CN108564099A - 基于标识纤维随机分布的图像识别区分药用植物的方法 - Google Patents
基于标识纤维随机分布的图像识别区分药用植物的方法 Download PDFInfo
- Publication number
- CN108564099A CN108564099A CN201711307248.2A CN201711307248A CN108564099A CN 108564099 A CN108564099 A CN 108564099A CN 201711307248 A CN201711307248 A CN 201711307248A CN 108564099 A CN108564099 A CN 108564099A
- Authority
- CN
- China
- Prior art keywords
- chinese medicine
- image
- random distribution
- image recognition
- medicinal plant
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram matching
Abstract
本发明提供了一种利用图像识别标识纤维的随机分布以区分药用植物特征的方法。利用图像识别技术,有效获取中药材形状、纹理和表面向量的特征。然后依据标识纤维在药用植物的随机分布,形成不同纹理,作为一重要参数区分药用植物的真伪优劣。该技术客观性和准确性较强,能精确量化,受感官差异和环境监测影响较小。简单、易行、迅速,可操作性较强,在很大程度上弥补了人眼可视范围的局限。
Description
技术领域
本发明涉及药材鉴别领域,具体涉及利用图像识别标识纤维的随机分布以区分药用植物 特征的方法。
背景技术
中药材传统性状鉴别有以下缺点:
1.传统的性状鉴定依赖于中药鉴定专家的感官评测,尤其主观性强,不能精确量化及客 观测定,只能进行粗略地估计及简略的语言描述,在大批量工业生产中可操作性差。不可避 免的受感官差异和监测环境的影响。
2.目前市场上的视觉仿生系统以提取中药材颜色特征为主,但未对其形状、纹理进行提 取分析。
3.目前市场上的视觉仿生系统的工作原理主要基于颜色的色度差异进行分析,因此对药 材“染色制伪”无法有效识别。
发明内容
发明目的:本发明将图像识别技术首次应用于中药材鉴别,创造性地利用图像识别标识 纤维在药用植物中的随机分布以区分其特征,可有效解决中药材染色掺伪等用市场现有视觉 仿生系统等技术无法区分鉴别的问题。
技术方案:为了实现以上目的,本发明采用如下技术方案:
1.从相机获取中药材的图像。
2.对中药材图像进行处理,对指示器区域子图像进行红色增强处理,得到去除了周边噪 声的指示条灰度图像。
3.剔除背景干扰和分割出鉴别中药材的关键区域图像,针对不同规格的药材,提取的方 法会略有差异。
4.图像处理方法,创新性地运用超大规模回馈式神经网络识别系统,精确提取出图像特 征,并与标准中药材图像特征进行特征匹配,根据匹配率,并结合其他传感器特征,对中药 材进行质量划分。
其中,本发明首次采用超大规模回馈式的神经网络,反馈到上一层链接权重输入,使得 神经网络具备了类似于大脑的“短期记忆能力”,有效提高了对中药材标识纤维随机分布产 生的纹理特征信息识别的敏感度、精确度与准确率。通过提取中药材的颜色值分布特征,色 差对比特征,进行色度学和统计学的统计,同时创新性地利用颜色过渡特征,有效鉴别颜色 过度均匀且渗透明显的伪制药材,解决染色制伪难以鉴别的问题。另外,通过基于矩的支持 向量机分类器进行中药材图像的特征分类,可高效提取中药材尺寸大小特征、纹理特征、表 面特征的向量,而非单一地对中药材颜色特征进行提取,将这些特征数据来作为判断中药材 真伪优劣的重要指标因素,更为全面科学。
本发明的有益效果体现在以下方面:
1.本发明首次将超大规模回馈式神经网络模式识别技术应用在中药材鉴定上,提取中药 材颜色特征,同时创新性地利用色度差异原理,可有效解决中药材染色制伪的问题。
2.本发明首次利用自适应阈值分割、模糊聚类及轮廓追踪技术等科学方法,精准化地处 理中药材图像,大大提升其清晰度与准确性。在很大程度上弥补了人眼可视范围的局限,减 少了对专业性较强的中药技术人员的依赖。
3.本发明在提取中药材颜色特征的基础上,并对其形状、纹理特征进行提取分析。其中, 创新性地采用SVM分类方法对标识纤维随机分布形成的纹理进行等级的判定,较为科学地说 明了标识纤维随机分布的图像识别区分药用植物的方法具有较好的推广性能。
附图说明
图1黄芪饮片图
图2R分量灰度直方图
图3去除黑色背景的灰度图像
图4分割后菊花心图像
图5是图像识别系统图。
具体实施方式
下面结合附图对本发明作进一步详细描述:
如附图所示,本发明由摄像头1、主板2和超大规模回馈式神经网络模式识别系统3构 成。
根据下述实施例,可以更好地理解本发明。然而,本领域的技术人员容易理解,实施例 所描述的具体的物料配比、工艺条件及其结果仅用于说明本发明,而不应当也不会限制权力 要求书中所详细描述的本发明。
本发明以中药饮片为实施对象,下面以黄芪饮片为例说明本发明的具体实施方式。
