CN109919224A - 一种基于人工智能的真伪混杂中药材的鉴别方法 - Google Patents

Abstract

本发明为一种基于人工智能的真伪混杂中药材的鉴别方法，包括将正品和伪品中药材的颗粒散开在纯色背景的桌面上，各拍摄图像照片至少一百张；将照片转换为hsv格式图像，取其四个顶点的像素值，根据像素值所在区间判断其背景颜色；根据其背景的颜色的像素阈值范围，对图像内所有像素点进行判断，阈值区间范围内的像素点则认为为背景区域，其他的像素点所在图像区域为需识别的中药材区域；识别出背景后，根据连通区域标记方法得到每个中药材颗粒所在的区域，并在原照片内切割出此区域，得到正品和伪品中药材颗粒的子图片；利用子图片训练分类器进行中药材鉴别。本发明分类精度可达95%以上，满足实际商用的要求，鉴别快速，省时省力。

Description

一种基于人工智能的真伪混杂中药材的鉴别方法

技术领域

本发明涉及一种基于人工智能的鉴别方法，特别是涉及一种基于人工智能的真伪混杂中药材的鉴别方法。

背景技术

中药材原料的质量决定了中药的质量，中药材的真伪质量鉴别在中药疗效，安全及发展中扮演了及其重要的作用。如今市场上中药材的质量参差不齐，部分中药材由于名贵稀少等原因价格较贵，市场上经常有商家以次充好，以假乱真，中药材的真伪混杂非常严重，普通人却难以对其进行有效地分辨鉴别。

一般来说，中药材的鉴别主要有两种方法：一是通过观察药材的形状，颜色，气味，尺寸及剖面鉴定其质量，其往往需要积累丰富经验的专家进行鉴别，且不同专家之间难以保证统一性；二则是委托权威的鉴别机构对其有效成分含量进行鉴别，虽然其鉴别精度较高，但是鉴别所消耗的时间及金钱代价较大。普通民众或技术实力一般的中药制药厂往往无法明确其购买的中药材的质量。

发明内容

本发明的目的就是提供一种基于人工智能的真伪混杂中药材的鉴别方法，能完全解决上述现有技术的不足之处。

本发明的目的通过下述技术方案来实现：

一种基于人工智能的真伪混杂中药材的鉴别方法，包括如下方法：

1）.将正品中药材的颗粒散开在纯色背景的桌面上，拍摄图像照片至少一百张；

2）.将伪品中药材的颗粒散开在纯色背景的桌面上，拍摄图像照片至少一百张；

3）.将方法1）和方法2）中的照片转换为hsv格式图像，取其四个点的像素值，根据其像素值所在区间判断其背景颜色；

4）.识别背景颜色后，根据其背景颜色的像素阈值范围，对图像内所有像素点进行判断，阈值区间范围内的像素点则认为为背景区域，其他的像素点所在图像区域则为需识别的中药材区域；

5）.识别出背景后，根据连通区域标记方法得到每个中药材颗粒所在的区域，并在原照片内切割出此区域，得到正品中药材颗粒的子图片和伪品中药材颗粒的子图片；

6）.利用子图片训练分类器，通过分类器即可鉴别中药材的真伪。

进一步，方法6）中训练分类器的方法如下：

①.利用已训练的深度学习卷积神经网络框架提取子图片的多维特征值；

②.将正品中药材颗粒的子图片根据8︰2的比例分成训练集图片和测试集图片，并保存其根据方法①所得的多维数值特征；

③.将伪品中药材颗粒的子图片根据8︰2的比例分成训练集图片和测试集图片，并保存其根据方法①所得的多维数值特征；

④.将正品中药材颗粒的训练集图片和伪品中药材颗粒的训练集图片所得的多维特征及其各自信息输入SVM进行训练，训练器自动总结正品中药材颗粒和伪品中药材颗粒的细微差别特点，生成分类模型。

