CN114299492A - 基于yolox模型的中成药药材成分的检测方法及装置 - Google Patents

Abstract

本发明公开了一种基于YOLOX模型的中成药药材成分的检测方法及装置，包括以下步骤：(1)采集中成药粉末的显微图像进行标注、预处理，构建成训练集；(2)以YOLOX‑S网络模型为基础构建目标检测模型；所述的目标检测模型包括输入层、特征提取网络、多尺度特征融合网络、解耦输出网络、输出层；(3)采用所述的训练集对目标检测模型进行训练；(4)采集待测中成药粉末的显微图像并输入至训练好的目标检测模型中，即可获得显微图像中存在的药材成分的类别信息及各药材成分在显微图像中对应的位置信息。本发明的检测方法极大的降低复方中成药的检测难度、保证检测精度、提高检测速率度和降低误检率。

Description

基于YOLOX模型的中成药药材成分的检测方法及装置

技术领域

本发明涉及目标检测技术领域，尤其涉及一种基于YOLOX模型的中成药药材成分的检测方法及装置。

背景技术

我国中药市场行业发展迅猛，但药材质量不合格，药品成分掺伪等乱象层出不穷，严重影响药材处方、制剂的质量、疗效以及用药安全，同时也严重损害了药材种植户以及中成药生产企业的利益。因此中成药药材成分鉴定在稳定和推动中成药市场发展中起到关键性的作用。

常见的中成药药材成分鉴定方法有薄层色谱法(TLC)，聚合酶链式反应(PCR)和中药粉末显微鉴别法等。

薄层色谱法(TLC)是一种吸附薄层色谱分离法，其主要原理是利用吸附力与分配系数的不同，使混合物得以分离。当溶剂沿着吸附剂移动时，带着样品中的各组分一起移动，同时发生连续吸附与解吸作用以及反复分配作用。由于各组分在溶剂中的溶解度不同，以及吸附剂对它们的吸附能力的差异，将混合物分离成一系列斑点。最终根据比移值(Rf值)与作为标准的对照物按同法所得色谱图的Rf值作对比，用以进行药品成分的鉴别或含量测定。TLC法具有操作简便、分析成本低、可同时测定多个样品等特点，因此，该法在药材成分检查中应用十分普遍。TLC在中药材与中成药上的应用，主要是药材品种的鉴别、含量的测定、成分研究、采收期与炮制方法等对成分与含量的影响，以及成药中药味的鉴别与含量的测定等。此方法可以直接在薄层板上进行中药成分的定量分析，其扫描图谱也可作为中药材的质量评价和鉴别依据。由于中成药相对复杂，不单单只包含一味药材制剂，多数为复方制剂，所以在薄层扫描法中，依据色谱峰的归属对中成药中各味药材的鉴别一般是通过阴、阳双对照法进行的。TLC法虽然有操作简便、分析成本低、可同时测定多个样品等优点，但是也存在着诸多不足，主要表现在结果重复性和稳定性较差，鉴别速度慢，展开剂毒性大等方面。1.结果重复性和稳定性较差：TLC所得的结果重复性和稳定性较差，导致的这一结果的因素很多。首先，薄层色谱结果质量的好坏很大程度上取决于操作人员的经验和技术。在薄层色谱板的选用、点样、展开、显色、检视与记录，每一个环节稍有不当，均会影响实验结果。其次，环境中的温度、相对湿度等也不可避免地会对固定相和展开剂产生不同程度的影响，从而造成结果偏差。2.鉴别速度慢：虽然完成一次TLC检测展开大概需要几分钟，但绝大多数TLC检测的制备方法都是非常复杂，且时间较长，远远高于对应含量测定的制备方法。此外，TLC还需要薄层板活化、预饱和、干燥等工作，均需要大量的时间。3.展开剂毒性大：TLC中几乎都使有毒性展开剂，包括具有强毒性、致癌性的苯或甲苯，高毒性的环己烷、正己烷、石油醚等有机溶剂。

