基于卷积神经网络中药识别方法及电子设备与流程

本发明涉及信息检索识别领域，尤其涉及中药的识别。

背景技术：

中药是中华民族特有的一种药学，但中药种类繁多，且外形复杂，在现在中药房中的中药分拣十分繁琐复杂，需要人力劳动较多。因此若是能够有一种中药分拣的机器帮助药房，则可提高药房效率且解放这些繁琐而又重复性的劳动，提高人类社会的自动化程度。而中药分拣机器的一个核心问题就是中药识别的问题，如何通过计算机视觉将中药识别出来，这是现有技术人员的研究方向。

传统中药的识别目前大多靠中药方面的专家，根据书籍的描述，数据库中图片的比对，进行判断，进行分类，该方法旨在解决目前中药识别的自动化程度低的问题。

计算机视觉如今在国内计算机领域十分的火爆，出现了许多计算机识别人脸，人物，以及各种东西的，但因为中药的特殊性，识别中药方面的还是十分少的。如今的中药识别技术大多数是通过抓拍需要识别的中药图片后与中药图像库中图片进行比对。较好一点的识别技术会先将需要识别的中药图片去噪后，与中药图像库中的图片进行比对。

这些技术方式错误率高，需要计算机的cpu计算能力高，且与数据库中图片比对时间长，而且可移植性差——仅仅只能在拥有数据库的机器或连接了此数据库的机器上进行中药识别。

故，急需一种可解决上述问题的中药识别方法。

技术实现要素：

本发明的目的是提供一种基于卷积神经网络中药识别方法及对应的电子设备和可读存储介质，通过基于深度学习的目标识别技术进行识别中药，识别率高且识别速度快、计算简单，移植能力强。

为了实现上述目的，本发明公开了一种基于卷积神经网络中药识别方法，将中药分为m层，每层具有一种或两种以上的类别，m大于等于2；卷积神经网络中具有与m层中药对应的m层分类器，每层分类器与该层中药种类的数目相同且一一对应，成熟的卷积神经网络中每一分类器具有与所在层所在种类对应的特征匹配模型和下一层种类或中药名称对应的参考特征参数；依据成熟的卷积神经网络进行中药识别的方法具体包括以下步骤：将非参考中药图片输入卷积神经网络中，依次使用第1至m层的分类器依据对应的特征匹配模型和参考特征参数对所述非参考中药图片进行特征识别从而获取所述非参考中药图片的下一层类别或者名称，将识别后的非参考中药图片进行类别标记并输送至下一层对应类别的分类器中，直至通过第m层对应种类的分类器识别所述非参考中药图片的名称并标记。

一方面，与现有技术相比，本发明采用卷积神经网络技术识别中药，可移植能力强，只需将训练好的卷积神经网络模型(分类器)移植到对应的电子设备中即可，使用时无需连接数据库，且计算机计算程度不高，对硬件设备的要求不高。另一方面，本发明将中药分为大类和小类多层，将卷积神经网络模型(分类器)对应设置好成多层，第一层(大类)分类器提取中药的特征参数进行初步分类确定中药的大类，然后使用具有深度特征匹配模型和参考特征参数的小类分类器具体分类，依次逐层分类直至获得具体的中药名称，不但大大提高了中药的识别率，而且每一分类器进行对应特征的识别，识别速度快，几乎可以达到实时识别。

较佳地，依次使用分类器对所述非参考中药图片进行特征识别的具体方法包括：依据对应的特征匹配模型获取所述非参考中药图片的中药特征参数，将所述中药特征参数与参考特征参数进行比较，以判断所述非参考中药图片的在下一层的类别或名称。

较佳地，第一层中药类别的种类为总纲目，第二层中药类别包括草类、木类、虫类、石类、谷类。

较佳地，依据成熟的卷积神经网络进行中药识别之前还包括获得成熟的卷积神经网络的方法，具体包括以下步骤：获取各类参考中药图片以及各层的种类标记和名称标记，名称标记为第m层中药种类的下一层种类标记，从第1层至第m层依次将各类中药的参考图片以及下一层的种类标记输入当前层当前类别的分类器中进行训练识别以获得对应的特征匹配模型和下一层中药种类或中药名称的参考特征参数，直至获取第1至m层的各类成熟的分类器。本发明先使用大类的分类器进行初步训练获得中药的初步特征模型以及特征参数，然后使用小类的分类器进行深度学习训练以获得中药的深度特征模型和特征参数，进一步提高了分类的准确性。

