CN116091896B - 基于IResNet模型网络的防风药材产地识别方法及系统 - Google Patents
基于IResNet模型网络的防风药材产地识别方法及系统 Download PDFInfo
- Publication number
- CN116091896B CN116091896B CN202310382851.6A CN202310382851A CN116091896B CN 116091896 B CN116091896 B CN 116091896B CN 202310382851 A CN202310382851 A CN 202310382851A CN 116091896 B CN116091896 B CN 116091896B
- Authority
- CN
- China
- Prior art keywords
- network
- model
- medicinal material
- backbone network
- layer
- 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 70
- 239000000463 material Substances 0.000 claims abstract description 72
- 238000012549 training Methods 0.000 claims abstract description 48
- 241001180876 Saposhnikovia Species 0.000 claims abstract description 35
- 238000012795 verification Methods 0.000 claims abstract description 30
- 230000008569 process Effects 0.000 claims description 12
- 238000007781 pre-processing Methods 0.000 claims description 11
- 238000004590 computer program Methods 0.000 claims description 10
- 239000003814 drug Substances 0.000 claims description 8
- 238000002790 cross-validation Methods 0.000 claims description 6
- 229940079593 drug Drugs 0.000 claims description 6
- 238000004519 manufacturing process Methods 0.000 claims description 6
- 238000013515 script Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 6
- 230000006872 improvement Effects 0.000 abstract description 2
- 238000002474 experimental method Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 230000006870 function Effects 0.000 description 6
- 230000000007 visual effect Effects 0.000 description 6
- 208000037170 Delayed Emergence from Anesthesia Diseases 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000000638 solvent extraction Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 239000006185 dispersion Substances 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000002679 ablation Methods 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 239000013307 optical fiber Substances 0.000 description 1
- 210000000056 organ Anatomy 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 241000894007 species Species 0.000 description 1
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
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/776—Validation; Performance evaluation
-
- 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
- G06V10/77—Processing image or video features in feature spaces; using data integration or data reduction, e.g. principal component analysis [PCA] or independent component analysis [ICA] or self-organising maps [SOM]; Blind source separation