聚合酶链式反应(PCR)是通过控制反应温度，使核酸片段在体外不断重复变性、退火和延伸这3个步骤，从而实现在短时间内快速扩增特定DNA片段的一项技术。由于DNA作为物种的遗传物质具有结构相对稳定，能够自我复制等优良特性，将其作为目标检测物，无论是定性分析还是定量分析，都可获得良好的检测结果，所以PCR技术被逐渐应用于药品的原料质控和杂质分析领域。采用PCR技术对样品的DNA进行鉴定，可以从药材成分的根本性遗传物质来判定种源，能够高效快速的鉴别药材的真伪。PCR通过对DNA序列的扩增，能够高效快速稳定地鉴别药材的真伪，为中药材的鉴别提供了有力的手段，但是该技术也有缺点。由于该技术是对生物的分子特性进行鉴定，所以无法对中药的质量进行直观评价。虽然在一定程度上能够发现药材掺伪的情况，但是由于PCR都是取样本进行测定，检测的结果范围较小，无法对成批的药材进行鉴定。

中药粉末显微鉴别法是利用光学系统或电子光学系统设备，观察肉眼所不能分辨的微小物体形态结构及其特征的技术，即利用显微镜对药材及成方制剂组成药材的组织、细胞或细胞内含物等特征进行鉴别，以此来鉴别制剂的处方组成以及药材真伪，具有简便、快速、准确的优点，是中药检验不可缺少的手段。它是一项专门的技术，需要以植(动)物解剖学、矿物晶体光学、植物显微化学等知识作为基础，以生物显微制片技术、显微镜及其图像描绘或摄影技术作为支撑。通常适用于性状或理化鉴别不易识别的药材，例如多来源药材、破碎或粉末药材、以及粉末药材制成的成方制剂的鉴定。较TLC、PCR等生化方法，中药粉末显微鉴别法具有实时、简便、精准的优势：TLC与PCR一般需要多种试剂和层析柱、PCR仪等高端的仪器设备，需要特殊的检测环境，反应时间长达数小时，而中药粉末显微鉴别法一般只需要1-2种常见试剂和一台普通的光学显微镜，从磨粉、制片到完成镜检仅需数十分钟甚至几分钟；在对产地有一定要求的中药材鉴定上，生化方法存在一定的盲区，而中药粉末显微鉴别则可以通过中药粉末结构区别，区分不同产地的同种中药材。但中药复方粉末制片内容物繁杂，不同中药间结构的高相似度、低密度，这使得中药粉末显微鉴别法相较于生化方法更加耗时耗力，且对鉴定人员的中药鉴定的相关知识要求较高，这限制了显微鉴别法在中成药药材成分鉴定中的广泛应用。

发明内容

本发明提供了一种基于YOLOX模型的中成药药材成分的检测方法，降低复方中成药的检测难度、保证检测精度、提高检测速率度和降低误检率。

本发明的技术方案如下：

一种基于YOLOX模型的中成药药材成分的检测方法，包括以下步骤：

(1)采集中成药粉末的显微图像进行标注、预处理，构建成训练集；

(2)以YOLOX-S网络模型为基础构建目标检测模型；所述的目标检测模型包括输入层、特征提取网络、多尺度特征融合网络、解耦输出网络、输出层；

所述的特征提取网络为DarkNet-53网络结构，用于分层提取显微图像的不同尺度的特征；所述的多尺度特征融合网络采用特征金字塔结构，用于对特征提取网络提取的特征进行融合；所述的解耦输出网络对多尺度特征融合网络的输出进行解耦，输出预测到的药材类别信息、药材位置信息和额外的回归分支信息；所述的输出层将目标类别信息、目标位置信息合并至输入的显微图像中作为最终输出；

(3)采用所述的训练集对目标检测模型进行训练；

(4)采集待测中成药粉末的显微图像并输入至训练好的目标检测模型中，即可获得显微图像中存在的药材成分的类别信息及各药材成分在显微图像中对应的位置信息。

本发明利用目标检测算法来替代人工镜检方法，从降低复方药检测难度、保证检测精度、提高检测速率度和降低误检率四个方面出发，构建本发明的基于YOLOX模型的中成药药材成分的检测方法，从而提高中药复方粉末显微鉴别的效率，解决了中药粉末显微鉴别法耗时耗力，且对鉴别人员的中药鉴定相关知识要求较高的问题。

