本发明专利技术涉及一种基于卷积神经网络的中药饮片图像识别方法及与之相关的识别系统，本发明专利技术方法包括采集处于自然堆叠状态的中药饮片图像、对图像进行预处理、构建图像训练集、构建验证集、使用卷积神经网络算法构建中药饮片图像卷积神经网络识别模型、模型训练和进行中药饮片图像识别等步骤。本方法借助计算机视觉技术实现了中药饮片图像识别的智能化，不易造成遗漏，识别准确性得到了大幅提升，另外，本方法简便快捷，实现途径简单，可有效提高调剂工作中中药饮片的识别效率，本方法还能够对处于堆叠状态的单种中药饮片进行快速识别和分类，很好地满足了药房调剂工作的实际应用需求，并可作为开发对应自动化核对设备的技术基础。作为开发对应自动化核对设备的技术基础。作为开发对应自动化核对设备的技术基础。
【技术实现步骤摘要】
基于卷积神经网络的中药饮片图像识别方法及识别系统
[0001]本专利技术属于计算机视觉与中药饮片图像识别
，特别涉及一种基于卷积神经网络的中药饮片图像识别方法及与之相关的识别系统，本专利技术识别方法尤其适用于对各种处于堆叠状态的单种中药饮片进行分类识别。
技术介绍
[0002]中药饮片是指经过炮制加工后可直接用于中医临床或制剂生产的药品。药房调剂后的核对步骤是保障患者用药安全的最后一环，为了保证核对准确，通常要求采用双人核对模式，然而，该模式导致了以下问题：第一，该模式导致药房调剂人员的数量相对减少，降低了调剂效率；第二，核对人员的责任意识直接影响到核对工作质量，无法保障调剂错误被100％发现；第三，医院及社会药店用人成本逐年提高，设立单独的人工核对岗位会大幅增加用人单位的运行成本；第四，人工作业模式不符合当前智慧医疗建设的新方向，与实现行业高质量发展的愿景背道而驰。
[0003]近年来，随着计算机视觉技术的发展，为中药饮片图像的智能化识别提供了机遇。目前，虽然技术人员已开发出了一些相关的中药饮片图像智能识别方法，但都具有一定的局限性，例如，专利技术专利申请“一种中药饮片图像的自动识别方法”(CN 113989623 A)，在多样本图像中提取单药饮片图像进行识别，但该方法存在识别遗漏风险；又如专利技术专利申请“基于深度残差网络的中药饮片识别方法及系统”(CN 113361564 A)，旨在为非专业人士提供一种识别中药饮片的方法，因此该技术倾向于对单个中药饮片进行识别，而无法针对调剂环境下处于堆叠状态的中药饮片进行有效识别。另外，还有一些利用图像视觉技术识别中药饮片的方法，但该类方法大多路径较为复杂，在实际应用过程中存在易造成遗漏、识别速度慢等缺点，因此并不适宜在既要求速度又要求准确度的真实工作场景下推广应用，也不宜作为开发对应自动化设备的技术基础。
[0004]综上，为了适应时代发展，提高中药饮片的识别效率和识别准确性，尤其是为了满足药房调剂工作的实际应用需求，急需开发一种快捷、准确、实现途径相对简单且能够对处于堆叠状态的单种中药饮片进行识别和分类的方法，以作为开发对应自动化核对设备的技术基础。
技术实现思路
[0005]为了解决现有中药饮片图像识别方法实现路径复杂、识别速度慢、效率低、准确性差、易造成遗漏，且不能用于识别处于堆叠状态的中药饮片的问题，我们提供了一种解决方案。
[0006]我们通过将计算机视觉技术与实际的药房调剂工作相结合，开发出了一种快捷、准确、实现途径相对简单且能够对堆叠状态的单种中药饮片进行识别的方法。
[0007]具体而言，第一方面，本专利技术提供了一种基于卷积神经网络的中药饮片图像识别方法，所述方法包括：
[0008]S1.采集图像：采集临床使用的所有中药饮片图像，图像拍摄时中药饮片需处于自然堆叠状态；
[0009]S2.构建图像训练集：对采集的原始图像进行筛选去重和图像预处理，然后挑选高质量图像构建中药饮片图像训练集；
[0010]S3.构建验证集：随机抽取原始图像中的一部分构建验证集；
[0011]S4.构建中药饮片图像卷积神经网络识别模型：使用卷积神经网络(CNN)算法构建中药饮片图像卷积神经网络识别模型；
[0012]S5.模型训练：将图像训练集输入中药饮片图像卷积神经网络识别模型中进行训练，每张图像至少训练20000次，得到训练模型；
[0013]S6.进行中药饮片图像识别：使用训练模型对输入系统的中药饮片图像进行识别，并返回识别结果。
[0014]进一步地，本专利技术基于卷积神经网络的中药饮片图像识别方法步骤S1中所述中药饮片图像包括中药饮片生品图像和中药饮片炮制品图像；采集图像时要求背景为白色，每种中药饮片至少拍摄100张不同的图像，图像大小为800*600，图像比例为4:3，每拍摄一张图像则任意改变中药饮片堆叠的状态或拍摄的角度或拍摄的高度。
[0015]进一步地，本专利技术基于卷积神经网络的中药饮片图像识别方法步骤S2中所述图像预处理包括图像尺寸裁切、亮度调节、对比度调节、色彩校正、像素调节；所述高质量图像是指画面清晰、色彩和细节还原真实的图像。