- G06V10/778—Active pattern-learning, e.g. online learning of image or video features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于IResNet模型网络的防风药材产地识别方法及系统,属于药材识别技术领域,其中,方法包括:采集多个防风药材图像构建小样本数据集;将小样本数据集划分为训练集和验证集;将分层残差连接结构加入IResNet模型网络中,得到改进后的骨干网络;采用深度可分离卷积操作代替改进后的骨干网络中的常规卷积操作,得到最优骨干网络;利用训练集对最优骨干网络进行训练,得到防风药材识别模型,并采用验证集对防风药材识别模型进行验证。该方法训练改进后的IResNet模型网络进行自主识别,减少了时间成本和计算成本,同时采用自适应学习率衰减策略提升网络模型训练精度和识别的准确率。
Description
技术领域
本发明涉及药材识别技术领域,特别涉及一种基于IResNet模型网络的防风药材产地识别方法及系统。
背景技术
由于防风药材受生长年限和人为因素影响,同一产地的防风药材外观形态极易发生改变,因此现有防风药材产地识别方法将防风药材的表型作为区分防风药材产地的首选器官,由专业人员去观察判断防风药材的外表差异。
但实际上,防风产地识别属于精细分类范畴,防风药材的颜色纹理特征在同一地区受外界特殊情况影响较小,外部性状较为稳定,且同物种空间形态和颜色纹理特征较为复杂,区分度极低,人工根据防风药材的表型识别防风产地十分困难,不仅耗时耗力,且识别存在一定的误差。
发明内容
本发明提供一种基于IResNet模型网络的防风药材产地识别方法及系统,以用于解决现有防风产地识别方法由人工根据防风药材的表型进行识别,识别过程不仅耗时耗力,且识别存在一定的误差的技术问题。
本发明一方面实施例提供一种基于IResNet模型网络的防风药材产地识别方法,包括:
步骤S1,采集预设数量的防风药材图像,以构建小样本数据集;
步骤S2,利用5折交叉验证法将所述小样本数据集划分为训练集和验证集;
步骤S3,将IResNet模型网络作为初始骨干网络,并将分层残差连接结构加入所述初始骨干网络中,得到改进后的骨干网络;
步骤S4,采用深度可分离卷积操作代替所述改进后的骨干网络中的常规卷积操作,得到最优骨干网络;
步骤S5,利用所述训练集对所述最优骨干网络进行训练,得到防风药材识别模型;
步骤S6,将所述验证集输入所述防风药材识别模型中进行验证。
本发明另一方面实施例提供一种基于IResNet模型网络的防风药材产地识别系统法,包括:
采集模块,用于采集预设数量的防风药材图像,以构建小样本数据集;
划分模块,用于利用5折交叉验证法将所述小样本数据集划分为训练集和验证集;
第一改进网络模块,用于将IResNet模型网络作为初始骨干网络,并将分层残差连接结构加入所述初始骨干网络中,得到改进后的骨干网络;
第二改进网络模块,用于采用深度可分离卷积操作代替所述改进后的骨干网络中的常规卷积操作,得到最优骨干网络;
训练模块,用于利用所述训练集对所述最优骨干网络进行训练,得到防风药材识别模型;
验证模块,用于将所述验证集输入所述防风药材识别模型中进行验证。
本发明又一方面实施例提供一种计算机设备,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,所述处理器执行所述计算机程序时,实现如上述实施例所述的基于IResNet模型网络的防风药材产地识别方法。
本发明还一方面实施例提供一种非临时性计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如上述实施例所述的基于IResNet模型网络的防风药材产地识别方法。
本发明的技术方案,至少实现了如下有益的技术效果:
(1)解决了现有防风产地识别方法由人工根据防风药材的表型进行识别,识别过程不仅耗时耗力,且识别存在一定的误差的技术问题;
(2)通过对小样本数据集图像进行预处理,增加了数据样本,模拟真实环境,提升模型泛化能力;
(3)通过将分层残差连接结构加入IResNet模型网络中,强化同一残差块内不同区域、不同特征之间的关联性,避免不同产地防风药材之间的识别产生误差;
(4)通过采用深度可分离卷积操作代替IResNet模型网络后期所使用的常规卷积操作,减少了计算量和参数量带来的网络模型过大,时间成本计算成本过多的问题;
(5)通过在训练最优骨干网络时采用了自适应学习率衰减策略,使之可以根据网络训练自适应确定当前阶段学习率的最优数值,从而继续提升准确率和网络模型训练精度。
本发明附加的方面和优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为本发明实施例所提供的基于IResNet模型网络的防风药材产地识别方法的流程示意图;
图2为本发明实施例所提供的防风药材数据集增强前后的对比图;
图3为本发明实施例所提供的分层残差连接结构图;
图4为本发明实施例所提供的引入深度可分卷积的骨干网络的结构图;
图5为本发明实施例所提供的防风药材识别模型的结构示意图;
图6为本发明实施例所提供的防风药材产地识别模型改进前后准确率可视化对比图;
图7为本发明实施例所提供的防风药材产地识别模型对比实验结果可视化图;
图8为本发明实施例所提供的改进前防风药材产地识别模型的混淆矩阵可视化图像;
图9为本发明实施例所提供的改进后防风药材产地识别模型的混淆矩阵可视化图像;