步骤(1)中，使用光学显微镜配合相机采集中药粉末的显微图像。光学显微镜优选以放大倍率40(物镜)×10(目镜)进行数据采集。

所述的中成药粉末的药材成分包括半夏、陈皮、杭白菊、杜仲、石斛、木槿花、玫瑰、红花、西红花和甘草中的至少一种。

所述的显微图像包含中药材成分的显微特征；所述的显微特征包括晶纤维、柱头顶端表皮细胞、菌丝、非腺毛、木栓组织、花粉、草酸钙方晶、草酸钙针晶、橡胶丝、分泌细胞、纤维束、草酸钙簇晶和石细胞中的至少一种。

所述的中成药粉末可以仅含一种中药材成分，也可以是多种中药材成分混合而成的中成药。显微图像数据集中，每种中药材的显微特征既包括仅含该药材的显微图像的特征，也包括该药材在中成药中(多药材混合)的显微图像的特征。

为了减少网络模型对某些显微特征的依赖，提高模型的泛化性和鲁棒性，步骤(1)中所述的预处理包括：对显微图像进行归一化、裁剪、随机上下左右翻转、缩放、随机颜色变化、Moisaic和CutMix处理。

步骤(2)中，所述的YOLOX-S模型的结构参见论文：YOLOX:Exceeding YOLO Seriesin 2021。

所述的DarkNet-53网络包括依次连接的两个卷积层、一个残差模块、一个卷积层、两个残差模块、一个卷积层、八个残差模块、一个卷积层、八个残差模块、一个卷积层、四个残差块、一个卷积层；

每个卷积层后面接一个批次正则化层和LReLU激活层。

所述的多尺度特征融合网络采用特征金字塔结构；DarkNet-53网络的最后一层输出分为两部分，一部分直接送入解耦输出网络中，另一部分经过上采样后与第十九个残差块的输出进行通道拼接；拼接后的结果进行特征提取，之后分两部分输出，一部分送入解耦输出网络中，另一部分经过上采样后与第十一个残差块的输出进行通道拼接；拼接后的结果进行特征提取，之后送入解耦输出网络中。

由于显微图中药材成分尺寸差异较大，本发明的目标检测模型对显微图像特征进行分层处理，利用DarkNet-53网络提取的不同尺度的特征，再利用多尺度特征融合网络将DarkNet-53网络提取的小尺度和中尺度特征进行融合，以提高小尺寸药材特征和中等尺寸药材特征的检测准确率；利用DarkNet-53网络的底部特征输出进行大尺寸药材特征检测。

优选的，所述的解耦输出网络将药材位置信息输出的前一层的特征通过编码、上采样后作为额外的特征通道与药材类别输出的特征通道进行拼接，用于区分含有相似结构特征的不同药材成分。

当检测目标中出现相似结构特征时，额外引入的回归特征可以有效防止模型对药材成分的误判。

优选的，步骤(3)中，使用Adam优化器对目标检测模型进行优化；进一步优选的，学习率为0.001。

相比于使用带有0.9动量的随机梯度下降算法配合余弦退火学习率对模型进行训练，本发明中使用Adam优化器对模型进行优化，学习率设置为固定值0.001，有效避免了模型训练过程中的过拟合问题。

步骤(4)中，将待测药材的显微图像直接输入已训练好的目标检测模型中，即可获得显微图像中存在的药材成分信息以及各药材成分所在位置信息(使用矩形框标出药材成分位置)。

本发明还提供了一种基于YOLOX模型的中成药药材成分的检测装置，包括：

显微图像预处理模块，用于对采集的中成药粉末的显微图像进行标注、预处理，构建成训练集；

目标检测网络构建模块，以YOLOX-S网络模型为基础构建的目标检测模型；所述的目标检测模型包括输入层、特征提取网络、多尺度特征融合网络、解耦输出网络、输出层；所述的特征提取网络为DarkNet-53网络结构，用于分层提取显微图像的不同尺度的特征；所述的多尺度特征融合网络采用特征金字塔结构，用于对特征提取网络提取的特征进行融合；所述的解耦输出网络对多尺度特征融合网络的输出进行解耦，输出预测到的药材类别信息、药材位置信息和额外的回归分支信息；所述的输出层将目标类别信息、目标位置信息合并至输入的显微图像中作为最终输出；

