CN115239994B - 应用于甘草饮片的等级信息生成方法、装置和电子设备 - Google Patents

应用于甘草饮片的等级信息生成方法、装置和电子设备 Download PDF

Info

Publication number
CN115239994B
CN115239994B CN202210814050.8A CN202210814050A CN115239994B CN 115239994 B CN115239994 B CN 115239994B CN 202210814050 A CN202210814050 A CN 202210814050A CN 115239994 B CN115239994 B CN 115239994B
Authority
CN
China
Prior art keywords
image
decoction piece
information
liquorice
category
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
Application number
CN202210814050.8A
Other languages
English (en)
Other versions
CN115239994A (zh
Inventor
杨振
赵丽丽
梅一多
马立宁
黄梅银
王忠清
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Zhongguancun Smart City Co Ltd
Original Assignee
Zhongguancun Smart City Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Zhongguancun Smart City Co Ltd filed Critical Zhongguancun Smart City Co Ltd
Priority to CN202210814050.8A priority Critical patent/CN115239994B/zh
Publication of CN115239994A publication Critical patent/CN115239994A/zh
Application granted granted Critical
Publication of CN115239994B publication Critical patent/CN115239994B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/54—Extraction of image or video features relating to texture
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/761—Proximity, similarity or dissimilarity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Databases & Information Systems (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Health & Medical Sciences (AREA)
  • Image Analysis (AREA)

Abstract

本公开的实施例公开了应用于甘草饮片的等级信息生成方法、装置和电子设备。该方法的一具体实施方式包括：通过目标终端上的图像采集装置采集图像，得到待检测图像集合；对待检测图像集合中的每张待检测图像进行图像预处理，以生成预处理后图像；确定预处理后图像集合中的每张预处理后图像对应的甘草饮片表面类别；响应于确定甘草饮片表面类别集合包含预设表面类别集合中的各个预设表面类别，将预处理后图像集合中的预处理后图像输入至预先训练的甘草饮片等级确定模型，以生成甘草饮片等级信息；在目标终端包括的显示装置上显示甘草饮片等级信息和甘草饮片等级信息对应的提示信息。该实施方式提高了生成的甘草饮片等级的准确率。

