CN109934277A - 一种基于人工智能的中药材采收时间的鉴别方法 - Google Patents
一种基于人工智能的中药材采收时间的鉴别方法 Download PDFInfo
- Publication number
- CN109934277A CN109934277A CN201910168799.8A CN201910168799A CN109934277A CN 109934277 A CN109934277 A CN 109934277A CN 201910168799 A CN201910168799 A CN 201910168799A CN 109934277 A CN109934277 A CN 109934277A
- Authority
- CN
- China
- Prior art keywords
- chinese medicine
- picture
- collecting time
- artificial intelligence
- discrimination method
- 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.)
- Granted
Links
Landscapes
- Image Analysis (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
Abstract
本发明公开了一种基于人工智能的中药材采收时间的鉴别方法,包括的方法有:收集不同采收时间的中药材若干,并对不同采收时间的每种中药材拍摄图像照片至少一百张;利用已训练的深度学习卷积神经网络框架提取每张图片的多维特征值;将每张图片的多维特征值及其已知的采收时间信息输入SVM进行训练,训练器自动总结不同采收时间的不同中药材饮片图片中的细微差别特点,生成分类模型;对分类模型进行分类并保存,可封装成客户端软件,供客户进行中药材采收时间的鉴别。本发明使用面广,分类精度高,分类精度达到90%以上,达到了实际商用的要求,适于推广应用。
Description
技术领域
本发明涉及一种中药材的鉴别方法,特别是涉及一种基于人工智能的中药材采收时间的鉴别方法。
背景技术
如今市场上中药材的质量参差不齐,中药材的采收时间跟其药效质量往往息息相关,不同采收时间的中药材药效相差较大,但是普通人却难以对其进行分辨鉴别。
以丹参为例,其主要有效成分为丹参酮ⅡA及丹酚酸B,据研究发现,在其他条件一致的情况下,十一月采收丹参的丹参酮ⅡA及丹酚酸B含量最高,即其质量最好;而次年一月采收的丹参的丹参酮ⅡA及丹酚酸B含量一般,即其质量也一般,八月采收的丹参的丹参酮ⅡA及丹酚酸B含量较低,则即其质量也较差;
一般来说,若需要鉴别丹参质量,则需要委托权威的鉴别机构对其有效成分含量进行鉴别,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中药材采收时间的鉴别方法,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中药材采收时间的鉴别方法,包括的方法有:
1)、收集不同时间段采收的同类中药材若干,并对每一时间段的该中药材各拍摄图像照片至少一百张;
2)、利用已训练的深度学习卷积神经网络框架提取每张图片的多维特征值;
3)、将每张图片的多维特征值及其针对该图片已知的采收时间输入SVM进行训练,训练器自动总结同一中药材不同采收时间的图片中的细微差别特点,生成分类模型,对分类模型进行分类并保存;
4)、对于待鉴别的中药材饮片,首先拍照其断面图片,再提取其多维特征值,输入已训练好的SVM分类器,即可得到其采收时间的预测值。
进一步,方法1)中拍摄的是中药材饮片的端面信息,拍摄时照片的分辨率需大于299x299,使其照片中的药材细节清晰可见。
进一步,方法2)中利用已训练的深度学习卷积神经网络框架提取每张图片的1024维特征值。
进一步,将所得的每张图片的1024维数值特征保存成矩阵数组格式,并将同一中药材每一采收时间的图片根据8:2的比例分成训练集图片和测试集图片。
进一步,将每一时间段训练集图片的1024维特征值及其该图片已知的采收时间信息输入SVM进行训练,训练器自动总结不同采收时间中药材图片中的细微差别特点,生成分类模型;将测试集图片所得的1024维特征,利用生成的分类模型对其采收时间进行分类,并对比其已知的实际采收时间即可得到分类器的分类精度。
进一步,分类器的初始参数C和Gamma是可变的,训练时采用多种不同的参数C和Gamma进行组合测试,最后选取分类效果最好的参数组合,为分类器的分类达标精度,确认此模型参数并保存此分类器。
进一步,分类精度不达标,调整模型的相关参数C和Gamma,再进行重复训练和测试,直到分类精度达标为止。
与现有技术相比,本发明的有益效果在于:
1.针对不同采收时间的中药材,本发明分类精度较高,分类精度达到90%以上,达到了实际商用的要求;
2.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,便于推广给普通民众大面积使用。
3.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。
4.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是本发明的中药材采收时间分类器训练流程图。
