CN112495841B - 基于神经网络的中药分拣系统 - Google Patents
基于神经网络的中药分拣系统 Download PDFInfo
- Publication number
- CN112495841B CN112495841B CN202110154669.6A CN202110154669A CN112495841B CN 112495841 B CN112495841 B CN 112495841B CN 202110154669 A CN202110154669 A CN 202110154669A CN 112495841 B CN112495841 B CN 112495841B
- Authority
- CN
- China
- Prior art keywords
- traditional chinese
- chinese medicine
- sorted
- identification model
- sorting
- 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
- 239000003814 drug Substances 0.000 title claims abstract description 157
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 25
- 229940126680 traditional chinese medicines Drugs 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims description 21
- 238000000034 method Methods 0.000 claims description 13
- 239000000126 substance Substances 0.000 claims description 8
- 238000000926 separation method Methods 0.000 claims description 4
- 125000004122 cyclic group Chemical group 0.000 claims description 2
- 238000001514 detection method Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 20
- 238000010586 diagram Methods 0.000 description 8
- 238000012360 testing method Methods 0.000 description 8
- 238000004519 manufacturing process Methods 0.000 description 7
- 239000011159 matrix material Substances 0.000 description 6
- 238000002360 preparation method Methods 0.000 description 6
- 238000005303 weighing Methods 0.000 description 5
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 3
- 241001092070 Eriobotrya Species 0.000 description 3
- 235000009008 Eriobotrya japonica Nutrition 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 229940079593 drug Drugs 0.000 description 3
- NOOLISFMXDJSKH-UTLUCORTSA-N (+)-Neomenthol Chemical compound CC(C)[C@@H]1CC[C@@H](C)C[C@@H]1O NOOLISFMXDJSKH-UTLUCORTSA-N 0.000 description 2
- NOOLISFMXDJSKH-UHFFFAOYSA-N DL-menthol Natural products CC(C)C1CCC(C)CC1O NOOLISFMXDJSKH-UHFFFAOYSA-N 0.000 description 2
- 244000274050 Platycodon grandiflorum Species 0.000 description 2
- 235000006753 Platycodon grandiflorum Nutrition 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 229940126678 chinese medicines Drugs 0.000 description 2
