分类器;
3)将各个弱分类器集成为强分类器。
识别中药材饮片包括以下步骤:
一、检测样品制片:检测样品制片为利用毛刷扫去中药材饮片表面细小灰尘,利用醋酸乙烯乳液将中药材饮片固定于载玻片上。
二、获取检测样品图像并整理:首先使用电子目镜对中药材饮片进行调节间距至边缘,接着逐步向中心进行调节焦距并连续拍摄采集,直至拍摄完成整个图像,最后对所采集的图像分辨率统一为28×28像素后,删除冗余图像。
三、将获得的检测样品图像导入卷积神经网络模型中进行卷积处理。包括以下步骤:
1)利用同态滤波对采集的图像与基于卷积神经网络进行图像融合;通过基于卷积神经网络模型进行胶垫检测判定图像聚焦程度,通过确定阈值将得到的焦点转换为二进制图,通过取出小区域和引导滤波优化均值滤波器二进制图后,加权平均法融合图像。
2)通过ZCA白化对图像进行处理。
3)利用Transformer提取特征,CNN与Transformer。CNN是一种分层(hierarchical)的数据表示方式,高层的特征表示依赖于底层的特征表示,由浅入深逐步抽象地提取更具备高级语义信息的特征。此外,CNN还具有一定的平移不变性和平移等变性。CNN的感受野较小,通过堆叠CNN网络理论上可以做到感受野很大,但是实际感受野远小于理论的。而Transformer可以建立一个全局依赖。Transformer的特征提取能够更好地去利用大量的数据量,这个在自然语言(NLP)任务上进行了证明,在大量的数据集上,Transformer超过了CNN结构的最好分类网络。
4)通过Softmax分类器进行鉴别。
尽管参照前述实施例对本发明进行了详细的说明,对于本领域的技术人员来说,其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (8)
1.一种基于深度学习的中药材品类识别方法,其特征在于,包括建立学习模型和识别中药材饮片两个部分,所述建立学习模型包括以下步骤:
S10、中药材饮片类别划分:采用功能分类法标记中药材种类,根据同一类药物在药性、配伍、禁忌方面的共性,且利用同类药物间按作用的强弱、作用部位的异同分组类比;
S11、数据集采集:将使用Python爬虫,在Scrapy框架上对百度图片进行多线程爬取,并进行线下交易市场使用高清相机拍摄采集中药材数据,对采集到的中药材数据,根据步骤S10中所述中药材种类加以标签注释;
S12、数据集预处理:根据所述中药材种类将中药材RGB图像数据中的重复数据剔除,按6:2:2的比例分为训练集、验证集、测试集后,进行数据增强,采用2D的one-hot编码标签建立样本标签数组;
S13、模型训练:选择Alex Net、Goog Le Net、Squeeze Net作为基础结构,使用使用Alex Net、Squeeze Net、Goog Le Net在Image Net数据集上训练得到的参数来为模型参数初始化后,进行微调训练;
所述识别中药材饮片包括以下步骤:
S20、检测样品制片;
S21、获取检测样品图像并整理;
S22、将步骤S22中获得的检测样品图像导入所述卷积神经网络模型中进行卷积处理。
2.根据权利要求1所述的基于深度学***喘药、安神药、平肝熄风药、开窍药、补益药、固涩药、涌吐药共19种。
3.根据权利要求1所述的基于深度学***方向和垂直方向随机平移20%,随机错切变换强度为0.2,图像随机缩放的幅度设置为0.2,对图像进行图像随机水平翻转后,将所有中药材图像调整为150×150像素。
4.根据权利要求1所述的基于深度学习的中药材品类识别方法,其特征在于,在步骤S13中,所述模型训练包括以下步骤:
S130、基于Bagging方法的子训练集划分;
S131、利用各子训练集,根据特征融合网络训练方式训练得到多个弱分类器;
S132、将各个弱分类器集成为强分类器。
5.根据权利要求1所述的基于深度学习的中药材品类识别方法,其特征在于,在步骤S20中,所述检测样品制片为利用毛刷扫去中药材饮片表面细小灰尘,利用醋酸乙烯乳液将所述中药材饮片固定于载玻片上。
6.根据权利要求5所述的基于深度学习的中药材品类识别方法,其特征在于,在步骤S21中,所述获取检测样品图像并整理包括以下内容:
S220、使用电子目镜对步骤S20中所述中药材饮片进行调节间距至边缘;
S221、逐步向中心进行调节焦距并连续拍摄采集,直至拍摄完成整个图像;
S222、对步骤S221中所采集的图像分辨率统一为28×28像素后,删除冗余图像。
7.根据权利要求1所述的基于深度学习的中药材品类识别方法,其特征在于,在步骤S22中,包括以下步骤:
S220、利用同态滤波对采集的图像与基于卷积神经网络进行图像融合;
S221、通过ZCA白化对步骤S220处理后的图像进行处理;
S222、利用Transformer提取特征;
S223、通过Softmax分类器进行鉴别。
8.根据权利要求7所述的基于深度学***均法融合图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210412607.5A CN114998639B (zh) | 2022-04-19 | 2022-04-19 | 一种基于深度学习的中药材品类识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210412607.5A CN114998639B (zh) | 2022-04-19 | 2022-04-19 | 一种基于深度学习的中药材品类识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114998639A true CN114998639A (zh) | 2022-09-02 |
CN114998639B CN114998639B (zh) | 2024-04-26 |
Family
ID=83025847
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210412607.5A Active CN114998639B (zh) | 2022-04-19 | 2022-04-19 | 一种基于深度学习的中药材品类识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114998639B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117011612A (zh) * | 2023-08-16 | 2023-11-07 | 海南省新超豪信息技术有限公司 | 一种中药材ai识别方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107958257A (zh) * | 2017-10-11 | 2018-04-24 | 华南理工大学 | 一种基于深度神经网络的中药材识别方法 |
CN109190643A (zh) * | 2018-09-14 | 2019-01-11 | 华东交通大学 | 基于卷积神经网络中药识别方法及电子设备 |
CN109615010A (zh) * | 2018-12-13 | 2019-04-12 | 济南大学 | 基于双尺度卷积神经网络的中药材识别方法及*** |
