基于深度卷积网络的中药饮片图像识别

目的：利用计算机深度学习实现对中药饮片二维图像的自动化识别的研究具有重要实用价值,可广泛应用于医疗、生产和教学等领域。既往多采用传统的提取图像中的底层特征的方法来进行识别,然而这种方法不能在复杂背景的图像条件下给出鲁棒的识别结果。因此,中药饮片图像识别需要更高级别的图像表达方法。方法：构建包含50种常见中药饮片图像数据库,共2554张图像,作为模型的训练与测试对象,并运用Softmax损失训练卷积神经网络。结果：卷积神经网络在所有测试的50种中药饮片图像中可以实现70％的平均识别精度。结论：卷积神经网络在多个饮片相互遮挡并带有复杂背景情况下较为理想,未来具有一定应用前景。     

基于不同卷积神经网络模型的陈皮、广陈皮图像的智能识别研究

目的:基于卷积神经网络算法建立一种能够快速、高效的识别出陈皮以及广陈皮的方法。方法:在体视镜下采集样品的外果皮图像并建立数据集。采用Imagenet预训练权重作为预训练模型,基于VGG、Inception、Resnet、DenseNet骨干模型进行训练,识别及比较,选取最优的模型进行运作。结果:Resnet与Inception网络对数据具有较好的适应性,而VGG与DenseNet存在一定的过拟合情况。通过对Resnet与Inception进行交叉验证,结果显示Resnet的准确率均高于Inception,最终选择Resnet建立一套有效识别陈皮、广陈皮的方法。结论:卷积神经网络可有效提取图像高级特征,能较为准确鉴别出陈皮与广陈皮。     

基于YOLOv4算法的中药饮片识别

中药饮片是中医药体系的重要组成部分,中药饮片的优劣识别及质量评级可促进其发展利用。利用深度学习对中药饮片进行智能识别,则在省时省力节约成本的前提下,合理避免了人为主观因素的制约,为中药饮片的高效识别提供了保障。该研究构建了包含108种中药饮片的数据集（14 058张图片）,利用经典的YOLOv4算法对108种中药饮片建立了目标检测模型,模型的平均识别精度（mAP）为85.3%。此外,该研究也将感受野模块（RFB）添加至经典的YOLOv4算法的颈部网络,并利用改进后的YOLOv4算法对108种中药饮片进行计算预测。改进后的YOLOv4模型的mAP达到88.7%,对80种饮片的识别精度超过80%,对48种饮片的识别精度超过90%。此结果说明增加感受野模块可在一定程度上助于尺寸各异且体积较小的中药饮片的识别。最后,该研究分析了改进后的YOLOv4模型对于每类中药饮片的识别精度,通过对预测精度较低的中药饮片原始照片的深入分析,明晰了中药饮片原始照片的数量和质量是对此进行智能识别任务关键。该研究中构建的改进后的YOLOv4模型可用于中药饮片的快速识别,也为中药饮片的人工鉴伪工作提供可参考性的指引建议。     

浅谈中药山楂饮片的不同炮制及功效应用

中药炮制是祖国医药在临床治疗上的一个重要环节,根据中医中药理论,以及中药炮制1千多年的漫长历史和炮制技术基础,使得中药在消除和降低药物的毒副作用、改变或缓和药性、增强药物疗效、改变药物作用的部位和趋向,消除特异气味等,有着很好的发挥治疗作用。     

基于YOLOv3算法的中药饮片检测研究北大核心

目的:利用对小目标识别具有良好效果的深度学习算法——YOLOv3,建立中药饮片自动检测与评价方法,为实际生产、中药调剂及教学等过程中中药饮片的检测提供快速、有效的途径。方法:构建包含不同实际场景下152种常用中药饮片的RGB图像数据库,共19692张图像。基于YOLOv3算法对数据库中图像样本进行数据增强、特征提取、模型训练,提升算法模型泛化能力,完成中药饮片检测,输出结果。结果:对152种中药饮片进行测试,平均检测精度为96%,多种中药饮片最高检测精度达100%。除了单片饮片,同时实现了遮挡、残缺、多片饮片、多种饮片的检测。结论:通过构建丰富的图像数据集及采用YOLOv3算法,实现了对于复杂背景中药饮片的有效检测,为建立快速、高效、客观量化的中药饮片检测方法探寻到新路径。     

