CN110287991A - 植物类生药真伪验证方法、装置、计算机设备及存储介质 - Google Patents
植物类生药真伪验证方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN110287991A CN110287991A CN201910429520.7A CN201910429520A CN110287991A CN 110287991 A CN110287991 A CN 110287991A CN 201910429520 A CN201910429520 A CN 201910429520A CN 110287991 A CN110287991 A CN 110287991A
- Authority
- CN
- China
- Prior art keywords
- feature
- layer
- crude drug
- data
- supplement
- 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
- 239000003814 drug Substances 0.000 title claims abstract description 176
- 229940079593 drug Drugs 0.000 title claims abstract description 170
- 238000000034 method Methods 0.000 title claims abstract description 97
- 238000012795 verification Methods 0.000 title claims abstract description 54
- 238000003860 storage Methods 0.000 title claims abstract description 21
- 239000013589 supplement Substances 0.000 claims abstract description 184
- 238000012545 processing Methods 0.000 claims abstract description 30
- 238000007781 pre-processing Methods 0.000 claims abstract description 16
- 238000000605 extraction Methods 0.000 claims abstract description 12
- 238000012549 training Methods 0.000 claims description 76
- 230000008569 process Effects 0.000 claims description 43
- 230000003190 augmentative effect Effects 0.000 claims description 18
- 238000002790 cross-validation Methods 0.000 claims description 16
- 230000004927 fusion Effects 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 15
- 238000004458 analytical method Methods 0.000 claims description 12
- 230000003416 augmentation Effects 0.000 claims description 10
- 238000005070 sampling Methods 0.000 claims description 9
- 238000013507 mapping Methods 0.000 claims description 6
- 238000013075 data extraction Methods 0.000 claims description 4
- 241000894007 species Species 0.000 claims description 3
- 241000196324 Embryophyta Species 0.000 claims 34
- 238000004148 unit process Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 11
- 238000004364 calculation method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 239000000047 product Substances 0.000 description 5
- 230000000694 effects Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 235000013399 edible fruits Nutrition 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000008186 active pharmaceutical agent Substances 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 229910052500 inorganic mineral Inorganic materials 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000003475 lamination Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000000155 melt Substances 0.000 description 1
- 239000011707 mineral Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000003973 paint Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- VMXUWOKSQNHOCA-UKTHLTGXSA-N ranitidine Chemical compound [O-][N+](=O)\C=C(/NC)NCCSCC1=CC=C(CN(C)C)O1 VMXUWOKSQNHOCA-UKTHLTGXSA-N 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Classifications
-
- 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
