[發明專利]一種基于深度學習的中藥材識別裝置

在審

• 申請號: 201710299118.2
• 申請日: 2017-05-01
• 公開（公告）號: CN107092906A
• 公開（公告）日: 2017-08-25
• 發明（設計）人: 劉至鍵
• 申請（專利權）人: 劉至鍵
• 主分類號: G06K9/20
• 分類號: G06K9/20;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于深度學習的中藥材識別裝置，包括攝像模塊、圖像采集模塊、亮度均衡控制模塊、深度卷積網絡服務器、顯示驅動模塊、微顯示終端、補光燈，其特征在于所述的攝像模塊與圖像采集模塊連接，所述的圖像采集模塊與亮度均衡控制模塊連接，所述的亮度均衡控制模塊與深度卷積網絡服務器連接，所述的深度卷積網絡服務器與顯示驅動模塊連接，所述顯示驅動模塊與微顯示終端連接，所述亮度均衡控制模塊與補光燈連接；所述的亮度均衡控制模塊用于對來自攝像模塊的圖像亮度平均值進行檢測，根據亮度平均值結果控制補光燈；所述的微顯示終端是0.37英寸的 LCoS透視顯示器；所述的深度卷積網絡服務器采用深度學習網絡，所述深度學習網絡包括卷積層1、池化層1、卷積層2、池化層2、卷積層3、卷積層4、池化層3、卷積層5、池化層4、全連接層1和全連接層2。

2.如權利要求1所述的一種基于深度學習的中藥材識別裝置，其特征在于所述深度學習網絡的訓練步驟具體包括：步驟一，獲取帶有屬性及參數標記的中藥材圖像樣本；步驟二，利用預先設置有初始參數的深度學習網絡對所述中藥材圖像樣本進行分類；根據所述深度學習網絡輸出結果與所述中藥材的屬性信息之間的差異逐層反傳至所述深度學習網絡，訓練所述深度學習網絡的參數；步驟三所述利用預先設置有初始參數的深度學習網絡對所述中藥材圖像樣本進行分類具體為：利用預先設置有初始參數的卷積核與所述中藥材圖像樣本進行卷積計算；經過池化層的池化操作以及全連接層1和全連接層2的全連接操作，得到所述中藥材圖像樣本的中藥材屬性概率；所述根據所述深度學習網絡輸出結果與所述中藥材的屬性信息之間的差異逐層反傳至所述深度學習網絡，訓練所述深度學習網絡的參數，具體為：當所述中藥材屬性概率與所述中藥材的屬性信息之間存在差異時，調整所述卷積核中的參數，直至輸出的中藥材屬性概率與所述中藥材的屬性信息相符；在所述的深度學習網絡中，所述深度學習網絡的運行步驟包括：獲取待識別中藥材圖像，利用預先訓練得到的深度學習網絡識別所述待識別中藥材圖像；識別通過所述卷積層1、池化層1、卷積層2、池化層2、卷積層3、卷積層4、池化層3、卷積層5、池化層4、全連接層1和全連接層2，于全連接層2輸出節點為所述中藥材圖像的中藥材屬性概率，根據所述中藥材屬性概率確定所述待識別中藥材圖像的中藥材屬性信息；在獲取待識別中藥材圖像之后、在所述利用預先訓練得到的深度學習網絡識別所述待識別中藥材圖像之前，進一步包括：對所述待識別中藥材圖像進行預處理；所述預處理至少包括以下一種操作：裁剪、邊界填充、翻轉、飽和度平衡、色調平衡、對比度平衡、直方圖均衡、鏡像操作、隨機剪切、中心化、均值化、調整大小resize；步驟包括：獲取待識別中藥材圖像；訓練深度學習網絡；所述深度學習網絡的網絡結構包括卷積層、池化層和全連接層，所述卷積層的后面連接所述池化層，所述池化層后面連接所述全連接層，最后的全連接層上的每個輸出節點為所述中藥材圖像的中藥材屬性概率；識別步驟是利用預先訓練得到的深度學習網絡識別所述待識別中藥材圖像；根據所述中藥材屬性概率確定所述待識別中藥材圖像的中藥材屬性信息。

3.如權利要求1所述的一種基于深度學習的中藥材識別裝置，其特征在于，所述深度學習網絡的參數具體為使用深度學習網絡的訓練工具通過tensorflow進行訓練，從輸入到輸出的計算過程為：

，其中表示輸入，表示卷積核，表示偏置表示輸出；

，其中表示輸入，表示權值，表示偏置，表示輸出；

，其中池化面）是輸入，表示卷積核 ，表示偏置，其中 ,) ，表示輸出；

,其中表示輸入，表示權值，表示偏置，表示輸出；

，其中池化面）是輸入，表示卷積核 ，表示偏置，其中 ,) ，表示輸出；

，其中池化面）是輸入，表示卷積核 ，表示偏置，其中 ,) ，表示輸出；

,其中表示輸入，表示權值，表示偏置，表示輸出；

，其中池化面）是輸入，表示卷積核 ，表示偏置，其中 ,) ，表示輸出；

,其中表示輸入，表示權值，表示偏置，表示輸出；

；

所述tensorflow的參數包括：卷積層1的卷積核尺寸為11×11，顏色通道為3，卷積核數量為64，卷積步長為4×4，圖片每4×4區域只取樣一次，橫向間隔是4，縱向間隔是4，每次取樣的卷積核為11×11；池化層1的池化尺寸為3×3，取樣步長為2×2；卷積層2的卷積核尺寸為5×5，輸入通道數為64，卷積核數量為192，卷積步長為1；池化層2的池化尺寸為3×3，取樣步長為2×2；卷積層3的卷積核尺寸為3×3，輸入通道數為192，卷積核數量為384，卷積步長為1；卷積層4的卷積核尺寸為3×3，輸入通道數為384，卷積核數量為256，卷積步長為1；池化層3的池化尺寸為3×3，取樣步長為2×2；卷積層5的卷積核尺寸為3×3，輸入通道數為256，卷積核數量為256，卷積步長為1；池化層4的池化尺寸為3×3，取樣步長為2×2；學習率為0.007~0.01，學習動量項為0.91~0.95，權重衰減系數為0.0004~0.0005 。