融合改进残差网络和Transformer的易混淆中药饮片识别研究

目的:基于改进的残差卷积神经网络和Transformer混合架构对5组常见的根茎类易混淆中药饮片构建分类模型,探索人工智能对复杂场景中药饮片的分类价值。方法:以玉竹与知母;大血藤与鸡血藤;桔梗与黄芪;防风、前胡与板蓝根;怀牛膝、川牛膝与续断12类5组易混淆中药饮片为研究对象,构建包含8720张图片的中药饮片数据集。设计基于残差模块和注意力机制的TyNet103 CNN+Transformer模型,对TyNet103自建模型进行消融实验并与3个经典模型的准确率进行比较,结合集成学习思想进行基分类器投票得到中药饮片分类结果。结果:4个模型在测试集上的初始准确率分别为78.41%、77.83%、72.57%和80.13%,模型改进并应用组合策略优化后准确率分别达到95.35%、96.65%、96.33%、97.56%,应用集成学习方法得到的强分类器在测试集上准确率可达99.41%。结论:通过模型改进,组合优化策略和集成学习实现的中药材分类模型具有智能化、客观化、准确率高且高效易用的特点,可辅助鉴别易混淆的中药饮片。

基于元辅助任务学习的中药饮片识别方法

中药饮片的分类对临床中药的实际应用有着十分重要的影响,传统的人工分类主要依靠主观经验作为判断依据,而基于计算机视觉的中药饮片自动识别分类有着快速、准确的特点。但影响自动识别结果的因素较多,针对中药饮片自动识别结果受产地、锻造方式等因素影响大的问题,提出了一种基于元辅助任务学习的中药饮片识别方法。该方法采用了辅助任务以提升主任务表现的策略,利用中药饮片的多种属性构成辅助任务,以提升主任务即中药饮片分类结果的准确性;此外该方法还加入了元学习标签生成网络,该网络自动为模型生成辅助标签作为辅助任务,在提升模型表现的同时节省了人工标注的成本;最后该方法使用了Swin-Transformer作为骨干网络进行特征提取,提升了模型的全局感知能力,进一步提升了模型的泛化性。实验结果表明,该方法在不同批次中药饮片中的识别精度均高于普通方法。

PBL教学模式在中药饮片识别课程中的运用与思考

中药饮片识别课是一门为中医学以及中医相关专业学生开设的应用性课程,是《中药学》教学的重要组成部分[1],是学生在教师指导下掌握饮片辨识的方式方法,并运用该技能观察、分析中药的性状特征,从而提高对中药的临床运用能力的实用课程[2]。但是,在教学实践中我们发现在中药饮片课课时有限的情况下,教师与学生的教、学关系若局限在＂主动灌输＂与＂被动接受＂的阶段,学生获得知识的质量并不高,甚至还会出现根本无法识别的情况。

比较教学法对学生中药饮片识别能力的影响

中药调剂学是研究中药调剂理论和操作技能的一门综合性应用技术学科,而认识中药饮片是中药调剂工作者应具备的基本技能。根据学科特点及中医药高职高专的人才培养要求,文章就比较教学法在中药调剂学实训教学中的优势进行了探讨,认为比较教学法对提高学生中药饮片识别能力有较好的效果。

基于迁移学习的中药饮片图像分类

针对人工识别中药饮片效率不高、分类具有一定主观性等问题,提出基于迁移学习的中药饮片图像分类方法。自建中药饮片图像数据集,选取MobileNet-V2模型进行训练,将在ImageNet数据集训练得到的参数加载到模型中,修改全连接层节点数和SoftMax分类器得到新模型,冻结除全连接层的参数,训练后的新模型准确率达到97.67%。实验表明,研究的算法可准确对中药饮片图像进行分类,而且比传统CNN有更少的参数量和计算量,为研究人员对中药饮片种类的识别提供有利的依据,可有效辅助研究人员对中药饮片进行识别。