一种鹿茸饮片分类识别模型、方法及系统技术方案

鹿茸饮片分类识别模型、方法及系统。属于图像识别技术领域，具体涉及中药饮片分类识别技术领域。其解决了针对鹿茸饮片进行分类识别时参数量大和特征提取针对性弱的问题。所述模型包括预处理单元、改进骨干网络单元和池化单元；所述改进骨干网络单元：对所述预处理层输出的图像进行参数减少和特征增强处理，包括多尺度骨干网络和改进卷积网络。所述方法使用所述鹿茸饮片分类识别模型进行，构建鹿茸饮片分类识别的训练集和验证集，将训练集输入所述鹿茸饮片分类识别模型进行深度学习，验证集用于验证准确率。本发明专利技术所述模型及方法可以应用在鹿茸饮片分类识别领域以及鹿茸饮片自动化分类领域。类领域。类领域。

【技术实现步骤摘要】
一种鹿茸饮片分类识别模型、方法及系统


[0001]本专利技术属于图像识别
，具体涉及中药饮片分类识别


技术介绍

[0002]就目前而言，深度学习方法应用于中药材领域已经有了初步的研究，但目前对中药材进行的分类识别研究主要是基于不同种类中药之间进行识别。例如中国专利技术专利申请“基于卷积神经网络的中药饮片图像识别方法及识别系统”（CN115661580A）中借助计算机视觉技术实现了中药饮片图像识别的智能化。
[0003]但是目前并没有针对鹿茸饮片这一种中药材进行识别的方法，鹿茸饮片种类较多，包括了梅花鹿蜡片、马鹿蜡片、马鹿红粉片、马鹿血片和马鹿骨片等不同的品种，每个品种之间在颜色和纹理上有所不同。相比于不同种类的中药材识别，不同种类的鹿茸饮片之间的识别存在如下难点：第一、针对不同种类的鹿茸饮片进行识别时，构筑的识别模型需要提取更多的特征信息，才能够保证识别的准确性，这将导致参数量增多，影响模型运行效率，过多的参数还会导致过拟合问题，降低鲁棒性；第二、在特征提取时，往往会提取到很多对鹿茸饮片识别没有帮助的特征信息，即对无信息价值的区域进行了特征提取。

技术实现思路

[0004]本专利技术解决了针对鹿茸饮片进行分类识别时参数量大和特征提取针对性弱的问题。
[0005]方案一、一种鹿茸饮片分类识别模型，所述模型包括预处理单元、改进骨干网络单元和池化单元；所述预处理单元：对输入的图形进行特征提取，包括卷积层、加速神经网络训练层、激活层和池化层；所述改进骨干网络单元：对所述预处理层输出的图像进行参数减少和特征增强处理，包括多尺度骨干网络和改进卷积网络；所述改进卷积网络中，输入图像先经过1
×
1卷积层后输出，输出的图像均分为两组，分别输入与每组图像对应的改进逆瓶颈结构层后各自输出，每组图像从改进逆瓶颈结构层中输出后，分别输入与每组图像对应的1
×
1卷积层后各自输出，将分别从各自对应的1
×
1卷积层中输出的图像合并后，再输入到1
×
1卷积层后输出；所述改进逆瓶颈结构层中，输入图像依次经过1
×
1卷积层、3
×
3卷积层、注意力机制层和1
×
1卷积层后输出；所述池化单元：对所述改进骨干网络层输出的图像进行下采样，得到特征图。
[0006]进一步，所述激活层中采用ReLU激活函数。
[0007]进一步，所述多尺度骨干网络中采用Res2Net模块进行图像处理。
[0008]进一步，所述注意力机制层中采用高效通道注意模块提取特征信息。
[0009]进一步，所述池化单元选用平均池化层，进行平局池化操作。
[0010]方案二、一种鹿茸饮片分类识别方法，所述方法使用如方案一所述鹿茸饮片分类识别模型进行，包括如下步骤：S101、构建鹿茸饮片分类识别的训练集和验证集；S102、将训练集输入所述鹿茸饮片分类识别模型；S103、将验证集输入训练后的鹿茸饮片分类识别模型进行验证。
[0011]进一步，所述构建鹿茸饮片分类识别的训练集和验证集，采用如下步骤进行：S201、选取若干不同种类的鹿茸饮片，将鹿茸饮片放置于白色背景上，在自然光下进行拍摄；S202、在拍摄所得的图片中，选取80%的图片作为训练集，选取20%的图片作为验证集；S203、对训练集进行预处理，所述预处理包括随机翻转和随机裁剪。
[0012]方案三、一种鹿茸饮片分类识别系统，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现方案二所述方法的步骤。
[0013]本专利技术所述鹿茸饮片分类识别模型的有益效果为：在预处理单元中，针对鹿茸饮片分类识别时参数量大和特征提取针对性弱的问题提出了改进骨干网络单元，改进骨干网络单元中的改进卷积网络采用分组卷积的形式，在减少参数数量的同时，可以进一步提取到更多的特征信息，并且在分组卷积中引入了自主设计的改进逆瓶颈结构，提高了模型在众多特征信息中提取有效信息的能力。使用本专利技术所述鹿茸饮片分类识别模型进行特征提取，可以提高鹿茸饮片分类效率，提升鹿茸饮片分类识别准确率。
[0014]本专利技术所述鹿茸饮片分类识别方法的有益效果为：将自主研发的鹿茸饮片分类识别模型应用到实际的鹿茸饮片分类识别中，在实际使用中，可以采用本专利技术所述鹿茸饮片分类识别方法进行识别，从而节约生产中的人力成本，并且提高识别效率。
[0015]本专利技术所述模型及方法可以应用在鹿茸饮片分类识别领域以及鹿茸饮片自动化分类领域。
附图说明
[0016]图1为本专利技术实施例中分类识别模型的原理示意图；图2为本专利技术实施例中预处理单元结构图；图3为本专利技术实施例中Res2Net模块的结构图；图4为本专利技术实施例中改进卷积网络的结构图；图5为本专利技术实施例中热力特征可视化图像；图6为本专利技术实施例中鹿茸饮片分类识别的训练集预处理前图像；图7为本专利技术实施例中鹿茸饮片分类识别的训练集预处理后图像。
具体实施方式
[0017]为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。下面将结合附图对本专利技术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，都属于本专利技术保护的范围。
[0018]实施例1、本实施例提供一种鹿茸饮片分类识别模型，所述模型包括预处理单元、改进骨干网络单元和池化单元；如图1所示，图像输入后依次经过预处理单元、改进骨干网络单元和池化单元然后输出。
[0019]所述预处理单元：预处理单元组成如图2所示，图像输入预处理单元后，先进入卷积层，从卷积层输出后，输入加速神经网络训练层，从加速神经网络训练层输出后，输入激活层，从激活层输出后，输入池化层，以实现对图像进行特征提取；所述卷积层进行如下设置：输入3通道，输出64通道，卷积核大小为7
×
7，步距为2像素，填充为3像素；加速神经网络训练层选择BatchNorm模块进行，BatchNorm模块即为批归一化模块，对图像进行批归一化操作；激活层中采用ReLU激活函数；池化层进行最大池化操作，池化层中卷积核大小为3
×
3。
[0020]所述改进骨干网络单元：对所述预处理层输出的图像进行参数减少和特征增强处理，包括多尺度骨干网络和改进卷积网络；其中多尺度骨干网络及改进卷积网络的数量可根据实际情况调节，本实施例中多尺度骨干网络数为2，改进卷积网络数为2，即从预处理单元输入的图像依次经过两个相同的多尺度骨干网络后，再依次经过两个相同的改进卷积网络后输入池化单元。
[0021]所述池化单元：对所述改进骨干网络层输出的图像进行下采样，得到特征图，所述池化单元选用平均池化层，进行平局池化操作。
[002本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种鹿茸饮片分类识别模型，其特征在于，所述模型包括预处理单元、改进骨干网络单元和池化单元；所述预处理单元：对输入的图形进行特征提取，包括卷积层、加速神经网络训练层、激活层和池化层；所述改进骨干网络单元：对所述预处理层输出的图像进行参数减少和特征增强处理，包括多尺度骨干网络和改进卷积网络；所述改进卷积网络中，输入图像先经过1
×
1卷积层后输出，输出的图像均分为两组，分别输入与每组图像对应的改进逆瓶颈结构层后各自输出，每组图像从改进逆瓶颈结构层中输出后，分别输入与每组图像对应的1
×
1卷积层后各自输出，将分别从各自对应的1
×
1卷积层中输出的图像合并后，再输入到1
×
1卷积层后输出；所述改进逆瓶颈结构层中，输入图像依次经过1
×
1卷积层、3
×
3卷积层、注意力机制层和1
×
1卷积层后输出；所述池化单元：对所述改进骨干网络层输出的图像进行下采样，得到特征图。2.根据权利要求1所述的一种鹿茸饮片分类识别模型，其特征在于，所述激活层中采用ReLU激活函数。3.根据权利要求1所述的一种鹿茸饮片分类识别模型，其特征在于，所述多尺度骨干网络...

【专利技术属性】
技术研发人员：李东明，姚芮，马丽，贾亚博，杨承霖，
申请(专利权)人：吉林农业大学，
类型：发明
国别省市：