CN109948676B - 一种基于人工智能的中药材饮片种植产地鉴别方法 - Google Patents
一种基于人工智能的中药材饮片种植产地鉴别方法 Download PDFInfo
- Publication number
- CN109948676B CN109948676B CN201910168798.3A CN201910168798A CN109948676B CN 109948676 B CN109948676 B CN 109948676B CN 201910168798 A CN201910168798 A CN 201910168798A CN 109948676 B CN109948676 B CN 109948676B
- Authority
- CN
- China
- Prior art keywords
- picture
- pictures
- classification
- chinese medicinal
- medicine decoction
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 18
- 239000003814 drug Substances 0.000 title claims abstract description 12
- 238000013473 artificial intelligence Methods 0.000 title claims abstract description 8
- 239000000463 material Substances 0.000 claims abstract description 43
- 238000013145 classification model Methods 0.000 claims abstract description 18
- 241000411851 herbal medicine Species 0.000 claims abstract description 16
- 238000012706 support-vector machine Methods 0.000 claims description 24
- 238000012360 testing method Methods 0.000 claims description 11
- 230000000694 effects Effects 0.000 claims description 3
- 239000011159 matrix material Substances 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 abstract description 6
- 238000013135 deep learning Methods 0.000 abstract description 6
- 239000009636 Huang Qi Substances 0.000 description 4
- 235000006533 astragalus Nutrition 0.000 description 2
- 230000007721 medicinal effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 241001061264 Astragalus Species 0.000 description 1
- 241000045403 Astragalus propinquus Species 0.000 description 1
- 241000935235 Fritillaria meleagris Species 0.000 description 1
- 241001547125 Fritillaria thunbergii Species 0.000 description 1
- 240000007164 Salvia officinalis Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 235000005412 red sage Nutrition 0.000 description 1
- 210000004233 talus Anatomy 0.000 description 1
Landscapes
- Image Analysis (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于人工智能的中药材饮片种植产地鉴别方法，包括的方法有：收集不同产地的各种不同的中药材饮片若干，并对不同产地的每种中药材饮片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种植产地信息输入SVM进行训练，训练器自动总结不同种植产地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，然后对待鉴别的中药材进行中药材种植产地的鉴别。本发明使用面广，分类精度高，分类精度达到95%以上，与专家的分类能力基本持平，适于推广应用。
Description
技术领域
本发明涉及一种鉴别方法，特别是涉及一种基于人工智能的中药材饮片种植产地鉴别方法。
背景技术
如今市场上中药材的质量参差不齐，中药材的种植产地跟其药效质量往往息息相关，不同产地种植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。现在中药材种植产地主要是基于中药材的外形进行鉴别，而不同产地中药材的外形往往非常相似，只存在细微的特征差别。
专业的中药制药厂在购买中药材原料饮片时，一般依据经验丰富的专家或者委托权威的鉴别机构进行鉴别，相关专家及鉴别机构的资源非常有限，且成本较高，普通民众或技术实力一般的制药厂则无法进行鉴别；而且专家的经验水平参差不齐，无法保证有效性及统一性。
因此，如何解决上述问题成为了本领域技术人员努力的方向。
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饮片种植产地鉴别方法，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饮片种植产地鉴别方法，包括的方法有：
1）、收集不同产地的中药材饮片若干，并对每一产地的中药材饮片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种植产地信息输入SVM进行训练，训练器自动总结同一中药材饮片不同种植产地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，即可得到其种植产地的预测值。
作为优选，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。