摄像头1获取的黄芪饮片图像,由主板2提供图像处理模块功能:预处理(对应技术方 案中的第3步)和特征提取(对应技术方案中的第4步)。其中特征包括尺寸大小特征、表面纹理特征、孔洞信息等。最后根据特征信息进行药材品质鉴别。
实施例1图像背景消除和药材饮片纤维图像的分割
本发明采用自适应阈值分割方法。图像背景消除是利用饮片图像的R分量灰度直方图以 去除饮片图像中的黑色背景。图像背景去除后,需要分割饮片中菊花心和外皮等区域。为有 效地提高图像分割的精度,本发明采用基于模糊集合理论的模糊聚类法。先运用轮廓追踪技 术,追踪出饮片最外层轮廓,在轮廓内进行方向投影,根据投影信息,划定出菊花心的大致 范围。图2是图1所示饮片样本的R分量灰度直方图,图1经过消除黑色背景后的图像如图 3所示。图4是菊花心分割结果图。
实施例2提取黄芪饮片标识纤维-菊花心的图像
提取黄芪饮片标识纤维—菊花心的图像主要包含以下三个步骤:
1.从整幅图像中提取出菊花心的实体区域(包括明显的形成层花纹及放射状纹理);
2.从外皮等结构中分离出菊花心有效判定部位(即形成层花纹及放射状纹理);
3.提取出标识纤维菊花心。
提取方法概述:先运用轮廓追踪技术,追踪出饮片最外层轮廓,在轮廓内进行方向投影, 根据投影信息,划定出菊花心的大致范围。从而判定黄芪的标识纤维菊花心的丰富程度 及纹理等级。
实施例3菊花心的特征提取
通过实地考察中药材市场,发现黄芪饮片的大小对菊花心情况影响较大。且同一级别、 不同样本大小的菊花心中亦存在较大差别。因而,本发明选取与饮片样本大小、形状的图像 特征像素灰度矩特征来作为菊花心图像特征,同时提高了计算机视觉检测系统的鲁棒性。数字 图像的二维函数的(m+n)阶几何矩定义为:
二维函数的(m+n)阶中心矩定义为:
实施例4菊花心的SVM分类方法
本发明利用“一对多”的算法建立基于矩的支持向量机分类器,将黄芪进行分级,即对 于N类问题构造N个SVM分类器。第i个SVM用第i类中的训练集作为正的训练样本,而其余的样本作为负的训练集。SVM的结构参数为核函数为径向基函数,错分惩罚常数C=100。 将图像的矩特征P1、P2和Q1作为输入参数,则测试样本的训练结果如表1所示。
本发明采用交叉校验中的K-折交叉验证(K-CV)以判断建模是否合理:将样本点集合 平均分为k个样。令每个子集数据分别做一次验证集,其余的K-1组子集数据作为训练集得 到K个模型,用这K个模型最终的验证集的分类准确率的平均数作为此K-CV下分类器的性 能指标。本交叉效验正确率如表1所示。由此可见,基于标识纤维随机分布的图像识别区分 药用植物的方法具有较好的推广性能。
表1测试样本训练结果
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说, 在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发 明的保护范围。
Claims (6)
1.一种基于标识纤维随机分布的图像识别区分药用植物的方法,其特征在于,利用超大规模回馈式神经网络识别系统图像识别技术,有效获取中药材颜色、形状纹理及表面向量特征,依据标识纤维在中药材中的随机分布形成不同向量,建立正常药材标准体系,对待测染色药材颜色分布及颜色渗透特征对其有效鉴别,识别中药材是否染色掺伪;回馈式神经网络识别系统图像识别技术包括图像识别系统摄像头、主板和超大规模回馈式神经网络模式识别系统构成;。
2.根据权利1要求所述的基于标识纤维随机分布的图像识别区分药用植物的方法,其特征在于:从相机获取中药材的图像;对中药材图像进行处理,对指示器区域子图像进行红色增强处理,得到去除了周边噪声的指示条灰度图像;图像背景消除和分割出鉴别中药材的关键区域图像,利用超大规模回馈式神经网络识别系统,提取出中药材图像特征,与标准中药材图像特征进行特征匹配,根据匹配率,并结合其他传感器特征,对中药材进行鉴别。
3.根据权利2要求所述的基于标识纤维随机分布的图像识别区分药用植物的方法,其特征在于:采用超大规模回馈式的神经网络,反馈到上一层链接权重输入,使得神经网络具备了类似于大脑的“短期记忆能力”,提高了中药材中标识纤维随机分布产生的纹理的特征类信息的敏感度;通过提取中药材的颜色值分布特征,色差对比特征,进行色度学和统计学的统计,利用颜色过渡特征,鉴别颜色过度均匀且渗透明显的伪制药材;通过基于矩的支持向量机分类器进行中药材图像的特征分类,提取中药材尺寸大小特征、纹理特征、表面特征的向量,系统设有自动修正功能。
4.根据权利2要求所述的基于标识纤维随机分布的图像识别区分药用植物的方法,其特征在于:对中药材图像进行处理采用自适应阈值分割方法;图像背景消除是利用饮片图像的R分量灰度直方图以去除饮片图像中的黑色背景;图像背景去除后,需要分割饮片中标识纤维随机分布所形成的特殊纹理和外皮等区域;为有效地提高图像分割的精度,本发明采用基于模糊集合理论的模糊聚类法;先运用轮廓追踪技术,追踪出饮片最外层轮廓,在轮廓内进行方向投影,根据投影信息,划定出标识纤维随机分布所形成的特殊纹理的大致范围,从而解决中药材染色掺假的技术难题。
