基于深度学习的白术检测方法、及其相关设备技术

本发明专利技术涉及人工智能技术领域，提供了一种基于深度学习的白术检测方法、及其相关设备，所述基于深度学习的白术检测方法包括：从图像库中获取待识别的中草药植株图像；将所述中草药植株图像的图像分辨率与预设分辨率进行比较，得到比较结果；根据所述比较结果确定目标植株图像；将所述目标植株图像导入到预先训练好的目标模型中进行识别，确认所述目标植株图像是否包含白术；若包含白术，则将所述识别结果发送给目标用户进行清除处理。本发明专利技术的技术方案实现自动识别白术，避免人工干预，从而提高白术识别的准确性以及用户的工作效率。

Detection method and related equipment of Atractylodes macrocephala based on deep learning

【技术实现步骤摘要】
基于深度学习的白术检测方法、及其相关设备
本专利技术涉及人工智能
，尤其涉及一种基于深度学习的白术检测方法、及其相关设备。
技术介绍
苍术是高需求的中草药品种，年产量高达1000吨以上。苍术的主要药用部分是根部，但其根部与另外一种植物白术的根部十分相似，需要经验丰富的人才能正确区分。由于苍术和白术同属于菊科苍术属，二者植株的外形具有相似性，如果在种植过程中就能把二者区分开来，保留苍术并移除不需要的白术，就可以增加高纯度苍术药材的产量。目前对白术的识别方法主要是人工判断或者是预先提取白术的特征，对特征进行编码并将进行编码后的特征放到一个分类器中进行2分类，训练出最优分类面，找到最能代表白术的特征，去掉对分类无关和自相关的特性。然而，这些特征的提取主要依赖人的经验与主观意识，提取到的特征的不同对分类性能影响很大，甚至提取的特征的顺序也会影响最后的白术识别性能，同时，图像预处理的好坏也会影响到提取的特征。从而存在白术识别不准确的情况，进一步影响用户对白术进行识别的工作效率。
技术实现思路
本专利技术实施例提供一种基于深度学习的白术检测方法、及其相关设备，以解决无法准确识别白术，影响用户工作效率的问题。一种基于深度学习的白术检测方法，包括：从图像库中获取待识别的中草药植株图像；将所述中草药植株图像的图像分辨率与预设分辨率进行比较，得到比较结果；根据所述比较结果确定目标植株图像；将所述目标植株图像导入到预先训练好的目标模型中进行识别，确认所述目标植株图像是否包含白术；若包含白术，则将所述识别结果发送给目标用户进行清除处理。一种基于深度学习的白术检测装置，包括：第一获取模块，用于从图像库中获取待识别的中草药植株图像；比较模块，用于将所述中草药植株图像的图像分辨率与预设分辨率进行比较，得到比较结果；确定模块，用于根据所述比较结果确定目标植株图像；识别模块，用于将所述目标植株图像导入到预先训练好的目标模型中进行识别，确认所述目标植株图像是否包含白术；发送模块，用于若包含白术，则将所述识别结果发送给目标用户进行清除处理。一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于深度学习的白术检测方法的步骤。一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述基于深度学习的白术检测方法的步骤。上述基于深度学习的白术检测方法、装置、计算机设备及存储介质，通过将获取到的中草药植株图像中的图像分辨率与预设分辨率进行比较，并根据比较结果确定目标植株图像，然后将目标植株图像导入预先训练好的目标模型中进行识别，确认目标植株图像中是否包含白术，若包含白术，则识别结果发送给目标用户进行清除处理。从而实现对白术的自动识别，避免人工干预，能够有效提高对白术识别的准确性，进一步提高用户对白术进行识别的工作效率。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对本专利技术实施例的描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1是本专利技术实施例提供的基于深度学习的白术检测方法的流程图；图2是本专利技术实施例提供的基于深度学习的白术检测方法中步骤S3的流程图；图3是本专利技术实施例提供的基于深度学习的白术检测方法中步骤S32的流程图；图4是本专利技术实施例提供的基于深度学习的白术检测方法中训练目标模型的流程图；图5是本专利技术实施例提供的基于深度学习的白术检测方法中步骤S62的流程图；图6是本专利技术实施例提供的基于深度学习的白术检测方法中对正负样本进行更新的流程图；图7是本专利技术实施例提供的基于深度学习的白术检测方法中对卷积神经网络模型进行训练的流程图；图8是本专利技术实施例提供的基于深度学习的白术检测装置的示意图；图9是本专利技术实施例提供的计算机设备的基本机构框图。具体实施方式下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。本申请提供的基于深度学习的白术检测方法应用于服务端，服务端具体可以用独立的服务器或者多个服务器组成的服务器集群实现。在一实施例中，如图1所示，提供一种基于深度学习的白术检测方法，包括如下步骤：S1：从图像库中获取待识别的中草药植株图像。在本专利技术实施例中，待识别的中草药植株图像是指需要识别中草药植株中是否包含白术的中草药植株图像；通过对图像库进行检测，当检测到图像库中存在中草药植株图像时，直接对该中草药植株图像进行获取。其中，图像库是指专门用于存储中草药植株图像的数据库。需要说明的是，当从图像库中获取到中草药植株图像时，将该中草药植株图像从该图像库中进行删除处理，避免对中草药植株图像的重复获取。S2：将中草药植株图像的图像分辨率与预设分辨率进行比较，得到比较结果。在本专利技术实施例中，根据步骤S1获取到的中草药植株图像，将该中草药植株图像的图像分辨率与预设分辨率进行比较，得到比较结果。其中，预设分辨率具体可以是800*800，也可以根据用户的实际需求进行设置，此处不做限制，优选地，本专利技术实施例采用800*800的预设分辨率。需要说明的是，本专利技术实施例采用800*800的分辨率是用户综合考虑了识别准确率、识别速度和服务器硬件配置之后，而设置的模型输入尺寸。即其他分辨率的图像需要缩放到这一尺寸再进行识别。进一步地，存在3种比较结果，分别为图像分辨率大于预设分辨率、图像分辨率等于预设分辨率、图像分辨率小于预设分辨率。S3：根据比较结果确定目标植株图像。具体地，根据步骤S2得到的比较结果，按照预设条件将中草药植株图像确定为目标植株图像。其中，预设条件具体可以将图像分辨率等于预设分辨率的中草药植株图像确定为目标植株图像，也可以根据用户的实际需求进行设置，此处不做限制。S4：将目标植株图像导入到预先训练好的目标模型中进行识别，确认目标植株图像是否包含白术。在本专利技术实施例中，预先训练好的目标模型主要用于识别目标植株图像中是否包含白术，通过将步骤S3得到的目标植株图像导入到预先训练好的目标模型中进行识别，目标模型在接收到目标植株图像后，将对目标植株图像进行白术检测，并输出识别结果，从而根据识别结果确认目标植株图像中是否包含白术。S5：若包含白术，则将识别结果发送给目标用户进行清除处理。具体地，根据步骤S4的识别方式，当识别结果为目标植株图像中包含白术时，将该识别结果按照预设的方法发送给目标本文档来自技高网...