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种植物类生药的真伪验证方法、装置、计算机设备及存储介质，所述方法包括：获取待验证植物类生药的拍摄图像，并对该拍摄图像进行图像预处理，得到目标图像，再将目标图像输入到预设的Inception网络模型中进行识别，得到目标分类结果，其中，预设的Inception网络模型包括输入层、特征增补层、卷积层和全连接层，每个特征增补层对应卷积层的一个卷积单元，特征增补层用于接收卷积单元卷积处理后得到的特征数据，并将特征数据输入到全连接层，最后根据目标分类结果确定该待验证植物类生药的真伪。本发明采用改进后的Inception网络模型的特征增补层对每次卷积之后的数据特征进行处理汇总，减少特征提取时带来的特征丢失，提高植物类生药真伪验证的准确率。
Description
技术领域
本发明涉及生物识别领域，尤其涉及一种植物类生药真伪验证方法、装置、计算机设备及存储介质。
背景技术
随着科技的进步和经济的飞速发展，许多事物都被先进的现代科学技术所替代，但是，中国几千年传承下来的医药技术却依旧发挥着其巨大作用，在一些领域，中医药工业在医药产业中占有相当重要的地位。
生药识别作为中医药产业中极为重要的一环，一直以来主要依靠传统中药专家的低效率高成本方式来进行鉴别，这种鉴别方式效率较低、人力成本较高。以苍术生药为例，五种种名类型不同的苍术生药，真伪优劣的区分都有着较高的需求。但在中医药生药识别方面，尤其是植物类生药的真伪识别方面，因其纹理分布复杂和形状不规律等特性，使用现有的识别模型对其识别准确率较低，达不到理想的效果。
发明内容
本发明实施例提供一种植物类生药真伪验证方法、装置、计算机设备和存储介质，以解决现有方式中对植物类生药识别效率低和准确率低的问题。
一种植物类生药真伪验证方法，包括：
获取待验证的植物类生药的拍摄图像；
对所述拍摄图像进行图像预处理，得到所述待验证的植物类生药的目标图像；
将所述待验证的植物类生药的目标图像输入到预设的Inception网络模型中，其中，所述预设的Inception网络模型包括输入层、特征增补层、卷积层和全连接层，所述卷积层包括K个卷积单元，每个所述特征增补层对应一个所述卷积单元，K为大于1的正整数；
通过所述输入层提取待验证植物类生药的目标图像中的多通道数据，并将所述多通道数据传递给所述卷积层；
使用所述卷积层对所述多通道数据进行卷积处理和特征提取，得到第一特征数据，并将所述第一特征数据传递给所述全连接层；
使用所述特征增补层接收与所述特征增补层对应的卷积单元进行卷积处理后得到的第二特征数据，并将每个所述第二特征数据进行汇总，得到目标增补特征数据，将所述目标增补特征输入到所述全连接层；
使用所述全连接层，将接收到的所述第一特征数据、所述目标增补特征数据进行汇总，得到综合特征数据，将所述综合特征数据与预设的分类特征数据进行比较，得到所述待验证植物类生药的目标图像对应的目标分类结果；
若所述目标分类结果为预设的真实类别中的一种类别，则确定所述待验证的植物类生药为真实生药。
一种植物类生药真伪验证方法，包括：
图像获取模块，用于获取待验证的植物类生药的拍摄图像；
图像处理模块，用于对所述拍摄图像进行图像预处理，得到所述待验证的植物类生药的目标图像；
图像输入模块，用于将所述待验证的植物类生药的目标图像输入到预设的Inception网络模型中，其中，所述预设的Inception网络模型包括输入层、特征增补层、卷积层和全连接层，所述卷积层包括K个卷积单元，每个所述特征增补层对应一个所述卷积单元，K为大于1的正整数；
数据提取模块，用于通过所述输入层提取待验证植物类生药的目标图像中的多通道数据，并将所述多通道数据传递给所述卷积层；
特征提取模块，用于使用所述卷积层对所述多通道数据进行卷积处理和特征提取，得到第一特征数据，并将所述第一特征数据传递给所述全连接层；
特征增补模块，用于使用所述特征增补层接收与所述特征增补层对应的卷积单元进行卷积处理后得到的第二特征数据，并将每个所述第二特征数据进行汇总，得到目标增补特征数据，将所述目标增补特征输入到所述全连接层；
特征识别模块，用于使用所述全连接层，将接收到的所述第一特征数据、所述目标增补特征数据进行汇总，得到综合特征数据，将所述综合特征数据与预设的分类特征数据进行比较，得到所述待验证植物类生药的目标图像对应的目标分类结果；
真伪判定模块，用于若所述目标分类结果为预设的真实类别中的一种类别，则确定所述待验证的植物类生药为真实生药。
一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述植物类生药真伪验证方法的步骤。
一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述植物类生药真伪验证方法的步骤。
本发明实施例提供的植物类生药真伪验证方法、装置、计算机设备及存储介质，获取待验证植物类生药的拍摄图像，并对该拍摄图像进行图像预处理，得到待验证植物类生药的目标图像，再将待验证植物类生药的目标图像输入到预设的Inception网络模型中进行识别，得到待验证植物类生药的目标图像对应的目标分类结果，其中，预设的Inception网络模型包括输入层、特征增补层、卷积层和全连接层，卷积层包括K个卷积单元，每个特征增补层对应一个所述卷积单元，特征增补层用于接收与特征增补层对应的卷积单元进行卷积处理后得到的特征数据，并将接收到的特征数据输入到全连接层，最后判断目标分类结果是否属于预设的真实类别中的一种类别，确定该待验证植物类生药的真伪，通过采用神经网络的方式对待验证植物类生药的拍摄图像进行识别，提高了植物类生药真伪验证的效率，同时，采用改进后的Inception网络模型的特征增补层对每次卷积之后的数据特征进行处理汇总，减少每一次卷积处理之后进行特征提取时带来的特征丢失，有利于提高植物类生药真伪验证的准确率。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的植物类生药的真伪验证方法的应用环境示意图；
图2是本发明实施例提供的植物类生药的真伪验证方法的实现流程图；
图3是本发明实施例提供的植物类生药的真伪验证方法中训练得到预设的Inception网络模型的实现流程图；
图4是本发明实施例提供的植物类生药的真伪验证方法中步骤S93的实现流程图；
图5是本发明实施例提供的植物类生药的真伪验证方法中步骤S60的实现流程图；
图6是本发明实施例提供的植物类生药的真伪验证方法中步骤S62的实现流程图；
图7是本发明实施例提供的植物类生药真伪验证装置的示意图；
图8是本发明实施例提供的计算机设备的示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
请参阅图1，图1示出本发明实施例提供的植物类生药的真伪验证方法的应用环境。该植物类生药的真伪验证方法应用在植物类生药的真伪验证场景中。该真伪验证场景包括客户端和服务端，其中，客户端和服务端之间通过网络进行连接，客户端向服务端提供待验证的植物类生药的拍摄图像，服务端接收该拍摄图像并对该拍摄图像进行真伪验证，客户端具体可以但不限于是个人计算机、便携式笔记本、手机和网络文件传输功能的智能设备，服务端具体可以用独立的服务器或者多个服务器组成的服务器集群实现。