进一步，根据测试集图片所得的多维特征，利用生成的分类模型对测试集图片进行分类，并对比其实际信息即可得到此分类器的分类精度。

进一步，若SVM分类器的分类精度达到不低于95%的精度要求，则确认此模型参数并保存此分类器。

进一步，若分类精度不达标，则调整模型的相关参数，再次进行测试，直到分类精度达标为止。

进一步，相关参数包括分类器的初始参数C和Gamma。

进一步，多维特征值为1024维特征值。

与现有技术相比，本发明的有益效果在于：

1.本发明分类精度较高，分类精度可达95%以上，满足实际商用的要求。

2.本发明并不是对整张图片进行真伪分类，而是对于图片内的每个颗粒进行真伪分类，符合市场上真假混杂的实际场景，更加贴近了实际需求。

3.本发明可以以客户端软件的型式搭载于电脑或者智能手机上，可以推广给普通民众大面积使用。

4.本发明搭载于电脑或者智能手机上使用时，识别一张中药材图片仅需数秒的时间，响应速度非常快。

5.本发明的分类模型可以基于新增加的中药材数据样本不断更新迭代，能满足更新升级的的需求。

附图说明

图1是本发明的原始照片灰度图像。

图2是本发明颜色分割后的新生成的中药材位置的0-1图像。

图3是本发明原始图像中标记出松贝颗粒图像位置示意图。

图4是本发明鉴别的返回结果示意图。

图5是本发明的中药材分割流程步骤图。

图6是本发明的中药材颗粒真伪分类器训练流程图。

图7是本发明的实际使用流程图。

具体实施方式

下面结合具体实施例和附图对本发明作进一步的说明。

如图1至图7所示，一种基于人工智能的真伪混杂中药材的鉴别方法，本方法以川贝为例进行说明。其混杂的样品包括正品的松贝（川贝中的其中一种）和经常用于冒充松贝进行销售的平贝。具体包括以下三大步骤：

一、从纯色背景散开的多颗粒川贝图片中分割出每个川贝颗粒的子图片；从纯色背景散开的多颗粒平贝图片中分割出每个平贝颗粒的子图片，参见图5：

1.收集正品松贝和经常用于冒充松贝进行销售的平贝样本若干，将其分别散开于纯色背景的桌面上并各拍摄图像照片约几百张，如图1所示。

2.将照片（常见为jpg格式）转换为hsv格式的图像，取其左上、右上、左下、右下各距顶点20个像素的四个点的像素值，根据其像素值所在区间和表一则可判断其背景颜色。例如，若四个点的H像素值均大于0小于180，S像素值均大于0小于255，V像素值均大于0小于46，则此图片背景颜色为黑色，其他颜色同理。

3.识别背景颜色后，同样根据表一内的其背景的颜色区间将图片内的背景分离出来，设置此背景像素阈值范围区间内的像素点为背景区域。例如若背景为黑色，H像素值范围为大于0小于180，S像素值范围为大于0小于255，V像素值范围为大于0小于46。重新生成一张同样大小的矩阵，背景区域值为0，其他的为需识别的中药材区域，中药材区域值为1，如图2所示。

表一

4.识别出背景后，即得到上述3中的0-1矩阵后，根据联通区域标记方法，即找出相互连接的1值区域，用最小的方框框住即可得到每个中药颗粒所在的区域，参见图3所示，并在原照片内切割出此小颗粒图片，得到松贝的子图片和平贝的子图片。

二、利用上述子图片训练分类器，参见图6：

1.利用已训练的深度学习卷积神经网络框架（例如基于ImageNet预训练的Mobile-Net网络框架）提取每张小图片的1024维特征值。

2.将松贝的子图片根据8：2的比例分成训练集图片和测试集图片，并保存其根据上述方法所得的1024维数值特征；将平贝的子图片根据8：2的比例分成训练集图片和测试集图片，并保存其根据上述方法所得的1024维数值特征。

3.将松贝和平贝的训练集图片所得的1024维特征及其各自已知的信息输入SVM（支持向量机）进行训练，训练器自动总结松贝和平贝样品图像中的细微差别特点，生成分类模型。

4.根据测试集图片所得的1024维特征，利用上一步生成的分类模型对其进行分类，并对比其已知的信息即可得到此分类器的分类精度。

5.若SVM分类器的分类精度达到95%以上的精度要求，则确认此模型参数并保存此分类器；若分类精度不达标，则调整模型的相关参数，相关参数包括分类器的初始参数C和Gamma，再重复本步骤方法3和4中的内容，直到分类精度达标为止。

