论文部分内容阅读
随着计算机图像处理技术的不断发展与进步,中草药粉末的显微图像鉴别技术以其独特的优势在中草药识别领域得到进一步发展,但是传统的图像鉴别算法在大数据量和多类别的显微特征图像鉴定中存在准确性低和普适性差等问题。针对这一问题,本文提出基于深度学习的中草药粉末显微特征识别方法研究。本文的主要工作和创新点如下:(1)根据中草药粉末显微图像检测分类的实际需求制定出一套合理的显微特征图像分类标准,创建中草药粉末显微特征图像数据集。为了去除图像数据库中光照变化、角度偏移、尺度不同等干扰因素对实验结果的影响,使用多种图像增强的预处理方法来获得更具多样性的中草药粉末显微特征图像数据,提高了显微特征图像检测和识别的准确率。(2)提出了一种基于SSD网络的改进型检测算法。针对显微特征图像中存在的目标断裂残缺的问题,在SSD网络的预测卷积图之后添加SE模块,对检测结果起较大作用的特征通道获得较大的权重,使网络更好地对重要的特征通道信息进行充分学习。另外改进后的网络将前后层特征图包含的信息进行充分融合,有利于网络对显微特征图像信息的有效学习,提高了最终的检测效果。对厚壁细胞、导管和花粉孢子这三类显微特征图像进行检测实验,结果表明经过改进后算法的检测均值平均精度(Mean Average Precision,m AP)提升到81.5%。(3)提出了二值图转化方法与图像类型多通道融合识别算法。针对导管的显微图像特点,将第三章检测网络输出的图像进行类型转化,并且将RGB图像、灰度图和二值图通过数据类型的多通道融合来丰富和扩充图像的信息,使得深度学习网络能学习到更多层次和更有效的图像信息。对融合后的图像采用ACNet算法进行中草药类别的识别判定,结果表明融合的显微特征图像的正确识别率达到94.5%。