请参阅图2，图2示出本发明实施例提供的一种植物类生药的真伪验证方法，以该方法应用在图1中的服务端为例进行说明，详述如下：
S10：获取待验证的植物类生药的拍摄图像。
具体地，通过预设的获取方式，获取待验证的植物类生药的拍摄图像。
其中，生药(crude drug)指的来源于天然的、未经加工或只经简单加工的植物、动物和矿物类药材的总称，本实施例中的植物类生药是指植物类别的生药，植物类别的生药具有形状复杂多变、纹理多样性的特点，在进行识别过程中难度较大。
其中，预设的获取方式包括但不限于拍摄、绘画和扫描等，优选地，在本实施例中，为保证生药图像的质量，采用拍摄设备进行拍摄获取植物类生药的图像。
值得说明的是，植物类生药的颜色、尺寸是进行识别的判断因素，在图像处理过程中，会利用拍摄中加入的标准刻度尺和色彩对照盘，增加自动修正系统，实现图像色准、拍摄角度的标准一致化。
进一步地，植物类生药具体可以是苍术生药。
S20：对拍摄图像进行图像预处理，得到待验证的植物类生药的目标图像。
具体地，图像预处理包括但不限于锐化处理、灰度化处理、透视变换处理和二值化处理等。由于内容图像中可能包含多种颜色，而颜色本身非常容易受到光照等因素的影响，同类的物体颜色有很多变化，所以颜色本身难以提供关键信息，因此需要对内容图像进行灰度化处理，获取灰度图，以排除干扰，减少图像的复杂度和信息处理量。
其中，灰度处理是指将彩色图片转化成为灰度图片的过程，目的是为了改善画质，使图片的显示效果更加清晰。灰度处理包括但不限于：分量法、最大值法、平均值法和加权平均法等。
其中，锐化处理是指是补偿图片的轮廓，增强图片的边缘及灰度跳变的部分，使图片变得清晰，分为空域处理和频域处理两类，锐化处理是为了突出图片上地物的边缘、轮廓，或某些线性目标要素的特征。
其中，二值化处理就是将图片上的像素点的灰度值设置为0或255，也就是将整个图片呈现出明显的黑白效果的过程，图片的二值化使图片中数据量大为减少，从而能凸显出目标的轮廓。
由于内容图像可能会存在不同程度的倾斜，影响模型识别结果，因此，需对内容图像进行透视变换即将内容图像投影到一个新的视平面的过程，获取矫正后的图像。本案中，透视变换的的处理方法包括但不限于采用OpenCv中的perspectiveTransform()函数进行透视变换处理。OpenCV是一个包含大量开源API(Application Programming Interface，应用程序编程接口)的跨平台计算机视觉库，同时提供了Python、Ruby、MATLAB等语言的接口，实现了图像处理和计算机视觉方面的很多通用算法。
S30：将待验证的植物类生药的目标图像输入到预设的Inception网络模型中，其中，预设的Inception网络模型包括输入层、特征增补层、卷积层和全连接层，卷积层包括K个卷积单元，每个特征增补层对应一个卷积单元，K为大于1的正整数。
具体地，将待验证的植物类生药的目标图像输入到预设的Inception网络模型中，后续通过该预设的nception网络模型对该待验证的植物类生药的目标图像进行识别，得到识别结果，其中，预设的Inception网络模型包括输入层、特征增补层、卷积层和全连接层，卷积层包括K个卷积单元，每个特征增补层对应一个卷积单元，K为大于1的正整数。
其中，Inception网络模型又叫Googlenet模型，是Google于2014年为参加ILSVRC大赛而提出卷积神经网络的分类模型，使用由密集计算子结构组合而成的稀疏模块来用于特征提取及表达，避免传统卷积神经网络中较多参数导致的过拟合现象，也即，实现了增加特征表达能力的同时减少计算量，Inception网络有不同改进版本，其中，Inception v4网络模型较之前的三个版本的Inception网络而言，将Inception Module与ResidualConnection结合，使得训练加速收敛更快，精度更高，作为一种优选方式，本实施例采用的预设的Inception网络模型为Inception v4网络模型。
值得说明的是，考虑到植物类生药识别需要使用颜色、形状和纹理等多种特征，在本实施例中，新增特征增补层，将每层卷积处理之后的结果输入到特征增补层进行处理，并最终汇总输入到全连接层，更好的保留每层卷积单元的数据特征，有利于提高识别准确率。
S40：通过输入层提取待验证植物类生药的目标图像中的多通道数据，并将多通道数据传递给卷积层。
具体地，通过预设的Inception网络模型中的输入层，提取待验证植物类生药的目标图像中每个图像的多通道数据，并将多通道数据传递给卷积层。
其中，多通道数据是指每个通道的数据，通道个数可根据实际情况进行设置，此处不作具体限制，优选地，本发明实施例通道个数设置为3。
S50：使用卷积层对多通道数据进行卷积处理和特征提取，得到第一特征数据，并将第一特征数据传递给全连接层。
具体地，在卷积层通过对多通道数据进行卷积处理，得到多通道数据进行卷积处理后的卷积数据，再对该卷积数据进行特征提取，保留需要的重要特征，摒弃掉无关紧要的信息，从而得到可以用于全连接层进行识别的特征数据。
其中，在本发明实施例中，特征提取是通过池化层来实现，池化层紧跟在卷积层之后，用于压缩数据和参数的量，使得对行为预测无关的信息和重复的信息被去掉，同时，池化层还可以减小过拟合，有利于提高识别精度。
其中，卷积层(Convolutional layer)由若干卷积单元组成，每个卷积单元的参数都是通过反向传播算法最佳化得到的。卷积处理的目的是得到表示不同特征的卷积数据，即方便后续提取输入的不同特征，第一层卷积层可能只能提取一些低级的特征如边缘、线条和角等层级，越深层级的网路能从低级特征中迭代提取更复杂的特征。
值得说明的是，在本发明实施例中，存在预设层数的卷积单元，具体预设的数量可根据实际情况进行确定，优选地，本实施例采用三层卷积单元，每层卷积单元对应的一层特征增补层。
S60：使用特征增补层接收与特征增补层对应的卷积单元进行卷积处理后得到的第二特征数据，并将每个第二特征数据进行汇总，得到目标增补特征数据，将目标增补特征输入到全连接层。
具体地，使用特征增补层接收与特征增补层对应的卷积单元进行卷积处理后得到的第二特征数据，并将每个第二特征数据进行汇总，得到目标增补特征数据，将目标增补特征输入到全连接层，使得每个卷积处理之后的数据特征被保留到特征增补层，避免多次卷积处理之后特征的丢失，有利于提高识别的准确率。
S70：使用全连接层，将接收到的第一特征数据、目标增补特征数据进行汇总，得到综合特征数据，将综合特征数据与预设的分类特征数据进行比较，得到待验证植物类生药的目标图像对应的目标分类结果。
具体地，在全连接层中，预设有若干种分类特征数据，每种分类特征数据对应一种目标分类，使用全连接层，将接收到的第一特征数据、目标增补特征数据进行汇总，得到综合特征数据，将综合特征数据与预设的每种分类特征数据进行相似度计算，将相似度值最高的预设的分类特征数据对应的目标分类，作为待验证植物类生药的目标图像对应的目标分类结果。