Description

应用于甘草饮片的等级信息生成方法、装置和电子设备
技术领域
本公开的实施例涉及计算机技术领域，具体涉及应用于甘草饮片的等级信息生成方法、装置和电子设备。
背景技术
甘草饮片是临床最常应用的药品之一，拥有较广泛的应用。目前在确定甘草饮片的等级时，通常采用的方法为：一、采用红外光谱鉴定法或化学检测法进行等级确定；二、采用人工目测的方式进行等级确定。
然而，当采用上述方法确定甘草饮片的等级时，经常会存在如下技术问题：
第一，采用红外光谱鉴定法或化学检测法时，往往需要较多且专业的仪器设备，且等级确定过程较为繁琐，导致甘草饮片的等级确定效率较低；
第二，采用人工的方式进行甘草饮片的等级确定，主观性较强，导致甘草饮片的等级确定的准确率无法得到保障。
发明内容
本公开的内容部分用于以简要的形式介绍构思，这些构思将在后面的具体实施方式部分被详细描述。本公开的内容部分并不旨在标识要求保护的技术方案的关键特征或必要特征，也不旨在用于限制所要求的保护的技术方案的范围。
本公开的一些实施例提出了应用于甘草饮片的等级信息生成方法、装置和电子设备，来解决以上背景技术部分提到的技术问题中的一项或多项。
第一方面，本公开的一些实施例提供了一种应用于甘草饮片的等级信息生成方法，该方法包括：响应于接收到图像采集指令信息，通过目标终端上的图像采集装置采集图像，得到待检测图像集合，其中，上述待检测图像集合中的待检测图像为包含有甘草饮片的图像；对上述待检测图像集合中的每张待检测图像进行图像预处理，以生成预处理后图像，得到预处理后图像集合；确定上述预处理后图像集合中的每张预处理后图像对应的甘草饮片表面类别，得到甘草饮片表面类别集合，其中，甘草饮片表面类别表征预处理后图像中的甘草饮片的表面的类别；响应于确定上述甘草饮片表面类别集合包含预设表面类别集合中的各个预设表面类别，将上述预处理后图像集合中的预处理后图像输入至预先训练的甘草饮片等级确定模型，以生成甘草饮片等级信息；在上述目标终端包括的显示装置上显示上述甘草饮片等级信息和上述甘草饮片等级信息对应的提示信息。
第二方面，本公开的一些实施例提供了一种应用于甘草饮片的等级信息生成装置，装置包括：采集单元，被配置成响应于接收到图像采集指令信息，通过目标终端上的图像采集装置采集图像，得到待检测图像集合，其中，上述待检测图像集合中的待检测图像为包含有甘草饮片的图像；图像预处理单元，被配置成对上述待检测图像集合中的每张待检测图像进行图像预处理，以生成预处理后图像，得到预处理后图像集合；确定单元，被配置成确定上述预处理后图像集合中的每张预处理后图像对应的甘草饮片表面类别，得到甘草饮片表面类别集合，其中，甘草饮片表面类别表征预处理后图像中的甘草饮片的表面的类别；输入单元，被配置成响应于确定上述甘草饮片表面类别集合包含预设表面类别集合中的各个预设表面类别，将上述预处理后图像集合中的预处理后图像输入至预先训练的甘草饮片等级确定模型，以生成甘草饮片等级信息；显示单元，被配置成在上述目标终端包括的显示装置上显示上述甘草饮片等级信息和上述甘草饮片等级信息对应的提示信息。
第三方面，本公开的一些实施例提供了一种电子设备，包括：一个或多个处理器；存储装置，其上存储有一个或多个程序，当一个或多个程序被一个或多个处理器执行，使得一个或多个处理器实现上述第一方面任一实现方式所描述的方法。
第四方面，本公开的一些实施例提供了一种计算机可读介质，其上存储有计算机程序，其中，程序被处理器执行时实现上述第一方面任一实现方式所描述的方法。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的应用于甘草饮片的等级信息生成方法，提高了甘草饮片等级的确定效率和准确度。具体来说，造成甘草饮片等级的确定效率较低，以及准确度无法得到保障的原因在于：第一，采用红外光谱鉴定法或化学检测法时，往往需要较多且专业的仪器设备，且等级确定过程较为繁琐，导致甘草饮片的等级确定效率较低；第二，采用人工的方式进行甘草饮片的等级确定，主观性较强，导致甘草饮片的等级确定的准确率无法得到保障。基于此，本公开的一些实施例的应用于甘草饮片的等级信息生成方法。首先，响应于接收到图像采集指令信息，通过目标终端上的图像采集装置采集图像，得到待检测图像集合，其中，上述待检测图像集合中的待检测图像为包含有甘草饮片的图像。当接收到针对甘草饮片的图像采集指令时，控制图像采集装置采集图像。接着，对上述待检测图像集合中的每张待检测图像进行图像预处理，以生成预处理后图像，得到预处理后图像集合。实际情况中，收到光线，拍摄角度等影响，采集得到的图像的质量往往参差不齐，因此，需要对图像进行预处理，以提高图像质量。进一步，确定上述预处理后图像集合中的每张预处理后图像对应的甘草饮片表面类别，得到甘草饮片表面类别集合，其中，甘草饮片表面类别表征预处理后图像中的甘草饮片的表面的类别。在进行甘草饮片的等级确定时，针对甘草饮片的横截面和外表皮，评判标准往往不同，因此，需要对甘草饮片的表面类别进行确定。除此之外，响应于确定上述甘草饮片表面类别集合包含预设表面类别集合中的各个预设表面类别，将上述预处理后图像集合中的预处理后图像输入至预先训练的甘草饮片等级确定模型，以生成甘草饮片等级信息。通过甘草饮片等级确定模型确定甘草饮片的等级信息。最后，在上述目标终端包括的显示装置上显示上述甘草饮片等级信息和上述甘草饮片等级信息对应的提示信息。通过此种方式，无需依赖专业的仪器设备，同时，大大简化了甘草饮片的等级确定流程。此外，通过甘草饮片等级确定模型进行甘草饮片的等级确定，相较于人工的方式，在保证客观性的前提下，依据包含有甘草饮片的特征的图像进行等级确定，生成的甘草饮片等级的准确率大大提高。
附图说明
结合附图并参考以下具体实施方式，本公开各实施例的上述和其他特征、优点及方面将变得更加明显。贯穿附图中，相同或相似的附图标记表示相同或相似的元素。应当理解附图是示意性的，元件和元素不一定按照比例绘制。
图1是根据本公开的应用于甘草饮片的等级信息生成方法的一些实施例的流程图；
图2是图像增强模型的网络结构的示意图；
图3是目标检测模型的模型结构的示意图；
图4是甘草饮片等级确定模型的模型结构的示意图；
图5是根据本公开的应用于甘草饮片的等级信息生成装置的一些实施例的结构示意图；
图6是适于用来实现本公开的一些实施例的电子设备的结构示意图。
具体实施方式
下面将参照附图更详细地描述本公开的实施例。虽然附图中显示了本公开的某些实施例，然而应当理解的是，本公开可以通过各种形式来实现，而且不应该被解释为限于这里阐述的实施例。相反，提供这些实施例是为了更加透彻和完整地理解本公开。应当理解的是，本公开的附图及实施例仅用于示例性作用，并非用于限制本公开的保护范围。
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。在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
需要注意，本公开中提及的“第一”、“第二”等概念仅用于对不同的装置、模块或单元进行区分，并非用于限定这些装置、模块或单元所执行的功能的顺序或者相互依存关系。
需要注意，本公开中提及的“一个”、“多个”的修饰是示意性而非限制性的，本领域技术人员应当理解，除非在上下文另有明确指出，否则应该理解为“一个或多个”。
