一种对植物切片进行人工智能识别的方法与流程

1.本技术涉及植物切片识别的领域，尤其是涉及一种对植物切片进行人工智能识别的方法。


背景技术：

2.中药材是中医药源头，更是行业发展基础。中药切片当前仅靠眼看、手摸、鼻闻、口尝、水试、火试等绝活把握每种中药材的真伪优劣，难上加难。中药材产地初加工和中药饮片炮制密切相连，掺杂掺假手段多样，情况复杂，鉴别药材必须借助仪器设备或者由有经验的老药工进行。传统的中药材性状鉴别人才流失，必要的仪器设备缺乏，这些为中药材辨别真伪带来极大难度。
3.目前鉴别中药切片的方法主要有形态特征鉴别、显微镜观察鉴别和植物成分鉴别，其中显微镜观察鉴别和植物成分鉴别耗时较长，且人工成本较高；形态特征鉴别需要工作人员根据形态检索表，特征符合开始项号的，逐号下查，特征不符合开始项号的，查与该项相对应的项号，直到查到种，最后与已确定学名的植物标本相对照进行定种。
4.由于药材的掺杂掺假手段多样，鉴别时需要对大量范围的药材进行鉴别，发明人发现，目前的鉴别手段在应用于大量药材鉴别时具有工作效率低的缺陷。