需要说明的是，一种植物类生药往往包含多个品种，以创术生药为例，常用的苍术生药包括五种品种，因而，在全连接层的分类特征数据中，包含这五种品种的苍术生药对应的分类特征数据和一种虚假生药对应的分类特征数据。
S80：若目标分类结果为预设的真实类别中的一种类别，则确定待验证的植物类生药为真实生药。
具体地，判断步骤S70中得到的目标分类结果是否属于真实类别中的一种类别，若属于，则确定待验证的植物类生药为真实植物类生药，若不属于，则确定待验证的植物类生药为虚假植物类生药。
在本实施例中，获取待验证植物类生药的拍摄图像，并对该拍摄图像进行图像预处理，得到待验证植物类生药的目标图像，再将待验证植物类生药的目标图像输入到预设的Inception网络模型中进行识别，得到待验证植物类生药的目标图像对应的目标分类结果，其中，预设的Inception网络模型包括输入层、特征增补层、卷积层和全连接层，卷积层包括K个卷积单元，每个特征增补层对应一个所述卷积单元，特征增补层用于接收与特征增补层对应的卷积单元进行卷积处理后得到的特征数据，并将接收到的特征数据输入到全连接层，最后判断目标分类结果是否属于预设的真实类别中的一种类别，确定该待验证植物类生药的真伪，通过采用神经网络的方式对待验证植物类生药的拍摄图像进行识别，提高了植物类生药真伪验证的效率，同时，采用改进后的Inception网络模型的特征增补层对每次卷积之后的数据特征进行处理汇总，减少每一次卷积处理之后进行特征提取时带来的特征丢失，有利于提高植物类生药真伪验证的准确率。
在一实施例中，步骤S30之前，该植物类生药的真伪验证方法还包括获取预设的Inception网络模型的具体实现方法。
请参阅图3，图3示出了本发明实施例提供的获取预设的Inception网络模型的具体实现流程，详述如下：
S91：获取初始植物类生药样本图像。
具体地，获取初始植物类生药样本图像，在本实施例中，以苍术生药为例，获取五种不同品种的苍术生药的样本图像。
需要说明的是，采用拍摄设备进行拍摄获取苍术生药的样本图像时，对该生药样本进行编号，具体过程为：在拍摄台固定位置上放置刻度尺和色彩对照盘；每次拍摄苍术生药时将苍术样本置于取景器中央，左下角放置其苍术生药的命名编号；变换角度拍摄同一苍术生药样本，并按照命名规则记录其分枝数。
S92：对初始植物类生药样本图像进行图像预处理和图像增广，得到训练样本数据。
具体地，植物类生药具有形状构造复杂多变的特性，同时，在拍摄样本图像时，拍摄距离和拍摄光线对图像的差异性影响较大，因而，本实施例对初始植物类生药样本图像进行图像预处理和图像增广，得到样本不同形态的图像，获取到训练样本数据，提高样本多样性。
其中，图像预处理包括但不限于：锐化处理、灰度化处理、透视变换处理和二值化处理等。
其中，图像增广包括但不限于：过随机裁剪、随机旋转、缩放比例、生药位置、图像亮度和图像对比度的调整等。
S93：将训练样本数据输入到初始Inception网络中进行训练识别，得到训练识别结果，其中，训练识别结果包括分类正确和分类不正确。
具体地，将训练样本数据输入到初始Inception网络中进行训练识别，得到训练识别结果，其中，训练识别结果包括分类正确和分类不正确。
其中，初始Inception网络中的训练参数为预设数值，该数值可根据历史经验进行设置，也可以使用随机值，在后续进行训练的过程中，根据需要对训练参数进行调整，使得Inception网络模型识别准确率增高。
S94：根据训练识别结果中分类正确的数量和分类不正确的数量，确定识别准确率。
具体地，根据训练识别结果中分类正确的数量和分类不正确的数量，计算识别准确率的大小。
S95：若识别准确率低于预设阈值，则对分类不正确的训练识别结果对应的训练样本数据进行反向传播分析，得到分析结果，并根据分析结果，对初始Inception网络中的训练参数进行调整，得到更新后的Inception网络。
具体地，在识别准确率低于预设阈值时，对分类不正确的训练识别结果对应的训练样本数据进行反向传播分析，得到分析结果，并根据分析结果，对初始Inception网络中的训练参数进行调整，得到更新后的Inception网络。
其中，反向传播(BackPropagation)也被称为误差反向传播(error BackPropagation)，或者也叫作误差逆传播。反向传播在一个由输入层、一个输出层和一个或多个隐层构成的结构中，输入信号经输入层输入，通过隐层计算由输出层输出，输出值与标记值比较，若有误差，将误差反向由输出层向输入层传播，在这个过程中，利用梯度下降算法对训练参数进行调整。
S96：将训练样本数据输入到更新后的Inception网络进行识别，得到新的训练识别结果，并返回根据训练识别结果中，分类正确的数量和分类不正确的数量，确定识别准确率的步骤继续执行。
具体地，在将训练样本数据输入到更新后的Inception网络进行识别，得到新的训练识别结果后，返回步骤S94继续执行。
S97：若识别准确率不低于预设阈值，则将得到的更新后的Inception网络作为预设的Inception网络。
具体地，在识别准确率不低于预设阈值时，将得到的更新后的Inception网络作为预设的Inception网络。
在本实施例中，获取初始植物类生药样本图像，进而对初始植物类生药样本图像进行图像预处理和图像增广，得到训练样本数据，并将训练样本数据输入到初始Inception网络中进行训练识别，得到训练识别结果，其中，训练识别结果包括分类正确和分类不正确，根据训练识别结果中分类正确的数量和分类不正确的数量，确定识别准确率，在识别准确率低于预设阈值时，对分类不正确的训练识别结果对应的训练样本数据进行反向传播分析，得到分析结果，并根据分析结果，对初始Inception网络中的训练参数进行调整，得到更新后的Inception网络，再将训练样本数据输入到更新后的Inception网络进行识别，得到新的训练识别结果，并返回根据训练识别结果中，分类正确的数量和分类不正确的数量，确定识别准确率的步骤继续执行，若识别准确率不低于预设阈值，则将得到的更新后的Inception网络作为预设的Inception网络。实现通过初始植物类生药样本图像进行增广训练，得到预设的Inception网络，以便后续使用该预设的Inception网络对植物类生药进行识别验证。
在图3对应的实施例的基础之上，下面通过一个具体的实施例来对步骤S93中所提及的将训练样本数据输入到初始Inception网络中进行训练识别，得到训练识别结果的具体实现方法进行详细说明。
请参阅图4，图4示出了本发明实施例提供的步骤S93的具体实现流程，详述如下：
S931：将训练样本数据输入到初始Inception网络中，通过初始Inception网络进行卷积处理，得到训练样本数据对应的数据特征，并根据数据特征进行植物类生药识别分类，得到分类结果。
具体地，将训练样本数据输入到初始Inception网络中，通过初始Inception网络进行卷积处理，得到训练样本数据对应的数据特征，并根据数据特征进行植物类生药识别分类，得到分类结果。
S932：采用交叉验证法，对分类结果进行识别验证，得到训练识别结果。
具体地，通过交叉验证法，对分类结果进行识别验证，得到训练识别结果。