5.根据权利2要求所述的基于标识纤维随机分布的图像识别区分药用植物的方法,其特征在于,在对中药材图像进行处理前先运用轮廓追踪技术,追踪出饮片最外层轮廓,在轮廓内进行方向投影,根据投影信息,划定出标识纤维随机分布所形成的特殊纹理的大致范围;再选取与饮片样本大小、形状的图像特征像素灰度矩特征来作为中药材标志纤维随机分布形成的特殊纹理的图像特征,同时提高了计算机视觉检测系统的鲁棒性;数字图像的二维函数的(m+n)阶几何矩定义为:
二维函数的(m+n)阶中心矩定义为:
6.根据权利1要求所述的基于标识纤维随机分布的图像识别区分药用植物的方法,其特征在于:对中药材图像进行处理基于“一对多”的算法建立基于矩的支持向量机分类器,将中药材进行分级,即对于N类问题构造N个SVM分类器;第i个SVM用第i类中的中药材中标识纤维随机分布所形成的纹理训练集作为正的中药材纹理数据训练样本,而其余的中药材纹理数据样本作为负的训练集;SVM的结构参数为核函数为径向基函数,错分惩罚常数C=100。本发明采用交叉校验中的K-折交叉验证(K-CV)以判断评定中药材等级的建模是否合理:将样本点集合平均分为K个样。令每个子集数据分别做一次验证集,其余的K-1组子集数据作为训练集得到K个模型,用这K个模型最终的y验证集的分类准确率的平均数作为此K-CV下分类器的性能指标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711307248.2A CN108564099A (zh) | 2017-12-11 | 2017-12-11 | 基于标识纤维随机分布的图像识别区分药用植物的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711307248.2A CN108564099A (zh) | 2017-12-11 | 2017-12-11 | 基于标识纤维随机分布的图像识别区分药用植物的方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108564099A true CN108564099A (zh) | 2018-09-21 |
Family
ID=63529521
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711307248.2A Pending CN108564099A (zh) | 2017-12-11 | 2017-12-11 | 基于标识纤维随机分布的图像识别区分药用植物的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108564099A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109615028A (zh) * | 2019-01-22 | 2019-04-12 | 浙江大学 | 一种基于显著图的药用植物分类方法 |
CN110110789A (zh) * | 2019-05-08 | 2019-08-09 | 杭州麦迪特检测技术服务有限公司 | 一种基于多谱图信息融合技术的中草药品质鉴别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102435713A (zh) * | 2010-09-21 | 2012-05-02 | 成都中医药大学 | 中药品质自动检测系统 |
CN102880853A (zh) * | 2012-08-03 | 2013-01-16 | 成都中医药大学 | 基于网络的中药识别系统及方法 |
CN103345617A (zh) * | 2013-06-19 | 2013-10-09 | 成都中医药大学 | 中药识别的方法及其系统 |
US20140270536A1 (en) * | 2013-03-13 | 2014-09-18 | Kofax, Inc. | Systems and methods for classifying objects in digital images captured using mobile devices |
CN106067026A (zh) * | 2016-05-30 | 2016-11-02 | 天水师范学院 | 一种中药材显微图像的特征提取与识别检索方法 |
-
2017
- 2017-12-11 CN CN201711307248.2A patent/CN108564099A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102435713A (zh) * | 2010-09-21 | 2012-05-02 | 成都中医药大学 | 中药品质自动检测系统 |
CN102880853A (zh) * | 2012-08-03 | 2013-01-16 | 成都中医药大学 | 基于网络的中药识别系统及方法 |
US20140270536A1 (en) * | 2013-03-13 | 2014-09-18 | Kofax, Inc. | Systems and methods for classifying objects in digital images captured using mobile devices |