本公开实施方式中的多个装置之间所交互的消息或者信息的名称仅用于说明性的目的，而并不是用于对这些消息或信息的范围进行限制。
下面将参考附图并结合实施例来详细说明本公开。
继续参考图1，示出了根据本公开的应用于甘草饮片的等级信息生成方法的一些实施例的流程100。该应用于甘草饮片的等级信息生成方法，包括以下步骤：
步骤101，响应于接收到图像采集指令信息，通过目标终端上的图像采集装置采集图像，得到待检测图像集合。
在一些实施例中，应用于甘草饮片的等级信息生成方法的执行主体(例如，计算设备)响应于接收到图像采集指令信息，可以通过有线连接或无线连接的方式，利用目标终端上的图像采集装置采集图像，得到待检测图像集合。其中，上述图像采集指令信息可以是用于指示图像采集装置采集图像的指令信息。上述目标终端可以是包含有图像采集装置的移动终端。例如，上述目标终端可以是“手机”。上述图像采集装置可以是具有图像采集功能的装置。例如，上述图像采集装置可以是“摄像头”。待检测图像集合中的待检测图像为包含有甘草饮片的图像。甘草饮片是对甘草进行切片得到的片状物。
需要说明的是，上述计算设备可以是硬件，也可以是软件。当计算设备为硬件时，可以实现成多个服务器或终端设备组成的分布式集群，也可以实现成单个服务器或单个终端设备。如，计算设备可以是上述目标终端。当计算设备体现为软件时，可以安装在上述所列举的硬件设备中。其可以实现成例如用来提供分布式服务的多个软件或软件模块，也可以实现成单个软件或软件模块。在此不做具体限定。
步骤102，对待检测图像集合中的每张待检测图像进行图像预处理，以生成预处理后图像，得到预处理后图像集合。
在一些实施例中，上述执行主体可以对待检测图像集合中的每张待检测图像进行图像预处理，以生成预处理后图像，得到预处理后图像集合。其中，上述预处理后图像集合中的预处理后图像为图像增强后的图像。
作为示例，上述执行主体可以通过基于拉普拉斯算子的图像增强算法，对上述待检测图像进行图像增强处理，以生成上述待检测图像对应的预处理后图像。
在一些实施例的一些可选的实现方式中，上述执行主体对待检测图像集合中的每张待检测图像进行图像预处理，以生成预处理后图像，可以包括以下步骤：
第一步，对上述待检测图像进行图像裁剪，以生成裁剪后图像。
其中，上述裁剪后图像的图像尺寸与预设尺寸一致。
作为示例，上述执行主体可以以上述待检测图像的图像中心为中心点，对上述待检测图像进行图像裁剪，以生成裁剪后图像。
第二步，通过预先训练的图像增强模型，对上述裁剪后图像进行图像增强处理，以生成上述待检测图像对应的预处理后图像。
其中，上述图像增强模型是用于对待检测图像进行图像增强的模型。上述图像增强模型的模型输入的尺寸与预设尺寸一致。
作为示例，上述图像增强模型可以是但不限于以下任意一项：CNN(ConvolutionalNeural Networks，卷积神经网络)模型，GAN(Generate Adversarial Network，生成对抗网络)模型。
可选地，如图2所示的图像增强模型的网络结构，其中，上述图像增强模型可以包括：特征下采样网络201、平均池化层202和特征上采样网络203。上述特征下采样网络201包括：第一下采样卷积块2011、第二下采样卷积块2012和第三下采样卷积块2013。上述特征上采样网络203包括：第一上采样卷积块2031、第二上采样卷积块2032和第三上采样卷积块2033。
其中，第一下采样卷积块2011包括多个卷积层。第二下采样卷积块2012包括多个卷积层。第三下采样卷积块2013包括多个卷积层。第一上采样卷积块2031包括多个卷积层。第二上采样卷积块2032包括多个卷积层。第三上采样卷积块2033包括多个卷积层。第一下采样卷积块2011包括的卷积层的数量与第三上采样卷积块2033包括的卷积层的数量一致。第二下采样卷积块2012包括的卷积层的数量与第二上采样卷积块2032包括的卷积层的数量一致。第三下采样卷积块2013包括的卷积层的数量与第一上采样卷积块2031包括的卷积层的数量一致。
可选地，上述执行主体通过预先训练的图像增强模型，对上述裁剪后图像进行图像增强处理，以生成上述待检测图像对应的预处理后图像，可以包括以下步骤：
第一步，将上述裁剪后图像输入上述第一下采样卷积块2011，以生成第一下采样特征图。
第二步，将上述第一下采样特征图输入上述第二下采样卷积块2012，以生成第二下采样特征图。
第三步，将上述第二下采样特征图输入上述第三下采样卷积块2013，以生成第三下采样特征图。
第四步，将上述第三下采样特征图输入上述平均池化层202，以生成池化特征图。
第五步，将上述池化特征图输入上述第一上采样卷积块2031，以生成第一上采样特征图。
其中，上述第三下采样特征图的特征图尺寸和上述第一上采样特征图的特征图尺寸一致。
第六步，将上述第一上采样特征图和上述第三下采样特征图进行特征叠加，以生成第一叠加特征图。
第八步，将上述第一叠加特征图输入上述第二上采样卷积块2032，以生成第二上采样特征图。
其中，上述第二上采样特征图的特征图尺寸和上述第二下采样特征图的特征图尺寸一致。
第九步，将上述第二上采样特征图和上述第二下采样特征图进行特征叠加，以生成第二叠加特征图。
第十步，将上述第二叠加特征图输入上述第三上采样卷积块2033，以生成上述待检测图像对应的预处理后图像。
上述图像增强模型作为本公开的一个发明点，实现了对待检测图像的图像增强。实际情况中，针对小目标检测，由于小目标在图像中的比重较小，且小目标对应的特征信息相对较少。导致采用常规的目标检测方法，难以提高针对小目标的检测准确率。基于此，本公开的图像增强模型，首先，采用了跳跃式的特征输入方式(如，将第二上采样特征图和第二下采样特征图进行特征叠加，以生成第二叠加特征图，然后，将第二叠加特征图输入第三上采样卷积块)，由此避免了线性网络结构存在的：“随着网络层数的加深导致特征丢失”的问题。其次，由于小目标的特征往往较少，因此采用了对称式的特征下采样网络和特征上采样网络，使得模型的输入的尺寸和模型输出的尺寸一致。由此，实现了对包含有小目标的图像的图像增强。
步骤103，确定预处理后图像集合中的每张预处理后图像对应的甘草饮片表面类别，得到甘草饮片表面类别集合。
在一些实施例中，上述执行主体可以确定预处理后图像集合中的每张预处理后图像对应的甘草饮片表面类别，得到甘草饮片表面类别集合。其中，甘草饮片表面类别表征预处理后图像中的甘草饮片的表面的类别。
可选地，上述甘草饮片表面类别可以是以下任意一种：第一类别和第二类别。其中，第一类别表征预处理后图像包含的甘草饮片的甘草饮片表面类别为甘草饮片横截面类别。第二类别表征预处理后图像包含的甘草饮片的甘草饮片表面类别为甘草饮片外表皮类别。
在一些实施例的一些可选的实现方式中，上述执行主体确定预处理后图像集合中的每张预处理后图像对应的甘草饮片表面类别，可以包括以下步骤：
第一步，通过预选训练的目标检测模型中图像压缩层，对上述预处理后图像进行特征图像压缩，以生成压缩后图像。
其中，上述图像压缩层可以是卷积层。其中，上述图像压缩层用于缩小上述预处理图像，以使得生成的压缩后图像的图像尺寸和目标检测模型包括的特征提取模型的输入的尺寸一致。
第二步，通过上述目标检测模型包括的特征提取模型，对上述压缩后图像进行特征提取，以生成特征提取图。
其中，上述特征提取模型可以是用于对上述压缩图像进行特征提取的模型。上述特征提取图的特征图尺寸与上述压缩后图像的图像尺寸一致。