其中，交叉验证(Cross-validation)法主要用于建模应用中，例如PCR、PLS回归建模中。在给定的建模样本中，拿出大部分样本进行建模型，留小部分样本用刚建立的模型进行预报，并求这小部分样本的预报误差，记录它们的平方加和，进而根据平方和来判定分类结果是否正确。
交叉验证发包括但不限于：Holdout验证、K折交叉验证和留一验证等，优选地，在本实施例中采用K折交叉验证的方式进行交叉验证。
在本实施例中，具体采用五折交叉验证的方式来对分类结果进行识别验证，即将训练样本数据5份子样本，1份单独的子样本被保留作为验证模型的数据，其他4份子样本用来训练，交叉验证重复5次，每个子样本验证一次，平均5次的结果或者使用其它结合方式，最终得到一个单一估测。这个方法的优势在于，同时重复运用随机产生的子样本进行训练和验证，每次的结果验证一次。
在本实施例中，将训练样本数据输入到初始Inception网络中，通过初始Inception网络进行卷积处理，得到训练样本数据对应的数据特征，并根据数据特征进行植物类生药识别分类，得到分类结果，通过采用Inception网络进行识别，提高了识别速度，进而采用交叉验证法，对分类结果进行识别验证，得到训练识别结果，提高了训练识别结果的正确率。
在图2对应的实施例的基础之上，下面通过一个具体的实施例来对步骤S60中所提及的使用特征增补层接收与特征增补层对应的卷积单元进行卷积处理后得到的第二特征数据，并将每个第二特征数据进行汇总，得到目标增补特征数据的具体实现方法进行详细说明。
请参阅图5，图5示出了本发明实施例提供的步骤S60的具体实现流程，详述如下：
S61：使用卷积层中的每个卷积单元对输入到该卷积单元的数据进行卷积处理，得到每个卷积单元对应的第二特征数据，并将第二特征数据传递给与卷积单元对应的特征增补层。
具体地，使用卷积层中的每个卷积单元对输入到该卷积单元的数据进行卷积处理，得到每个卷积单元对应的第二特征数据，并将第二特征数据传递给与卷积单元对应的特征增补层。
S62：使用特征增补层，对接收到的第二特征数据进行上采样和映射处理，得到增补特征数据，并将每个特征增补层对应的增补特征数据进行汇总，得到目标增补特征数据。
具体地，使用特征增补层，对接收到的第二特征数据进行上采样和映射处理，得到增补特征数据，并将每个特征增补层对应的增补特征数据进行汇总，得到目标增补特征数据。
其中，上采样(Upsampling)也称增取样(Upsampling)或内插(Interpolating)，是对信数字信号按照一定权重进行重采，并且重采的采样率大于原来获得该数字信号的采样率。其中，映射处理在本实施例中是指通过Sigmoid函数，将上采样之后的特征数据映射到(0，1)之间，有效抑制两头，对中间细微变化敏感，使得卷积神经网络对特征识别度更高。
在本实施例中，使用卷积层中的每个卷积单元对输入到该卷积单元的数据进行卷积处理，得到每个卷积单元对应的第二特征数据，并将第二特征数据传递给与卷积单元对应的特征增补层，进而使用特征增补层，对接收到的第二特征数据进行上采样和映射处理，得到增补特征数据，并将每个特征增补层对应的增补特征数据进行汇总，得到目标增补特征数据，实现将每次卷积处理之后的特征数据进行保留汇总，减少每次卷积处理之后数据特征的丢失，有利于提升识别的准确率。
在图5对应的实施例的基础之上，下面通过一个具体的实施例来对步骤S62中所提及的使用特征增补层接收与特征增补层对应的卷积单元进行卷积处理后得到的第二特征数据，并将每个第二特征数据进行汇总，得到目标增补特征数据的具体实现方法进行详细说明。
请参阅图6，图6示出了本发明实施例提供的步骤S62的具体实现流程，详述如下：
S621：按照卷积单元与特征增补层的对应关系，建立特征增补层的前后次序。
具体地，在预设的Inception网络中，卷积单元具有固定的次序，按照卷积单元与特征增补层的对应关系，建立特征增补层的前后次序。
S622：将第1个特征增补层的增补特征数据输入到第2个特征增补层。
具体地，按照前后次序，将第一个，也即，最前面的一个特征增补层的增补特征数据输入到第二个特征增补层。
S623：针对第2个至第K-1个特征增补层，接收前一个特征增补层输入的增补特征数据，并将前一个特征增补层输入的增补特征数据与特征增补层对应的增补特征数据进行数据融合，将数据融合后的特征数据作为特征增补层的增补特征数据并输入到后一个特征增补层。
具体地，针对第2个至第K-1个特征增补层，接收前一个特征增补层输入的增补特征数据，并将前一个特征增补层输入的增补特征数据与特征增补层对应的增补特征数据进行数据融合，将数据融合后的特征数据作为特征增补层的增补特征数据并输入到后一个特征增补层。
其中，数据融合可以是进行数据分类存储，也可以是归一化后进行分类存储，具体可根据实际情况进行设置，此处不做限定。
S624：第K个特征增补层接收第K-1个特征增补层输入的增补特征数据，并将第K-1个特征增补层输入的增补特征数据与第K个特征增补层对应的增补特征数据进行数据融合，得到目标增补特征数据。
具体地，第K个特征增补层，也即，最后一个特征增补层接收第K-1个特征增补层输入的增补特征数据，并将第K-1个特征增补层输入的增补特征数据与第K个特征增补层对应的增补特征数据进行数据融合，得到目标增补特征数据。
在本实施例中，按照卷积单元与特征增补层的对应关系，建立特征增补层的前后次序，将第1个特征增补层的增补特征数据输入到第2个特征增补层，针对第2个至第K-1个特征增补层，接收前一个特征增补层输入的增补特征数据，并将前一个特征增补层输入的增补特征数据与特征增补层对应的增补特征数据进行数据融合，将数据融合后的特征数据作为特征增补层的增补特征数据并输入到后一个特征增补层，第K个特征增补层接收第K-1个特征增补层输入的增补特征数据，并将第K-1个特征增补层输入的增补特征数据与第K个特征增补层对应的增补特征数据进行数据融合，得到目标增补特征数据，实现各个特征增补层的增补特征数据的汇总融合。
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
图7示出与上述实施例植物类生药的真伪验证方法一一对应的植物类生药真伪验证装置的原理框图。如图7所示，该植物类生药真伪验证装置包括图像获取模块10、图像处理模块20、图像输入模块30、数据提取模块40、特征提取模块50、特征增补模块60、特征识别模块70和真伪判断模块80。各功能模块详细说明如下：
图像获取模块10，用于获取待验证的植物类生药的拍摄图像；
图像处理模块20，用于对拍摄图像进行图像预处理，得到待验证的植物类生药的目标图像；
图像输入模块30，用于将待验证的植物类生药的目标图像输入到预设的Inception网络模型中，其中，预设的Inception网络模型包括输入层、特征增补层、卷积层和全连接层，卷积层包括K个卷积单元，每个特征增补层对应一个卷积单元，K为大于1的正整数；
数据提取模块40，用于通过输入层提取待验证植物类生药的目标图像中的多通道数据，并将多通道数据传递给卷积层；
特征提取模块50，用于使用卷积层对多通道数据进行卷积处理和特征提取，得到第一特征数据，并将第一特征数据传递给全连接层；