一种基于深度学习的二阶段舌象分割网络模型

目的：为了改善传统的图像分割算法需要人为干预且分割精度低,探讨基于深度学习的二阶段舌象分割网络模型提高分割精度。方法：将基于深度学习的二阶段舌象分割网络模型分为粗分割和精分割两个部分,粗分割定位舌体去除无关干扰信息,精分割实现舌象的像素级精细分类分割。对分割后的舌象图片进行形态学优化,进一步优化分割结果。结果：本分割网络模型平均交并比为95.25%,比主流卷积神经网络模型高出3.10%。结论：基于深度学习的二阶段舌象分割网络模型优于传统图像分割算法和主流卷积神经网络模型,在不同类型的数据集上能准确分割舌体,有较高的精度和鲁棒性。     

基于多特征融合结合深度学习模型的药材切片鉴别＊

目的针对现有复杂背景药材切片自动鉴别准确率较低的问题,实现复杂背景下药材切片图像的准确识别。方法基于整理的藏药材切片图像数据集进行实验,分析切片的RGB、HOG、LBP特征,使用改进的HOG算法进行多特征融合,最后使深度学习网络对任务图像进行识别。结果本文提出的多特征融合结合深度学习方法对32种复杂背景下藏药材切片的3610张图像识别准确率达到91.68%,同时该方法对川贝母、山楂及半夏等20种常见中药饮片的平均鉴别准确率达到98.00%,优于其他现有的复杂背景下的中药饮片识别方法,说明该方法对其他中药材鉴定也同样具有可行性,应用范围较广泛。结论多特征融合能够较好地提取复杂背景下药材切片的区分特征,对于背景复杂且堆积遮挡严重的藏药材切片识别率较高,可有效应用于自然场景下的中药材、藏药材切片与其他中药饮片识别,具有较好的应用前景。     

基于电子鼻、电子舌技术的山楂气、味鉴别

目的:采用电子鼻、电子舌技术客观化表达山楂气、味,并基于此进行不同产区、不同基源山楂的鉴别区分研究。方法:采集不同产区、不同基源的山楂样品,运用电子鼻、电子舌技术对不同山楂样品进行检测,通过主成分分析(PCA)、判别因子分析(DFA)以及统计质量控制分析(SQC)对获取的特征数据进行处理和分析。结果:电子鼻技术能有效区分不同产区及不同基源的山楂样品,电子舌技术能有效区分不同基源的山楂样品。结论:电子鼻、电子舌技术可用于不同产地及不同基源山楂的鉴别区分,其二者结合化学计量学可作为气、味鉴别的新方法。     

人工智能在中药材及饮片鉴别领域的应用

随着人工智能、计算机数据库等技术的迅猛发展,人工智能逐渐应用于中医药领域的研究。基于人工智能深度学习法,概述人工智能深度学习使用领域,以及运用图像处理技术识别中药材及中药饮片的方法和机制;综述中药外观特征识别及切片、粉末的显微特征识别的应用机制和研究现状;运用CNN自动统计各显微特征数量与中药化学成分做关联性分析,算出其活性成分含量,对中药材及饮片进行分类鉴定与质量评价。展望人工智能结合近红外光谱对中药材及饮片进行质量评价的应用前景,并总结目前该方法已有研究中的优势、不足和未来发展趋势。     

基于HPLC指纹图谱及多指标成分的川芎饮片等级研究

目的通过对不同等级川芎饮片进行研究,完善川芎饮片的质量评价方法,为传统川芎饮片分等方法提供理论依据。方法采用HPLC法,对川芎饮片一等和统货进行指纹图谱研究,以共有峰峰面积作为指标,进行相似度分析、多指标成分分析和聚类分析。结果确定了13个共有峰,相似度均大于0.970;16批川芎饮片明显聚为2类;一等川芎饮片中3个指标成分峰面积总值明显大于统货饮片。结论传统川芎饮片分级方法具有科学性和合理性。     

基于深度学习的中药寒热属性预测研究

目的：探究中药成分寒热药性预测模型的构建及应用。方法：基于中药信息数据库获取646味中药,涵盖10 053个化合物成分。构建中药化合物分子指纹与分子图表征编码,分别构建图卷积神经网络(GCN)、K-近邻(KNN)、决策树(DT)、随机森林(RF)、支持向量机(SVM)算法,训练模型并调整模型超参数。将数据集划分为训练集与测试集,使用准确率、精确率、召回率与F值评价模型预测性能。将预测的高概率化合物分析中药寒热属性的生物学机制潜在差异。通过细胞增殖-毒性测试实验检测梯度加权得分的寒性中药成分对大鼠肾上腺髓质嗜铬瘤(PC-12)细胞氧糖剥夺再灌注(OGD/R)模型的保护作用。结果：GCN模型在中药寒热属性预测任务中综合表现良好。通过GCN模型从代表性寒热药物中筛选出的高概率寒热分类化合物共形成413靶点,与17通路具有潜在关联。细胞实验结果,随寒性加权分数降低逐渐显现为对OGD/R的细胞保护作用。结论：在寒热属性预测任务中,基于分子图表征的GCN模型相对于分子指纹表征的传统机器学习模型具有更优的性能,可为进一步探究中药“性-构”关系提供算法支持。     