图10为本发明实施例所提供的基于IResNet模型网络的防风药材产地识别系统法的结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
下面参照附图描述根据本发明实施例提出的基于IResNet模型网络的防风药材产地识别方法及系统,首先将参照附图描述根据本发明实施例提出的基于IResNet模型网络的防风药材产地识别方法。
图1为本发明实施例所提供的基于IResNet模型网络的防风药材产地识别方法的流程示意图。
如图1所示,该基于IResNet模型网络的防风药材产地识别方法包括以下步骤:
在步骤S1中,采集预设数量的防风药材图像,以构建小样本数据集。
在本发明实施例中,建立了来源于吉林、河北、甘肃、内蒙古东北部、黑龙江5个主要产区正品防风药材样本的2001张防风药材图像,将2001张防风药材图像构建成小样本数据集。
在步骤S2中,利用5折交叉验证法将小样本数据集划分为训练集和验证集。
进一步地,在本发明的一个实施例中,步骤S2具体包括:
步骤S201,对小样本数据集进行数据预处理,其中,数据预处理包括水平翻转、色彩变换和随机裁剪;
步骤S202,采用5折交叉验证法将预处理后的小样本数据集通过Python数据集划分脚本以8:2的比例进行划分,得到训练集和验证集。
如图2所示,具体地,先将小样本数据集中的每个图像进行水平翻转、色彩变换、随机裁剪等数据预处理,以增强数据样本,模拟真实环境,提升模型泛化能力,再采用5折交叉验证的方法将整个预处理后的小样本数据集通过Python数据集划分脚本以8:2的比例进行划分训练集和验证集,为后期网络训练和验证做好准备。
在步骤S3中,将IResNet模型网络作为初始骨干网络,并将分层残差连接结构加入初始骨干网络中,得到改进后的骨干网络。
在本发明实施例中,采用IResNet(Improved Residual Networks,为改进的残差网络)模型网络作为初始骨干网络,以能够有效减少信息损失,防止模型产生梯度弥散,并减少超参数的使用,其中,IResNet模型网络原始结构为:Startingstage(开始阶段)层、第一Mainstage(主要结构阶段)层、第二Mainstage层、第三Mainstage层、第四Mainstage层和Endingstage(结束阶段)层,其中,Startingstage层由BN(批归一化)层和Relu(激活函数)层构成,第一Mainstage层由1个Start ResBlock(开始残差模块),1个Middle ResBlock(中间残差模块)和1个End ResBlock(结束残差模块)组成,第二Mainstage层由1个StartResBlock,2个Middle ResBlock和1个End ResBlock组成,第三Mainstage层由1个StartResBlock,4个Middle ResBlock和1个End ResBlock组成,第四Mainstage层由1个StartResBlock,1个Middle ResBlock和1个End ResBlock组成,Endingstage层由平均池化层和线性连接层构成;
如图3所示,为了强化同一残差块内不同区域、不同特征之间的关联性,避免不同产地防风药材之间的识别产生误差,本发明实施例将分层残差连接结构加入初始骨干网络的前期,也就是,将第一Mainstage层和第二Mainstage层进行替换,替换后得到改进后的骨干网络,其中,改进后的骨干网络依次包括Startingstage层、第一HRC stage(分层残差连接结构)层、第二HRC stage层、第一Mainstage层、第二Mainstage层和Endingstage层,第一HRC stage层由3个HRCblock(分层残差连接结构)块组成,第二HRC stage层由4个HRCblock块组成。
需要说明的是,加入分层残差连接结构的初始骨干网络,与大多数现有的在神经网络通过分层来表示多尺度特征学习的方法不同,HRC block结构在图像分类的层次上提高了神经网络的多尺度表示能力,由HRC block组成的HRC stage区别于传统尺度特征提取模块通过分层来提取尺度特征的方法,用层次化分等级构建模块提升了整个模型的尺度特征提取能力和表达能力,增加了每个网络层的感受野,可以在更细粒度上提取到防风的表型特征。并且由于通道做了拆分操作,参数量实际上没有增加很多,不会因网络参数过大而导致模型训练的负面问题。
在步骤S4中,采用深度可分离卷积操作代替改进后的骨干网络中的常规卷积操作,得到最优骨干网络。
需要说明的是,IResNet虽然在一定程度上有效降低了梯度弥散的问题,但其网络深度和传统残差网络相同,该网络应用的传统常规卷积操作由于计算量大,消耗的时间成本也随之增加。为了降低网络模型的计算量和减少时间花费,在本发明实施例中,用深度可分离卷积操作替换常规卷积,在保证特征提取能力的前提下,降低网络模型的整体消耗。
如图4所示,具体地,采用深度可分离卷积操作代替改进后的骨干网络中的常规卷积操作,即将改进后的骨干网络中的第一Mainstage层、第二Mainstage层进行替换,得到最优骨干网络,其中,最优骨干网络依次包括Startingstage层、第一HRC stage层、第二HRCstage层、第一Improve Mainstage(改进后的主要结构阶段)层、第二Improve Mainstage层和Endingstage层,第一Improve Mainstage层由1个使用深度可分离卷积代替常规3x3卷积的Start ResBlock、4个使用深度可分离卷积代替常规3x3卷积的Middle ResBlock和1个使用深度可分离卷积代替常规3x3卷积的End ResBlock组成;第二Improve Mainstage层由1个使用深度可分离卷积代替常规3x3卷积的Start ResBlock、1个使用深度可分离卷积代替常规3x3卷积的Middle ResBlock和1个使用深度可分离卷积代替常规3x3卷积的EndResBlock组成。