特征增补模块60，用于使用特征增补层接收与特征增补层对应的卷积单元进行卷积处理后得到的第二特征数据，并将每个第二特征数据进行汇总，得到目标增补特征数据，将目标增补特征输入到全连接层；
特征识别模块70，用于使用全连接层，将接收到的第一特征数据、目标增补特征数据进行汇总，得到综合特征数据，将综合特征数据与预设的分类特征数据进行比较，得到待验证植物类生药的目标图像对应的目标分类结果；
真伪判定模块80，用于若目标分类结果为预设的真实类别中的一种类别，则确定待验证的植物类生药为真实生药。
进一步地，该植物类生药真伪验证装置还包括：
样本获取模块91，用于获取初始植物类生药样本图像；
样本增广模块92，用于对初始植物类生药样本图像进行图像预处理和图像增广，得到训练样本数据；
训练识别模块93，用于将训练样本数据输入到初始Inception网络中进行训练识别，得到训练识别结果，其中，训练识别结果包括分类正确和分类不正确；
准确率计算模块94，用于根据训练识别结果中分类正确的数量和分类不正确的数量，确定识别准确率；
参数更新模块95，用于若识别准确率低于预设阈值，则对分类不正确的训练识别结果对应的训练样本数据进行反向传播分析，得到分析结果，并根据分析结果，对初始Inception网络中的训练参数进行调整，得到更新后的Inception网络；
循环迭代模块96，用于将训练样本数据输入到更新后的Inception网络进行识别，得到新的训练识别结果，并返回根据训练识别结果中，分类正确的数量和分类不正确的数量，确定识别准确率的步骤继续执行；
模型确定模块97，用于若识别准确率不低于预设阈值，则将得到的更新后的Inception网络作为预设的Inception网络。
进一步地，训练识别模块93包括：
分类识别单元931，用于将训练样本数据输入到初始Inception网络中，通过初始Inception网络进行卷积处理，得到训练样本数据对应的数据特征，并根据数据特征进行植物类生药识别分类，得到分类结果；
交叉验证单元932，用于采用交叉验证法，对分类结果进行识别验证，得到训练识别结果。
进一步地，特征增补模块60包括：
数据接收单元61，用于使用卷积层中的每个卷积单元对输入到该卷积单元的数据进行卷积处理，得到每个卷积单元对应的第二特征数据，并将第二特征数据传递给与卷积单元对应的特征增补层；
数据处理单元62，用于使用特征增补层，对接收到的第二特征数据进行上采样和映射处理，得到增补特征数据，并将每个特征增补层对应的增补特征数据进行汇总，得到目标增补特征数据。
进一步地，数据处理单元62包括：
次序建立子单元621，用于按照卷积单元与特征增补层的对应关系，建立特征增补层的前后次序；
数据传递子单元622，用于将第1个特征增补层的增补特征数据输入到第2个特征增补层；
第一汇总子单元623，用于针对第2个至第K-1个特征增补层，接收前一个特征增补层输入的增补特征数据，并将前一个特征增补层输入的增补特征数据与特征增补层对应的增补特征数据进行数据融合，将数据融合后的特征数据作为特征增补层的增补特征数据并输入到后一个特征增补层；
第二汇总子单元624，用于第K个特征增补层接收第K-1个特征增补层输入的增补特征数据，并将第K-1个特征增补层输入的增补特征数据与第K个特征增补层对应的增补特征数据进行数据融合，得到目标增补特征数据。
关于植物类生药真伪验证装置的具体限定可以参见上文中对于植物类生药的真伪验证方法的限定，在此不再赘述。上述植物类生药真伪验证装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
图8是本发明一实施例提供的计算机设备的示意图。该计算机设备可以是服务端，其内部结构图可以如图8所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储预设的Inception网络模型。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种植物类生药的真伪验证方法。
在一个实施例中，提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例植物类生药的真伪验证方法的步骤，例如图2所示的步骤S10至步骤S80。或者，处理器执行计算机程序时实现上述实施例植物类生药真伪验证装置的各模块/单元的功能，例如图7所示的模块10至模块80的功能。为避免重复，这里不再赘述。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
在一实施例中，提供一计算机可读存储介质，该计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现上述实施例植物类生药的真伪验证方法的步骤，或者，该计算机程序被处理器执行时实现上述实施例植物类生药真伪验证装置中各模块/单元的功能。为避免重复，这里不再赘述。
可以理解地，所述计算机可读存储介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(Read-Only Memory，ROM)、随机存取存储器(Random Access Memory，RAM)、电载波信号和电信信号等。
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。
Claims (10)
1.一种植物类生药真伪验证方法，其特征在于，所述植物类生药真伪验证方法包括：
获取待验证的植物类生药的拍摄图像；
对所述拍摄图像进行图像预处理，得到所述待验证的植物类生药的目标图像；
将所述待验证的植物类生药的目标图像输入到预设的Inception网络模型中，其中，所述预设的Inception网络模型包括输入层、特征增补层、卷积层和全连接层，所述卷积层包括K个卷积单元，每个所述特征增补层对应一个所述卷积单元，K为大于1的正整数；
通过所述输入层提取待验证植物类生药的目标图像中的多通道数据，并将所述多通道数据传递给所述卷积层；
使用所述卷积层对所述多通道数据进行卷积处理和特征提取，得到第一特征数据，并将所述第一特征数据传递给所述全连接层；
使用所述特征增补层接收与所述特征增补层对应的卷积单元进行卷积处理后得到的第二特征数据，并将每个所述第二特征数据进行汇总，得到目标增补特征数据，将所述目标增补特征输入到所述全连接层；
使用所述全连接层，将接收到的所述第一特征数据、所述目标增补特征数据进行汇总，得到综合特征数据，将所述综合特征数据与预设的分类特征数据进行比较，得到所述待验证植物类生药的目标图像对应的目标分类结果；
若所述目标分类结果为预设的真实类别中的一种类别，则确定所述待验证的植物类生药为真实生药。
2.如权利要求1所述的植物类生药真伪验证方法，其特征在于，在所述将所述待验证植物类生药的目标图像输入到预设的Inception网络模型中进行识别，得到所述待验证植物类生药的目标图像对应的目标分类结果之前，所述植物类生药真伪验证方法还包括：
获取初始植物类生药样本图像；
对所述初始植物类生药样本图像进行图像预处理和图像增广，得到训练样本数据；