较佳地，将各类中药的参考图片以及下一层的种类标记输入当前层的分类器中进行训练之前还包括对各类参考中药图片进行预处理：检测所述参考中药图片中的中药位置并校正所述参考中药图片中中药的位置。

较佳地，获取各类参考中药图片的方法为：从网上的资源库获取各类参考中药图片，依据摄像机采集输入各类参考中药图片。

较佳地，所述卷积神经网络中各分类器的结构相同，每一所述分类器依次包括第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第四卷积层、第三池化层、第一连接层、第二连接层和softmax层。

较佳地，所述非参考中药图片第二层种类的参考特征参数为外形参数。

本发明还公开了一种电子设备，包括：一个或多个处理器；存储器；以及一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置成由一个或多个处理器执行，所述程序包括用于执行如上所述的基于卷积神经网络中药识别方法。

本发明还公开了一种可读存储介质，包括可配合处理器执行如上所述的基于卷积神经网络中药识别方法的程序。

附图说明

图1是本发明所述卷积神经网络的结构图。

图2是本发明依据成熟的卷积神经网络进行中药识别方法的流程图。

图3是本发明获得成熟的卷积神经网络方法的流程图。

具体实施方式

为详细说明本发明的技术内容、构造特征、所实现目的及效果，以下结合实施方式并配合附图详予说明。

本发明公开了一种基于卷积神经网络中药识别方法，将中药按种类分为2层，第一层为大类，只包括总纲目，第二层为小类，包括五种，分别为：草类、木类、虫类、石类、谷类。获得成熟的卷积神经网络100，参考图1，该卷积神经网络100分为两层，第一层为与总纲目类对应的分类器1-2，第二层包括与草类对应的分类器2-1、与木类对应的分类器2-2、与虫类对应的分类器2-3、与石类对应的分类器2-4和与谷类对应的分类器2-5。训练成熟的分类器1-2中具有与第一层总纲目类对应的特征匹配模型和与“草类、木类、虫类、石类、谷类”分别对应的参考特征参数，总纲目类对应的特征匹配模型可以筛选出可分辨“草类、木类、虫类、石类、谷类”这五类的中药的特征参数。

参考图2，依据成熟的卷积神经网络进行中药识别的方法具体包括以下步骤：(11)将非参考中药图片输入分类器1-1，(12)分类器1-1依据对应的特征匹配模型和参考特征参数对非参考中药图片进行特征识别，获得相匹配的第二层种类标记，(13)并将该非参考中药图片输送至第二层对应种类的分类器中，(14)第二层对应种类的分类器依据对应的特征匹配模型和参考特征参数对非参考中药图片进行特征识别，获得相匹配的具体中药名称并标记，从而分辨出该非参考中药图片的中药名称。输出该中药名称，以便于操作人员对中药进行分类。

例如该非参考中药图片为艾草图片，将艾草图片输入分类器1-1，分类器1-1依据对应的特征匹配模型和参考特征参数对非参考中药图片进行特征识别，该非参考中药图片的特征参数与草类相匹配，对该非参考中药图片标记为草类并输入草类的分类器2-1中，分类器2-1依据草类的特征匹配模型和草类下属各中药的参考特征参数对非参考中药图片进行特征识别，该非参考中药图片的特征参数与艾草相匹配，则该非参考中药图片标记为艾草，从而分辨出该非参考中药图片的中药为艾草。

其中，步骤(11)之前还包括获得非参考中药图片的步骤，具体可以从外部设备例如摄像机等处获得。故，本发明可用于中药入库，可直接将中药放于图像采集的摄像头下方，采集中药图片，并自动送入成熟的卷积神经网络进行识别，成熟的卷积神经网络将识别后的中药名称显示于显示屏上，甚至自动按照中药名称将摄像头下方的中药输送至对应位置。

其中，使用分类器1-1对非参考中药图片进行特征识别的具体方法包括：依据对应的特征匹配模型获取所述非参考中药图片的中药特征参数，将所述中药特征参数与对应的参考特征参数进行比较，以判断所述非参考中药图片的在下一层的类别。使用分类器2-1、2-2、2-3、2-4、2-5对非参考中药图片进行特征识别的具体方法包括：依据对应的特征匹配模型获取所述非参考中药图片的中药特征参数，将所述中药特征参数与对应的参考特征参数进行比较，以判断所述非参考中药图片的名称。