三、此方法运用于实践时的客户实际使用过程，参见图7：

1.为了使用的方便，可将上述训练后的分类器以及图像分割算法封装成客户端软件提供给客户使用。

2.使用者上传待鉴定的中药材图片后，首先采用第一大步中的方法提取图片中的中药颗粒子图片。

3.然后采用第二大步方法提取各子图片的1024维特征，再利用最终确认的SVM（支持向量机）分类模型对各中药材颗粒真伪进行分类。

4.最后将得到的分类结果（正品或伪品）在原图片上标记并返回给用户，如图4所示，其中伪品以方框框出，未框出的即为正品。

本方法并不仅限于真伪混杂的川贝的鉴别，例如还可以用于国产酸枣仁混杂进口酸枣仁的图片内酸枣仁颗粒的真伪鉴别，以及鉴别丹参、天麻等等中药材。

本发明与传统方法相比，分类精度较高，分类精度可达95%以上，满足实际商用的要求。本发明并不是对整张图片进行真伪分类，而是对于图片内的每个颗粒进行真伪分类，符合市场上真假混杂的实际场景，更加贴近了实际需求。本发明可以以客户端软件的型式搭载于电脑或者智能手机上，可以推广给普通民众大面积使用。本发明搭载于电脑或者智能手机上使用时，识别一张中药材图片仅需数秒的时间，响应速度非常快。本发明的分类模型可以基于新增加的中药材数据样本不断更新迭代，能满足更新升级的的需求。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种基于人工智能的真伪混杂中药材的鉴别方法，其特征在于,包括如下方法：

1）.将正品中药材的颗粒散开在纯色背景的桌面上，拍摄图像照片至少一百张；

2）.将伪品中药材的颗粒散开在纯色背景的桌面上，拍摄图像照片至少一百张；

3）.将方法1）和方法2）中的照片转换为hsv格式图像，取其各照片四个顶点的像素值，根据这四个点的像素值所在区间判断其背景颜色；

4）.识别背景颜色后，根据其背景颜色的像素阈值范围，对图像内所有像素点进行判断，阈值区间范围内的像素点则认为为背景区域，其他的像素点所在图像区域则为需识别的中药材区域；

5）.识别出背景后，根据连通区域标记方法得到每个中药材颗粒所在的区域，并在原照片内切割出此区域，得到正品中药材颗粒的子图片和伪品中药材颗粒的子图片；

6）.利用子图片训练分类器，通过分类器即可鉴别中药材的真伪。

2.根据权利要求1所述的基于人工智能的真伪混杂中药材的鉴别方法，其特征在于，方法6）中训练分类器的方法如下：

①.利用已训练的深度学习卷积神经网络框架提取子图片的多维特征值；

②.将正品中药材颗粒的子图片根据8︰2的比例分成训练集图片和测试集图片，并保存其根据方法①所得的多维数值特征；

③.将伪品中药材颗粒的子图片根据8︰2的比例分成训练集图片和测试集图片，并保存其根据方法①所得的多维数值特征；

④.将正品中药材颗粒的训练集图片和伪品中药材颗粒的训练集图片所得的多维特征及其各自信息输入SVM进行训练，训练器自动总结正品中药材颗粒和伪品中药材颗粒的细微差别特点，生成分类模型。

3.根据权利要求2所述的基于人工智能的真伪混杂中药材的鉴别方法，其特征在于，根据测试集图片所得的多维特征，利用生成的分类模型对测试集图片进行分类，并对比其实际信息即可得到此分类器的分类精度。

4.根据权利要求3所述的基于人工智能的真伪混杂中药材的鉴别方法，其特征在于，若SVM分类器的分类精度达到不低于95%的精度要求，则确认此模型参数并保存此分类器。

5.根据权利要求4所述的基于人工智能的真伪混杂中药材的鉴别方法，其特征在于，若分类精度不达标，则调整模型的相关参数，再次进行测试，直到分类精度达标为止。

6.根据权利要求5所述的基于人工智能的真伪混杂中药材的鉴别方法，其特征在于，相关参数包括分类器的初始参数C和Gamma。

7.根据权利要求5所述的基于人工智能的真伪混杂中药材的鉴别方法，其特征在于，多维特征值为1024维特征值。