将所述训练样本数据输入到初始Inception网络中进行训练识别，得到训练识别结果，其中，所述训练识别结果包括分类正确和分类不正确；
根据所述训练识别结果中所述分类正确的数量和所述分类不正确的数量，确定识别准确率；
若所述识别准确率低于预设阈值，则对所述分类不正确的训练识别结果对应的训练样本数据进行反向传播分析，得到分析结果，并根据所述分析结果，对所述初始Inception网络中的训练参数进行调整，得到更新后的Inception网络；
将所述训练样本数据输入到所述更新后的Inception网络进行识别，得到新的所述训练识别结果，并返回所述根据所述训练识别结果中，所述分类正确的数量和所述分类不正确的数量，确定识别准确率的步骤继续执行；
若所述识别准确率不低于所述预设阈值，则将得到的所述更新后的Inception网络作为所述预设的Inception网络。
3.如权利要求2所述的植物类生药真伪验证方法，其特征在于，所述将所述训练样本数据输入到初始Inception网络中进行训练识别，得到训练识别结果包括：
将所述训练样本数据输入到所述初始Inception网络中，通过所述初始Inception网络进行卷积处理，得到所述训练样本数据对应的数据特征，并根据所述数据特征进行植物类生药识别分类，得到分类结果；
采用交叉验证法，对所述分类结果进行识别验证，得到所述训练识别结果。
4.如权利要求1所述的植物类生药真伪验证方法，其特征在于，所述使用所述特征增补层接收与所述特征增补层对应的卷积单元进行卷积处理后得到的第二特征数据，并将每个所述第二特征数据进行汇总，得到目标增补特征数据包括：
使用所述卷积层中的每个所述卷积单元对输入到该卷积单元的数据进行卷积处理，得到每个所述卷积单元对应的第二特征数据，并将所述第二特征数据传递给与所述卷积单元对应的特征增补层；
使用所述特征增补层，对接收到的所述第二特征数据进行上采样和映射处理，得到增补特征数据，并将每个所述特征增补层对应的所述增补特征数据进行汇总，得到目标增补特征数据。
5.如权利要求4所述的植物类生药真伪验证方法，其特征在于，所述将每个所述特征增补层对应的所述增补特征数据进行汇总，得到目标增补特征数据包括：
按照所述卷积单元与所述特征增补层的对应关系，建立所述特征增补层的前后次序；
将第1个所述特征增补层的所述增补特征数据输入到第2个所述特征增补层；
针对第2个至第K-1个所述特征增补层，接收前一个所述特征增补层输入的增补特征数据，并将前一个所述特征增补层输入的增补特征数据与所述特征增补层对应的所述增补特征数据进行数据融合，将数据融合后的特征数据作为所述特征增补层的增补特征数据并输入到后一个所述特征增补层；
第K个所述特征增补层接收第K-1个所述特征增补层输入的增补特征数据，并将第K-1个所述特征增补层输入的增补特征数据与所述第K个所述特征增补层对应的增补特征数据进行数据融合，得到所述目标增补特征数据。
6.一种植物类生药真伪验证装置，其特征在于，所述植物类生药真伪验证装置包括：
图像获取模块，用于获取待验证的植物类生药的拍摄图像；
图像处理模块，用于对所述拍摄图像进行图像预处理，得到所述待验证的植物类生药的目标图像；
图像输入模块，用于将所述待验证的植物类生药的目标图像输入到预设的Inception网络模型中，其中，所述预设的Inception网络模型包括输入层、特征增补层、卷积层和全连接层，所述卷积层包括K个卷积单元，每个所述特征增补层对应一个所述卷积单元，K为大于1的正整数；
数据提取模块，用于通过所述输入层提取待验证植物类生药的目标图像中的多通道数据，并将所述多通道数据传递给所述卷积层；
特征提取模块，用于使用所述卷积层对所述多通道数据进行卷积处理和特征提取，得到第一特征数据，并将所述第一特征数据传递给所述全连接层；
特征增补模块，用于使用所述特征增补层接收与所述特征增补层对应的卷积单元进行卷积处理后得到的第二特征数据，并将每个所述第二特征数据进行汇总，得到目标增补特征数据，将所述目标增补特征输入到所述全连接层；
特征识别模块，用于使用所述全连接层，将接收到的所述第一特征数据、所述目标增补特征数据进行汇总，得到综合特征数据，将所述综合特征数据与预设的分类特征数据进行比较，得到所述待验证植物类生药的目标图像对应的目标分类结果；
真伪判定模块，用于若所述目标分类结果为预设的真实类别中的一种类别，则确定所述待验证的植物类生药为真实生药。
7.如权利要求6所述的植物类生药真伪验证装置，其特征在于，所述植物类生药真伪验证装置还包括：
样本获取模块，用于获取初始植物类生药样本图像；
样本增广模块，用于对所述初始植物类生药样本图像进行图像预处理和图像增广，得到训练样本数据；
训练识别模块，用于将所述训练样本数据输入到初始Inception网络中进行训练识别，得到训练识别结果，其中，所述训练识别结果包括分类正确和分类不正确；
准确率计算模块，用于根据所述训练识别结果中所述分类正确的数量和所述分类不正确的数量，确定识别准确率；
参数更新模块，用于若所述识别准确率低于预设阈值，则对所述分类不正确的训练识别结果对应的训练样本数据进行反向传播分析，得到分析结果，并根据所述分析结果，对所述初始Inception网络中的训练参数进行调整，得到更新后的Inception网络；
循环迭代模块，用于将所述训练样本数据输入到所述更新后的Inception网络进行识别，得到新的所述训练识别结果，并返回所述根据所述训练识别结果中，所述分类正确的数量和所述分类不正确的数量，确定识别准确率的步骤继续执行；
模型确定模块，用于若所述识别准确率不低于所述预设阈值，则将得到的所述更新后的Inception网络作为所述预设的Inception网络。
8.如权利要求7所述的植物类生药真伪验证装置，其特征在于，所述训练识别模块包括：
分类识别单元，用于将所述训练样本数据输入到所述初始Inception网络中，通过所述初始Inception网络进行卷积处理，得到所述训练样本数据对应的数据特征，并根据所述数据特征进行植物类生药识别分类，得到分类结果；
交叉验证单元，用于采用交叉验证法，对所述分类结果进行识别验证，得到所述训练识别结果。
9.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至5任一项所述的植物类生药的真伪验证方法。
10.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至5任一项所述的植物类生药的真伪验证方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910429520.7A CN110287991B (zh) | 2019-05-22 | 2019-05-22 | 植物类生药真伪验证方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910429520.7A CN110287991B (zh) | 2019-05-22 | 2019-05-22 | 植物类生药真伪验证方法、装置、计算机设备及存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110287991A true CN110287991A (zh) | 2019-09-27 |