第三步，通过上述目标检测模型包括的第一角点检测模型，对上述特征提取图进行角点检测，以生成第一角点信息集合。
其中，上述第一角点信息集合中的第一角点信息包括：角点位置信息和角点嵌入向量。其中，角点位置信息表征角点在预处理图像中的位置。角点嵌入向量表征角点的特征向量。第一角点信息对应的角点为上述第一角点预测模型预测的、预处理图像中包括的甘草饮片所在感兴趣区域的左上角的角点。
第四步，通过上述目标检测模型包括的第二角点检测模型，对上述特征提取图进行角点检测，以生成第二角点信息集合。
其中，第二角点信息包括：角点位置信息和角点嵌入向量。角点位置信息表征角点在预处理图像中的位置。角点嵌入向量表征角点的特征向量。第二角点信息对应的角点为上述第二角点预测模型预测的、预处理图像中包括的甘草饮片所在感兴趣区域的右下角的角点。
第五步，对于上述第一角点信息集合中的每个第一角点信息，上述执行主体可以执行以下处理步骤：
第一子步骤，确定上述第一角点信息包括的角点嵌入向量，和上述第二角点信息集合中的每个第二角点信息包括的角点嵌入向量之间的相似度，得到角点相似度数值。
其中，上述执行主体可以将上述第一角点信息包括的角点嵌入向量和上述第二角点信息包括的角点嵌入向量之间的余弦相似度，确定为角点相似度数值。
第二子步骤，根据上述第一角点信息包括的角点位置信息和目标角点信息包括的角点位置信息，生成感兴趣区域信息。
其中，目标角点信息为上述第二角点信息集合中对应的角点相似度数值满足筛选条件的第二角点信息。筛选条件为：第二角点信息对应的角点相似度数值为第二角点信息集合中的各个第二角点信息对应的角点相似度数值中的最大值。
第六步，将得到的感兴趣区域信息集合中的每个感兴趣区域信息对应的特征提取子图，输入上述目标检测模型包括的分类网络，以生成上述预处理后图像对应的甘草饮片表面类别。
其中，上述分类网络可以是三分类网络。分类类别可以是“第一类别”，“第二类别”和“第三类别”。第一类别表征预处理后图像包含的甘草饮片的甘草饮片表面类别为甘草饮片横截面类别。第二类别表征预处理后图像包含的甘草饮片的甘草饮片表面类别为甘草饮片外表皮类别。第三类别为除第一类别和第二类别以外的类别。
作为示例，上述目标检测模型的模型结构可以如图3所示，其中，目标检测模型包括：图像压缩层301、特征提取模型302、第一角点检测模型303、第二角点检测模型304、分类网络305。其中，特征提取模型302可以是VGG-16模型。第一角点检测模型303和第二角点检测模型304的模型结构一致。第一角点检测模型303包括：标准化卷积层3031、标准化卷积层3032、池化层3033、池化层3034、标准化池化层3035、激活层3036、标准化卷积层3037、卷积层3038和卷积层3039。其中，标准化卷积层3031包括卷积层和批归一化(BN，BatchNormalization)层。标准化卷积层3031采用ReLU函数作为激活函数。标准化卷积层3032包括卷积层和批归一化层。标准化卷积层3032采用ReLU(Linear rectification function，线性整流函数)函数作为激活函数。标准化池化层3035包括卷积层和批归一化层。激活层3036采用ReLU作为激活函数。标准化卷积层3037包括卷积层和批归一化层。标准化卷积层3037采用ReLU函数作为激活函数。卷积层3038包括两个卷积层。卷积层3038采用ReLU函数作为激活函数。卷积层3039包括两个卷积层。卷积层3039采用ReLU函数作为激活函数。
上述目标检测模型作为本公开的一个发明点，针对小目标的类别确定，往往需要先对图像包含的目标进行目标检测。传统的基于锚框的检测网络，往往需要提前设置大量的锚框，并且大量的锚框也会增加后续的检测过程中的计算复杂度。基于此，本公开的目标检测模型，通过确定检测框对应的一组对角点，以此确定图像包含的目标的区域。无需设置大量的检测框。大大降低了计算复杂度。同时，相较于采用中心点确定图像包含的目标的区域的方式，仅需一组对角点即可确定包含有目标的区域，相较于基于中心点的需要两组对角点才可以确定包含有目标的区域的方式，同样减少了计算复杂度。由此提高了目标检测的速度。
步骤104，响应于确定甘草饮片表面类别集合包含预设表面类别集合中的各个预设表面类别，将预处理后图像集合中的预处理后图像输入至预先训练的甘草饮片等级确定模型，以生成甘草饮片等级信息。
在一些实施例中，上述执行主体可以响应于确定甘草饮片表面类别集合包含预设表面类别集合中的各个预设表面类别，将预处理后图像集合中的预处理后图像输入至预先训练的甘草饮片等级确定模型，以生成甘草饮片等级信息。其中，上述预设表面类别集合可以包括：第一类别和第二类别。
可选地，上述甘草饮片等级确定模型可以包括：甘草饮片横截面纹理确定模型、甘草饮片直径确定模型、甘草饮片外表皮颜色类别确定模型和甘草饮片等级分类模型。其中，上述甘草饮片横截面纹理确定模型是用于确定对应的甘草饮片表面类别为第一类别的预处理后图像中的甘草饮片的横截面纹理等级的模型。甘草饮片直径确定模型是用于确定对应的甘草饮片表面类别为第一类别的预处理后图像中的甘草饮片的直径的模型。甘草饮片外表皮颜色类别确定模型是用于确定对应的甘草饮片表面类别为第二类别的预处理后图像中的甘草饮片的外表皮颜色等级的模型。
在一些实施例的一些可选的实现方式中，上述执行主体响应于确定甘草饮片表面类别集合包含预设表面类别集合中的各个预设表面类别，将预处理后图像集合中的预处理后图像输入至预先训练的甘草饮片等级确定模型，以生成甘草饮片等级信息，可以包括以下步骤：
对于上述预处理后图像集合中每个的预处理后图像，执行以下处理步骤：
第一步，响应于确定上述预处理后图像对应的甘草饮片表面类别为第一类别，将上述预处理后图像输入上述甘草饮片横截面纹理确定模型，以生成甘草饮片横截面纹理类别信息。
其中，甘草饮片横截面纹理类别信息可以是表征甘草饮片的横截面纹理疏密程度的分类信息。上述甘草饮片横截面纹理类别信息模型通过同规格不同级别的甘草横截面纹理样本进行训练。其中横截面纹理样本可按照纹理疏密程度分类标注。
第二步，响应于确定上述预处理后图像对应的甘草饮片表面类别为第一类别，将上述预处理后图像输入上述甘草饮片直径确定模型，以生成甘草饮片直径类别信息。
其中，甘草饮片直径类别信息可以表征甘草饮片的直径范围类别。
上述甘草饮片直径确定模型的训练样本包括：训练样本图像和训练样本标签。其中，训练样本图像包含：参照物和甘草饮片。参照物可以是已知直径的物体。例如，参照物可以是硬币。用于对甘草饮片直径确定模型进行训练的训练样本包含的甘草饮片为同规格(品种)、不同直径范围的甘草饮片。
作为示例，针对不同规格、不同等级的甘草的直径范围(单位：厘米)可以如下表所示：
A规格甘草 B规格甘草 C规格甘草
一等品 3.5～4 >1.5 >1.5
二等品 3～3.5 1.1～1.5 1～1.5
三等品 2.5～3 0.7～1.1 0.5～1
末等品 <2.5 <0.7 <0.5
直径中间值 3 1.1 1
其中，表内所示的甘草的直径范围与等级之间的映射关系，仅为示例使用。实际情况中，可以根据实际需求进行适应性调整，在此不做限定。
