[發明專利]一種基于圖像標注深度學習算法模型的藥材和飲片的識別方法

在審

• 申請號: 202111034530.4
• 申請日: 2021-09-03
• 公開（公告）號: CN113537255A
• 公開（公告）日: 2021-10-22
• 發明（設計）人: 吳純潔;譚超群;陳虎;黃永亮;吳沖;韋志強
• 申請（專利權）人: 成都中醫藥大學
• 主分類號: G06K9/46
• 分類號: G06K9/46;G06K9/62;G06N3/04;G06N3/08
• 代理公司: 成都高遠知識產權代理事務所(普通合伙) 51222
• 代理人: 鄭勇力;張娟

1.一種基于圖像標注深度學習算法模型的藥材或飲片的識別方法，其特征在于，包括如下步驟：

(1)圖像編碼：獲取待測藥材或飲片的圖片，對圖片進行特征檢測，提取得到特征數據；

(2)圖像解碼：將步驟(1)得到的特征數據通過循環神經網絡模型轉化為特征描述詞向量；

(3)識別：通過步驟(2)得到的特征描述詞向量識別待測藥材或飲片的種類。

2.按照權利要求1所述的識別方法，其特征在于：所述藥材或飲片為川貝母。

3.按照權利要求2所述的識別方法，其特征在于：所述特征描述詞向量由特征描述詞構成，所述特征描述詞選自/爐貝/表面/淺棕黃色/，/棕色/斑點/，/外層鱗葉/2瓣/，/大小相近/，/頂部/開裂/略尖/，/基部/稍尖/，/松貝/外鱗葉/2瓣/，/大小懸殊/大瓣/緊抱/小瓣/，/未抱/習稱/“懷中抱月”/，/青貝/類扁球形/，/外鱗葉/2瓣/，/大小相近/，/相對抱合/，/頂部開裂/，/內有/心芽/和/小鱗葉/2-3枚/及/細圓柱形/殘莖/中的至少一組。

4.按照權利要求1所述的識別方法，其特征在于：步驟(1)中，所述特征數據的提取通過Faster RCNN算法進行。

5.按照權利要求4所述的識別方法，其特征在于：步驟(1)中，所述Faster RCNN算法包括如下步驟：

(1.1)通過conv+relu+pooling層提取圖片的feature maps；

(1.2)在feature maps上生成region proposals；

(1.3)收集feature maps和region proposals，進行Roi Pooling，得到proposalfeature maps；

(1.4)進行Classification步驟，根據proposal feature maps獲得最終的精確檢測框；

(1.5)所述精確檢測框即為局部特征和全局特征，由局部特征和全局特征共同構成特征數據。

6.按照權利要求5所述的識別方法，其特征在于：步驟(1.4)中，所述局部特征的數量為N，所述N為大于等于1的整數，所述全局特征的數量為1，從每一個局部特征或全局特征為1024維特征，所述特征數據的維數為(N+1)×1024。

7.按照權利要求1所述的識別方法，其特征在于：步驟(2)中，所述循環神經網絡模型為LSTM，所述LSTM中包含attention機制。

8.按照權利要求1所述的識別方法，其特征在于：步驟(2)中，所述特征描述詞向量中的描述詞按照《中國藥典》對藥材或飲片的性狀描述進行分詞確定。

9.按照權利要求1所述的識別方法，其特征在于：步驟(3)中，特征描述詞向量為維度1×k的向量，所述k為特征描述詞的數量，所述特征描述詞向量中，符合特征描述詞的情況賦值為1，不符合特征描述詞的情況賦值為0。

10.按照權利要求1或9所述的識別方法，其特征在于：步驟(3)具體包括如下步驟：

(3.1)按照步驟(1)和步驟(2)的方式處理各藥材或飲片的標準樣品的圖片或根據《中國藥典》對藥材或飲片的性狀描述，獲取藥材或飲片的標準樣品的特征描述詞向量；

(3.2)計算待測藥材或飲片樣品的特征描述詞向量與藥材或飲片標準樣品的特征描述詞向量之間的歐式距離，所述歐式距離最小的藥材或飲片標準樣品的種類即為待測藥材或飲片樣品的類別。