(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202211385167.5 (22)申请日 2022.11.07 (71)申请人 成都工业学院 地址 611730 四川省成 都市郫都区中信大 道二段1号 (72)发明人 谭宁波　严铸云　王科　何翠华　 李文博　郑长雯　 (74)专利代理 机构 西安铭泽知识产权代理事务 所(普通合伙) 61223 专利代理师 张举 (51)Int.Cl. G06V 20/60(2022.01) G06V 10/82(2022.01) G06V 10/80(2022.01) G06V 10/74(2022.01)G06N 3/04(2006.01) G06N 3/08(2006.01) (54)发明名称 一种中药 材种类识别方法 (57)摘要 本发明提供了一种中药材种类识别方法， 涉 及图像分类识别和中药材识别技术领域， 包括分 类别均衡采集不同光照、 角度和距离条件下中药 材图像数据； 对采集的图像进行图像增强处理， 形成中药材图像 数据集； 在Inc eption‑ResNet模 块的基础上融入注意力机制， 搭建卷积神经网络 模型， 损失函数为交叉熵， 并使用SGD 优化器进行 网格搜索训练识别模型； 将待识别的中药材图像 输入模型预测其类别， 根据预测类别在同类别的 图像中找到与待识别图像最相识的图像， 最后输 出类别和数据库中相似度最高的同类别图像。 本 发明中药种类识别速度较快， 准确率较高。 权利要求书2页 说明书5页 附图4页 CN 115527193 A 2022.12.27 CN 115527193 A 1.一种中药 材种类识别方法， 其特 征在于， 包括如下步骤： 采集若干已知种类的中药 材图像； 对采集的中药 材图像进行图像增强， 构建中药 材图像数据库； 采用分层随机抽样方式将中药 材图像数据库划分为训练集和 测试集； 利用空间和通道注意力 机制结合残差模块设计卷积神经网络结构， 对卷积神经网络输 入训练集进行参数训练， 构建中药 材种类识别模型； 将待识别的中药材图像输入中药材种类识别模型， 通过中药材种类识别模型计算识别 概率以及各类别概率平均值， 通过各类别概率平均值最大的图像输出识别类别与相似度最 高的同类别图像。 2.如权利要求1所述的一种中药材种类识别方法， 其特征在于， 所述采集若干已知种类 的中药材图像包括： 选取中药材的若干种类， 使目标药材位于图像的中心区域， 分类别拍摄 不同光照、 角度和距离条件下中药材图像， 得到目标药材占图像的比例不低于 且分辨率 大于640×640的中药 材图像， 且各类中药 材图像数量相同。 3.如权利要求1所述的一种中药材种类识别方法， 其特征在于， 所述对采集的中药材图 像进行图像增强包括如下步骤： 对拍摄的每一张图像进行随机 裁剪， 获得多张不同尺寸的图像； 对图像进行图像增 强处理， 包括翻转、 旋转、 亮度调节、 色调调节、 加噪声、 随机模糊中 的一种或多种； 将增强后的图像缩放 为固定的图像尺寸。 4.如权利要求1所述的一种中药材种类识别方法， 其特征在于， 所述训练集对卷积神经 网络进行参数训练为训练集上使用随机梯度下降法SGD调整网络参数， 并对不同学习率和 批尺寸进行网格搜索。 5.如权利要求1所述的一种中药材种类识别方法， 其特征在于， 所述测试集中使用ACC 指标评价模型， 最后保存最优 模型。 6.如权利要求1所述的一种中药材种类识别方法， 其特征在于， 构建所述中药材种类识 别模型中使用两种激活函数， 具体如下： 中间层ReLU： f(x)＝max(0,x) 输出层Softmax： 其中K为药 材种类数量。 7.如权利要求1所述的一种中药材种类识别方法， 其特征在于， 所述通过训练后的卷积 神经网络构建中药 材种类识别模型 具体包括： 中药材种类识别模型的目标采用最小化交叉熵损失函数得到， 其中最小化交叉熵损失 函数为： 其中yi为真实值， 为预测值； 将输入特征图F， 经过平均池化和最大池化操作， 然后分别送入MLP网络， 压缩输入特征 图的维数， 最后逐 元素求和， 获得通道 注意力， 通道 注意力机制的表达式如下： Mc(F)＝σ(MLP(AvgPo ol(F)))+σ(MLP(MaxPo ol(F)))权　利　要　求　书 1/2 页 2 CN 115527193 A 2其中AvgPo ol(F)和MaxPo ol(F)分别表示平均池化和最大池化， σ 表示激活函数； 空间注意力机制模块是对特征图F进行通道压缩， 通道维度上进行平均值池化和最大 值池化， 接下来进行通道融合得2通道的特 征图， 表达式如下： Ms(F)＝σ(f7×7([AvgPool(F)； MaxPo ol(F)])) 其中f7×7表示7×7卷积操作； 残差模块包括快捷连接和恒等映射， 表达式为H(x)＝M(x)+x； 使用多个不同大小的卷积核提取对特征图F的多种特征， 再进行融合， 表达式为C(F)＝ [M1(F)； M2(F)； M3(F),M4(F)]， 其中Mi(F)(i＝1,2,3,4)表示不同大小的卷积核提取不同特 征； 计算数据均值和方差， 数据进行 标准化， 训练参数 未知参数， 在线性变换后输出新 值。 8.如权利要求1所述的一种中药材种类识别方法， 其特征在于， 所述通过概率平均值最 大的图像输出识别类别与相似度最高的同类型图像包括如下步骤： 从待识别的中药 材图像中随机 裁剪出5张25 6×256的图像； 使用中药材种类识别模型分别识别裁剪出的5张图像， 并对中药材种类识别模型输出 的概率Pi＝[p1i,p2i,…,pKi](i＝1,2, …,5)， 计算各类别的概率平均值 由 概率平均值 最大确定待识别的图像的类别 根据预测类别在同类别的图像中找到与待识别图像最相识的图像， 最后输出类别和中 药材种类数据库中相似度最高的同类型图像。权　利　要　求　书 2/2 页 3 CN 115527193 A 3