| CN110287991B CN110287991B (zh) | 2023-12-19 |
Family
ID=68002277
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910429520.7A Active CN110287991B (zh) | 2019-05-22 | 2019-05-22 | 植物类生药真伪验证方法、装置、计算机设备及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110287991B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113808055A (zh) * | 2021-08-17 | 2021-12-17 | 中南民族大学 | 基于混合膨胀卷积的植物识别方法、装置及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106960210A (zh) * | 2017-03-23 | 2017-07-18 | 上海视可电子科技有限公司 | 目标检测的方法和装置 |
| CN107145898A (zh) * | 2017-04-14 | 2017-09-08 | 北京航星机器制造有限公司 | 一种基于神经网络的射线图像分类方法 |
| CN108491765A (zh) * | 2018-03-05 | 2018-09-04 | 中国农业大学 | 一种蔬菜图像的分类识别方法及系统 |
| WO2018166114A1 (zh) * | 2017-03-13 | 2018-09-20 | 平安科技（深圳）有限公司 | 图片识别的方法、系统、电子装置及介质 |
| CN109886287A (zh) * | 2019-01-04 | 2019-06-14 | 平安科技（深圳）有限公司 | 杀虫剂确定方法、装置、计算机设备及存储介质 |
-
2019
- 2019-05-22 CN CN201910429520.7A patent/CN110287991B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018166114A1 (zh) * | 2017-03-13 | 2018-09-20 | 平安科技（深圳）有限公司 | 图片识别的方法、系统、电子装置及介质 |
| CN106960210A (zh) * | 2017-03-23 | 2017-07-18 | 上海视可电子科技有限公司 | 目标检测的方法和装置 |
| CN107145898A (zh) * | 2017-04-14 | 2017-09-08 | 北京航星机器制造有限公司 | 一种基于神经网络的射线图像分类方法 |
| CN108491765A (zh) * | 2018-03-05 | 2018-09-04 | 中国农业大学 | 一种蔬菜图像的分类识别方法及系统 |
| CN109886287A (zh) * | 2019-01-04 | 2019-06-14 | 平安科技（深圳）有限公司 | 杀虫剂确定方法、装置、计算机设备及存储介质 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113808055A (zh) * | 2021-08-17 | 2021-12-17 | 中南民族大学 | 基于混合膨胀卷积的植物识别方法、装置及存储介质 |
| CN113808055B (zh) * | 2021-08-17 | 2023-11-24 | 中南民族大学 | 基于混合膨胀卷积的植物识别方法、装置及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110287991B (zh) | 2023-12-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110443143B (zh) | 多分支卷积神经网络融合的遥感图像场景分类方法 | |
| CN110414377B (zh) | 一种基于尺度注意力网络的遥感图像场景分类方法 | |
| CN107506761B (zh) | 基于显著性学习卷积神经网络的脑部图像分割方法及系统 | |
| CN110176027A (zh) | 视频目标跟踪方法、装置、设备及存储介质 | |
| CN109299716A (zh) | 神经网络的训练方法、图像分割方法、装置、设备及介质 | |
| CN112052886A (zh) | 基于卷积神经网络的人体动作姿态智能估计方法及装置 | |
| CN108108751B (zh) | 一种基于卷积多特征和深度随机森林的场景识别方法 | |
| CN110136154A (zh) | 基于全卷积网络与形态学处理的遥感图像语义分割方法 | |
| CN112949647B (zh) | 三维场景描述方法、装置、电子设备和存储介质 | |
| CN110287873A (zh) | 基于深度神经网络的非合作目标位姿测量方法、系统及终端设备 | |
| CN114998220B (zh) | 一种基于改进的Tiny-YOLO v4自然环境下舌像检测定位方法 | |
| CN112330684B (zh) | 对象分割方法、装置、计算机设备及存储介质 | |
| CN113743417B (zh) | 语义分割方法和语义分割装置 | |
| CN114758288A (zh) | 一种配电网工程安全管控检测方法及装置 | |
| CN112529146B (zh) | 神经网络模型训练的方法和装置 | |
| 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 | |
| CN113205017A (zh) | 跨年龄人脸识别方法及设备 | |
| WO2022152009A1 (zh) | 目标检测方法、装置、设备以及存储介质 | |
| CN108932455B (zh) | 遥感图像场景识别方法及装置 | |
| CN109446894A (zh) | 基于概率分割及高斯混合聚类的多光谱图像变化检测方法 | |
| CN112836625A (zh) | 人脸活体检测方法、装置、电子设备 | |
| CN111507184B (zh) | 基于并联空洞卷积和身体结构约束的人体姿态检测方法 | |
| CN111814881A (zh) | 一种基于深度学习的海洋鱼类图像识别方法 | |
| CN112560710A (zh) | 一种用于构建指静脉识别系统的方法及指静脉识别系统 | |
| CN114037056A (zh) | 一种生成神经网络的方法、装置、计算机设备和存储介质 |
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 |