US20190114511A1 (en) * | 2017-10-16 | 2019-04-18 | Illumina, Inc. | Deep Learning-Based Techniques for Training Deep Convolutional Neural Networks |
CN111598126A (zh) * | 2020-04-08 | 2020-08-28 | 天津大学 | 一种轻量级中药材识别方法 |
CN113159044A (zh) * | 2021-04-01 | 2021-07-23 | 中国公路工程咨询集团有限公司 | 一种基于深度学习的卷积神经网络的道路材质识别方法 |
US20220068501A1 (en) * | 2020-09-01 | 2022-03-03 | Autonomous Healthcare, Inc. | System and method for tracking sensitive medications |
-
2022
- 2022-04-19 CN CN202210412607.5A patent/CN114998639B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107958257A (zh) * | 2017-10-11 | 2018-04-24 | 华南理工大学 | 一种基于深度神经网络的中药材识别方法 |
US20190114511A1 (en) * | 2017-10-16 | 2019-04-18 | Illumina, Inc. | Deep Learning-Based Techniques for Training Deep Convolutional Neural Networks |
CN109190643A (zh) * | 2018-09-14 | 2019-01-11 | 华东交通大学 | 基于卷积神经网络中药识别方法及电子设备 |
CN109615010A (zh) * | 2018-12-13 | 2019-04-12 | 济南大学 | 基于双尺度卷积神经网络的中药材识别方法及*** |
CN111598126A (zh) * | 2020-04-08 | 2020-08-28 | 天津大学 | 一种轻量级中药材识别方法 |
US20220068501A1 (en) * | 2020-09-01 | 2022-03-03 | Autonomous Healthcare, Inc. | System and method for tracking sensitive medications |
CN113159044A (zh) * | 2021-04-01 | 2021-07-23 | 中国公路工程咨询集团有限公司 | 一种基于深度学习的卷积神经网络的道路材质识别方法 |
Non-Patent Citations (2)
Title |
---|
吴雪;宋晓茹;高嵩;陈超波;: "基于数据增强的卷积神经网络火灾识别", 科学技术与工程, no. 03, 28 January 2020 (2020-01-28) * |
程曦;吴云志;张友华;乐毅;: "基于深度卷积神经网络的储粮害虫图像识别", 中国农学通报, no. 01, 3 January 2018 (2018-01-03) * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117011612A (zh) * | 2023-08-16 | 2023-11-07 | 海南省新超豪信息技术有限公司 | 一种中药材ai识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114998639B (zh) | 2024-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107958244A (zh) | 一种基于视频多帧人脸特征融合的人脸识别方法及装置 | |
CN110598535B (zh) | 一种监控视频数据中使用的人脸识别分析方法 | |
CN109410184B (zh) | 基于稠密对抗网络半监督学习的直播色情图像检测方法 | |
CN107133575A (zh) | 一种基于时空特征的监控视频行人重识别方法 | |
CN108776774A (zh) | 一种基于复杂度感知分类算法的面部表情识别方法 | |
CN106897673A (zh) | 一种基于retinex算法和卷积神经网络的行人再识别方法 | |
CN101999900A (zh) | 一种应用于人脸识别的活体检测方法及*** | |
CN105574509A (zh) | 一种基于光照的人脸识别***回放攻击检测方法及应用 | |
CN110309707A (zh) | 一种基于深度学习的咖啡果实成熟度的识别方法 | |
CN113221655A (zh) | 基于特征空间约束的人脸欺骗检测方法 | |
CN110163567A (zh) | 基于多任务级联卷积神经网络的课堂点名*** | |
CN112036520A (zh) | 基于深度学习的大熊猫年龄识别方法、装置及存储介质 | |
CN114998639A (zh) | 一种基于深度学习的中药材品类识别方法 | |
CN114998303A (zh) | 特征提取能力强的小肠间质瘤检测方法 | |
Dong et al. | Semi-supervised domain alignment learning for single image dehazing | |
CN109902730A (zh) | 基于深度学习的输电线路断股检测方法 | |
Duffner et al. | A neural scheme for robust detection of transparent logos in TV programs | |
CN112906510A (zh) | 一种渔业资源统计方法及*** | |
CN112233017A (zh) | 一种基于生成对抗网络的病态人脸数据增强方法 | |
CN115760810B (zh) | 医学图像分割装置、方法及计算机可读存储介质 | |
CN111881803A (zh) | 一种基于改进YOLOv3的畜脸识别方法 | |
CN106943116A (zh) | 一种婴幼儿视力自动检测方法 | |
CN104794445A (zh) | 一种基于arm平台的动态人脸虹膜采集方法 | |
CN114360034A (zh) | 基于三胞胎网络的深度伪造人脸检测方法、***及设备 | |
Cabalar et al. | Identification of Philippine Chili Peppers using Canny Edge Detection and Feed–Forward Artificial Neural Network |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |