一种基于深度神经网络的中药材识别方法技术

技术编号:17796950 阅读:76 留言:0更新日期:2018-04-25 20:27
本发明专利技术公开了一种基于深度神经网络的中药材识别方法,包括如下步骤:将网络爬虫和人工拍照采集中药材图片作为数据集的输入并进行预处理;训练与预测过程采用集成学习之Bagging方法,即采用随机采样方法产生多个子训练集;利用经典卷积神经网络模型对各个子训练集进行微调训练,生成多个弱分类器,采用的卷积神经网络模型包括AlexNet、SqueezeNet和GoogleNet,最后配合Softmax分类算法;并使用集成学习组合策略得到强分类器,得到分类结果,所述集成学习组合策略采用投票法。本发明专利技术方法用于辅助识别中药材,减少业余人士在识别中出现的错误,且能准确性高、识别速度快、性能稳定地分析中药材。

Recognition method of Chinese medicinal materials based on deep neural network

The invention discloses a traditional Chinese medicine identification method based on the deep neural network, which includes the following steps: using the web crawler and the artificial photograph to collect the Chinese medicinal materials as the input of the data set and preprocessing. The training and prediction process adopts the Bagging method of integrated learning, that is to use the random sampling method to produce multiple sub training. The classical convolution neural network model is used to train various sub training sets to generate a number of weak classifiers, and the convolution neural network models, including AlexNet, SqueezeNet and GoogleNet, are combined with the Softmax classification algorithm, and the integrated learning combination strategy is used to get the strong classifier, and the classification results are obtained. The integrated learning combination strategy adopts the voting method. The method is used to assist the identification of Chinese medicinal materials, reduce the errors of amateurs in recognition, and have high accuracy, fast recognition speed and stable performance analysis of Chinese medicinal materials.