图2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。
本发明基于人工智能图像识别技术,利用了计算机强大的运算能力,通过卷积神经网络提取中药材图片内的信息特征,基于支持向量机方法自动总结不同采收时间的中药材图像中的细微差别特点,进而构建中药材采收时间的分类模型,最后可通过软件封装的方式将客户端提供给客户使用,使用者上传中药材图片即可返回此药材的采收时间结果。
如图1至图2所示,一种基于人工智能的中药材采收时间的鉴别方法,包括以下方法(本文以丹参为例说明,其需鉴别的采收时间种类包括十一月采收,次年一月采收及八月采收,但本方法并不仅限于丹参的采收时间的鉴别。经大量的实验验证,例如人参、当归、黄荊、天南星、金不换、玉竹等中药材均可通过该方法识别出采收时间):
第一步,收集十一月采收,次年一月采收及八月采收的丹参样本若干,并对每一采收时间的丹参样品拍摄图像照片至少一百张。即十一月份采收的至少一百张,次年一月采收的至少一百张,次年八月采收的至少一百张。主要拍摄药材的断面信息,拍摄时可采用各种常规的摄像头,例如手机,专业相机等,拍摄的照片分辨率需大于299x299,拍摄时可调整焦距及亮度等设置,但需保证照片中的药材细节清晰可见,并尽可能的满足照片多样性的要求。
第二步,利用已训练的深度学习卷积神经网络框架提取上一步所述的每张图片的多维特征值,优选1024维特征值。其中网络框架采用基于ImageNet预训练的Mobile-Net网络框架,此网络为GOOGLE公司基于ImageNet多分类任务开发的图像分类的深度学习算法,此网络框架的结构型式及其参数均是固定的,并在网上公开发布,本文使用时通过将其从网上下载下来并去掉最后一层SOFTMAX分类层后即可使用。
第三步,将所得的每张图片的1024维数值特征保存成矩阵数组格式,并将上述同一时间采收的图片根据8:2的比例分成训练集和测试集。
第四步,将训练集图片根据第二步方法所得的1024维特征及其已知的采收时间信息输入SVM(支持向量机)进行训练,训练器自动总结不同采收时间的丹参样品图像中的细微差别特点,生成分类模型,对分类模型进行分类并保存。将测试集图片所得的1024维特征,利用生成的分类模型对其采收时间进行分类,并对比其已知的实际采收时间信息即可得到分类器的分类精度。
通过选取多张中药材饮片图像,作为样本进行SVM分类器训练,得到性能优化的SVM分类器的具体过程为:设定SVM分类器的数目,由于SVM分类器是一个两类的分类器,对于多种类别我们需要训练多个SVM分类器来实现分类。如果需要识别分类的中药材图像的采收时间类别总数为A,则需要训练得到的SVM分类器的数目为A,此时每个SVM分类器的作用为判断中药材是否属于A种类别采收时间中的其中一类;针对于每个分类器,选取A种类别中药材中的其中一种类别的多张中药材图像作为正样本集,选取A种类别中药材中的其它类别的多张中药材图像作为负样本集;将所有正样本集的中药材图片放在一个文件夹中,将所有负样本集中的中药材图片放在另一个文件夹中,将所有的正样本集和所有负样本集缩放到同样的尺寸大小,提取所有的正样本集的多维特征值,提取所有负样本集的多维特征值,并对所有的正样本集和所有负样本集赋予样本标签。例如若将十一月采收的丹参作为正样本集,其他采收时间的丹参作为负样本集,则正样本集标记为十一月丹参,所有负样本集标记为非十一月丹参。将所有的正样本集的多维特征值和所有负样本集的多维特征值;所有的正样本集的标签和所有负样本集的标签,都输入到SVM分类器中进行训练;则得到识别其中一类的性能较优化的一个SVM分类器,重复上述操作,得到性能较优化的A个SVM分类器。可参见申请号为201610593126.3的中国专利“基于SVM的票据图像分类方法”。
第五步,因分类器的初始参数C和Gamma是可变的,训练时可采用多种该参数组合进行测试,最后选取分类效果最好的参数组合,为分类器的分类精度标准,然后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C和Gamma,再重复第四步内容,直到分类精度达标为止。
第六步,得到了以上的分类器,即可对待鉴别的中药材样本进行鉴别了。同样,先拍摄照片,再经过Mobile-Net提取多维特征值,输入上述训练好的SVM分类器,即可得到其采收时间的预测值。
本发明针对不同采收时间的中药材,本发明分类精度较高,分类精度达到90%以上,达到了实际商用的要求。可以以客户端软件的型式搭载于电脑或者智能手机上,便于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。同时,其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中药材采收时间的鉴别方法,其特征在于,包括的方法有:
1)、收集不同时间段采收的同类中药材若干,并对每一时间段的该中药材各拍摄图像照片至少一百张;
2)、利用已训练的深度学习卷积神经网络框架提取每张图片的多维特征值;
3)、将每张图片的多维特征值及其针对该图片已知的采收时间输入SVM进行训练,训练器自动总结同一中药材不同采收时间的图片中的细微差别特点,生成分类模型,对分类模型进行分类并保存;
4)、对于待鉴别的中药材饮片,首先拍照其断面图片,再提取其多维特征值,输入已训练好的SVM分类器,即可得到其采收时间的预测值。