- 229940041616 menthol Drugs 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 241000935235 Fritillaria meleagris Species 0.000 description 1
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 238000013441 quality evaluation Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002441 reversible effect Effects 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Images
Classifications
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/34—Sorting according to other particular properties
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/16—Sorting according to weight
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B07—SEPARATING SOLIDS FROM SOLIDS; SORTING
- B07C—POSTAL SORTING; SORTING INDIVIDUAL ARTICLES, OR BULK MATERIAL FIT TO BE SORTED PIECE-MEAL, e.g. BY PICKING
- B07C5/00—Sorting according to a characteristic or feature of the articles or material being sorted, e.g. by control effected by devices which detect or measure such characteristic or feature; Sorting by manually actuated devices, e.g. switches
- B07C5/16—Sorting according to weight
- B07C5/28—Sorting according to weight using electrical control means
Abstract
本发明属于自动分拣领域，具体涉及了一种基于神经网络的中药分拣系统，旨在解决人工中药分拣的准确性不高及效率低的问题。本发明包括图像采集模块、重量采集模块、第一传送装置、第二传送装置、拣选装置、第一处理器、第二处理器，通过第一处理器获取图像采集模块、重量采集模块对第一传送装置上的待拣选中药进行数据采集，并通过中药类别识别模型进行识别分类，按照分类传送至对应的第二传送装置，然后通过第二处理器中的中药质量识别模型，基于第一处理器同样的输入数据进行质量检测，并基于设定阈值确定选取对象，通过拣选装置进行拣选。本发明在提高智能化程度的情况下，提高了分拣的效率，结构简单、可移植性高。
Description
技术领域
本发明属于自动分拣领域，具体涉及了一种基于神经网络的中药分拣系统。
背景技术
中药是人们在日常生活中常用的药品，对于中药的制备方法，已经由传统的手工制备向机器化制备方向改变。而如今中药分拣大都需要人工操作且准确度不高，无法适用于复杂的多种中药分拣的生产线。
由于中药相似度高，质地不一，因此其他工业场景中的识别算法很难直接的迁移过来，需要有针对性的网络对中药进行识别分拣，此为如何提高药物的质量，也是医药生产的一个重要问题。
发明内容
为了解决现有技术中的上述问题，即为了解决人工中药分拣的准确性不高及效率低的问题，本发明提供了一种基于神经网络的中药分拣系统，包括图像采集模块、重量采集模块、第一传送装置、第二传送装置、拣选装置、第一处理器、第二处理器；
所述图像采集模块，配置为采集待分拣中药的图像信息；
所述重量采集模块，配置为采集待分拣中药的重量信息；
所述第一处理器，配置为基于所述待分拣中药的图像信息、重量信息，通过中药类别识别模型，获取所述待分拣中药的类别信息；
所述第一传送装置，配置为传送所述待分拣中药，并依据所述类别信息将所述待分拣中药分送至对应中药类别的第二传送装置；
所述第二处理器，配置为基于所述第一处理器输出的类别信息，从中药质量识别模型库中选择对应类别的中药质量识别模型，通过该模型，利用所述待分拣中药的图像信息、重量信息，获取所述待分拣中药的质量信息，并依据设定的拣选阈值，确定拣选的待分拣中药；
所述第二传送装置为多个，分别与所述第一传送装置的输出端连接，用于传送对应中药类别的待拣选中药；
所述拣选装置，配置为基于所述第二处理器确定的拣选信息，对所述第二传送装置上传送的待拣选中药进行拣选；
其中，所述中药类别识别模型和所述中药质量识别模型分别基于神经网络构建。