【技术实现步骤摘要】
一种基于深度神经网络的中药材识别方法
本专利技术涉及图像识别和集成学习应用在中药材识别的
,具体涉及一种基于深度神经网络的中药材识别方法。
技术介绍
中医学以阴阳五行作为理论基础,将人体看成是气、形、神的统一体,通过“望闻问切”四诊合参的方法,探求病因、病性、病位、分析病机及人体五脏六腑、经络关节、气血津液的变化、判断邪正消长,进而得出病名,归纳出病症型,以辩证论治原则,制定“汗、吐、下、和、温、清、补、消”等治法,使用中药、针灸、推拿、按摩、拔罐、气功、食疗等多种治疗手段,使人体达到阴阳调和而康复。中药是常见而有效的治疗手段之一,在中医理论指导下用于预防、诊断、治疗疾病或调节人体机能的药物。多为植物药,也有动物药、矿物药及部分化学、生物制品类药物。中药材识别是每一个中医药从业者的必备技能,也是基于中医药传统文化的我国现代健康服务从业者必须要掌握的技能。从古至今,中医或者中医学徒都是从认识中药材了解其性状和功效开始其从事中医药职业生涯的,神农尝百草,就是人类历史上第一次系统性规模化地认识中草药以及了解和确定功效的学习与研究的过程。目前中药材的识别是专家根据知识和经验,或者图片比对而做出的判断。虽然人们对中医健康养生观念有热情高涨的追求,但因为大多数并非专业人士,对中药材方面知识十分匮乏;同时中药材种类繁多,市场鱼龙混杂,甚至很多采购人员都辨认不清。此外,因误识中药材而导致严重后果也很常见。图像识别一直以来都是计算机领域中一个重要且热门的研究方向。深度学习是近十几年来人工智能领域取得的最重要的突破之一,在语音识别、自然语言处理、计算机视觉、图像与视频分析、多媒体等诸多领域都取得了巨大成功。当今,利用深度神经网络学习、训练模型,智能图像识别,从而提高识别准确率,已经应用非常广泛。陈耀丹等[基于卷积神经网络的人脸识别方法[J].东北师大学报(自然科学),2016,48(2):70-76.]研究并实现了一种基于卷积神经网络的人脸识别方法;王茜等[基于深度神经网络的汽车车型识别[J].现代计算机旬刊,2015(12):61-64.]研究基于深度学习的车型自动识别技术;张帅等[基于深度学习的植物叶片识别算法研究[D].北京林业大学,2016.]研究基于卷积神经网络的深度学习算法;王剑云等[一种基于深度学习的表情识别方法[J].计算机与现代化,2015(1):84-87.]提出一种基于深度学习的表情识别方法。但是由于应用的特殊性,基于深度学习的人脸识别、情绪识别、车型识别和植物识别等应用,难以推广到中药材识别。
技术实现思路
本专利技术的目的是为了解决现有技术中的上述缺陷,提供一种基于深度神经网络的中药材识别方法,将深度学习与中药材识别相结合,采用经典卷积神经网络模型集进行微调训练,再采用集成学习算法提高识别准确率,用于辅助识别中药材,减少业余人士在识别中出现的错误,且能够准确性高、识别速度快、性能稳定地对中药材进行分析。本专利技术的目的可以通过采取如下技术方案达到:一种基于深度神经网络的中药材识别方法,所述的中药材识别方法包括如下步骤:S1、采集中药材图片作为数据集的输入,将采集的中药材图片进行预处理;S2、采用随机采样方法产生多个中药材子训练集;S3、利用卷积神经网络模型对各个中药材子训练集进行微调训练,生成多个中药材识别弱分类器;S4、采用集成学习组合策略得到中药材识别强分类器,得到中药材分类结果。进一步地,所述的步骤S1中通过网络爬虫和人工拍照方法采集中药材图片作为数据集的输入,然后对数量不均衡的中药材类别均衡化。进一步地,所述的步骤S2、步骤S3、步骤S4中的整体训练与预测过程采用集成学习之Bagging方法。进一步地,所述的步骤S2中随机采样方法采用自助采样法,通过自助采样法获得多个有差异性的子训练集。进一步地,所述的步骤S3中通过引入深度学习技术,利用卷积神经网络模型对各个中药材子训练集进行微调训练,生成多个中药材识别弱分类器,其中,所述的卷积神经网络模型包括AlexNet、SqueezeNet和GoogleNet。进一步地,所述的步骤S3中药材识别弱分类器采用卷积神经网络作特征提取以及采用Softmax分类器作分类,具体如下:对于T个子训练集,利用经典的卷积神经网络模型对各个子训练集进行微调训练,生成T个弱分类器;中药材图片作为输入,通过多个卷积层和下采样层输出特征图,其中,卷积层的公式如下:conv_output=f(WTx+b)其中f(*)代表激活函数,x代表输入数据,W和b代表参数,本专利技术采用ReLU激活函数,公式如下:f(x)=max(0,x)其求导形式为:下采样层的公式如下,采用Max-pooling方法:pooling_output=max(X)其中X代表n*n矩阵;全连接层的输入是一个向量,通过光栅化得到向量连接到全连接层,最后通过Softmax分类器得到该分类器的分类结果,该Softmax分类器接收4096维的输入数据,输出98维的结果,该结果代表该输入样本对应98个中药材类别的置信度,而后取其最大值所在类别为分类结果,Softmax分类器的公式如下:其中j=1,2,…,K,K代表类的次数,取值98,其中z=WTx+b,W、b为Softmax的参数,x为4096维的输入特征。进一步地,所述的步骤S3中训练算法采用随机梯度下降方法,该方法每次训练接受一定数量的训练数据,经过网络前向后,使用损失函数来衡量输出与数据实际标签的差距,接着利用这种衡量来反向训练网络参数,其中,损失函数采用交叉熵损失函数与内聚性损失函数的结合体,公式如下:其中,λ用来控制内聚性损失函数在总的损失函数中的比例,xi代表原始信号,zi代表重构信号,以向量形式表示长度均为d,又可轻易地将其改造为向量内积的形式,K代表每次迭代的样本数,Cyi代表第yi类特征的类心,yi为原始信号xi的类别标签。进一步地,所述的步骤S4中集成学习组合策略采用投票法。本专利技术相对于现有技术具有如下的优点及效果:1、本专利技术方法利用随机采样中的自助采样法,有放回多次取样,产生多个有差异性的中药材子训练集;2、本专利技术方法采用卷积神经网络,通过卷积神经网络自动地学习出具有强表达力的卷积核以及这些卷积核的组合方式,求出最好的中药材特征表达;3、本专利技术方法采用Softmax分类方法,是一种监督学习方法,适用于多分类问题,分类效果显著;4、本专利技术方法采用集成学习之Bagging方法,分类准确率明显高于单个分类器;5、本专利技术方法采用将深度学习与中药材识别相结合,与传统方法相比,准确性高、识别速度快、性能稳定,该方法具有一定的市场价值和推广价值。附图说明图1是本专利技术中公开的一种基于深度神经网络的中药材识别方法的步骤流程图;图2是本专利技术中公开的一种基于深度神经网络的中药材识别方法中整体训练与预测过程中集成学习之Bagging方法的示意图;图3是本专利技术中公开的一种基于深度神经网络的中药材识别方法中卷积神经网络的大体结构示意图。具体实施方式为使本专利技术实施例的目的、技术方案和优点更加清楚,下面将结合本专利技术实施例中的附图,对本专利技术实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本专利技术一部分实施例,而不是全部的实施例。基于本专利技术中的实施例,本领域普通技本文档来自技高网
...
一种基于深度神经网络的中药材识别方法