实际情况中，考虑到图像采集距离会影响生成的甘草饮片直径类别信息。例如，当甘草饮片较小，但由于图像采集距离较近时，甘草饮片直径确定模型识别得到的甘草饮片的直径可能大于甘草饮片的实际距离。因此，通过增加已知直径的参照物，可以根据参照物的直径，以及图像中的参照物和图像中的甘草饮片的比例关系，确定甘草饮片的实际直径。
第三步，响应于确定上述预处理后图像对应的甘草饮片表面类别为第二类别，将上述预处理后图像输入上述甘草饮片外表皮颜色类别确定模型，以生成甘草饮片外表皮颜色类别信息。
其中，甘草饮片外表皮颜色类别信息可以表征甘草饮片外表皮颜色红亮程度的分类信息。上述甘草饮片外表皮颜色类别信息模型通过同规格不同级别的甘草外表皮颜色样本进行训练。其中，甘草饮片外表皮颜色样本可按照外表皮颜色红亮程度分类标注。
第四步，将上述甘草饮片外表皮颜色类别信息、上述甘草饮片横截面纹理类别信息和上述甘草饮片直径类别信息，输入上述甘草饮片等级分类模型，以生成上述甘草饮片等级信息。
作为示例，上述甘草饮片等级确定模型的模型结构可以如图4所示，其中，甘草饮片等级确定模型包括：甘草饮片横截面纹理确定模型401、甘草饮片直径确定模型402、甘草饮片外表皮颜色类别确定模型403和甘草饮片等级分类模型404。其中，甘草饮片横截面纹理确定模型401、甘草饮片直径确定模型402和甘草饮片外表皮颜色类别确定模型403的模型结构可以相同，模型输出可以为相应模型分类结果经sigmoid函数归一化为0-1之间的小数。甘草饮片等级分类模型404可以包括：3个输入端、4个输出端、2个隐藏层，第1个隐藏层包括5个神经元节点，第2个隐藏层包括4个神经元节点。甘草饮片等级确定模型的输入为甘草饮片横截面纹理确定模型401、甘草饮片直径确定模型402和甘草饮片外表皮颜色类别确定模型403的模型的输出，即经sigmoid函数归一化为0-1之间的小数。甘草饮片等级确定模型的输出为：等级1，等级2，等级3和等级4。其中，等级1表征预处理后图像包括的甘草饮片的等级为末等品。等级2表征预处理后图像包括的甘草饮片的等级为三等品。等级3表征预处理后图像包括的甘草饮片的等级为二等品。等级1表征预处理后图像包括的甘草饮片的等级为一等品。
例如，甘草饮片横截面纹理确定模型401可以是SSD(Single Shot MultiBoxDetector)模型。甘草饮片直径确定模型402可以是SSD模型。甘草饮片外表皮颜色类别确定模型403可以是SSD模型。甘草饮片外表皮颜色类别确定模型403可以是SSD模型。
上述甘草饮片等级确定模型作为本公开的一个发明点，解决了背景技术提及的技术问题一和技术问题二，即“采用红外光谱鉴定法或化学检测法时，往往需要较多且专业的仪器设备，且等级确定过程较为繁琐，导致甘草饮片的等级确定效率较低”和“采用人工的方式进行甘草饮片的等级确定，主观性较强，导致甘草饮片的等级确定的准确率无法得到保障”。为了解决上述两个技术问题，发明人发现，甘草横截面纹理疏密、甘草直径、甘草表皮颜色红亮程度等特征对于甘草等级的确定有重要的影响作用，因此，发明人依据甘草横截面纹理疏密、甘草直径、甘草外表皮颜色红亮程度，设计出了对应的识别模型，并结合识别到的甘草横截面纹理疏密、甘草直径、甘草表皮颜色红亮程度，综合判断甘草等级，以此提高了甘草等级的确定效率和准确度。由此，本公开分别采用甘草饮片横截面纹理确定模型401、甘草饮片直径确定模型402和甘草饮片外表皮颜色类别确定模型403，通过确定甘草饮片横截面纹理等级、甘草饮片直径和甘草饮片外表皮颜色类别，实现了从三个角度分别对预处理后图像包括的甘草饮片的定级，最后，通过甘草饮片等级分类模型404综合考量三个角度的分类结果，以此确定甘草饮片的等级。本公开甘草饮片等级确定模型无需依赖专业的仪器设备。同时相较于人工的方式，大大提高了甘草饮片等级的确定效率和准确度。步骤105，在目标终端包括的显示装置上显示甘草饮片等级信息和甘草饮片等级信息对应的提示信息。
在一些实施例中，上述执行主体可以在目标终端包括的显示装置上显示甘草饮片等级信息和甘草饮片等级信息对应的提示信息。其中，上述显示装置可以是具有显示功能的装置。例如，上述显示装置可以是显示屏幕。甘草饮片等级信息对应的提示信息可以是用于提示甘草饮片对应的等级的提示信息。例如，当甘草饮片等级信息为“等级4”时，对应的甘草饮片等级信息对应的提示信息可以是“待检测甘草饮片的等级为一等品”。
本公开的上述各个实施例具有如下有益效果：通过本公开的一些实施例的应用于甘草饮片的等级信息生成方法，提高了甘草饮片等级的确定效率和准确度。具体来说，造成甘草饮片等级的确定效率较低，以及准确度无法得到保障的原因在于：第一，采用红外光谱鉴定法或化学检测法时，往往需要较多且专业的仪器设备，且等级确定过程较为繁琐，导致甘草饮片的等级确定效率较低；第二，采用人工的方式进行甘草饮片的等级确定，主观性较强，导致甘草饮片的等级确定的准确率无法得到保障。基于此，本公开的一些实施例的应用于甘草饮片的等级信息生成方法。首先，响应于接收到图像采集指令信息，通过目标终端上的图像采集装置采集图像，得到待检测图像集合，其中，上述待检测图像集合中的待检测图像为包含有甘草饮片的图像。当接收到针对甘草饮片的图像采集指令时，控制图像采集装置采集图像。接着，对上述待检测图像集合中的每张待检测图像进行图像预处理，以生成预处理后图像，得到预处理后图像集合。实际情况中，收到光线，拍摄角度等影响，采集得到的图像的质量往往参差不齐，因此，需要对图像进行预处理，以提高图像质量。进一步，确定上述预处理后图像集合中的每张预处理后图像对应的甘草饮片表面类别，得到甘草饮片表面类别集合，其中，甘草饮片表面类别表征预处理后图像中的甘草饮片的表面的类别。在进行甘草饮片的等级确定时，针对甘草饮片的横截面和外表皮，评判标准往往不同，因此，需要对甘草饮片的表面类别进行确定。除此之外，响应于确定上述甘草饮片表面类别集合包含预设表面类别集合中的各个预设表面类别，将上述预处理后图像集合中的预处理后图像输入至预先训练的甘草饮片等级确定模型，以生成甘草饮片等级信息。通过甘草饮片等级确定模型确定甘草饮片的等级信息。最后，在上述目标终端包括的显示装置上显示上述甘草饮片等级信息和上述甘草饮片等级信息对应的提示信息。通过此种方式，无需依赖专业的仪器设备，同时，大大简化了甘草饮片的等级确定流程。此外，通过甘草饮片等级确定模型进行甘草饮片的等级确定，相较于人工的方式，在保证客观性的前提下，依据包含有甘草饮片的特征的图像进行等级确定，生成的甘草饮片等级的准确率大大提高。
进一步参考图5，作为对上述各图所示方法的实现，本公开提供了一种应用于甘草饮片的等级信息生成装置的一些实施例，这些装置实施例与图1所示的那些方法实施例相对应，该装置具体可以应用于各种电子设备中。
如图5所示，一些实施例的应用于甘草饮片的等级信息生成装置500包括：采集单元501、图像预处理单元502、确定单元503、输入单元504和显示单元505。其中，采集单元501，被配置成响应于接收到图像采集指令信息，通过目标终端上的图像采集装置采集图像，得到待检测图像集合，其中，上述待检测图像集合中的待检测图像为包含有甘草饮片的图像；图像预处理单元502，被配置成对上述待检测图像集合中的每张待检测图像进行图像预处理，以生成预处理后图像，得到预处理后图像集合；确定单元503，被配置成确定上述预处理后图像集合中的每张预处理后图像对应的甘草饮片表面类别，得到甘草饮片表面类别集合，其中，甘草饮片表面类别表征预处理后图像中的甘草饮片的表面的类别；输入单元504，被配置成响应于确定上述甘草饮片表面类别集合包含预设表面类别集合中的各个预设表面类别，将上述预处理后图像集合中的预处理后图像输入至预先训练的甘草饮片等级确定模型，以生成甘草饮片等级信息；显示单元505，被配置成在上述目标终端包括的显示装置上显示上述甘草饮片等级信息和上述甘草饮片等级信息对应的提示信息。