目标检测模型训练模块，采用所述的训练集对目标检测模型进行训练；

目标检测模块，将待测中成药粉末的显微图像输入至训练好的目标检测模型中，获得显微图像中存在的药材成分的类别信息及各药材成分在显微图像中对应的位置信息。

与现有技术相比，本发明的有益效果为：

本发明利用目标检测算法替代人工镜检方法，从降低复方药检测难度、保证检测精度、提高检测速率度和降低误检率四个方面出发，构建基于YOLOX模型的中成药药材成分的检测方法和装置，解决中药粉末显微鉴别法耗时耗力，且对鉴别人员的中药鉴定相关知识要求较高的问题。本发明将目标检测技术的优势，应用到中成药药材成分鉴定中，极具商用价值。

附图说明

图1为改进后的YOLOX-S模型的结构及其对中成药药材成分进行检测的流程示意图；

图2为改进后的YOLOX-S模型中分类和位置回归的解耦输出结构示意图；

图3为模型训练过程中的损失值曲线图；其中，(a)、(c)为本发明采用Adam优化器配合固定的0.001学习率的训练策略，(b)、(d)为使用带有0.9动量的随机梯度下降算法配合余弦退火学习率的训练策略；

图4为本发明的检测方法对中成药药材成分的检测结果示意图；其中，(a)、(b)、(c)、(d)为镜检图像原图，(e)、(f)、(g)、(h)分别为对应的模型输出的检测结果图；

图5为本发明的检测方法对中成药药材成分的检测定量结果示意图；其中，(a)为误检率，(b)为平均精度。

具体实施方式

下面结合附图和实施例对本发明作进一步详细描述，需要指出的是，以下所述实施例旨在便于对本发明的理解，而对其不起任何限定作用。

本发明基于目标检测领域中经典模型之一YOLOX模型，解决中药粉末显微鉴别法耗时耗力，且对鉴别人员的中药鉴定相关知识要求较高的问题。

具体来说，本发明利用目标检测算法来替代人工镜检方法，从降低复方药检测难度、保证检测精度、提高检测速率度和降低误检率四个方面出发，构建中药粉末显微智能鉴别系统，从而提高中药复方粉末显微鉴别的效率。

本发明提出一种基于YOLOX的中药粉末显微智能鉴别方法，包括如下步骤：数据采集与标注、图像预处理、模型搭建与训练、智能药材成分检测。

1、数据采集与标注

使用Olympus光学显微镜配合索尼E3ISPM20000KPA相机，对10种中成药(包括半夏、陈皮、杭白菊、杜仲、石斛、木槿花、玫瑰、红花、西红花和甘草)的13种特征(包括晶纤维、柱头顶端表皮细胞、菌丝、非腺毛、木栓组织、花粉、草酸钙方晶、草酸钙针晶、橡胶丝、分泌细胞、纤维束、草酸钙簇晶和石细胞)以放大倍率40(物镜)×10(目镜)进行数据采集。经由ImageView软件获取像素大小为5440×3648的图像，之后使用LabelImg对获取图像进行标注，数据集中的每种药材既有仅含该药材显微图像的特征作为金标准，也有该药材在中成药中(多药材混合)的显微图像特征。

2、图像预处理

对数据进行图像预处理。预处理方法包括：归一化、裁剪、随机上下左右翻转、缩放、随机颜色变化、Moisaic和CutMix处理，以减少网络模型对某些特征的依赖，提高模型的泛化性和鲁棒性。

3、模型搭建与训练

使用轻量化的YOLOX-S模型作为中药成分检测的基本模型，该模型以DarkNet-53模型为骨干网络，在输出部分进行解耦输出，输出分别为药材的成分类别名和药材成分在显微图中的位置信息(使用矩形框标出药材成分位置)。

YOLOX-S模型的结构参见论文：YOLOX:Exceeding YOLO Series in2021，如图1所示，包括输入层、特征提取网络、多尺度特征融合网络、解耦输出网络(包括分类和位置回归)、输出层。