【技术保护点】
一种基于深度神经网络的中药材识别方法,其特征在于,所述的中药材识别方法包括如下步骤:S1、采集中药材图片作为数据集的输入,将采集的中药材图片进行预处理;S2、采用随机采样方法产生多个中药材子训练集;S3、利用卷积神经网络模型对各个中药材子训练集进行微调训练,生成多个中药材识别弱分类器;S4、采用集成学习组合策略得到中药材识别强分类器,得到中药材分类结果。

【技术特征摘要】
1.一种基于深度神经网络的中药材识别方法,其特征在于,所述的中药材识别方法包括如下步骤:S1、采集中药材图片作为数据集的输入,将采集的中药材图片进行预处理;S2、采用随机采样方法产生多个中药材子训练集;S3、利用卷积神经网络模型对各个中药材子训练集进行微调训练,生成多个中药材识别弱分类器;S4、采用集成学习组合策略得到中药材识别强分类器,得到中药材分类结果。2.根据权利要求1所述的一种基于深度神经网络的中药材识别方法,其特征在于,所述的步骤S1中通过网络爬虫和人工拍照方法采集中药材图片作为数据集的输入,然后对数量不均衡的中药材类别均衡化。3.根据权利要求1所述的一种基于深度神经网络的中药材识别方法,其特征在于,所述的步骤S2、步骤S3、步骤S4中的整体训练与预测过程采用集成学习之Bagging方法。4.根据权利要求1所述的一种基于深度神经网络的中药材识别方法,其特征在于,所述的步骤S2中随机采样方法采用自助采样法,通过自助采样法获得多个有差异性的子训练集。5.根据权利要求1所述的一种基于深度神经网络的中药材识别方法,其特征在于,所述的步骤S3中通过引入深度学习技术,利用卷积神经网络模型对各个中药材子训练集进行微调训练,生成多个中药材识别弱分类器,其中,所述的卷积神经网络模型包括AlexNet、SqueezeNet和GoogleNet。6.根据权利要求5所述的一种基于深度神经网络的中药材识别方法,其特征在于,所述的步骤S3中药材识别弱分类器采用卷积神经网络作特征提取以及采用Softmax分类器作分类,具体如下:对于T个子训练集,利用经典的卷积神经网络模型对各个子训练集进行微调训练,生成T个弱分类器;中药材图片作为输入,通过多个卷积层和下采样层输出特征图,其中,卷积层的公式如下:conv_output=f(WTx+b)其中f(*)代表激活函数,x代表输入数据,W和b代表参数,本发明采用ReLU激活函数,公式如下:f(x)=m...

【专利技术属性】
技术研发人员:文贵华庄奕珊
申请(专利权)人:华南理工大学
类型:发明
国别省市:广东,44

网友询问留言 已有0条评论
  • 还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。

1