在一些优选实施方式中，所述中药类别识别模型基于ResNet构建。
在一些优选实施方式中，所述中药类别识别模型中采用分离卷积代替传统卷积，其方法为：
通过逐层卷积，将原卷积核拆成
的单个卷积；其中
为卷积的尺寸，
为通道数；
继续用
个
的卷积逐点卷积。
在一些优选实施方式中，所述中药类别识别模型基于第一准确率函数构建模型训练用代价函数；所述第一准确率函数为
其中，
为第
个样本的正确分类，
为第
个样本的预测分类，
为训练的样本数
量。
在一些优选实施方式中，所述中药质量识别模型基于循环卷积网络构建。
在一些优选实施方式中，所述中药质量识别模型基于第二准确率函数构建模型训练用代价函数；所述第二准确率函数为
其中，
为第
个样本的正确评分，
为第
个样本的预测评分，
为训练的样本数
量。
在一些优选实施方式中，每个所述第二传送装置可以对应一类或多类待分拣中药。
在一些优选实施方式中，每一个所述中药质量识别模型中的拣选阈值可以为一个或多个；
当所述拣选阈值为多个时，所述中药质量识别模型输出的信息还包括确定拣选的待分拣中药的质量分级信息。
在一些优选实施方式中，所述拣选装置为机械臂。
在一些优选实施方式中，所述重量采集模块为设置于所述第一传送装置的称重器。
本发明的有益效果：
本发明解决了现有中药生产中自动化程度不够、分拣系统效率低下、质量难控制等问题，在提高智能化的情况下，提高了分拣的效率，且成本低廉、结构简单、可移植性高，可以普遍运用到各种药品的分拣中。
附图说明
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本申请的其它特征、目的和优点将会变得更明显：
图1是本发明一种实施例的基于神经网络的中药分拣系统框架示意图；
图2是本发明一种实施例的基于神经网络的中药分拣系统结构示意图；
图3是本发明一种实施例中中药类别识别模型框架示意图；
图4是本发明一种实施例中中药质量识别模型结构示意图。
具体实施方式
下面结合附图和实施例对本申请作进一步的详细说明。可以理解的是，此处所描述的具体实施例仅用于解释相关发明，而非对该发明的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与有关发明相关的部分。
需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
本发明主要思路在于：把中药的制备方法从传统的手工向智能化制备方向改变。结合深度神经网络的方法，对中药进行识别分拣和质量检测，准确度高，同时提高产品质量。
本发明的一种基于神经网络的中药分拣系统，包括图像采集模块、重量采集模块、第一传送装置、第二传送装置、拣选装置、第一处理器、第二处理器；
所述图像采集模块，配置为采集待分拣中药的图像信息；
所述重量采集模块，配置为采集待分拣中药的重量信息；
所述第一处理器，配置为基于所述待分拣中药的图像信息、重量信息，通过中药类别识别模型，获取所述待分拣中药的类别信息；
所述第一传送装置，配置为传送所述待分拣中药，并依据所述类别信息将所述待分拣中药分送至对应中药类别的第二传送装置；
所述第二处理器，配置为基于所述第一处理器输出的类别信息，从中药质量识别模型库中选择对应类别的中药质量识别模型，通过该模型，利用所述待分拣中药的图像信息、重量信息，获取所述待分拣中药的质量信息，并依据设定的拣选阈值，确定拣选的待分拣中药；
所述第二传送装置为多个，分别与所述第一传送装置的输出端连接，用于传送对应中药类别的待拣选中药；
所述拣选装置，配置为基于所述第二处理器确定的拣选信息，对所述第二传送装置上传送的待拣选中药进行拣选；
其中，所述中药类别识别模型和所述中药质量识别模型分别基于神经网络构建。
为了更清晰地对本发明基于神经网络的中药分拣系统进行说明，下面结合附图对本发明实施例中各内容展开详述。
本发明的一种基于神经网络的中药分拣系统，如图1、图2所示，包括图像采集模块、重量采集模块、第一传送装置、第二传送装置、拣选装置、第一处理器、第二处理器。
1、图像采集模块
本实施例中的图像采集模块可以为双目摄像机、单目摄像机或其他图像设备中的一种或多种。一般设置于第一传送装置上部，获取在第一传送装置上传送的待分拣中药，多个待分拣中药在第一传送装置上分离设置，以便采集到单一中药材的图像数据。
2、重量采集模块
本实施例中，重量采集模块为设置于所述第一传送装置的称重器。多个待分拣中药在第一传送装置传送方向上的距离大于设定阈值，以便于获取单一药材的重量数据。
称重器可以为称重传送带中的压力传感器。由于部分中药材单一一个个体的重量太轻，本发明还设计了一种压力推板式设备，设置于第一传送装置侧边，包括伸缩结构、压力板，伸缩结构一端装设于第一传送装置的侧边，伸缩结构的伸缩方向由于所述传送装置的传送方向垂直，压力板的板面垂直装设于所述伸缩结构的一端，压力板远离伸缩结构的板面设置有压力传感器，在待分拣中药传输到的对应的位置时，伸缩结构伸展，将压力板推送至待分拣中药一侧，并持续推动设定的距离，获取压力传感器的数据，作为待分拣中药的等效重量数据。该方式避免了传送带对中药和称重器的物理隔离造成的称重数据的误差。
3、第一处理器