特征提取网络为DarkNet-53网络结构，该网络包括53个卷积层，其中包含23个残差模块，每个残差模块中包括1×1卷积层和3×3卷积层。此外，DarkNet-53网络中的每个卷积层后面接一个批次正则化层和LReLU激活层。图像输入DarkNet-53后，如图1左侧虚线框内所示，按顺序经过如下模块：卷积核为32和64的两个3×3卷积层，一个残差模块、一个卷积核为128步长为2的3×3卷积层、两个残差模块、一个卷积核为256步长为2的3×3卷积层、八个残差模块、一个卷积核为256步长为2的3×3卷积层、八个残差模块、一个卷积核为1024步长为2的3×3卷积层、四个残差块以及一个1×1卷积层。

多尺度特征融合网络采用特征金字塔结构，如图1中间虚线框内所示。首先DarkNet-53的最后一层输出分为两部分，一部分直接送入解耦输出网络中，另一部分经过一个1×1卷积和上采样后与第十九个残差块的输出进行通道拼接，拼接后的结果通过三个卷积块(每个卷几块包括一个1×1卷积和一个3×3)进行特征提取后同样分两部分输出，一部分送入解耦输出网络中，另一部分经过一个1×1卷积和上采样后与第十一个残差块的输出进行通道拼接，拼接后的结果通过三个卷积块(每个卷几块包括一个1×1卷积和一个3×3)进行特征提取后送入解耦输出网络。

解耦输出网络，如图2所示，该网络使用1×1卷积和3×3卷积将多尺度特征融合网络的输出进行特征结构，最终输出预测到的目标类别信息、目标位置信息和额外的回归分支信息。最后模型的输出层将分类信息和回归信息合并至原图中作为最终输出。

YOLOX-S模型的结构及对中成药药材成分进行检测的流程如图1所示。过程如下：原始的像素大小为5440×3648的中药复方粉末显微图像经过预处理后被缩放至640×640像素并送入左侧DarkNet-53进行特征提取。由于显微图中药材成分尺寸差异较大，进行分层处理。利用DarkNet-53的中间层特征和特征金字塔结构进行特征融合，以提高小尺寸药材特征和中等尺寸药材特征的检测准确率(检测模块1与检测模块2)，利用DarkNet-53底部特征输出进行大尺寸药材特征检测(检测模块3)。最右侧虚线框内的回归特征，用于区分含有相同结构特征的不同药材成分。检测结束后，模型使用矩形框在原始显微图中对药材成分进行标注，同时给出被识别出的药材成分类别结果。

为了降低误检率,改善原始YOLOX-S模型区分含有相似结构特征的不同药材成分的能力，本发明对YOLOX-S的解耦输出结构进行修改，将模型输出的回归信息进行编码，连接到YOLOX-S分类网络的最后一层作为额外特征通道。图2为改进的YOLOX-S模型中分类和位置回归的解耦输出结构细节。图2中间小虚线框内为本发明在原始YOLOX-S模型解耦输出结构中额外增加的回归特征编码结构，位置信息前一层的特征通过两个卷积核为256的3×3卷积层编码，经上采样后作为额外的特征通道与分类输出第二层卷积层进行通道拼接，用于区分含有相似结构特征的不同药材成分。

当检测目标中出现相似结构特征时，额外引入的回归特征可以有效防止模型对药材成分的误判。

图3位模型训练过程中的损失值曲线。模型的训练策略，相比于使用带有0.9动量的随机梯度下降算法配合余弦退火学习率对模型进行训练(图3中的(b)、(d))，本发明中使用Adam优化器对模型进行优化，学习率设置为固定值0.001(图3中的(a)、(c))，有效避免了模型训练过程中的过拟合问题。

将经过数据增强(归一化、裁剪、随机上下左右翻转、缩放、随机颜色变化、Moisaic和CutMix处理)的药材成分显微图像数据送入上述改进后的YOLOX-S模型中进行训练，通过让模型学习大量专家标注的中药复方粉末显微图像，可以解决中药粉末显微阅片中存在的耗时耗力，且对鉴别人员的中药鉴定相关知识要求较高的问题。同时，相比于人工药材成分检测，轻量化的YOLOX-S模型检测速度快，计算机使用GPU(NVIDIA RTX 3080)的条件下，单次检测仅需0.38秒，使用CPU(Intel Core i5-4200M)的情况下，也只需3.2秒。