基于多任务学习模型的中药饮片识别

目的 探讨多任务学习模型在中药饮片识别领域的可行性.方法 搜集中药饮片200种(合计30 437张饮片图像),根据饮片类别数量,将数据分为5个批次.通过多任务学习概念,soft参数共享以及最大化任务相关不确定性的似然函数原理,构建多任务学习模型.将模型与传统特征和卷积网络算法,在不同批次数据下,分别计算识别的平均准确率...     

基于深度学习的舌裂分割算法研究＊

中医舌诊可以通过舌面裂纹的测量了解身体的健康状况。考虑到采集图片分辨率不同、质量差异较大、背景复杂且不同患者舌头颜色纹理不同等因素,传统分割算法难以得到较好的结果。提出一种基于深度学习的、面向小样本数据集的舌裂分割算法。分割时先分割舌面,再进行舌面裂纹分割,以规避较为复杂的背景影响。使用迁移学习的方法将路面裂纹训练模型迁移至舌面裂纹;改进U-Net网络结构,在传递拼接路径增加SE模块以提高分割的准确性和鲁棒性;训练时使用Focal Loss（焦点损失）函数作为损失函数,使网络更加关注小目标的分割,从而提升整体分割效果。实验表明,本文方法具有更强的鲁棒性,能够应对背景、光照、纹理等图片质量问题,其MPA（平均像素精度）能够达到71.06%,MIoU（均交并比）能够达到67.35%,在视觉效果上有更好的表现。实验和对比结果也表明,该分割方法具有较高的准确性和稳定性。     

基于深度学习的中草药植物图像识别方法研究

目的:针对长白山野外实习中草药分类识别精度较低问题,对基于深度学习的中草药图像分类识别方法进行研究。方法:首先,通过平移、旋转、缩放和仿射变换对图像样本进行数据增强处理。然后,采用基于蚁群优化的图像分割算法将中草药植物叶片从复杂的图像背景中分离出来。最后,提出一种深度编码解码网络对15种中草药图像进行分类训练,并通过迁移学习解决了数据饥饿问题。结果:选取3 752张中草药图像组成测试样本,平均识别精度为99.38%。结论:该方法对中草药植物图像能够表现出较高的识别精度。     

基于深度学习的穴位敏化客观化方法研究

目的:通过穴位敏化的客观化规律及现状分析,提出基于深度学习的穴位解决方法。方法:针对穴位敏化研究缺乏从宏观角度囊括不同敏化形式的大样本穴位敏化综合性的问题,提出采用深度学习技术深入开展穴位敏化的客观化研究的方法。结果:从提取穴位敏化客观动态数据特征、实现穴位敏化特征预处理的深度神经网络设计、建立穴位敏化识别策略权重估值网络的角度,探讨穴位敏化的客观化研究的潜在切入点。结论:通过对潜在切入点的研究,表面中医的整体思维模式与大数据条件下的深度学习技术的结合,必然产生一种不同于实验和实证研究的全新的中医研究方法。     

基于主成分及聚类分析的川产半夏产量与品质的综合评价

目的综合评价不同产地川产半夏资源的产量和品质,为川产半夏育种和高产栽培提供理论依据和参考。方法对22份来源于不同产地的川产半夏资源14个主要农艺性状及3个品质性状进行主成分分析,并进一步进行综合评价及聚类分析。结果供试川产半夏样品的增产率、单株叶质量和增殖率的变异系数较大,尿苷量、鸟苷量、尿苷及鸟苷总量的变异系数相对较小。主成分分析表明,17个主要性状可用6个主成分来表述,其累计贡献率达89.829%,分别归纳为块茎形态因子、株型品质因子、增殖率因子、大粒率因子、增产低殖因子及增产率因子。样品6的综合得分最高,为高产劣质型材料;样品13的综合得分最低,为低产优质型材料。聚类分析可将供试样品分为4类。结论通过主成分及聚类分析对川产半夏进行综合评价的方法可靠;四川盆地半夏野生资源丰富,可从中选择优质资源,为川产半夏新品种选育提供基础。     

