基于TensorFlow的中草药识别系统研究与设计

金伦　钱莱　陆啸云

摘 要：中草药种类多、人工识别复杂，引入人工智能和图像处理技术，可以提高中草药识别的速度、准确度。本文基于卷积神经网络和TensorFlow框架开发一个中草药识别系统，能够部署于PC端和手机端，利用摄像头拍摄中药材图片，将其传输给基于TensorFlow部署的后台，利用训练好的卷积神经网络识别中草药的具体名称和类别，准确度达到了91.2%，具有一定的作用和意义。

关键词：中草药 卷积神经网络 TensorFlow 图像处理

中图分类号：TP3文献标识码：A文章编号：1003-9082（2020）02-000-01

引言

目前，国内医院和个人对于中草药需求量非常大，但是由于中草药种类繁多，原材料识别难度非常大，传统的人工分类需要丰富的经验，并且准确度也非常低，不利于提高治病救人的水平，因此无法满足当前的实际需求[1]。2018年浙江师范大学国家级大学生创新创业训练计划项目（201810345008）提出利用人工智能在图像处理方面的技术，识别和分类中草药，人工智能处理速度快，准确度高，因此成本更加低廉。本文基于利用卷积神经网络的TensorFlow开发中草药识别系统，能够利用ResNet50卷积神经网络，实现不同種类的中草药分类功能，具有一定的作用和意义。

一、关键技术

卷积神经网络（CNN）是一种深度前馈人工神经网络，已成功地应用于图像识别，CNN包括两层基本结构，一是特征提取层，每一个神经元的输入与前一层局部连接，可以提取这一部分的局部特征，一旦提取局部特征之后，就可以确定这些特征与其他特征之间的位置关系;二是特征映射层，网络的每一个计算层都可以由多个特征映射组成，每一个特征映射都可以描述为一个平面，平面上所有的神经元的权值相同[2]。卷积神经网络的每一个卷积层都可以跟着一个用来求取局部平均与二次提取的计算层，这样就可以大大地减小特征分辨率[3]。CNN结构如下所述。

输入层的主要作用就是对原始的图像数据进行预处理。

卷积层一般包含两个操作，其一是进行局部的关联，将每个神经元看做是一个过滤器;其二是进行窗口滑动，过滤器对局部的数据进行计算。卷积层的关键作用就是获取图像的局部特征，每一卷积层都可以作为一个特征提取层，并且可以减少参数的设置数量，提高卷积准确度[7]。

池化层的主要作用是用来压缩数据和参数的数量，减小过拟合。换句话说，池化层就是用来压缩图像的[8]。在卷积层提取的图像特征基础上，池化可以计算某一个局部的卷积特征平均值，也可以计算最大值或最小值，减小卷积层特征的维数，这样就可以持续降低分类器的计算复杂度，减轻分类器的负担，也可以避免分类器过度拟合，

全连接层可以输出分类结果，起到了一个分类器的作用，能够将训练好的模型输出出来，这样就可以提取图像的特征。

二、TensorFlow在中草药识别系统中的应用与设计

中草药识别系统的主要功能包括注册、登录、选择图片、识别图片和退出等功能，该系统采用最为关键的技术就是TensorFlow技术，该技术采用了TensorFlow Keras平台搭建的的ResNet50卷积神经网络。ResNet50是一种卷积神经网络，主要用于分类。中草药识别系统引入的卷积神经网络ResNet50算法的具体应用流程如图1所示。

摄像头拍摄的树莓派图像转码为base64格式，将数据发送给服务器，服务器利用keras搭建的resnet50架构训练完成得到的模型来进行识别图像，获取图像类别并进行在数据库下的模糊搜索，最终将识别结果通过http协议以json格式返回给树莓派。卷积神经网络结构由以tensorflow作为backbench的keras框架搭建而成，并由前台django来进行实时调用，以API接口的形式让前端设备来进行调用。在resnet的训练过程中，采用了0.001的学习率，batchsize大小为50，在训练1000个epochs之后在测试集中达到了83.2%的准确率，在训练5000个epochs之后，准确率到达了91.2%，基本达到了应用的要求。

结语

基于TensorFlow的中草药识别系统能够将摄像头拍摄的图片、利用神经网络进行处理，将识别的结果反馈给用户，满足中草药识别的功能。未来，中草药识别系统将会引入更加先进的技术，为中草药在医疗诊断的应用提供辅助支撑，具有更加良好的作用。

参考文献

[1]王林玉，王莉，郑婷一.基于卷积神经网络和关键词策略的实体关系抽取方法[J].模式识别与人工智能，2017，30（5）：465-472.

[2]周法律，张璐瑶，汤岚凤，等.中草药原植物叶片图像在线识别系统设计与实现[J].电脑知识与技术，2014，10（13）：3114-3116.

[3]武国彬，初雅莉，陈昌稳.基于Android的中草药手机智能识别系统[J].微型机与应用，2013（18）：11-13，17.