2.根据权利要求1所述的基于人工智能的中药材采收时间的鉴别方法,其特征在于,方法1)中拍摄的是中药材饮片的端面信息,拍摄时照片的分辨率需大于299x299,使其照片中的药材细节清晰可见。
3.根据权利要求1所述的基于人工智能的中药材采收时间的鉴别方法,其特征在于,方法2)中利用已训练的深度学习卷积神经网络框架提取每张图片的1024维特征值。
4.根据权利要求3所述的基于人工智能的中药材采收时间的鉴别方法,其特征在于,将所得的每张图片的1024维数值特征保存成矩阵数组格式,并将同一中药材每一采收时间的图片根据8:2的比例分成训练集图片和测试集图片。
5.根据权利要求4所述的基于人工智能的中药材采收时间的鉴别方法,其特征在于,将每一时间段训练集图片的1024维特征值及其该图片已知的采收时间信息输入SVM进行训练,训练器自动总结不同采收时间中药材图片中的细微差别特点,生成分类模型;将测试集图片所得的1024维特征,利用生成的分类模型对其采收时间进行分类,并对比其已知的实际采收时间即可得到分类器的分类精度。
6.根据权利要求5所述的基于人工智能的中药材采收时间的鉴别方法,其特征在于,分类器的初始参数C和Gamma是可变的,训练时采用多种不同的参数C和Gamma进行组合测试,最后选取分类效果最好的参数组合,为分类器的分类达标精度,确认此模型参数并保存此分类器。
7.根据权利要求6所述的基于人工智能的中药材采收时间的鉴别方法,其特征在于,分类精度不达标,调整模型的相关参数C和Gamma,再进行重复训练和测试,直到分类精度达标为止。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910168799.8A CN109934277B (zh) | 2019-03-06 | 2019-03-06 | 一种基于人工智能的中药材采收时间的鉴别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910168799.8A CN109934277B (zh) | 2019-03-06 | 2019-03-06 | 一种基于人工智能的中药材采收时间的鉴别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109934277A true CN109934277A (zh) | 2019-06-25 |
CN109934277B CN109934277B (zh) | 2023-05-12 |
Family
ID=66986442
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910168799.8A Active CN109934277B (zh) | 2019-03-06 | 2019-03-06 | 一种基于人工智能的中药材采收时间的鉴别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109934277B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013112591A1 (en) * | 2012-01-23 | 2013-08-01 | Perceptimed, Inc. | Automated pharmaceutical pill identification |
CN106709506A (zh) * | 2016-11-28 | 2017-05-24 | 广东工业大学 | 一种中草药种类及不同产地的识别分类方法 |
CN107677647A (zh) * | 2017-09-25 | 2018-02-09 | 重庆邮电大学 | 基于主成分分析和bp神经网络的中药材产地鉴别方法 |
US20180260665A1 (en) * | 2017-03-07 | 2018-09-13 | Board Of Trustees Of Michigan State University | Deep learning system for recognizing pills in images |
CN108564094A (zh) * | 2018-04-24 | 2018-09-21 | 河北智霖信息科技有限公司 | 一种基于卷积神经网络和分类器组合的材质识别方法 |
CN109190643A (zh) * | 2018-09-14 | 2019-01-11 | 华东交通大学 | 基于卷积神经网络中药识别方法及电子设备 |
-
2019
- 2019-03-06 CN CN201910168799.8A patent/CN109934277B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013112591A1 (en) * | 2012-01-23 | 2013-08-01 | Perceptimed, Inc. | Automated pharmaceutical pill identification |
CN106709506A (zh) * | 2016-11-28 | 2017-05-24 | 广东工业大学 | 一种中草药种类及不同产地的识别分类方法 |