基于标准汤剂的姜厚朴饮片UPLC特征图谱建立及生姜成分的鉴别

目的:建立基于标准汤剂的姜厚朴饮片超高效液相色谱法(UPLC)特征图谱方法,研究不同基原和药用部位特征图谱的差异性,建立厚朴生品与炮制品的区分方法。方法:采用UPLC建立姜厚朴标准汤剂和饮片UPLC特征图谱,对姜厚朴不同基原和药用部位特征图谱的差异性进行分析,并采用液相色谱-质谱联用法(LC-MS)分析姜厚朴中生姜类成分。结果:20批姜厚朴标准汤剂、饮片有6个共有特征峰,通过对照品指认了2个特征峰,分别为厚朴酚、和厚朴酚;厚朴酚与和厚朴酚色谱峰的峰高比可能是厚朴与凹叶厚朴2种基原的区别点;姜厚朴根皮、干皮和枝皮特征图谱特征性成分含量差异有统计学意义,根皮中厚朴酚、和厚朴酚总量最高,干皮中特征峰1~4含量最高。采用LC-MS检测出姜厚朴中6-姜辣素和6-姜烯酚,并利用m/z为295和277的离子峰,成功区分厚朴与姜厚朴。结论:所建立的UPLC特征图谱方法能很好地用于姜厚朴不同基原和药用部位的差异性研究;所采用的LC-MS能有效地鉴别厚朴与姜厚朴。     

基于深度学习的缺陷红参在线自动分选系统

目的:建立一种基于更快区域卷积神经网络(faster R-CNN)算法的深度学习架构,用于在线x射线机器视觉系统对红参(参根)内部缺陷的自动检测和分类。方法:采用约2万个样本,以0.95的平均精度值(mAP)训练基于R-CNN的快速分类器。传统的基于前馈神经网络(FNN)的图像处理方法准确率、召回率和特异性分别为69.0%、68.0%和70.0%,效果不佳。因此,保存Faster R-CNN模型,评价模型在缺陷红参在线分拣系统上的性能。结果:以2000份独立的红参为样本,通过3个平行测试验证了基于Faster R-CNN的在线分选系统的性能,分选准确率分别达到95.8%、95.2%和96.2%。结论:基于Faster R-CNN的分类模型在红参内部缺陷的无损检测中具有较大的应用潜力。     

基于深度学习的《脉经》中医术语命名实体识别研究

目的：基于深度学习方法,对《脉经》中的术语命名实体识别进行研究。方法：针对中医典籍《脉经》涵盖了大量专业术语、知识体系复杂且分词困难等问题,采用迁移学习与BERT相结合的方法,对《脉经》数据集进行预处理,并与BERT-CRF、BiLSTM-CRF、BERT-BiLSTM-CRF模型进行对比。结果：本实验构建的BERT-BiLSTM-CRF-部首特征模型命名实体识别的F1值为84.77%,相较于BERT-CRF、BiLSTM-CRF、BERT-BiLSTM-CRF模型,该模型在词向量的构建过程中,充分考虑了中医领域的专业性和特殊性,不仅针对上下文语境进行了学习,还针对实体词的部首特征进行了学习,效果最优。结论：利用BERT-BiLSTM-CRF-部首特征模型能够有效实现中医古籍术语命名实体类别识别,有效提高了中医古籍的实体识别准确率,为后续知识图谱构建奠定技术基础,亦为临床诊断提供高质量数据支持。     

基于Mask R-CNN的舌图像分割研究＊

目的 舌图像分割是舌诊客观化的关键之一,易受舌体附近嘴唇和皮肤等带来的影响,而增加分割的难度。针对该问题,为确保舌图像分割的准确性,本研究提出一种基于卷积神经网络Mask R-CNN的舌图像分割方法。方法 首先用标注工具labelme对舌图像进行标注,然后进行Mask R-CNN舌图像分割模型的训练和舌图像分割测试。结果 采用该方法进行舌图像分割,获得的舌体边缘比较准确,并且四个定量评价指标均像素准确度、平均准确度、均交并比、频权交并比均高于84.6%。结论 本研究取得了较好的舌体分割效果,能够改善舌体周围的嘴唇和皮肤颜色与舌体颜色接近导致舌体分割轮廓不准确的问题,为舌图像分割提供了一种新的思路与方法,对舌诊客观化具有一定实用价值和借鉴意义。