[發(fā)明專利]一種基于人工智能的中藥材種植產(chǎn)地的鑒別方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201910168798.3
• 申請(qǐng)日: 2019-03-06
• 公開（公告）號(hào): CN109948676A
• 公開（公告）日: 2019-06-28
• 發(fā)明（設(shè)計(jì)）人: 蔣安;許慧;張群華
• 申請(qǐng)（專利權(quán)）人: 頤保醫(yī)療科技（上海）有限公司
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06N3/04;G06N3/08
• 代理公司: 暫無(wú)信息
• 代理人: 暫無(wú)信息

本發(fā)明公開了一種基于人工智能的中藥材種植產(chǎn)地的鑒別方法，包括的方法有：收集不同產(chǎn)地的各種不同的中藥材飲片若干，并對(duì)不同產(chǎn)地的每種中藥材飲片拍攝圖像照片至少一百?gòu)垼焕靡延?xùn)練的深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)框架提取每張圖片的多維特征值；將每張圖片的多維特征值及其已知的種植產(chǎn)地信息輸入SVM進(jìn)行訓(xùn)練，訓(xùn)練器自動(dòng)總結(jié)不同種植產(chǎn)地的不同中藥材飲片圖片中的細(xì)微差別特點(diǎn)，生成分類模型；對(duì)分類模型進(jìn)行分類并保存，然后對(duì)待鑒別的中藥材進(jìn)行中藥材種植產(chǎn)地的鑒別。本發(fā)明使用面廣，分類精度高，分類精度達(dá)到95%以上，與專家的分類能力基本持平，適于推廣應(yīng)用。

技術(shù)領(lǐng)域

本發(fā)明涉及一種鑒別方法，特別是涉及一種基于人工智能的中藥材種植產(chǎn)地的鑒別方法。

背景技術(shù)

如今市場(chǎng)上中藥材的質(zhì)量參差不齊，中藥材的種植產(chǎn)地跟其藥效質(zhì)量往往息息相關(guān)，不同產(chǎn)地種植的中藥材藥效相差較大，但是普通人卻難以對(duì)其進(jìn)行分辨鑒別。現(xiàn)在中藥材種植產(chǎn)地主要是基于中藥材的外形進(jìn)行鑒別，而不同產(chǎn)地中藥材的外形往往非常相似，只存在細(xì)微的特征差別。

專業(yè)的中藥制藥廠在購(gòu)買中藥材原料飲片時(shí)，一般依據(jù)經(jīng)驗(yàn)豐富的專家或者委托權(quán)威的鑒別機(jī)構(gòu)進(jìn)行鑒別，相關(guān)專家及鑒別機(jī)構(gòu)的資源非常有限，且成本較高，普通民眾或技術(shù)實(shí)力一般的制藥廠則無(wú)法進(jìn)行鑒別；而且專家的經(jīng)驗(yàn)水平參差不齊，無(wú)法保證有效性及統(tǒng)一性。

因此，如何解決上述問(wèn)題成為了本領(lǐng)域技術(shù)人員努力的方向。

發(fā)明內(nèi)容

本發(fā)明的目的就是提供一種基于人工智能的中藥材種植產(chǎn)地的鑒別方法，能完全解決上述現(xiàn)有技術(shù)的不足之處。

本發(fā)明的目的通過(guò)下述技術(shù)方案來(lái)實(shí)現(xiàn)：

一種基于人工智能的中藥材種植產(chǎn)地的鑒別方法，包括的方法有：

1）、收集不同產(chǎn)地的中藥材飲片若干，并對(duì)每一產(chǎn)地的中藥材飲片各拍攝圖像照片至少一百?gòu)垼?/p>

2）、利用已訓(xùn)練的深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)框架提取每張圖片的多維特征值；

3）、將每張圖片的多維特征值及其針對(duì)該圖片已知的種植產(chǎn)地信息輸入SVM進(jìn)行訓(xùn)練，訓(xùn)練器自動(dòng)總結(jié)同一中藥材飲片不同種植產(chǎn)地的圖片中的細(xì)微差別特點(diǎn)，生成分類模型，對(duì)分類模型進(jìn)行分類并保存；

4）、對(duì)于待鑒別的中藥材飲片，首先拍照其斷面圖片，再提取其多維特征值，輸入已訓(xùn)練好的SVM分類器，即可得到其種植產(chǎn)地的預(yù)測(cè)值。

作為優(yōu)選，方法1）中拍攝的是中藥材飲片的端面信息，拍攝時(shí)照片的分辨率需大于299x299，使其照片中的藥材細(xì)節(jié)清晰可見。

作為優(yōu)選，方法2）中利用已訓(xùn)練的深度學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)框架提取每張圖片的1024維特征值。

作為優(yōu)選，將所得的每張圖片的1024維數(shù)值特征保存成矩陣數(shù)組格式，并將同一產(chǎn)地的圖片根據(jù)8：2的比例分成訓(xùn)練集圖片和測(cè)試集圖片。

作為優(yōu)選，將每一產(chǎn)地訓(xùn)練集圖片的1024維特征值及其該圖片已知的種植產(chǎn)地信息輸入SVM進(jìn)行訓(xùn)練，訓(xùn)練器自動(dòng)總結(jié)不同種植產(chǎn)地的中藥材飲片圖片中的細(xì)微差別特點(diǎn)，生成分類模型；將測(cè)試集圖片所得的1024維特征，利用生成的分類模型對(duì)其種植產(chǎn)地進(jìn)行分類，并對(duì)比其已知的實(shí)際產(chǎn)地信息即可得到分類器的分類精度。

作為優(yōu)選，分類器的初始參數(shù)C和Gamma是可變的，訓(xùn)練時(shí)采用多種不同的參數(shù)C和Gamma進(jìn)行組合測(cè)試，最后選取分類效果最好的參數(shù)組合，為分類器的分類達(dá)標(biāo)精度，確認(rèn)此模型參數(shù)并保存此分類器。

作為優(yōu)選，分類精度不達(dá)標(biāo)，調(diào)整模型的相關(guān)參數(shù)C和Gamma，再進(jìn)行重復(fù)訓(xùn)練和測(cè)試，直到分類精度達(dá)標(biāo)為止。

與現(xiàn)有技術(shù)相比，本發(fā)明的有益效果在于：