第一处理器，配置为基于所述待分拣中药的图像信息、重量信息，通过中药类别识别模型，获取所述待分拣中药的类别信息。
待分拣中药的图像信息、重量信息在输入中药类别识别模型之前需要进行数据归一化处理。
本实施例以川贝枇杷膏的生产为例，对桔梗、枇杷叶、薄荷脑三类中药进行拣选。
本实施例中输入图像信息为3×1920×1080的矩阵，将质量信号扩展成第4维矩阵，并使用resize函数将数据转化成4×1000×1000的数组，统一的输入到中药类别识别模型中。
本实施例中，中药类别识别模型基于神经网络构建，具体的可以基于深度残差网
络（Deep Residual Network, ResNet）构建，如图3所示，网络的输入部分为是一个size=7
×7, stride=2的大卷积核，以及一个size=3×3, stride=2的最大池化，将图像缩小，中间
层通过堆叠4个残差块，每组残差块由两个3×3的卷积块组成，假设残差块的输入为
，则输
出
为
其中，
和
分别为中间卷积层的输出，
为激活函数
。残差块的引入
有效的解决了网络退化和梯度爆炸的问题，收敛速度更快。
网络的最后是一层全连接输出层，得到中药的分类结果。
在本发明的优选实施例中，在中药类别识别模型中使用分离卷积代替传统卷积，具体方法如下：
首先进行逐层卷积，将原卷积核拆成
的单个卷积，
为卷积的尺寸，
为通道数,然后继续逐点卷积，用
个
的卷积，此时分离的卷积输出维度与前者
相同。
在中药类别识别模型中，使用分离卷积的方法分离3×3的卷积核，计算量下降原来的9倍，大大提高计算速度，降低硬件要求，提高了分拣速度。
中药类别识别模型的网络结构如图3所示，图片先经过
的大卷积和一个pool
层，然后输入到四个由拆分的卷积组成的layer层，最后输入到全连接层输出结果。
本实施例中，中药类别识别模型在训练后用于分拣系统中的中药识别，其训练方法为：
步骤S101：获取桔梗、枇杷叶、薄荷脑三种中药的数万张图片，以及他们的重量信息数据，再通过人工分类和品质评价，将数据集（包括图像和质量两类数据）和分类及评价结果一一对应，并按7:3将他们分为训练集和测试集。
步骤S102：针对每一个训练样本，中药类别识别模型输出端为3类中药的概率分布，选择最大概率作为输出；利用训练集对中药类别识别模型进行训练，训练用的代价函数基于第一准确率函数构建，第一准确率函数为
其中，
为第
个样本的正确分类，
为第
个样本的预测分类，
为训练的样本数
量，
为
和
的精准度函数。
步骤S103：基于测试集进行测试，获取优化后的中药类别识别模型，将网络数据部署在分拣系统中。
基于训练得到的中药类别识别模型进行中药的识别，其步骤包括：
第一传送装置将待分拣中药传送到摄像机下方，摄像机获取图像信息、称重器获取重量信息，将这些数据导入中药类别识别模型，得到输出的分拣结果。
4、第一传送装置
第一传送装置，配置为传送所述待分拣中药，并依据所述类别信息将所述待分拣中药分送至对应中药类别的第二传送装置。
第一传送装置可以为称重传送装置或其他形式的传送带。
本实施例中，第一传送装置的输出端设置有机械臂，通过机械臂抓取药品至不同的第二传送装置中，当然还可以为其他分类传送装置，例如摆臂装置，或其他推送装置。
5、第二处理器
第二处理器，配置为基于所述第一处理器输出的类别信息，从中药质量识别模型库中选择对应类别的中药质量识别模型，通过该模型，利用所述待分拣中药的图像信息、重量信息，获取所述待分拣中药的质量信息，并依据设定的拣选阈值，确定拣选的待分拣中药。
本发明中第二处理器可以为一个或多个；为一个时，其对各第二传送装置上的待分拣中药通过中药质量识别模型进行选择是否拣选；若为多个时，可以每个第二传送装置配置一个，仅仅针对其对应的第二传送装置上的待分拣中药通过中药质量识别模型进行选择是否拣选。
由于每一类中药都有其特有的图像、重量之间的关联信息，中药质量识别模型针对每一类中药，都有一套单独的优化参数，通过每一类中药数据样本进行单独训练获取。
本实施例中，中药质量识别模型使用循环卷积网络（Recurrent Neural Network,RNN）构建。重量信息和图像信息对于中药有着明显的时序特征，即高质量的中药有着明显的重量和色泽区别（如颜色鲜艳的红色和重量合理一定有着高质量），单个RNN由输入层、一个隐藏层和一个输出层组成，中药质量识别模型的输出表示为
其中，
为输入，
为隐藏层参数，
是输入层到隐藏层的权重矩阵，
表示输出层
的向量，
是隐藏层到输出层的权重矩阵，
为双曲正切函数
，
为激活函
数
。
本实施例中输入图像为3×1920×1080的矩阵，将质量信号扩展成第4维矩阵，并使用resize函数将数据转化成4组1000×1000的数据（质量M、图像R、图像G、图像B），分别输入至图4所示的4个RNN神经元中。
本实施例中，中药质量识别模型在训练后用于分拣系统中的中药拣选，其训练方法为：
步骤S201：导入与S101相同的数据集，以及他们的质量信息，将数据集按7:3分为训练集和测试集。训练集和测试集按照中药类别每一个类别单独构建。
步骤S202：针对一个中药类别的训练样本，中药质量识别模型的输入端使用图像和质量两类数据，并进行标准化，输出端为该中药的质量评分。利用训练集对中药质量识别模型进行训练，训练用的代价函数基于第二准确率函数构建，第二准确率函数采用均方根误差，