【技术保护点】
1.一种基于深度学习的白术检测方法，其特征在于，所述基于深度学习的白术检测方法包括：/n从图像库中获取待识别的中草药植株图像；/n将所述中草药植株图像的图像分辨率与预设分辨率进行比较，得到比较结果；/n根据所述比较结果确定目标植株图像；/n将所述目标植株图像导入到预先训练好的目标模型中进行识别，确认所述目标植株图像是否包含白术；/n若包含白术，则将所述识别结果发送给目标用户进行清除处理。/n

【技术特征摘要】
1.一种基于深度学习的白术检测方法，其特征在于，所述基于深度学习的白术检测方法包括：
从图像库中获取待识别的中草药植株图像；
将所述中草药植株图像的图像分辨率与预设分辨率进行比较，得到比较结果；
根据所述比较结果确定目标植株图像；
将所述目标植株图像导入到预先训练好的目标模型中进行识别，确认所述目标植株图像是否包含白术；
若包含白术，则将所述识别结果发送给目标用户进行清除处理。


2.如权利要求1所述的基于深度学习的白术检测方法，其特征在于，所述根据所述比较结果确定目标植株图像的步骤包括：
若所述比较结果为所述图像分辨率与预设分辨率相同，则将所述图像分辨率对应的所述中草药植株图像确定为所述目标植株图像；
若所述比较结果为所述图像分辨率与预设分辨率不同，则对所述图像分辨率对应的所述中草药植株图像进行缩放处理，得到所述目标植株图像。


3.如权利要求2所述的基于深度学习的白术检测方法，其特征在于，所述若所述比较结果为所述图像分辨率与预设分辨率不同，则对所述图像分辨率对应的所述中草药植株图像进行缩放处理，得到所述目标植株图像的步骤包括：
若所述比较结果为所述图像分辨率大于预设分辨率，则对所述图像分辨率对应的中草药植株图像进行降采样处理，得到目标植株图像；
若所述比较结果为所述图像分辨率小于等于预设分辨率，则对所述图像分辨率对应的中草药植株图像进行升采样处理，得到目标植株图像。


4.如权利要求1所述的基于深度学习的白术检测方法，其特征在于，所述根据所述比较结果确定目标植株图像的步骤之后，所述将所述目标植株图像导入到预先训练好的目标模型中进行识别，确认所述目标植株图像是否包含白术的步骤之前，所述基于深度学习的白术检测方法还包括：
从预设数据库中获取图像样本，其中，所述图像样本中存在包含白术边界框的图像样本；
根据所述白术边界框对所述图像样本进行筛选，得到正负样本；
将所述正负样本导入到卷积神经网络模型中进行训练，得到所述目标模型。


5.如权利要求4所述的基于深度学习的白术检测方法，其特征在于，所述根据所述白术边界框对所述图像样本进行筛选，得到正负样本的步骤包括：
通过对所述图像样本中的所述白术边界框进行检测，若所述图像样本中存在所述白术边界框，则...

【专利技术属性】
技术研发人员：王健宗，吴天博，
申请(专利权)人：平安科技深圳有限公司，
类型：发明
国别省市：广东;44