在步骤S5中,利用训练集对最优骨干网络进行训练,得到防风药材识别模型。
如图5所示,在本发明实施例中,在利用训练集对最优骨干网络进行训练时,采用自适应学习率衰减策略,无需预先设置间隔轮数,而是在参数中设定忍耐轮数,在学习率不再下降的轮数和预先设置的忍耐轮数相同时,学习率自动下调,除此之外还可以设置冷却轮数,在网络训练后期防止反复下调,使之可以根据网络训练自适应确定当前阶段学习率的最优数值,从而继续提升准确率和网络模型训练精度,进而使得训练后得到的防风药材识别模型可以根据网络需求自主调节学习率以达到尽可能最优,在一定程度上避免人工预先设置导致的局限性以及误差。
在步骤S6中,将验证集输入防风药材识别模型中进行验证。
下面通过一个具体实施例和多个实验对本发明实施例提出的基于IResNet模型网络的防风药材产地识别方法的工作原理和效果进一步说明。
首先设定实验配置环境为笔记本GPU,处理器为AMD Ryzen9 5900HX withRadeonGraphics 3.30GHz,显卡为Nvidia GeForce RTX 3070 LaptopGPU,采用windows11操作系统,软件配置安装为Anaconda3-2021.11-windows版本,并给予Python3.10.1编程语言搭建的Pytorch1.10的深度学习框架,所有对比算法均在相同环境下运行。
实施例一,通过python脚本对小样本数据集进行预处理和划分,基于pytorch框架接入最优骨干网络,通过划分后得到的训练集对最优骨干网络进行训练,训练过程中对超参数进行修改,从而通过深度学习方法和现有数据建立防风药材产地识别模型,其中,超参数为:
实验一,如图6所示,通过消融实验确定了提出的防风药材产地识别模型有效性,保证了每个改进部分在网络模型的最优位置。准确率从初始的88.69%提升到93.72%。
实验二,如图7所示,通过对比实验确定了提出的防风药材产地识别模型先进性,分别选择经典卷积神经网络ResNet50(Residual Network 50,指50层的深度残差网络)和ResNest50(Split-Attention Networks 50,为ResNet50的改进版),Res2Net50(A NewMulti-scale Backbone Architecture,为一种新的多尺度主干结构),RepVggNet_B0(Re-param Visual Geometry Group Network,为一种重参数化的VGG网络,B0是指RepVggNet的最小的模型代号 ), ConvNext_T(为一种新型卷积神经网络结构,T是tiny,指最小的模型代号)四种新式网络与Our model(本模型)进行对比试验,结果如下:
实验三,如图8和9所示,通过模型混淆矩阵的可视化对比分析确定了提出的防风药材产地识别模型相较于初始模型的识别能力有了很大的提升。
实验四,通过模型识别性能的评价指标对比分析确定了提出的防风药材产地识别模型相较于初始模型的精确率、召回率以及F1分数有了很大的提升。结果如下:
综上,根据本发明实施例提出的基于IResNet模型网络的防风药材产地识别方法,解决了现有防风产地识别方法由人工根据防风药材的表型进行识别,识别过程不仅耗时耗力,且识别存在一定的误差的技术问题;通过对小样本数据集图像进行预处理,增加了数据样本,模拟真实环境,提升模型泛化能力;通过将分层残差连接结构加入IResNet模型网络中,强化同一残差块内不同区域、不同特征之间的关联性,避免不同产地防风药材之间的识别产生误差;采用深度可分离卷积操作代替IResNet模型网络后期所使用的常规卷积操作,减少了计算量和参数量带来的网络模型过大,时间成本计算成本过多的问题;通过在训练最优骨干网络时采用了自适应学习率衰减策略,使之可以根据网络训练自适应确定当前阶段学习率的最优数值,从而继续提升准确率和网络模型训练精度。
其次参照附图描述根据本发明实施例提出的基于IResNet模型网络的防风药材产地识别系统法。
图10为本发明实施例所提供的基于IResNet模型网络的防风药材产地识别系统法的结构示意图。
如图10所示,该系统10包括:采集模块100、划分模块200、第一改进网络模块300、第二改进网络模块400、训练模块500和验证模块600。
其中,采集模块100用于采集预设数量的防风药材图像,以构建小样本数据集。
划分模块200用于利用5折交叉验证法将小样本数据集划分为训练集和验证集。
在本发明的一个实施例中,划分模块200具体用于:
对小样本数据集进行数据预处理,其中,数据预处理包括水平翻转、色彩变换和随机裁剪;
采用5折交叉验证法将预处理后的小样本数据集通过Python数据集划分脚本以8:2的比例进行划分,得到训练集和验证集。
第一改进网络模块300用于将IResNet模型网络作为初始骨干网络,并将分层残差连接结构加入初始骨干网络中,得到改进后的骨干网络。
在本发明的一个实施例中,改进后的骨干网络依次包括Startingstage层、第一HRC stage层、第二HRC stage层、第一Mainstage层、第二Mainstage层和Endingstage层。
第二改进网络模块400用于采用深度可分离卷积操作代替改进后的骨干网络中的常规卷积操作,得到最优骨干网络。
在本发明的一个实施例中,最优骨干网络依次包括Startingstage层、第一HRCstage层、第二HRC stage层、第一Improve Mainstage层、第二Improve Mainstage层和Endingstage层,
训练模块500用于利用训练集对最优骨干网络进行训练,得到防风药材识别模型。
在本发明的一个实施例中,训练模块500中采用自适应学习率衰减策略,以调整预设参数对训练过程进行自适应调整,从而得到防风药材识别模型。