其中，
为第
个样本的正确评分，
为第
个样本的预测评分，
为训练的样本数
量。
步骤S203：基于测试集进行测试，获取优化后的中药质量识别模型，将网络数据部署在分拣系统中。
在生产线中进行实际生产测试，基于中药质量识别模型的输出评分，通过设置的拣选阈值可以确定拣选的待分拣中药，对于某些药品质量要求较高，输出可以调高拣选阈值，反之可以调低。
通过和拣选阈值进行对比判断，合格的中药引入分拣箱中，进行下一步的生产加工，不合格的药品则使用机械臂引入到垃圾区，从而完成分拣工作。
每一个所述中药质量识别模型中的拣选阈值可以为一个或多个；当所述拣选阈值为多个时，所述中药质量识别模型输出的信息还包括确定拣选的待分拣中药的质量分级信息。
本实施例中第二处理器采用能完成标准化数据、搭载神经网络，以及自适应调整网络参数等操作的微处理器，根据图像信息和质量信息，考虑处理器的内存消耗问题，本实施例选择采用复杂度低的模型，网络计算开销小，便于快速部署。
6、第二传送装置
第二传送装置为多个，分别与所述第一传送装置的输出端连接，用于传送对应中药类别的待拣选中药。
每个所述第二传送装置可以对应一类或多类待分拣中药。当第二传送装置对应一类待分拣中药时，拣选装置根据第二处理器确定的拣选对象，直接将其输送至分拣箱中；第二传送装置对应多类待分拣中药时，拣选装置根据第二处理器确定的拣选对象，根据类别将确定拣选的待分拣中药输送至对应分类的分拣箱中。
7、拣选装置
拣选装置，配置为基于所述第二处理器确定的拣选信息，对所述第二传送装置上传送的待拣选中药进行拣选。
本实施例中的拣选装置，可以为机械臂，还可以为其他分类传送装置，例如摆臂装置，或其他推送装置。
附图中的流程图和框图，图示了按照本申请各种实施例的系统和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段、或代码的一部分，该模块、程序段、或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个接连地表示的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
术语“第一”、 “第二”等是用于区别类似的对象，而不是用于描述或表示特定的顺序或先后次序。
术语“包括”或者任何其它类似用语旨在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备/装置不仅包括那些要素，而且还包括没有明确列出的其它要素，或者还包括这些过程、方法、物品或者设备/装置所固有的要素。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (8)
1.一种基于神经网络的中药分拣系统，其特征在于，包括图像采集模块、重量采集模块、第一传送装置、第二传送装置、拣选装置、第一处理器、第二处理器；
所述图像采集模块，配置为采集待分拣中药的图像信息；
所述重量采集模块，配置为采集待分拣中药的重量信息；
所述第一处理器，配置为基于所述待分拣中药的图像信息、重量信息，通过中药类别识别模型，获取所述待分拣中药的类别信息；
所述第一传送装置，配置为传送所述待分拣中药，并依据所述类别信息将所述待分拣中药分送至对应中药类别的第二传送装置；
所述第二处理器，配置为基于所述第一处理器输出的类别信息，从中药质量识别模型库中选择对应类别的中药质量识别模型，通过该模型，利用所述待分拣中药的图像信息、重量信息，获取所述待分拣中药的质量信息，并依据设定的拣选阈值，确定拣选的待分拣中药；
所述第二传送装置为多个，分别与所述第一传送装置的输出端连接，用于传送对应中药类别的待拣选中药；
所述拣选装置，配置为基于所述第二处理器确定的拣选信息，对所述第二传送装置上传送的待拣选中药进行拣选；
其中，所述中药类别识别模型和所述中药质量识别模型分别基于神经网络构建；
所述中药类别识别模型基于第一准确率函数构建模型训练用的代价函数；所述第一准确率函数为
其中，
为第
个样本的正确分类，
为第
个样本的预测分类，
为训练的样本数量；
所述中药质量识别模型基于第二准确率函数构建模型训练用的代价函数；所述第二准确率函数为
其中，
为第
个样本的正确评分，
为第
个样本的预测评分，
为训练的样本数量。
2.根据权利要求1所述的基于神经网络的中药分拣系统，其特征在于，所述中药类别识别模型基于ResNet构建。
3.根据权利要求2所述的基于神经网络的中药分拣系统，其特征在于，所述中药类别识别模型中采用分离卷积代替传统卷积，其方法为：
通过逐层卷积，将原卷积核拆成
的单个卷积；其中
为卷积的尺寸，
为通道数；
继续用
个
的卷积逐点卷积。
4.根据权利要求1所述的基于神经网络的中药分拣系统，其特征在于，所述中药质量识别模型基于循环卷积网络构建。
5.根据权利要求1所述的基于神经网络的中药分拣系统，其特征在于，每个所述第二传送装置可以对应一类或多类待分拣中药。
6.根据权利要求1所述的基于神经网络的中药分拣系统，其特征在于，每一个所述中药质量识别模型中的拣选阈值可以为一个或多个；