4、智能中成药药材成分检测

将待测的药材显微图像直接输入已训练好的改进后的YOLOX-S药材成分检测模型中，即可获得显微图像中存在的中药材成分信息以及各成分所在位置信息(使用矩形框标出药材成分位置)。

图4为中药成分检测结果示意图。图4中(a)、(b)、(c)、(d)为显微图像原图，图4中(e)、(f)、(g)、(h)分别为对应的模型输出的检测结果。将(a)、(b)、(c)、(d)图像送入训练好的YOLOX-S模型中，之后模型自动对目标药材成分进行检测并用矩形框标出，矩形框左上角为药材成分类别，如图4中(e)、(f)、(g)、(h)所示。

中药成分检测定量结果如图5所示，图5中(a)为误检率(miss rate,MR)，图5中(b)为平均精度(mean average precision,mAP)。使用误检率(miss rate,MR)和平均精度(mean average precision,mAP)定量地验证了实验中所用到的检测模型可以有效检测出显微图像中的中药成分信息。

使用该模型进行中成药成分检测，免去了对药品审评专家的依赖，降低了对鉴别人员中药鉴定相关知识的要求，同时解决中药粉末显微鉴别法耗时耗力的问题。该模型仅34.21MB，易于部署在任意配置的个人计算机上，以进行中药成分的精准检测。

本发明利用目标检测算法来替代人工镜检方法，从降低复方药检测难度、保证检测精度、提高检测速率度和降低误检率四个方面出发，构建中药粉末显微智能鉴别系统，从而提高中药复方粉末显微鉴别的效率。

降低复方药检测难度：人工中成药成分鉴定是一项专门的技术，需要以植(动)物解剖学、矿物晶体光学、植物显微化学等知识作为基础，以生物显微制片技术、显微镜及其图象描绘作为支撑。本发明，解决药材成分鉴定对鉴定人员相关知识要求高的问题，降低了复方药材检查的难度。首先，利用Olympus光学显微镜配合索尼E3ISPM20000KPA相机对15种药材的15种显微结构特征进行数据采集，并交由专业的药品审评专家进行数据标注。之后，大量带标注的药材成分图像数据被送入YOLOX模型中，进行模型训练。最终得到的模型，可替代药材成分检定人员进行自动药材成分检测。

保证检测精度：使用大量由药品审评专家标注的数据，并结合不同的图像增强策略对数据进行增强，以提高检测模型对中成药(多药材混合)的显微图像特征检测的鲁棒性和检测精度。

提高检测速率度：使用轻量化的YOLOX-S模型，在保证精度的情况下，大幅提高检测速度，单次检测仅需0.38秒。

降低误检率：由于待检测的药材成分通常含有多种显微结构特征，且不同的药材成分存在包含相同结构特征的情况。例如半夏、山药和石斛中均包含草酸钙针晶结构，白芍、玫瑰木槿和牡丹皮中均包含晶纤维结构。直接使用YOLOX-S检测结构特征与药材成分匹配的方法误检率高，本发明，对YOLOX-S模型中的解耦输出结构进行修改，以解决由结构特征相似导致的药材成分误检问题。

总之，本发明利用目标检测算法替代人工镜检方法，从降低复方药检测难度、保证检测精度、提高检测速率度和降低误检率四个方面出发，构建中药粉末显微智能鉴别系统，解决中药粉末显微鉴别法耗时耗力，且对鉴别人员的中药鉴定相关知识要求较高的问题。将目标检测技术的优势，应用到中成药药材成分鉴定中，极具商用价值。

以上所述的实施例对本发明的技术方案和有益效果进行了详细说明，应理解的是以上所述仅为本发明的具体实施例，并不用于限制本发明，凡在本发明的原则范围内所做的任何修改、补充和等同替换等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种基于YOLOX模型的中成药药材成分的检测方法，其特征在于，包括以下步骤：

(1)采集中成药粉末的显微图像进行标注、预处理，构建成训练集；

(2)以YOLOX-S网络模型为基础构建目标检测模型；所述的目标检测模型包括输入层、特征提取网络、多尺度特征融合网络、解耦输出网络、输出层；

所述的特征提取网络为DarkNet-53网络结构，用于分层提取显微图像的不同尺度的特征；所述的多尺度特征融合网络采用特征金字塔结构，用于对特征提取网络提取的特征进行融合；所述的解耦输出网络对多尺度特征融合网络的输出进行解耦，输出预测到的药材类别信息、药材位置信息和额外的回归分支信息；所述的输出层将目标类别信息、目标位置信息合并至输入的显微图像中作为最终输出；

