一种基于深度学习的中药材品类识别方法技术

本发明专利技术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。本发明专利技术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。现代化具有非常深远的意义。现代化具有非常深远的意义。

【技术实现步骤摘要】
一种基于深度学习的中药材品类识别方法


[0001]本专利技术涉及中药材识别
，具体为一种基于深度学习的中药材品类识别方法。

技术介绍

[0002]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。
[0003]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。
[0004]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。
[0005]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。
[0006]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。

技术实现思路

[0007]本专利技术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
技术介绍
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。
[0008]为实现上述目的，本专利技术提供如下技术方案：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：
[0009]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；
[0010]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；
[0011]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；
[0012]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；
[0013]所述识别中药材饮片包括以下步骤：
[0014]S20、检测样品制片；
[0015]S21、获取检测样品图像并整理；
[0016]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。
[0017]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。
[0018]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。
[0019]优选的，在步骤S13中，所述模型训练包括以下步骤：
[0020]S130、基于Bagging方法的子训练集划分；
[0021]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；
[0022]S132、将各个弱分类器集成为强分类器。
[0023]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。
[0024]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：
[0025]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；
[0026]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；
[0027]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。
[0028]优选的，在步骤S22中，包括以下步骤：
[0029]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；
[0030]S221、通过ZCA白化对步骤S220处理后的图像进行处理；
[0031]S222、利用Transformer提取特征；
[0032]S223、通过Softmax分类器进行鉴别。
[0033]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。
[0034]与现有技术相比，本专利技术的有益效果是：
[0035]本专利技术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
[0036]图1为本专利技术一种基于深度学习的中药材品类识别方法的流程图；
[0037]图2为本专利技术一种基于本文档来自技高网...

【技术保护点】

【技术特征摘要】
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所述的基于深度学习的中药材品类识别方法，其特征在于，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。3.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...

【专利技术属性】
技术研发人员：董梦龙，吴云志，徐淳，庄永志，毕家泽，
申请(专利权)人：安徽农业大学，
类型：发明
国别省市：