融合改进残差网络和Transformer的易混淆中药饮片识别研究

摘要

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。