(3)采用所述的训练集对目标检测模型进行训练；

(4)采集待测中成药粉末的显微图像并输入至训练好的目标检测模型中，即可获得显微图像中存在的药材成分的类别信息及各药材成分在显微图像中对应的位置信息。

2.根据权利要求1所述的基于YOLOX模型的中成药药材成分的检测方法，其特征在于，所述的中成药粉末的药材成分包括半夏、陈皮、杭白菊、杜仲、石斛、木槿花、玫瑰、红花、西红花和甘草中的至少一种。

3.根据权利要求1或2所述的基于YOLOX模型的中成药药材成分的检测方法，其特征在于，所述的显微图像包含中药材成分的显微特征；所述的显微特征包括晶纤维、柱头顶端表皮细胞、菌丝、非腺毛、木栓组织、花粉、草酸钙方晶、草酸钙针晶、橡胶丝、分泌细胞、纤维束、草酸钙簇晶和石细胞中的至少一种。

4.根据权利要求1所述的基于YOLOX模型的中成药药材成分的检测方法，其特征在于，所述的预处理包括：对显微图像进行归一化、裁剪、随机上下左右翻转、缩放、随机颜色变化、Moisaic和CutMix处理。

5.根据权利要求1所述的基于YOLOX模型的中成药药材成分的检测方法，其特征在于，所述的DarkNet-53网络包括依次连接的两个卷积层、一个残差模块、一个卷积层、两个残差模块、一个卷积层、八个残差模块、一个卷积层、八个残差模块、一个卷积层、四个残差块、一个卷积层；每个卷积层后面接一个批次正则化层和LReLU激活层。

6.根据权利要求5所述的基于YOLOX模型的中成药药材成分的检测方法，其特征在于，所述的多尺度特征融合网络采用特征金字塔结构；DarkNet-53网络的最后一层输出分为两部分，一部分直接送入解耦输出网络中，另一部分经过上采样后与第十九个残差块的输出进行通道拼接；拼接后的结果进行特征提取，之后分两部分输出，一部分送入解耦输出网络中，另一部分经过上采样后与第十一个残差块的输出进行通道拼接；拼接后的结果进行特征提取，之后送入解耦输出网络中。

7.根据权利要求1所述的基于YOLOX模型的中成药药材成分的检测方法，其特征在于，所述的解耦输出网络将药材位置信息输出的前一层的特征通过编码、上采样后作为额外的特征通道与药材类别输出的特征通道进行拼接，用于区分含有相似结构特征的不同药材成分。

8.根据权利要求1所述的基于YOLOX模型的中成药药材成分的检测方法，其特征在于，步骤(3)中，使用Adam优化器对目标检测模型进行优化。

9.根据权利要求8所述的基于YOLOX模型的中成药药材成分的检测方法，其特征在于，学习率为0.001。

10.一种基于YOLOX模型的中成药药材成分的检测装置，其特征在于，包括：

显微图像预处理模块，用于对采集的中成药粉末的显微图像进行标注、预处理，构建成训练集；

目标检测网络构建模块，以YOLOX-S网络模型为基础构建的目标检测模型；所述的目标检测模型包括输入层、特征提取网络、多尺度特征融合网络、解耦输出网络、输出层；所述的特征提取网络为DarkNet-53网络结构，用于分层提取显微图像的不同尺度的特征；所述的多尺度特征融合网络采用特征金字塔结构，用于对特征提取网络提取的特征进行融合；所述的解耦输出网络对多尺度特征融合网络的输出进行解耦，输出预测到的药材类别信息、药材位置信息和额外的回归分支信息；所述的输出层将目标类别信息、目标位置信息合并至输入的显微图像中作为最终输出；

目标检测模型训练模块，采用所述的训练集对目标检测模型进行训练；

目标检测模块，将待测中成药粉末的显微图像输入至训练好的目标检测模型中，获得显微图像中存在的药材成分的类别信息及各药材成分在显微图像中对应的位置信息。

Images