[0016]进一步地，本专利技术基于卷积神经网络的中药饮片图像识别方法步骤S4中所述中药饮片图像卷积神经网络识别模型由卷积层、池化层、全连接层、损失层组成，其中：
[0017]卷积层由滤波器组成，用于从整幅图像中捕捉局部信息；
[0018]池化层通过减少参数来减少计算量，用于图像采样；
[0019]全连接层将卷积层捕捉到的局部信息统一，以得到全局的图像语义信息；
[0020]损失层是整个模型的目标函数，用于指导卷积神经网络的学习。
[0021]在实践中，本模型通过增加网络的带宽，采取更高级的特征，同时减少参数数量，降低错误率，利用其局部感知区域、层次结构化、特征抽取和分类过程相结合的全局训练特点构建中药饮片识别模型。
[0022]进一步地，上述基于卷积神经网络的中药饮片图像识别方法步骤S4中所述卷积神经网络算法包括：
[0023](1)卷积层：卷积神经网络中的核心即为卷积运算，其相当于图像处理中的滤波器运算；图像卷积运算过程为卷积核中的每一个权值分别与原始图像中其所覆盖区域的像素相乘，然后再求和；卷积核以预设的间隔滑动，并对所覆盖的区域进行卷积运算，直至遍历完整幅图像；其中，卷积层的大小范围为2≤C≤5，本算法共使用3层；
[0024](2)池化层：池化层用于解决卷积层过拟合现象，将输入图像进行缩小，减少特征图，通过减少网络的参数来有效减少计算量，同时仍能清晰地描述图像，降低数据维度；本算法池化大小为pi*pi，步长为spi*spi，其中，1≤pi≤10，1≤spi≤5，1≤i≤C，本算法采用的池化层规模为2*2，对输入的每个深度切片进行池化；
[0025](3)全连接层：将多维的特征输入映射为二维的特征输出，高维表示样本批次，低维对应任务目标，对特征进行重新拟合，减少特征信息的丢失；主要算法为先采用矩阵乘
法，然后加入偏差计算logits值，最后将logits值输入到softmax分类器中，得到中药饮片图像的概率值，即为识别率；其中，每一个全连接层中含有的神经元个数为fj，1≤fj≤768，1≤j≤F。
[0026]进一步地，本专利技术基于卷积神经网络的中药饮片图像识别方法步骤S6中所述进行中药饮片图像识别包括：
[0027]S61.通过OCR技术对处方笺上的中药饮片信息进行识别，并将所得信息传送到识别系统中；
[0028]S62.采集待识别的中药饮片图像，并将其传送到识别系统中；
[0029]S63.识别系统接收到中药饮片图像后，将其输入到训练模型中；
[0030]S64.训练模型对接收到的中药饮片图像进行识别，并返回识别结果；
[0031]S65.将训练模型返回的识别结果与处方笺上的中药饮片信息进行对比，完成对处方信息和调剂过程的复核。...
【技术保护点】
【技术特征摘要】
1.一种基于卷积神经网络的中药饮片图像识别方法，其特征在于，所述方法包括：S1.采集图像：采集临床使用的所有中药饮片图像，图像拍摄时中药饮片需处于自然堆叠状态；S2.构建图像训练集：对采集的原始图像进行筛选去重和图像预处理，然后挑选高质量图像构建中药饮片图像训练集；S3.构建验证集：随机抽取原始图像中的一部分构建验证集；S4.构建中药饮片图像卷积神经网络识别模型：使用卷积神经网络算法构建中药饮片图像卷积神经网络识别模型；S5.模型训练：将图像训练集输入中药饮片图像卷积神经网络识别模型中进行训练，每张图像至少训练20000次，得到训练模型；S6.进行中药饮片图像识别：使用训练模型对输入系统的中药饮片图像进行识别，并返回识别结果。2.根据权利要求1所述的基于卷积神经网络的中药饮片图像识别方法，其特征在于，S1中所述中药饮片图像包括中药饮片生品图像和中药饮片炮制品图像；采集图像时要求背景为白色，每种中药饮片至少拍摄100张不同的图像，图像大小为800*600，每拍摄一张图像则任意改变中药饮片堆叠的状态或拍摄的角度或拍摄的高度。3.根据权利要求1所述的基于卷积神经网络的中药饮片图像识别方法，其特征在于，S2中所述图像预处理包括图像尺寸裁切、亮度调节、对比度调节、色彩校正、像素调节；所述高质量图像是指画面清晰、色彩和细节还原真实的图像。4.根据权利要求1所述的基于卷积神经网络的中药饮片图像识别方法，其特征在于，S4中所述中药饮片图像卷积神经网络识别模型由卷积层、池化层、全连接层、损失层组成，其中：卷积层由滤波器组成，用于从整幅图像中捕捉局部信息；池化层通过减少参数来减少计算量，用于图像采样；全连接层将卷积层捕捉到的局部信息统一，以得到全局的图像语义信息；损失层是整个模型的目标函数，用于指导卷积神经网络的学习。5.根据权利要求4所述的基于卷积神经网络的中药饮片图像识别方法，其特征在于，S4中所述卷积神经网络算法包括...
【专利技术属性】
技术研发人员：李新辰，赵志刚，马永刚，张祥飞，
申请(专利权)人：首都医科大学附属北京天坛医院，
类型：发明
国别省市：
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。