当所述拣选阈值为多个时，所述中药质量识别模型输出的信息还包括确定拣选的待分拣中药的质量分级信息。
7.根据权利要求1所述的基于神经网络的中药分拣系统，其特征在于，所述拣选装置为机械臂。
8.根据权利要求1所述的基于神经网络的中药分拣系统，其特征在于，所述重量采集模块为设置于所述第一传送装置的称重器。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110154669.6A CN112495841B (zh) | 2021-02-04 | 2021-02-04 | 基于神经网络的中药分拣系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110154669.6A CN112495841B (zh) | 2021-02-04 | 2021-02-04 | 基于神经网络的中药分拣系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112495841A CN112495841A (zh) | 2021-03-16 |
| CN112495841B true CN112495841B (zh) | 2021-05-11 |
Family
ID=74952678
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110154669.6A Active CN112495841B (zh) | 2021-02-04 | 2021-02-04 | 基于神经网络的中药分拣系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112495841B (zh) |
Families Citing this family (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114345717A (zh) * | 2022-03-14 | 2022-04-15 | 北京物资学院 | 一种货物分拣装置 |
| CN114871120B (zh) * | 2022-05-26 | 2023-11-07 | 江苏省徐州医药高等职业学校 | 基于图像数据处理的药品确定分拣方法及装置 |
| CN116921248B (zh) * | 2023-09-15 | 2023-12-26 | 江苏盖睿健康科技有限公司 | 一种基于计算机视觉的药品核对方法及系统 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| 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 |
| CN108732172A (zh) * | 2017-06-30 | 2018-11-02 | 亳州中药材商品交易中心有限公司 | 中药材质量评定方法、设备及介质 |
| 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 |
| CN111112121A (zh) * | 2019-12-30 | 2020-05-08 | 芜湖哈特机器人产业技术研究院有限公司 | 一种中草药尺寸分级筛选装置和方法 |
| CN210730217U (zh) * | 2019-10-25 | 2020-06-12 | 南京林业大学 | 一种青梅分选装置 |
| CN112102318A (zh) * | 2019-11-21 | 2020-12-18 | 北京健康有益科技有限公司 | 一种基于多模态图像识别的中草药识别方法及装置 |
| CN212168184U (zh) * | 2020-03-04 | 2020-12-18 | 海南胜嵘生物科技有限公司 | 中药材加工挑选装置 |
| CN112295949A (zh) * | 2020-10-13 | 2021-02-02 | 广州纳诺科技股份有限公司 | 一种基于深度神经网络的视觉智能分拣方法及系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2018190394A1 (ja) * | 2017-04-14 | 2018-10-18 | 株式会社湯山製作所 | 薬剤仕分装置、仕分容器、及び薬剤返却方法 |
-
2021
- 2021-02-04 CN CN202110154669.6A patent/CN112495841B/zh active Active
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108732172A (zh) * | 2017-06-30 | 2018-11-02 | 亳州中药材商品交易中心有限公司 | 中药材质量评定方法、设备及介质 |
| 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 |
| 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 |