可以理解的是，该装置500中记载的诸单元与参考图1描述的方法中的各个步骤相对应。由此，上文针对方法描述的操作、特征以及产生的有益效果同样适用于装置500及其中包含的单元，在此不再赘述。
下面参考图6，其示出了适于用来实现本公开的一些实施例的电子设备(例如计算设备)600的结构示意图。图6示出的电子设备仅仅是一个示例，不应对本公开的实施例的功能和使用范围带来任何限制。
如图6所示，电子设备600可以包括处理装置(例如中央处理器、图形处理器等)601，其可以根据存储在只读存储器(ROM)602中的程序或者从存储装置608加载到随机访问存储器(RAM)603中的程序而执行各种适当的动作和处理。在RAM 603中，还存储有电子设备600操作所需的各种程序和数据。处理装置601、ROM 602以及RAM603通过总线604彼此相连。输入/输出(I/O)接口605也连接至总线604。
通常，以下装置可以连接至I/O接口605：包括例如触摸屏、触摸板、键盘、鼠标、摄像头、麦克风、加速度计、陀螺仪等的输入装置606；包括例如液晶显示器(LCD)、扬声器、振动器等的输出装置607；包括例如磁带、硬盘等的存储装置608；以及通信装置609。通信装置609可以允许电子设备600与其他设备进行无线或有线通信以交换数据。虽然图6示出了具有各种装置的电子设备600，但是应理解的是，并不要求实施或具备所有示出的装置。可以替代地实施或具备更多或更少的装置。图6中示出的每个方框可以代表一个装置，也可以根据需要代表多个装置。
特别地，根据本公开的一些实施例，上文参考流程图描述的过程可以被实现为计算机软件程序。例如，本公开的一些实施例包括一种计算机程序产品，其包括承载在计算机可读介质上的计算机程序，该计算机程序包含用于执行流程图所示的方法的程序代码。在这样的一些实施例中，该计算机程序可以通过通信装置609从网络上被下载和安装，或者从存储装置608被安装，或者从ROM 602被安装。在该计算机程序被处理装置601执行时，执行本公开的一些实施例的方法中限定的上述功能。
需要说明的是，本公开的一些实施例中记载的计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质或者是上述两者的任意组合。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子可以包括但不限于：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机访问存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本公开的一些实施例中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。而在本公开的一些实施例中，计算机可读信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括但不限于电磁信号、光信号或上述的任意合适的组合。计算机可读信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读信号介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括但不限于：电线、光缆、RF(射频)等等，或者上述的任意合适的组合。
在一些实施方式中，客户端、服务器可以利用诸如HTTP(HyperText TransferProtocol，超文本传输协议)之类的任何当前已知或未来研发的网络协议进行通信，并且可以与任意形式或介质的数字数据通信(例如，通信网络)互连。通信网络的示例包括局域网(“LAN”)，广域网(“WAN”)，网际网(例如，互联网)以及端对端网络(例如，ad hoc端对端网络)，以及任何当前已知或未来研发的网络。
上述计算机可读介质可以是上述电子设备中所包含的；也可以是单独存在，而未装配入该电子设备中。上述计算机可读介质承载有一个或者多个程序，当上述一个或者多个程序被该电子设备执行时，使得该电子设备：响应于接收到图像采集指令信息，通过目标终端上的图像采集装置采集图像，得到待检测图像集合，其中，上述待检测图像集合中的待检测图像为包含有甘草饮片的图像；对上述待检测图像集合中的每张待检测图像进行图像预处理，以生成预处理后图像，得到预处理后图像集合；确定上述预处理后图像集合中的每张预处理后图像对应的甘草饮片表面类别，得到甘草饮片表面类别集合，其中，甘草饮片表面类别表征预处理后图像中的甘草饮片的表面的类别；响应于确定上述甘草饮片表面类别集合包含预设表面类别集合中的各个预设表面类别，将上述预处理后图像集合中的预处理后图像输入至预先训练的甘草饮片等级确定模型，以生成甘草饮片等级信息；在上述目标终端包括的显示装置上显示上述甘草饮片等级信息和上述甘草饮片等级信息对应的提示信息。
可以以一种或多种程序设计语言或其组合来编写用于执行本公开的一些实施例的操作的计算机程序代码，上述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如“C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)——连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
附图中的流程图和框图，图示了按照本公开各种实施例的系统、方法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。
描述于本公开的一些实施例中的单元可以通过软件的方式实现，也可以通过硬件的方式来实现。所描述的单元也可以设置在处理器中，例如，可以描述为：一种处理器包括采集单元、图像预处理单元、确定单元、输入单元和显示单元。其中，这些单元的名称在某种情况下并不构成对该单元本身的限定，例如，输入单元还可以被描述为“响应于确定上述甘草饮片表面类别集合包含预设表面类别集合中的各个预设表面类别，将上述预处理后图像集合中的预处理后图像输入至预先训练的甘草饮片等级确定模型，以生成甘草饮片等级信息的单元”。
本文中以上描述的功能可以至少部分地由一个或多个硬件逻辑部件来执行。例如，非限制性地，可以使用的示范类型的硬件逻辑部件包括：现场可编程门阵列(FPGA)、专用集成电路(ASIC)、专用标准产品(ASSP)、片上系统(SOC)、复杂可编程逻辑设备(CPLD)等等。
以上描述仅为本公开的一些较佳实施例以及对所运用技术原理的说明。本领域技术人员应当理解，本公开的实施例中所涉及的发明范围，并不限于上述技术特征的特定组合而成的技术方案，同时也应涵盖在不脱离上述发明构思的情况下，由上述技术特征或其等同特征进行任意组合而形成的其它技术方案。例如上述特征与本公开的实施例中公开的(但不限于)具有类似功能的技术特征进行互相替换而形成的技术方案。