其中，参考图3，使用卷积神经网络识别中药类别的之前，还包括建立卷积神经网络并训练成熟的具体步骤：(21)建立卷积神经网络100，(22)获取各类参考中药图片以及该参考中药图片每一层的种类标记以及名称，(23)将各类参考中药图片以及该参考中药图片第二层的种类标记输送至分类器1-1中进行训练识别，获得第一层分类器中的特征匹配模型以及第二层种类的参考特征参数；(24)将该参考中药图片和名称标记(相当于第三层的种类标记)输送至第二层对应种类的分类器中，第二层对应种类的分类器获得该参考中药图片以及名称标记并进行训练识别，获得该中药在第二层该种类分类器中的特征匹配模型以及该具体中药对应的参考特征参数，通过不断的训练学习，获得成熟的卷积神经网络。例如，其中一参考中药图片为艾草参考图片，那么将艾草参考图片和对应的种类标记“总纲-草类-艾草”送入卷积神经网络100中，分类器1-1依据艾草参考图片以及草类标记进行训练识别，获得分类器1-1中的特征匹配模型以及草类的参考特征参数，并将艾草参考图片以及艾草标记输入到分类器2-1中，分类器2-1依据艾草参考图片以及艾草标记进行训练识别，获得分类器2-1中的特征匹配模型以及艾草的参考特征参数。其中，各层的种类标记可由操作人员输入标记，也可以直接从数据库获得。

其中，将各类中药的参考图片以及下一层的种类标记输入当前层的分类器中进行训练之前还包括对各类参考中药图片进行预处理：检测所述参考中药图片中的中药位置并校正所述参考中药图片中中药的位置。

步骤(22)中，获取各类参考中药图片的方法为：从网上的资源库获取各类参考中药图片，依据摄像机采集输入各类参考中药图片。

在上述实施例中，将中药种类分为了两层，第一层大类，第二层小类。当然，在另一实施例中，可以将中药分为三层、四层、五层等等层数，例如草类里面可以分为杆类、叶类、根类、果类等等。每层的种类数目可按照实际需要设置。

在上述实施例中，将中药种类按照传统常识分为了总纲、草类、木类、虫类、石类、谷类，当然，也可以依据中药的外形颜色等形态进行分类。

其中，所述卷积神经网络中各分类器的结构相同，每一所述分类器依次包括第一卷积层、第一池化层、第二卷积层、第二池化层、第三卷积层、第四卷积层、第三池化层、第一连接层、第二连接层和softmax层。每一分类器的softmax层具有n维，n等于下一层中药种类的数目，若是第m层的分类器，则n为该小类下中药的数目。

具体地，以分类器1-1为例描述分类器的结构，假设向分类器输入256*256像素的中药图片，分类器1-1包括：第一卷积层：5×5的卷积核128个，步距为1，padding为0；第一池化层：2×2的核，步距为2，padding为0；第二卷积层：3×3×128的卷积核128个，步距为1，padding为0；第二池化层：2×2的核，步距为2，padding为0；第三卷积层：7×7×128的卷积核256个，步距为1，padding为0；第四卷积层：5×5×256的卷积核384个，步距为1，padding为0；第三池化层：4×4×384核，步距为4，padding为0；第一连接层：64896维；第二连接层：120维；softmax层：5维。

在训练卷积神经网络中各分类器时，参考中药图片输入卷积神经网络后经上述执行过程至第二连接层时，该参考中药图片的各类特征已经提取出来且计算总结为120个单元。后进入softmax中进行分类，将分类结果的种类标记与该参考中药图片输入对应层的种类标记进行对比，求误差，根据梯度下降算法不断迭代更新，减少误差，从而使神经网络中的卷积核参数与偏置参数不断优化，生成分类准确度高的神经网络。

其中，卷积核参数为上述各层卷积层中的每个卷积核，其矩阵中的数字即为卷积核参数。中药图片经过每层卷积层，在与卷积核卷积后，生成的矩阵还需要加上一个偏置后一起放入激活函数中激活一下，再输出至下一层。偏置参数即为偏置。

其中，所述非参考中药图片第二层种类的参考特征参数为外形参数，第一层的分类器1-1使用外形参数对中药进行初步分类。

本发明还公开了一种电子设备，包括：一个或多个处理器；存储器；以及一个或多个程序，其中所述一个或多个程序被存储在所述存储器中，并且被配置成由一个或多个处理器执行，所述程序包括用于执行如上所述的基于卷积神经网络中药识别方法。

本发明还公开了一种可读存储介质，包括可配合处理器执行如上所述的基于卷积神经网络中药识别方法的程序。

以上所揭露的仅为本发明的优选实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明申请专利范围所作的等同变化，仍属本发明所涵盖的范围。