System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于图像数据处理,具体涉及一种基于深度学习的多药材识别方法及系统。
技术介绍
1、在传统的中药药材识别和分拣过程中,通常依赖于药师的人工识别和经验判断。药师需要根据药材的形状、颜色、气味等特征来识别和分类药材。这种传统方法不仅效率低,而且由于人为因素的影响,容易出现漏药和错药的问题,从而影响患者的治疗效果。
2、近年来,虽然有学者和技术人员尝试将图像处理和机器学习技术应用于静态的图片识别,如使用卷积神经网络(cnn)来识别药材的图像。而且这些技术通常只能识别单一药材的图片,并不能有效处理一个完整药方中多种药材的识别问题。
技术实现思路
1、为了解决当前依赖于药师的人工识别和经验判断不仅效率低,而且由于人为因素的影响,容易出现漏药和错药的问题,从而影响患者的治疗效果,采用卷积神经网络(cnn)通常只能识别单一药材的图片,并不能有效处理一个完整药方中多种药材的技术问题,本专利技术提供一种基于深度学习的多药材识别方法及系统。
2、第一方面
3、本专利技术提供了一种基于深度学习的多药材识别方法,包括:
4、s1:获取采样盘图像;
5、s2:通过采样盘图像检测模型,对所述采样盘图像进行检测,确定所述采样本盘图像中的采样盘区域;
6、s3:分割所述采样盘区域,得到多个待识别区域;
7、s4:通过药材分类模型,对所述待识别区域中药材进行识别,确定所述待识别区域中药材的类别。
8、第二方面
...【技术保护点】
1.一种基于深度学习的多药材识别方法,其特征在于,包括:
2.根据权利要求1所述的基于深度学习的多药材识别方法,其特征在于,所述采样盘图像检测模型基于卷积神经网络进行构建,所述卷积神经网络包括:初步特征提取层、深度分离卷积层、中间特征提取层、多尺度特征融合层、高级特征提取层和输出调整层;
3.根据权利要求2所述的基于深度学习的多药材识别方法,其特征在于,所述采样盘图像检测模型的激活函数具体为:
4.根据权利要求2所述的基于深度学习的多药材识别方法,其特征在于,所述采样盘图像检测模型的训练方式具体包括:
5.根据权利要求1所述的基于深度学习的多药材识别方法,其特征在于,所述药材分类模型基于HVT进行构建,所述HVT包括:输入预处理层、嵌入层、自注意力层和输出层;
6.根据权利要求1所述的基于深度学习的多药材识别方法,其特征在于,所述药材分类模型的学习率的确定方式包括:学习率预热阶段和余弦退火阶段;
7.根据权利要求6所述的基于深度学习的多药材识别方法,其特征在于,所述药材分类模型的学习率的确定方式还包括:周期性
8.根据权利要求1所述的基于深度学习的多药材识别方法,其特征在于,所述药材分类模型的训练方式具体包括:
9.根据权利要求8所述的基于深度学习的多药材识别方法,其特征在于,所述分类损失Lcls具体为:
10.一种基于深度学习的多药材识别系统,其特征在于,包括处理器和用于存储处理器可执行指令的存储器;所述处理器被配置为调用所述存储器存储的指令,以执行权利要求1至9中任意一项所述的基于深度学习的多药材识别方法。
...【技术特征摘要】
1.一种基于深度学习的多药材识别方法,其特征在于,包括:
2.根据权利要求1所述的基于深度学习的多药材识别方法,其特征在于,所述采样盘图像检测模型基于卷积神经网络进行构建,所述卷积神经网络包括:初步特征提取层、深度分离卷积层、中间特征提取层、多尺度特征融合层、高级特征提取层和输出调整层;
3.根据权利要求2所述的基于深度学习的多药材识别方法,其特征在于,所述采样盘图像检测模型的激活函数具体为:
4.根据权利要求2所述的基于深度学习的多药材识别方法,其特征在于,所述采样盘图像检测模型的训练方式具体包括:
5.根据权利要求1所述的基于深度学习的多药材识别方法,其特征在于,所述药材分类模型基于hvt进行构建,所述hvt包括:输入预处理层、嵌入层、自注意力层和输出层;
6.根据...
【专利技术属性】
技术研发人员:杨帆,王平,李健民,陈俞,
申请(专利权)人:杭州甘之草科技有限公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。