Claims (7)

1.一种应用于甘草饮片的等级信息生成方法，包括：
响应于接收到图像采集指令信息，通过目标终端上的图像采集装置采集图像，得到待检测图像集合，其中，所述待检测图像集合中的待检测图像为包含有甘草饮片的图像；
对所述待检测图像集合中的每张待检测图像进行图像预处理，以生成预处理后图像，得到预处理后图像集合；
确定所述预处理后图像集合中的每张预处理后图像对应的甘草饮片表面类别，得到甘草饮片表面类别集合，其中，甘草饮片表面类别表征预处理后图像中的甘草饮片的表面的类别；
响应于确定所述甘草饮片表面类别集合包含预设表面类别集合中的各个预设表面类别，将所述预处理后图像集合中的预处理后图像输入至预先训练的甘草饮片等级确定模型，以生成甘草饮片等级信息，其中，所述甘草饮片等级确定模型包括：甘草饮片横截面纹理确定模型、甘草饮片直径确定模型、甘草饮片外表皮颜色类别确定模型和甘草饮片等级分类模型；
在所述目标终端包括的显示装置上显示所述甘草饮片等级信息和所述甘草饮片等级信息对应的提示信息，其中，所述将所述预处理后图像集合中的预处理后图像输入至预先训练的甘草饮片等级确定模型，以生成甘草饮片等级信息，包括：
对于所述预处理后图像集合中每个的预处理后图像，执行以下处理步骤：
响应于确定所述预处理后图像对应的甘草饮片表面类别为第一类别，将所述预处理后图像输入所述甘草饮片横截面纹理确定模型，以生成甘草饮片横截面纹理类别信息；
响应于确定所述预处理后图像对应的甘草饮片表面类别为第一类别，将所述预处理后图像输入所述甘草饮片直径确定模型，以生成甘草饮片直径类别信息；
响应于确定所述预处理后图像对应的甘草饮片表面类别为第二类别，将所述预处理后图像输入所述甘草饮片外表皮颜色类别确定模型，以生成甘草饮片外表皮颜色类别信息；
将所述甘草饮片外表皮颜色类别信息、所述甘草饮片横截面纹理类别信息和所述甘草饮片直径类别信息，输入所述甘草饮片等级分类模型，以生成所述甘草饮片等级信息。
2.根据权利要求1所述的方法，其中，所述对所述待检测图像集合中的每张待检测图像进行图像预处理，以生成预处理后图像，包括：
对所述待检测图像进行图像裁剪，以生成裁剪后图像，其中，所述裁剪后图像的图像尺寸与预设尺寸一致；
通过预先训练的图像增强模型，对所述裁剪后图像进行图像增强处理，以生成所述待检测图像对应的预处理后图像。
3.根据权利要求2所述的方法，其中，所述图像增强模型包括：特征下采样网络、平均池化层和特征上采样网络，所述特征下采样网络包括：第一下采样卷积块、第二下采样卷积块和第三下采样卷积块，所述特征上采样网络包括：第一上采样卷积块、第二上采样卷积块和第三上采样卷积块；以及
所述通过预先训练的图像增强模型，对所述裁剪后图像进行图像增强处理，以生成所述待检测图像对应的预处理后图像，包括：
将所述裁剪后图像输入所述第一下采样卷积块，以生成第一下采样特征图；
将所述第一下采样特征图输入所述第二下采样卷积块，以生成第二下采样特征图；
将所述第二下采样特征图输入所述第三下采样卷积块，以生成第三下采样特征图；
将所述第三下采样特征图输入所述平均池化层，以生成池化特征图；
将所述池化特征图输入所述第一上采样卷积块，以生成第一上采样特征图，其中，所述第三下采样特征图的特征图尺寸和所述第一上采样特征图的特征图尺寸一致；
将所述第一上采样特征图和所述第三下采样特征图进行特征叠加，以生成第一叠加特征图；
将所述第一叠加特征图输入所述第二上采样卷积块，以生成第二上采样特征图，其中，所述第二上采样特征图的特征图尺寸和所述第二下采样特征图的特征图尺寸一致；
将所述第二上采样特征图和所述第二下采样特征图进行特征叠加，以生成第二叠加特征图；
将所述第二叠加特征图输入所述第三上采样卷积块，以生成所述待检测图像对应的预处理后图像。
4.根据权利要求3所述的方法，其中，所述确定所述预处理后图像集合中的每张预处理后图像对应的甘草饮片表面类别，包括：
通过预选训练的目标检测模型中图像压缩层，对所述预处理后图像进行特征图像压缩，以生成压缩后图像；
通过所述目标检测模型包括的特征提取模型，对所述压缩后图像进行特征提取，以生成特征提取图，其中，所述特征提取图的特征图尺寸与所述压缩后图像的图像尺寸一致；
通过所述目标检测模型包括的第一角点检测模型，对所述特征提取图进行角点检测，以生成第一角点信息集合，其中，所述第一角点信息集合中的第一角点信息包括：角点位置信息和角点嵌入向量；
通过所述目标检测模型包括的第二角点检测模型，对所述特征提取图进行角点检测，以生成第二角点信息集合，其中，所述第二角点信息包括：角点位置信息和角点嵌入向量；
对于所述第一角点信息集合中的每个第一角点信息，执行以下处理步骤：
确定所述第一角点信息包括的角点嵌入向量，和所述第二角点信息集合中的每个第二角点信息包括的角点嵌入向量之间的相似度，得到角点相似度数值；
根据所述第一角点信息包括的角点位置信息和目标角点信息包括的角点位置信息，生成感兴趣区域信息，其中，所述目标角点信息为所述第二角点信息集合中对应的角点相似度数值满足筛选条件的第二角点信息；
将得到的感兴趣区域信息集合中的每个感兴趣区域信息对应的特征提取子图，输入所述目标检测模型包括的分类网络，以生成所述预处理后图像对应的甘草饮片表面类别。
5.一种应用于甘草饮片的等级信息生成装置，包括：
采集单元，被配置成响应于接收到图像采集指令信息，通过目标终端上的图像采集装置采集图像，得到待检测图像集合，其中，所述待检测图像集合中的待检测图像为包含有甘草饮片的图像；
图像预处理单元，被配置成对所述待检测图像集合中的每张待检测图像进行图像预处理，以生成预处理后图像，得到预处理后图像集合；
确定单元，被配置成确定所述预处理后图像集合中的每张预处理后图像对应的甘草饮片表面类别，得到甘草饮片表面类别集合，其中，甘草饮片表面类别表征预处理后图像中的甘草饮片的表面的类别；
输入单元，被配置成响应于确定所述甘草饮片表面类别集合包含预设表面类别集合中的各个预设表面类别，将所述预处理后图像集合中的预处理后图像输入至预先训练的甘草饮片等级确定模型，以生成甘草饮片等级信息，其中，所述甘草饮片等级确定模型包括：甘草饮片横截面纹理确定模型、甘草饮片直径确定模型、甘草饮片外表皮颜色类别确定模型和甘草饮片等级分类模型；
显示单元，被配置成在所述目标终端包括的显示装置上显示所述甘草饮片等级信息和所述甘草饮片等级信息对应的提示信息，其中，所述将所述预处理后图像集合中的预处理后图像输入至预先训练的甘草饮片等级确定模型，以生成甘草饮片等级信息，包括：
对于所述预处理后图像集合中每个的预处理后图像，执行以下处理步骤：
响应于确定所述预处理后图像对应的甘草饮片表面类别为第一类别，将所述预处理后图像输入所述甘草饮片横截面纹理确定模型，以生成甘草饮片横截面纹理类别信息；
响应于确定所述预处理后图像对应的甘草饮片表面类别为第一类别，将所述预处理后图像输入所述甘草饮片直径确定模型，以生成甘草饮片直径类别信息；
响应于确定所述预处理后图像对应的甘草饮片表面类别为第二类别，将所述预处理后图像输入所述甘草饮片外表皮颜色类别确定模型，以生成甘草饮片外表皮颜色类别信息；
将所述甘草饮片外表皮颜色类别信息、所述甘草饮片横截面纹理类别信息和所述甘草饮片直径类别信息，输入所述甘草饮片等级分类模型，以生成所述甘草饮片等级信息。
6.一种电子设备，包括：
一个或多个处理器；
存储装置，其上存储有一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行，使得所述一个或多个处理器实现如权利要求1至4中任一所述的方法。
7.一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1至4中任一所述的方法。
CN202210814050.8A 2022-07-12 2022-07-12 应用于甘草饮片的等级信息生成方法、装置和电子设备 Active CN115239994B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210814050.8A CN115239994B (zh) 2022-07-12 2022-07-12 应用于甘草饮片的等级信息生成方法、装置和电子设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210814050.8A CN115239994B (zh) 2022-07-12 2022-07-12 应用于甘草饮片的等级信息生成方法、装置和电子设备