| CN210730217U (zh) * | 2019-10-25 | 2020-06-12 | 南京林业大学 | 一种青梅分选装置 |
| CN112102318A (zh) * | 2019-11-21 | 2020-12-18 | 北京健康有益科技有限公司 | 一种基于多模态图像识别的中草药识别方法及装置 |
| CN111112121A (zh) * | 2019-12-30 | 2020-05-08 | 芜湖哈特机器人产业技术研究院有限公司 | 一种中草药尺寸分级筛选装置和方法 |
| CN212168184U (zh) * | 2020-03-04 | 2020-12-18 | 海南胜嵘生物科技有限公司 | 中药材加工挑选装置 |
| CN112295949A (zh) * | 2020-10-13 | 2021-02-02 | 广州纳诺科技股份有限公司 | 一种基于深度神经网络的视觉智能分拣方法及系统 |
Non-Patent Citations (1)
| Title |
|---|
| 基于轻量级残差网路的垃圾图片分类方法;袁建野等;《环境工程》;20200722;摘要及第3节内容 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112495841A (zh) | 2021-03-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112495841B (zh) | 基于神经网络的中药分拣系统 | |
| McBrearty et al. | Pairwise association of seismic arrivals with convolutional neural networks | |
| Colak et al. | Automated McIntosh-based classification of sunspot groups using MDI images | |
| Howlader et al. | Automatic recognition of guava leaf diseases using deep convolution neural network | |
| CN1031811C (zh) | 基于神经网络的自动细胞试样分类系统和方法 | |
| CN107480620B (zh) | 基于异构特征融合的遥感图像自动目标识别方法 | |
| CN106611052A (zh) | 文本标签的确定方法及装置 | |
| CN109190643A (zh) | 基于卷积神经网络中药识别方法及电子设备 | |
| CN110414538A (zh) | 缺陷分类方法、缺陷分类训练方法及其装置 | |
| CN102385592B (zh) | 图像概念的检测方法和装置 | |
| US11416717B2 (en) | Classification model building apparatus and classification model building method thereof | |
| CN109583357A (zh) | 一种改进lbp和轻量卷积神经网络级联的人脸识别方法 | |
| CN105718954B (zh) | 一种基于视触觉融合的目标属性和类别的识别方法 | |
| CN112893159B (zh) | 一种基于图像识别的煤矸石分拣方法 | |
| CN108932712A (zh) | 一种转子绕组质量检测系统及方法 | |
| CN111914902A (zh) | 一种基于深度神经网络的中药识别与表面缺陷检测方法 | |
| WO2020134411A1 (zh) | 一种商品类别识别方法、装置及电子设备 | |
| CN113887410A (zh) | 一种基于深度学习的多类别食材识别系统及方法 | |
| CN108229505A (zh) | 基于fisher多级字典学习的图像分类方法 | |
| Prasetya et al. | Indonesian food items labeling for tourism information using Convolution Neural Network | |
| Gong et al. | Recent developments of seeds quality inspection and grading based on machine vision | |
| Velvizhy et al. | Automatic food recognition system for diabetic patients | |
| CN104484869B (zh) | 面向排序测度特征的图像匹配方法及系统 | |
| CN111860601A (zh) | 预测大型真菌种类的方法及装置 | |
| CN114972234B (zh) | 一种食用菌品质监测方法及系统 |
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 |