作为优选，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。
作为优选，将所得的每张图片的1024维数值特征保存成矩阵数组格式，并将同一产地的图片根据8：2的比例分成训练集图片和测试集图片。
作为优选，将每一产地训练集图片的1024维特征值及其该图片已知的种植产地信息输入SVM进行训练，训练器自动总结不同种植产地的中药材饮片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种植产地进行分类，并对比其已知的实际产地信息即可得到分类器的分类精度。
作为优选，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。
作为优选，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.针对不同种植产地的中药材，本发明分类精度高，分类精度达到95%以上，与专家的分类能力基本持平。
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，可以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，能满足更新升级的需求。
附图说明
图1是本发明的中药材种植产地分类器训练流程图。
图2是本发明的实际使用流程图。
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种植产地的中药材图像中的细微差别特点，进而构建中药材种植产地的分类模型，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中药材的种植产地结果。
例如，对于黄芪饮片，其种植产地包括内蒙古，甘肃和陕西；而对于丹参，其种植产地则包含四川，山东，河南，安徽；对于贝母，则主要可以分为浙贝母和川贝母。在用于鉴别不同中药材的种植产地时，均是先拍摄一些照片，然后经过深度学习卷积神经网络提取多维特征值，然后训练SVM分类器，最后输入待测试的相应中药材照片即可得到预测的种植产地信息。如图1至图2所示，其具体方法如下：
第一步，收集不同种植产地的中药材饮片样本若干，并对每一产地的中药材饮片各拍摄图像照片至少一百张。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第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，并将同一产地的图片根据8：2的比例分成训练集图片和测试集图片。
第四步，将训练集图片根据第二步所得的1024维特征及其已知的种植产地信息输入SVM（支持向量机）进行训练，训练器自动总结不同种植产地的黄芪饮片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种植产地进行分类，并对比其已知的实际产地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种植产地类别总数为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种类别种植产地中的其中一类；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。例如若将陕西所产黄芪作为正样本集，其他类型的黄芪作为负样本集，则正样本集标记为陕西黄芪，所有负样本集标记为非陕西黄芪。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，即可得到其种植产地的预测值。
本发明针对不同种植产地的中药材，本发明分类精度高，分类精度达到95%以上，与专家的分类能力基本持平。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。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 (2)
1.一种基于人工智能的中药材饮片种植产地鉴别方法，其特征在于，包括的方法有：
1）、收集不同产地的中药材饮片若干，并对每一产地的中药材饮片各拍摄图像照片至少一百张，主要拍摄药材的断面信息，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；
2）、利用基于ImageNet预训练的Mobile-Net网络框架提取每张图片的1024维特征值；
3）、将每张图片的1024维特征值及其针对该图片已知的种植产地信息输入SVM进行训练，训练器自动总结同一中药材饮片不同种植产地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；其中，将所得的每张图片的1024维数值特征保存成矩阵数组格式，并将同一产地的图片根据8：2的比例分成训练集图片和测试集图片；将每一产地训练集图片的1024维特征值及其该图片已知的种植产地信息输入SVM进行训练，训练器自动总结不同种植产地的中药材饮片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种植产地进行分类，并对比其已知的实际产地信息即可得到分类器的分类精度；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；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；
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，即可得到其种植产地的预测值。
2.根据权利要求1所述的基于人工智能的中药材饮片种植产地鉴别方法，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。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910168798.3A CN109948676B (zh) | 2019-03-06 | 2019-03-06 | 一种基于人工智能的中药材饮片种植产地鉴别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910168798.3A CN109948676B (zh) | 2019-03-06 | 2019-03-06 | 一种基于人工智能的中药材饮片种植产地鉴别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109948676A CN109948676A (zh) | 2019-06-28 |
| CN109948676B true CN109948676B (zh) | 2024-05-07 |
Family
ID=67009252