验证模块600用于将验证集输入防风药材识别模型中进行验证。
需要说明的是,前述对基于IResNet模型网络的防风药材产地识别方法实施例的解释说明也适用于该实施例的系统,此处不再赘述。
综上,根据本发明实施例提出的基于IResNet模型网络的防风药材产地识别系统法,解决了现有防风产地识别方法由人工根据防风药材的表型进行识别,识别过程不仅耗时耗力,且识别存在一定的误差的技术问题;通过对小样本数据集图像进行预处理,增加了数据样本,模拟真实环境,提升模型泛化能力;通过将分层残差连接结构加入IResNet模型网络中,强化同一残差块内不同区域、不同特征之间的关联性,避免不同产地防风药材之间的识别产生误差;采用深度可分离卷积操作代替IResNet模型网络后期所使用的常规卷积操作,减少了计算量和参数量带来的网络模型过大,时间成本计算成本过多的问题;通过在训练最优骨干网络时采用了自适应学习率衰减策略,使之可以根据网络训练自适应确定当前阶段学习率的最优数值,从而继续提升准确率和网络模型训练精度。
为了实现上述实施例,本发明还提出了一种计算机设备,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,所述处理器执行所述计算机程序时,实现如前述实施例所述的基于IResNet模型网络的防风药材产地识别方法。
为了实现上述实施例,本发明还提出了一种非临时性计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现如前述实施例所述的基于IResNet模型网络的防风药材产地识别方法。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或N个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
此外,术语“第一”、“第二”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中,“N个”的含义是至少两个,例如两个,三个等,除非另有明确具体的限定。
流程图中或在此以其他方式描述的任何过程或方法描述可以被理解为,表示包括一个或更N个用于实现定制逻辑功能或过程的步骤的可执行指令的代码的模块、片段或部分,并且本发明的优选实施方式的范围包括另外的实现,其中可以不按所示出或讨论的顺序,包括根据所涉及的功能按基本同时的方式或按相反的顺序,来执行功能,这应被本发明的实施例所属技术领域的技术人员所理解。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤,例如,可以被认为是用于实现逻辑功能的可执行指令的定序列表,可以具体实现在任何计算机可读介质中,以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用,或结合这些指令执行系统、装置或设备而使用。就本说明书而言,"计算机可读介质"可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。计算机可读介质的更具体的示例(非穷尽性列表)包括以下:具有一个或N个布线的电连接部(电子装置),便携式计算机盘盒(磁装置),随机存取存储器(RAM),只读存储器(ROM),可擦除可编辑只读存储器(EPROM或闪速存储器),光纤装置,以及便携式光盘只读存储器(CDROM)。另外,计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质,因为可以例如通过对纸或其他介质进行光学扫描,接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序,然后将其存储在计算机存储器中。
应当理解,本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中,N个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。如,如果用硬件来实现和在另一实施方式中一样,可用本领域公知的下列技术中的任一项或他们的组合来实现:具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路,具有合适的组合逻辑门电路的专用集成电路,可编程门阵列(PGA),现场可编程门阵列(FPGA)等。
本技术领域的普通技术人员可以理解实现上述实施例方法携带的全部或部分步骤是可以通过程序来指令相关的硬件完成,所述的程序可以存储于一种计算机可读存储介质中,该程序在执行时,包括方法实施例的步骤之一或其组合。
此外,在本发明各个实施例中的各功能单元可以集成在一个处理模块中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,也可以存储在一个计算机可读取存储介质中。
上述提到的存储介质可以是只读存储器,磁盘或光盘等。尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于IResNet模型网络的防风药材产地识别方法,其特征在于,包括以下步骤:
步骤S1,采集预设数量的防风药材图像,以构建小样本数据集;
步骤S2,利用5折交叉验证法将所述小样本数据集划分为训练集和验证集;
步骤S3,将IResNet模型网络作为初始骨干网络,并将分层残差连接结构加入所述初始骨干网络中,得到改进后的骨干网络;
步骤S4,采用深度可分离卷积操作代替所述改进后的骨干网络中的常规卷积操作,得到最优骨干网络;
步骤S5,利用所述训练集对所述最优骨干网络进行训练,得到防风药材识别模型;
步骤S6,将所述验证集输入所述防风药材识别模型中进行验证。