技术实现要素：

5.为了提高中药饮片的鉴别效率，本技术提供了一种对植物切片进行人工智能识别的方法本技术提供的一种对植物切片进行人工智能识别的方法采用如下的技术方案：一种对植物切片进行人工智能识别的方法，包括以下步骤：获取训练图像；主分类器识别：将所述图像输入至植物切片识别模型的主分类器，基于faster-rcnn算法进行分类，输出主类结果和识别精度，其中，输入的图像采用多尺度特征图；子分类器识别：将所述图像输入至主类结果对应的子分类器，基于组合resnet算法进行分类，输出分类结果。
6.通过采用上述技术方案，引入多尺度特征图，针对采集图像分辨率高，采集图像中多个目标大小差异较大的情况，从而让模型来适应不同的尺寸，尤其是小尺寸的目标检测。
7.可选的，主分类器训练步骤中，进行分类前，对识别精度小于精度阈值的目标进行过滤。
8.通过采用上述技术方案，使主分类器输出的目标置信度也都大于等于精度阈值，从而降低主分类器的复杂度，提高主分类器输出目标的精确度。
9.可选的，主分类器训练步骤中，采用ciou损失函数。
10.通过采用上述技术方案，通过采用ciou损失函数，提高目标检测的鲁棒性，从而提高主分类器输出的主分类结果的可靠性。
11.可选的，主分类器训练步骤中，进行分类后，输出图像中多个目标的位置和目标分类，还输出每个目标分类对应的置信度；根据每个目标分类对应的置信度、目标的面积以及目标的总数计算得到每个分类的置信分数，取置信分数最高的分类为主类结果。
12.通过采用上述技术方案，通过计算置信分数选择主类结果，使主类结果精确度更高，还可以减少由于多个目标导致主类结果为复数时的矛盾。
13.可选的，置信分数的排序中，第一位与第二位的置信分数差小于第一位置信分数的20%，则认为分类失败。
14.通过采用上述技术方案，尽可能避免了前两位相近的置信分数使选择第一位主类结果的精准度较低的情况，从而减少误差，使训练得到的模型更加精准。
15.可选的，多个子分类器单独进行识别和训练。
16.通过采用上述技术方案，子分类器可以根据每一类的特点来进行模型结构设计和优化，使子分类器自身的识别精确度得到提升；并且针对不同主类的图像进行子分类识别，针对性更强，识别精度得到提升。
17.可选的，子分类器采用局部和全局相结合的结构进行分类，局部分类结果和全局分类结果组合得到最终分类结果。
18.通过采用上述技术方案，子分类器既根据由主分类器输出的局部图像进行识别，又根据整幅图像进行全局识别，从而综合考量进行识别训练，使训练的模型精准度以及识别维度都得到提升。
19.综上所述，本技术包括以下至少一种有益技术效果：1.通过引入针对性的数据增强方式来减少数据采集量和模型的鲁棒性；2.通过分级识别结构，引入先验知识，减少训练所需数据；每个子分类器单独训练，减轻单模型压力，提高识别精度，同时子类内部增加类别重新训练时不会影响其它子类识别精度。
附图说明
20.图1是植物切片识别模型训练方法的流程框图。
21.图2是植物切片识别模型训练方法中子分类器识别时的流程框图。
22.图3是对植物切片进行人工智能识别的方法。
具体实施方式
23.为了使本技术的目的、技术方案及优点更加清楚明白，以下结合附图1-3及实施例，对本技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本技术，并不用于限定本技术。
24.本技术实施例公开一种对植物切片进行人工智能识别的方法。参照图1，对植物切片进行人工智能识别的方法包括以下步骤：获取识别图像；主分类器识别：将所述图像输入至植物切片识别模型的主分类器，基于改进的faster-rcnn算法进行分类，输出主类结果和识别精度，其中，输入的图像采用多尺度特征
图；进行分类前，对识别精度小于精度阈值的目标进行过滤；在本实施例中，精度阈值采用0.6，通过将识别精度小于0.6的目标都过滤掉，使主分类器输出的目标的置信度都大于等于0.6，从而降低了主分类器的复杂程度。
25.为了提高目标检测的鲁棒性，本发明采用ciou损失函数lciou，其表达式为：（1）其中iou代表边界框的交并比，b和bgt分别代表了预测框和真实框的中心点，ρ代表的是计算两个中心点间的欧式距离，c代表能够同时包含预测框和真实框的最小闭包区域的对角线距离，α代表权重，v代表长宽比的相似性。
26.通过采用ciou损失函数，提高目标检测的鲁棒性，从而提高主分类器输出的主分类结果的可靠性。
27.对于有多个目标的图像，主分类器需要计算目标的置信分数；主分类器分别对每个目标都进行分类，输出n个目标的位置、大类类别和对应的置信度，n为自然数。如果n《1,则说明分类失败。这n个目标属于m个类别，m为正整数。
28.影响分数计算的因素包括：每类中包含的目标个数n，每类中目标的平均置信度w、每类的分类精度p以及每类中目标的平均面积r。其中平均面积是结果选择器更相信大一些的目标的识别结果，但是该因素相对权重较低。而且，为了简化计算，实际的计算过程中这里的r并不是使用面积，而是使用识别框的宽度。而为了是影响因素归一化，这里还计算了所有目标的总置信度w、总面积r和所有输出类别的总分类精度p。最终第i类的分数计算函数为：s(i)=ani/n+bwi/w+cpi/p+dri/r
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（2）其中a、b、c和d是超参数，用来决定每个因素的权重大小。在本实施例中，采用值分别是a=0.4,b=0.3,c=0.2,d=0.1。
29.参照图1、图2，为了进一步提高准确性，本发明还设置的分数阈值sth，如果计算出的分数大于该阈值，才会进入后续的选择。在本实施例中，采用sth=0.75的设置。
30.主分类器将图像中多个目标的位置、目标分类和每个目标分类的置信度输入至主分类结果选择器；主分类结果选择器将计算大于分数阈值sth的分数进行排序，计算排序第一位和第二位的分数差，如果分数差小于排序第一位的分数的20%，则分类失败；否则将排序第一位的类别作为主分类输出的主类类别。然后从该类别中选择置信度最高的目标作为分类目标代表，如果置信度最高的有多个，则在置信度最高的目标中选择面积最大的目标；如果面积最大的目标有多个，则随机选择一个；最终，主分类结果选择器选择出一个代表目标作为最终结果，对该目标代表进行裁剪，作为后续子分类器的输入图像。
31.参照图1、图3，本实施例还包括以下步骤：子分类器识别：将剪裁后的图像输入至主类结果对应的子分类器，基于组合resnet算法进行分类，输出分类结果。
32.与植物切片的分类数一致，本实施例包括七个子分类器；并且每个子分类器单独进行识别；子分类器均为基于resnet50算法进行识别；从而使每一个子分类器可以根据每一类的特点来进行模型结构设计和优化
参照图3，为了提高子分类器的分类精度，子分类器采用局部和全局相结合的结构进行分类，局部分类结果和全局分类结果组合得到最终分类结果；即把子分类器分为全局子分类器和局部子分类器。
33.参照图1、图3，局部子分类器是一个单独的模型，向局部子分类器输入主分类器输出的裁剪后的图片，输出分类结果sl；全局子分类器也是一个单独的模型，向全局子分类器输入整幅图像，输出分类结果sg；而最终的结果s就是sl和sg组合得到的。本发明中使用的具体公式如下。
34.s=(1-α)sg+αsl
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
（3）其中α是超参数，代表局部分类结果的权重。在本实施例中，采用α=0.7。
35.以上均为本技术的较佳实施例，并非依此限制本技术的保护范围，本说明书（包括摘要和附图）中公开的任一特征，除非特别叙述，均可被其他等效或者具有类似目的的替代特征加以替换。即，除非特别叙述，每个特征只是一系列等效或类似特征中的一个例子而已。