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910168798.3A Active CN109948676B (zh) | 2019-03-06 | 2019-03-06 | 一种基于人工智能的中药材饮片种植产地鉴别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109948676B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111488851A (zh) * | 2020-04-17 | 2020-08-04 | 成都曙光光纤网络有限责任公司 | 一种水果产地的溯源检测方法、装置、设备及介质 |
| CN112132129A (zh) * | 2020-09-21 | 2020-12-25 | 天津科技大学 | 一种基于外观图像的枸杞子道地性ai识别方法 |
| CN114357896B (zh) * | 2022-03-21 | 2022-06-10 | 北京微芯区块链与边缘计算研究院 | 一种基于骑手优化算法的LightGBM判断中药道地性的方法和系统 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2297403C1 (ru) * | 2005-11-28 | 2007-04-20 | Лариса Аркадьевна Молохина | Способ обнаружения взрывчатого вещества и маркер для его осуществления |
| CN101498661A (zh) * | 2008-01-30 | 2009-08-05 | 香港浸会大学 | 高精度分辨中药材品种、产地及生长方式的红外光谱特征提取方法 |
| 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 |
| CN107958257A (zh) * | 2017-10-11 | 2018-04-24 | 华南理工大学 | 一种基于深度神经网络的中药材识别方法 |
-
2019
- 2019-03-06 CN CN201910168798.3A patent/CN109948676B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| RU2297403C1 (ru) * | 2005-11-28 | 2007-04-20 | Лариса Аркадьевна Молохина | Способ обнаружения взрывчатого вещества и маркер для его осуществления |
| CN101498661A (zh) * | 2008-01-30 | 2009-08-05 | 香港浸会大学 | 高精度分辨中药材品种、产地及生长方式的红外光谱特征提取方法 |
| 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 |
| CN107958257A (zh) * | 2017-10-11 | 2018-04-24 | 华南理工大学 | 一种基于深度神经网络的中药材识别方法 |
Non-Patent Citations (1)
| Title |
|---|
| 中药材产地的近红外光谱自动鉴别和特征谱段选择;刘沭华等;《科学通报》;20050415(第04期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109948676A (zh) | 2019-06-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109948676B (zh) | 一种基于人工智能的中药材饮片种植产地鉴别方法 | |
| CN107358257B (zh) | 一种大数据场景下可增量学习的图像分类训练方法 | |
| CN108717524B (zh) | 一种基于双摄手机和人工智能系统的手势识别系统 | |
| CN107256246B (zh) | 基于卷积神经网络的印花织物图像检索方法 | |
| Laffont et al. | Transient attributes for high-level understanding and editing of outdoor scenes | |
| CN106709453B (zh) | 一种基于深度学习的体育视频关键姿态提取方法 | |
| CN106991440B (zh) | 一种基于空间金字塔的卷积神经网络的图像分类方法 | |
| CN109614996A (zh) | 基于生成对抗网络的弱可见光与红外图像融合的识别方法 | |
| CN107092926A (zh) | 基于深度学习的服务机器人物体识别算法 | |
| CN111178120B (zh) | 一种基于作物识别级联技术的害虫图像检测方法 | |
| CN105608447A (zh) | 对人体面部微笑表情深度卷积神经网络的检测方法 | |
| CN111079784B (zh) | 基于卷积神经网络的烘烤过程中烤烟烘烤阶段识别方法 | |
| CN105955708A (zh) | 一种基于深度卷积神经网络的体育视频镜头分类方法 | |
| CN107092906A (zh) | 一种基于深度学习的中药材识别装置 | |
| CN110363770A (zh) | 一种边缘引导式红外语义分割模型的训练方法及装置 | |
| CN104361357B (zh) | 基于图片内容分析的相片集分类系统及分类方法 | |
| Xiao et al. | mCLOUD: A multiview visual feature extraction mechanism for ground-based cloud image categorization | |
| CN108549910A (zh) | 一种基于卷积神经网络的玉米制种果穗图像初级分类方法 | |
| CN115049814B (zh) | 采用神经网络模型的护眼灯智能调节方法 | |
| CN111680705A (zh) | 适于目标检测的mb-ssd方法和mb-ssd特征提取网络 | |
| CN114663769B (zh) | 一种基于YOLO v5的水果识别方法 | |
| CN113449776A (zh) | 基于深度学习的中草药识别方法、装置及存储介质 | |
| CN112200262B (zh) | 支持多任务和跨任务的小样本分类训练方法及装置 | |
| CN109886303A (zh) | 一种基于粒子群优化的TrAdaboost样本迁移航空影像分类方法 | |
| CN109934277B (zh) | 一种基于人工智能的中药材采收时间的鉴别方法 |
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 |