2.根据权利要求1所述的基于IResNet模型网络的防风药材产地识别方法,其特征在于,所述步骤S2具体包括:
步骤S201,对所述小样本数据集进行数据预处理,其中,所述数据预处理包括水平翻转、色彩变换和随机裁剪;
步骤S202,采用5折交叉验证法将预处理后的小样本数据集通过Python数据集划分脚本以8:2的比例进行划分,得到所述训练集和所述验证集。
3.根据权利要求1所述的基于IResNet模型网络的防风药材产地识别方法,其特征在于,所述改进后的骨干网络依次包括Startingstage层、第一HRC stage层、第二HRC stage层、第一Mainstage层、第二Mainstage层和Endingstage层。
4.根据权利要求3所述的基于IResNet模型网络的防风药材产地识别方法,其特征在于,所述第一HRC stage层由3个HRCblock组成,所述第二HRC stage层由4个HRCblock组成。
5.根据权利要求1所述的基于IResNet模型网络的防风药材产地识别方法,其特征在于,所述最优骨干网络依次包括Startingstage层、第一HRC stage层、第二HRC stage层、第一Improve Mainstage层、第二Improve Mainstage层和Endingstage层。
6.根据权利要求5所述的基于IResNet模型网络的防风药材产地识别方法,其特征在于,所述第一Improve Mainstage层由1个使用深度可分离卷积代替常规3x3卷积的StartResBlock、4个使用深度可分离卷积代替常规3x3卷积的Middle ResBlock和1个使用深度可分离卷积代替常规3x3卷积的End ResBlock组成;
所述第二Improve Mainstage层由1个使用深度可分离卷积代替常规3x3卷积的StartResBlock、1个使用深度可分离卷积代替常规3x3卷积的Middle ResBlock和1个使用深度可分离卷积代替常规3x3卷积的End ResBlock组成。
7.根据权利要求1所述的基于IResNet模型网络的防风药材产地识别方法,其特征在于,所述步骤S5中采用自适应学习率衰减策略,以调整预设参数对训练过程进行自适应调整,从而得到所述防风药材识别模型。
8.一种基于IResNet模型网络的防风药材产地识别系统,其特征在于,包括:
采集模块,用于采集预设数量的防风药材图像,以构建小样本数据集;
划分模块,用于利用5折交叉验证法将所述小样本数据集划分为训练集和验证集;
第一改进网络模块,用于将IResNet模型网络作为初始骨干网络,并将分层残差连接结构加入所述初始骨干网络中,得到改进后的骨干网络;
第二改进网络模块,用于采用深度可分离卷积操作代替所述改进后的骨干网络中的常规卷积操作,得到最优骨干网络;
训练模块,用于利用所述训练集对所述最优骨干网络进行训练,得到防风药材识别模型;
验证模块,用于将所述验证集输入所述防风药材识别模型中进行验证。
9.一种计算机设备,其特征在于,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,所述处理器执行所述计算机程序时,实现如权利要求1-7中任一所述的基于IResNet模型网络的防风药材产地识别方法。
10.一种非临时性计算机可读存储介质,其上存储有计算机程序,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1-7中任一所述的基于IResNet模型网络的防风药材产地识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310382851.6A CN116091896B (zh) | 2023-04-12 | 2023-04-12 | 基于IResNet模型网络的防风药材产地识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310382851.6A CN116091896B (zh) | 2023-04-12 | 2023-04-12 | 基于IResNet模型网络的防风药材产地识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116091896A CN116091896A (zh) | 2023-05-09 |
CN116091896B true CN116091896B (zh) | 2023-07-25 |
Family
ID=86199601
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310382851.6A Active CN116091896B (zh) | 2023-04-12 | 2023-04-12 | 基于IResNet模型网络的防风药材产地识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116091896B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113792783A (zh) * | 2021-09-13 | 2021-12-14 | 陕西师范大学 | 一种基于深度学习的和面阶段自动识别方法及系统 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US11580780B2 (en) * | 2019-11-13 | 2023-02-14 | Nec Corporation | Universal feature representation learning for face recognition |
CN114330565A (zh) * | 2021-12-31 | 2022-04-12 | 深圳集智数字科技有限公司 | 一种人脸识别方法及装置 |