CN103345617A (zh) * | 2013-06-19 | 2013-10-09 | 成都中医药大学 | 中药识别的方法及其系统 |
CN106067026A (zh) * | 2016-05-30 | 2016-11-02 | 天水师范学院 | 一种中药材显微图像的特征提取与识别检索方法 |
Non-Patent Citations (5)
Title |
---|
刘勍等: "基于图像处理技术的中药材现代检验方法", 《自动化与仪器仪表》 * |
姚峰林: "《数据图像处理及在工程中的应用》", 30 April 2014, 北京理工大学出版社 * |
张玉娟: "《遥感数字图像处理》", 30 July 2016, 哈尔滨工程大学出版社 * |
栾贻国: "《材料加工中的计算机应用基础》", 30 July 2005, 哈尔滨工业大学出版社 * |
王桥等: "《PM2.5卫星遥感技术及其应用》", 30 October 2017, 中国环境出版社.北京 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109615028A (zh) * | 2019-01-22 | 2019-04-12 | 浙江大学 | 一种基于显著图的药用植物分类方法 |
CN109615028B (zh) * | 2019-01-22 | 2022-12-27 | 浙江大学 | 一种基于显著图的药用植物分类方法 |
CN110110789A (zh) * | 2019-05-08 | 2019-08-09 | 杭州麦迪特检测技术服务有限公司 | 一种基于多谱图信息融合技术的中草药品质鉴别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103324944B (zh) | 一种基于svm和稀疏表示的假指纹检测方法 | |
WO2019192433A1 (zh) | 一种基于近红外光谱技术对中药皂角刺的真伪进行化学模式识别的方法 | |
CN105005765B (zh) | 一种基于Gabor小波和灰度共生矩阵的人脸表情识别方法 | |
CN102435713B (zh) | 中药品质自动检测系统 | |
CN109063572A (zh) | 一种基于多尺度和多卷积层特征融合的指纹活性检测方法 | |
CN108052886B (zh) | 一种小麦条锈病菌夏孢子自动统计计数方法 | |
CN107392885A (zh) | 一种基于视觉对比机制的红外弱小目标检测方法 | |
CN110516616A (zh) | 一种基于大规模rgb以及近红外数据集的双重认证人脸防伪方法 | |
CN110210448B (zh) | 一种智能人脸皮肤老化程度的识别与评估方法 | |
CN104992148A (zh) | 基于随机森林的atm终端部分遮挡人脸关键点检测方法 | |
CN103034838A (zh) | 一种基于图像特征的特种车辆仪表类型识别与标定方法 | |
CN110874587B (zh) | 一种人脸特征参数提取系统 | |
Duan et al. | A WBC segmentation methord based on HSI color space | |
CN110084149A (zh) | 一种基于难样本四元组动态边界损失函数的人脸验证方法 | |
CN114627125A (zh) | 一种基于光学手段的不锈钢压片机表面质量评估方法 | |
CN103336942A (zh) | 一种基于Radon BEMD变换的国画鉴定方法 | |
Zhang et al. | Fire detection and identification method based on visual attention mechanism | |
CN107563427A (zh) | 用于油画的著作权鉴定的方法以及相应的使用 | |
CN108564099A (zh) | 基于标识纤维随机分布的图像识别区分药用植物的方法 | |
CN106778897B (zh) | 基于余弦距离和中心轮廓距离的两次植物物种识别方法 | |
CN115294109A (zh) | 基于人工智能的实木板材生产缺陷识别系统、电子设备 | |
CN116863218A (zh) | 一种基于关键鉴定部位的商品真伪鉴定方法及系统 | |
Chen et al. | Identification of tea varieties using computer vision | |
CN109523484B (zh) | 一种基于分形特征的手指静脉血管网络修复方法 | |
Malathi et al. | A survey on plant leaf disease detection using image processing techniques |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180921 |