Publications (2)

Publication Number Publication Date
CN115239994A CN115239994A (zh) 2022-10-25
CN115239994B true CN115239994B (zh) 2023-02-17

Family

ID=83673509

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210814050.8A Active CN115239994B (zh) 2022-07-12 2022-07-12 应用于甘草饮片的等级信息生成方法、装置和电子设备

Country Status (1)

Country Link
CN (1) CN115239994B (zh)

Citations (6)

* Cited by examiner, † Cited by third party
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
CN110376142A (zh) * 2019-08-20 2019-10-25 陕西中医药大学 中药红花质量等级的检测方法
CN112700059A (zh) * 2021-01-08 2021-04-23 上海中医药大学 一种中药丹参品质评价方法及其应用
WO2021093354A1 (zh) * 2019-11-11 2021-05-20 中国药科大学 一种基于人工智能的中药识别方法
CN113989623A (zh) * 2021-12-03 2022-01-28 浙江中医药大学 一种中药饮片图像的自动识别方法
CN114266740A (zh) * 2021-12-14 2022-04-01 芸豆数字科技有限公司 一种中药饮片质检方法、装置、设备及存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112345692A (zh) * 2019-08-06 2021-02-09 李耿 一种藁本品种鉴别系统及鉴别方法
CN110376312B (zh) * 2019-08-20 2022-03-04 陕西中医药大学 中药质量等级检测方法
CN110514611B (zh) * 2019-09-25 2023-01-20 深圳市药品检验研究院（深圳市医疗器械检测中心） 一种基于药效信息建立评价中药质量的化学模式识别方法
CN111612742B (zh) * 2020-04-23 2023-10-20 山东中医药高等专科学校 中药的霉变检测方法、检测系统及计算机可读存储介质

Patent Citations (6)

* Cited by examiner, † Cited by third party
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
CN110376142A (zh) * 2019-08-20 2019-10-25 陕西中医药大学 中药红花质量等级的检测方法
WO2021093354A1 (zh) * 2019-11-11 2021-05-20 中国药科大学 一种基于人工智能的中药识别方法
CN112700059A (zh) * 2021-01-08 2021-04-23 上海中医药大学 一种中药丹参品质评价方法及其应用
CN113989623A (zh) * 2021-12-03 2022-01-28 浙江中医药大学 一种中药饮片图像的自动识别方法
CN114266740A (zh) * 2021-12-14 2022-04-01 芸豆数字科技有限公司 一种中药饮片质检方法、装置、设备及存储介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
Identifying Chinese Herbal Medicine by Image with Three Deep CNNs;Wei Wang 等;《CCEAI 2021：Proceedings of the 5th International Conference on Control Engineering and Artificial Intelligence》;20210215;第1-8页 *
基于BP神经网络的西洋参等级分类方法研究;张喜红;《云南民族大学学报(自然科学版)》;20170716;第26卷(第04期);第322-326页 *
基于图像处理技术的中药饮片识别研究;谭超群等;《时珍国医国药》;20180720(第07期);第176-179页 *
常见根茎类中药材数字图像的特征提取与识别;王凤梅;《中国优秀硕士学位论文全文数据库医药卫生科技辑》;20200415;第E057-112页 *

Also Published As

Publication number Publication date
CN115239994A (zh) 2022-10-25

Similar Documents

Publication Publication Date Title
CN109410218B (zh) 用于生成车辆损伤信息的方法和装置
CN108509915B (zh) 人脸识别模型的生成方法和装置
US11321593B2 (en) Method and apparatus for detecting object, method and apparatus for training neural network, and electronic device
CN107622240B (zh) 人脸检测方法和装置
CN108229418B (zh) 人体关键点检测方法和装置、电子设备、存储介质和程序
CN109977832B (zh) 一种图像处理方法、装置及存储介质
CN112668588A (zh) 车位信息生成方法、装置、设备和计算机可读介质
CN110941978B (zh) 一种未识别身份人员的人脸聚类方法、装置及存储介质
CN112419179B (zh) 修复图像的方法、装置、设备和计算机可读介质
CN111209856B (zh) 发票信息的识别方法、装置、电子设备及存储介质
CN112801132A (zh) 一种图像处理方法和装置
CN114359289A (zh) 一种图像处理方法及相关装置
CN109064464B (zh) 用于检测电池极片毛刺的方法和装置
CN112465050B (zh) 一种图像模板选择方法、装置、设备及存储介质
CN114764891A (zh) 用于确定物料构成的方法、装置、电子设备和可读介质
CN115239994B (zh) 应用于甘草饮片的等级信息生成方法、装置和电子设备
CN110765304A (zh) 图像处理方法、装置、电子设备及计算机可读介质
CN113807413B (zh) 对象的识别方法、装置、电子设备
CN114972361B (zh) 一种血流分割方法、装置、设备及存储介质
CN115546554A (zh) 敏感图像的识别方法、装置、设备和计算机可读存储介质
CN114792370A (zh) 一种全肺图像分割方法、装置、电子设备及存储介质
CN113780239A (zh) 虹膜识别方法、装置、电子设备和计算机可读介质
CN114399590A (zh) 一种基于人脸解析图的人脸遮挡移除和三维模型生成方法
CN112070022A (zh) 人脸图像识别方法、装置、电子设备和计算机可读介质
CN113239943B (zh) 基于部件语义图的三维部件提取组合方法和装置

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