CN114550268A (zh) * | 2022-03-01 | 2022-05-27 | 北京赛思信安技术股份有限公司 | 一种利用时空特征的深度伪造视频检测方法 |
CN115131782A (zh) * | 2022-07-01 | 2022-09-30 | 广西科学院 | 基于多尺度特征和注意力的图像小目标分类方法 |
-
2023
- 2023-04-12 CN CN202310382851.6A patent/CN116091896B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113792783A (zh) * | 2021-09-13 | 2021-12-14 | 陕西师范大学 | 一种基于深度学习的和面阶段自动识别方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116091896A (zh) | 2023-05-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10706333B2 (en) | Medical image analysis method, medical image analysis system and storage medium | |
CN106815481B (zh) | 一种基于影像组学的生存期预测方法及装置 | |
Bassingthwaighte et al. | Fractal physiology | |
CN109003270B (zh) | 一种图像处理方法、电子设备及存储介质 | |
CN112270666A (zh) | 基于深度卷积神经网络的非小细胞肺癌病理切片识别方法 | |
Li et al. | FWDGAN-based data augmentation for tomato leaf disease identification | |
CN114494263B (zh) | 融合临床信息的医学影像病变检测方法、系统及设备 | |
CN112037179B (zh) | 一种脑疾病诊断模型的生成方法、系统及设备 | |
CN116523840B (zh) | 一种基于深度学习的肺部ct图像检测系统以及方法 | |
CN111341437A (zh) | 基于舌图像的消化道疾病判断辅助系统 | |
Sorić et al. | Using convolutional neural network for chest X-ray image classification | |
Xu et al. | Retinal vessel segmentation via a semantics and multi-scale aggregation network | |
CN114708212A (zh) | 一种基于SEA-Unet的心脏图像分割方法 | |
CN116091896B (zh) | 基于IResNet模型网络的防风药材产地识别方法及系统 | |
CN112634308A (zh) | 基于不同感受野的鼻咽癌靶区和危及器官的勾画方法 | |
CN112861881A (zh) | 一种基于改进MobileNet模型的蜂窝肺识别方法 | |
CN116563651A (zh) | 鼻咽癌预后特征确定方法、系统、装置及存储介质 | |
Liang et al. | A ResNet50-DPA model for tomato leaf disease identification | |
CN112907503B (zh) | 基于自适应卷积神经网络的南美白对虾品质检测方法 | |
AU2020103309A4 (en) | Classification method of central nervous system tumors | |
Zheng et al. | WPNet: Wide Pyramid Network for Recognition of HER2 Expression Levels in Breast Cancer Evaluation | |
KR101899729B1 (ko) | 세포핵 기반의 암 탐지 방법 및 암 탐지를 위한 위한 학습 방법 | |
Ramakrishnan et al. | Automated lung cancer nodule detection | |
CN108735269B (zh) | 一种基于连续聚类框架的脑纤维快速聚类方法 | |
CN112668668B (zh) | 一种术后医学影像评估方法、装置、计算机设备及存储介质 |
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 | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20230627 Address after: No. 333, Xishan Avenue, Wuxi City, Jiangsu Province, 214000 Applicant after: Wuxi University Address before: 130118 No. 2888 Xincheng street, Jilin, Changchun Applicant before: JILIN AGRICULTURAL University |
|
TA01 | Transfer of patent application right | ||
GR01 | Patent grant | ||
GR01 | Patent grant |