US20180260665A1 (en) * | 2017-03-07 | 2018-09-13 | Board Of Trustees Of Michigan State University | Deep learning system for recognizing pills in images |
CN107677647A (zh) * | 2017-09-25 | 2018-02-09 | 重庆邮电大学 | 基于主成分分析和bp神经网络的中药材产地鉴别方法 |
CN108564094A (zh) * | 2018-04-24 | 2018-09-21 | 河北智霖信息科技有限公司 | 一种基于卷积神经网络和分类器组合的材质识别方法 |
CN109190643A (zh) * | 2018-09-14 | 2019-01-11 | 华东交通大学 | 基于卷积神经网络中药识别方法及电子设备 |
Non-Patent Citations (2)
Title |
---|
周舒冬等: "基于LM-BP神经网络的穿心莲药材分类识别", 《时珍国医国药》 * |
申明金: "人工神经网络在中药研究与生产中的应用进展", 《山东化工》 * |
Also Published As
Publication number | Publication date |
---|---|
CN109934277B (zh) | 2023-05-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107016405B (zh) | 一种基于分级预测卷积神经网络的害虫图像分类方法 | |
Li et al. | An effective data augmentation strategy for CNN-based pest localization and recognition in the field | |
Brust et al. | Towards automated visual monitoring of individual gorillas in the wild | |
Yu et al. | Automated identification of animal species in camera trap images | |
CN104463172B (zh) | 基于人脸特征点形状驱动深度模型的人脸特征提取方法 | |
CN109255334A (zh) | 基于深度学习语义分割网络的遥感影像地物分类方法 | |
CN103530638B (zh) | 多摄像头下的行人匹配方法 | |
CN111046886B (zh) | 号码牌自动识别方法、装置、设备及计算机可读存储介质 | |
Xiao et al. | mCLOUD: A multiview visual feature extraction mechanism for ground-based cloud image categorization | |
CN109344740A (zh) | 人脸识别系统、方法及计算机可读存储介质 | |
CN109948676A (zh) | 一种基于人工智能的中药材种植产地的鉴别方法 | |
CN107392251B (zh) | 一种使用分类图片提升目标检测网络性能的方法 | |
CN108764302A (zh) | 一种基于颜色特征和词袋特征的票据图像分类方法 | |
CN106980817A (zh) | 一种基于Caffe框架的恐怖视频识别方法 | |
Chandran et al. | Missing child identification system using deep learning and multiclass SVM | |
CN109919224A (zh) | 一种基于人工智能的真伪混杂中药材的鉴别方法 | |
CN104598881B (zh) | 基于特征压缩与特征选择的歪斜场景文字识别方法 | |
CN110503014B (zh) | 基于多尺度掩码感知回馈卷积神经网络的人数统计方法 | |
CN111598130A (zh) | 基于多视图卷积神经网络的中药识别方法 | |
CN114898359A (zh) | 一种基于改进EfficientDet的荔枝病虫害检测方法 | |
Mareta et al. | Herbal leaf classification using images in natural background | |
CN109934277A (zh) | 一种基于人工智能的中药材采收时间的鉴别方法 | |
Lall et al. | Improving IoT-based smart retrofit model for analog water meters using DL based algorithm | |
Thella et al. | A brief review on methods for classification of medical plant images | |
Pushpa et al. | Tomato leaf disease detection and classification using CNN |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |