【技术实现步骤摘要】
本专利技术属于药材鉴别，具体涉及一种中藏药分类识别方法、系统和存储介质。
技术介绍
1、由于药材含有大量化学成分，包括活性和非活性化合物以及未知化合物，地理来源、环境因素等也导致了药材成分存在固有的变异性，由于以上原因，藏药的精准分类识别是十分必要的。
2、高光谱图像(hyperspectral image,his)可通过对药物的光谱分析确定药物表面和内部的生化特性，并组装和处理光谱中包含的化学、物理信息、生物检测、识别或区分药材提供了有利的支撑。中国专利技术专利“cn113989525b自适应随机块卷积核网络的高光谱中药材鉴别方法”公开了利用深度学习模型对中药材的高光谱影像数据进行分析，鉴别中药材的技术方案。
3、然而，包含样本光谱和空间信息的hsi数据立方体尺寸较大，如何去除其包含的冗余波段而保留重要的光谱信息是降低识别时间成本的重要一环。此外，hsi数据在光谱方向上具有较强的相关性以及空间方向上的结构稀疏特征，如何有效利用这些结构先验信息是成为能否提高药物识别精度的关键。而现有的深度学习模型对此并未进行恰当的设计，从而对鉴别结果的准确性产生了不利的影像。
技术实现思路
1、针对现有技术的问题，本专利技术提供一种中藏药分类识别方法、系统和存储介质，目的在于优化中藏药高光谱图像的特征提取的方法，实现更加准确的中藏药分类识别。
2、一种中藏药分类识别方法，包括如下步骤：
3、步骤1，输入中藏药的高光谱影像数据，选择出用于分类识别的相应
4、步骤2，基于中藏药的真彩影像数据与高光谱影像数据的相关性，建立数据融合算法；将步骤1得到的波段数据与真彩影像数据融合，得到融合数据；
5、步骤3，将步骤2得到的融合数据输入分类识别模型，得到中藏药分类识别结果。
6、优选的，步骤1具体包括：
7、步骤1.1，利用基础分类器进行高光谱影像数据的初步波段选择；所述基础分类器为决策树或支持向量机；
8、步骤1.2，将步骤1.1得到的初步波段选择结果利用熵值法进一步选择中藏药波段，选择出用于分类识别的相应波段数据。
9、优选的，步骤2中，所述融合算法采用半监督全色锐化算法。
10、优选的，所述半监督全色锐化算法包括如下步骤：
11、步骤a，将低分辨的高光谱影像数据上采样到与高分辨的真彩影像数据相同的图像中；
12、步骤b，将步骤a上采样后得到的图像与所述真彩影像数据分别送入特征提取网络，得到光谱特征和空间特征；
13、步骤c，使用fusion net网络将所述光谱特征和空间特征进行特征级融合；
14、步骤d，将特征级融合后得到的特征送入图像重建网络，得到重构后的图像，所述重构后的图像用于输入所述分类识别模型。
15、优选的，步骤3中，所述分类识别模型为改进的efficiennet v1神经网络，所述改进的efficiennet v1神经网络依次包括：
16、1)归一化层；
17、2)卷积层，参数配置为：核数量32个，尺寸3*3*3，步长2*2；
18、3)改进mbconv6模块，参数配置为：卷积核3*3，步长1*1；
19、4)mbconv6模块，参数配置为：卷积核3*3，步长2*2，执行2次；
20、5)改进mbconv6模块，参数配置为：卷积核5*5，步长2*2，执行2次；
21、6)mbconv6模块，参数配置为：卷积核3*3，步长2*2，执行3次；
22、7)改进mbconv6模块，参数配置为：卷积核5*5，步长2*2，执行3次；
23、8)mbconv6模块，参数配置为：卷积核5*5，步长2*2，执行4次；
24、9)改进mbconv6模块，参数配置为：卷积核3*3，步长1*1；
25、10)卷积层，参数配置为：核数量128个，尺寸1*1*320，步长2*2；
26、11)归一化层；
27、12)卷积层，参数配置为：核数量128个，尺寸1*1*320，步长2*2；
28、13)全局池化层；
29、14)随机失活层；
30、15)全连接层；
31、16)softmax函数。
32、优选的，所述改进的efficiennet v1神经网络中：
33、在mbconv模块中使用3×3的卷积核进行降维处理；
34、利用深度可分离卷积进行特征映射；
35、用双通道融合的通道注意力机制替换mbconv模块中的se模块；
36、采用全连接层代替多层感知机来激活图像特征；
37、使用softmax函数替代sigmoid激活函数生成通道注意力向量，并与原特征图进行相乘完成特征图的校正；
38、通过点卷积，构建完成新的mbconv模块。
39、优选的，步骤3中，所述分类识别模型是基于非局部框架下结合非凸的laplace函数低秩正则化近似的最优化分类模型。
40、优选的，所述中藏药材为西红花、当归、三七、莲子、蝉蜕、佐太、蓝宝石或红宝石等。
41、本专利技术还提供一种中藏药分类识别系统，用于实现上述中藏药分类识别方法，包括：
42、输入模块，用于输入中藏药的高光谱影像数据；
43、波段数据选择模块，用于选择出后续用于分类识别的相应波段数据；
44、数据融合模块，用于通过数据融合算法，将波段数据选择模块得到的波段数据与真彩影像数据融合；
45、分类识别模块，用于将融合数据输入分类识别模型，得到中藏药分类识别结果；
46、输出模块，用于输出中藏药分类识别结果。
47、本专利技术还提供一种计算机可读存储介质，其上存储有用于实现上述中藏药分类识别方法的计算机程序，或用于实现上述中藏药分类识别系统的计算机程序。
48、本专利技术首次将中藏药高光谱图像与真彩影像数据进行了融合并用于中藏药的分类识别，通过将高光谱图像的特征与真彩图像的性状和纹理信息融合，可进一步构建能够更加准确地反映中藏药种类的特征，优选方案中，针对融合特征，本专利技术提供了能够准确识别中藏药种类的网络结构，有效提高了中藏药识别的准确性。
49、在优选方案中，本专利技术构建了一种从中藏药高光谱图像中提取对分类识别有实际价值的高光谱影像数据波段，去除了高光谱图像中无效、冗余的信息。
50、可见，本专利技术通过优化特征的构建方法，有效地提高了中藏药的分类识别准确性，具有很好的应用前景。
51、显然，根据本专利技术的上述内容，按照本领域的普通技术知识和惯用手段，在不脱离本专利技术上述基本技术思想前提下，还可以做出其它多种形式的修改、替换或变更。
52、以下通过实施例形式的具体实施方式，对本专利技术的上述内容再作进一本文档来自技高网...
【技术保护点】
1.一种中藏药分类识别方法，其特征在于，包括如下步骤：
2.按照权利要求1所述的中藏药分类识别方法，其特征在于：步骤1具体包括：
3.按照权利要求1所述的中藏药分类识别方法，其特征在于：步骤2中，所述融合算法采用半监督全色锐化算法。
4.按照权利要求3所述的中藏药分类识别方法，其特征在于：所述半监督全色锐化算法包括如下步骤：
5.按照权利要求1所述的中藏药分类识别方法，其特征在于：步骤3中，所述分类识别模型为改进的EfficienNet v1神经网络，所述改进的EfficienNet v1神经网络依次包括：
6.按照权利要求5所述的中藏药分类识别方法，其特征在于：所述改进的EfficienNetv1神经网络中：
7.按照权利要求1所述的中藏药分类识别方法，其特征在于：步骤3中，所述分类识别模型是基于非局部框架下结合非凸的Laplace函数低秩正则化近似的最优化分类模型。
8.按照权利要求1所述的中藏药分类识别方法，其特征在于：所述中藏药材为西红花、当归、三七、莲子、蝉蜕、佐太、蓝宝石或红宝石等。<...
【技术特征摘要】
1.一种中藏药分类识别方法，其特征在于，包括如下步骤：
2.按照权利要求1所述的中藏药分类识别方法，其特征在于：步骤1具体包括：
3.按照权利要求1所述的中藏药分类识别方法，其特征在于：步骤2中，所述融合算法采用半监督全色锐化算法。
4.按照权利要求3所述的中藏药分类识别方法，其特征在于：所述半监督全色锐化算法包括如下步骤：
5.按照权利要求1所述的中藏药分类识别方法，其特征在于：步骤3中，所述分类识别模型为改进的efficiennet v1神经网络，所述改进的efficiennet v1神经网络依次包括：
6.按照权利要求5所述的中藏药分类识别方法，其特征在于：所述改进的effi...
【专利技术属性】
技术研发人员：苗加庆，曾锐，李高平，苟恺军，刘晓光，邱治邦，罗霄，任艳，
申请(专利权)人：西南民族大学，
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。