本發(fā)明涉及計算機視覺技術領域，尤其涉及一種基于深度學習的中藥材識別裝置。

背景技術：

神農(nóng)嘗百草，就是人類歷史上第一次系統(tǒng)性規(guī)模化地認識中草藥以及了解和確定功效的學習與研究的過程。但人的經(jīng)驗識別和鑒定的準確性、重現(xiàn)性、識別準確率較低。中藥行業(yè)要傳承與發(fā)展，必須創(chuàng)新，提高技術水平。深度學習和現(xiàn)代電子信息技術的結合利用圖像傳感器代替人眼獲取物體圖像，利用計算機模擬人的判別準則去理解和識別圖像，達到分析圖像和提取被檢測物體特征的目的，這方面的應用在中藥行業(yè)中還未見較多的報道。

技術實現(xiàn)要素：

本發(fā)明的目的是公開一種基于深度學習的中藥材識別裝置及裝置，以解決現(xiàn)有技術中的對中藥材識別方法單一、效率低、準確率低的問題。

本發(fā)明的一種基于深度學習的中藥材識別裝置，包括攝像模塊、圖像采集模塊、亮度均衡控制模塊、深度卷積網(wǎng)絡服務器、顯示驅動模塊、微顯示終端、補光燈，其特征在于所述的攝像模塊與圖像采集模塊連接，所述的圖像采集模塊與亮度均衡控制模塊連接，所述的亮度均衡控制模塊與深度卷積網(wǎng)絡服務器連接，所述的深度卷積網(wǎng)絡服務器與顯示驅動模塊連接，所述顯示驅動模塊與微顯示終端連接，所述亮度均衡控制模塊與補光燈連接；所述的亮度均衡控制模塊用于對來自攝像模塊的圖像亮度平均值進行檢測，根據(jù)亮度平均值結果控制補光燈；所述的微顯示終端是0.37英寸的lcos透視顯示器；所述的深度卷積網(wǎng)絡服務器采用深度學習網(wǎng)絡，所述深度學習網(wǎng)絡包括卷積層1、池化層1、卷積層2、池化層2、卷積層3、卷積層4、池化層3、卷積層5、池化層4、全連接層1和全連接層2。

本發(fā)明的一種基于深度學習的中藥材識別裝置中，所述的深度學習網(wǎng)絡，其特征在于所述深度學習網(wǎng)絡的訓練步驟具體包括：步驟一，獲取帶有屬性及參數(shù)標記的中藥材圖像樣本；步驟二，利用預先設置有初始參數(shù)的深度學習網(wǎng)絡對所述中藥材圖像樣本進行分類；根據(jù)所述深度學習網(wǎng)絡輸出結果與所述中藥材的屬性信息之間的差異逐層反傳至所述深度學習網(wǎng)絡，訓練所述深度學習網(wǎng)絡的參數(shù)；步驟三所述利用預先設置有初始參數(shù)的深度學習網(wǎng)絡對所述中藥材圖像樣本進行分類具體為：利用預先設置有初始參數(shù)的卷積核與所述中藥材圖像樣本進行卷積計算；經(jīng)過池化層的池化操作以及全連接層1和全連接層2的全連接操作，得到所述中藥材圖像樣本的中藥材屬性概率；所述根據(jù)所述深度學習網(wǎng)絡輸出結果與所述中藥材的屬性信息之間的差異逐層反傳至所述深度學習網(wǎng)絡，訓練所述深度學習網(wǎng)絡的參數(shù)，具體為：當所述中藥材屬性概率與所述中藥材的屬性信息之間存在差異時，調整所述卷積核中的參數(shù)，直至輸出的中藥材屬性概率與所述中藥材的屬性信息相符；所述的深度學習網(wǎng)絡，其特征在于所述深度學習網(wǎng)絡的運行步驟包括：獲取待識別中藥材圖像，利用預先訓練得到的深度學習網(wǎng)絡識別所述待識別中藥材圖像；識別通過所述卷積層1、池化層1、卷積層2、池化層2、卷積層3、卷積層4、池化層3、卷積層5、池化層4、全連接層1和全連接層2，于全連接層2輸出節(jié)點為所述中藥材圖像的中藥材屬性概率，根據(jù)所述中藥材屬性概率確定所述待識別中藥材圖像的中藥材屬性信息。在獲取待識別中藥材圖像之后、在所述利用預先訓練得到的深度學習網(wǎng)絡識別所述待識別中藥材圖像之前，進一步包括：對所述待識別中藥材圖像進行預處理；所述預處理至少包括以下一種操作：裁剪、邊界填充、翻轉、飽和度平衡、色調平衡、對比度平衡、直方圖均衡、鏡像操作、隨機剪切、中心化、均值化、調整大小resize；步驟包括：獲取待識別中藥材圖像；訓練深度學習網(wǎng)絡；所述深度學習網(wǎng)絡的網(wǎng)絡結構包括卷積層、池化層和全連接層，所述卷積層的后面連接所述池化層，所述池化層后面連接所述全連接層，最后的全連接層上的每個輸出節(jié)點為所述中藥材圖像的中藥材屬性概率；識別步驟是利用預先訓練得到的深度學習網(wǎng)絡識別所述待識別中藥材圖像；根據(jù)所述中藥材屬性概率確定所述待識別中藥材圖像的中藥材屬性信息。本發(fā)明的一種基于深度學習的中藥材識別裝置中，所述的深度學習網(wǎng)絡，其特征在于，所述訓練所述深度學習網(wǎng)絡的參數(shù)具體為使用深度學習網(wǎng)絡的訓練工具通過tensorflow進行訓練，從輸入到輸出的計算過程為：

，其中表示輸入，表示卷積核，表示偏置表示輸出；

，其中表示輸入，表示權值，表示偏置，表示輸出；

，其中池化面）是輸入，表示卷積核，表示偏置，其中,)，表示輸出；

,其中表示輸入，表示權值，表示偏置，表示輸出；

，其中池化面）是輸入，表示卷積核，表示偏置，其中,)，表示輸出；

，其中池化面）是輸入，表示卷積核，表示偏置，其中,)，表示輸出；

,其中表示輸入，表示權值，表示偏置，表示輸出；

，其中池化面）是輸入，表示卷積核，表示偏置，其中,)，表示輸出；

,其中表示輸入，表示權值，表示偏置，表示輸出；

；

所述tensorflow的參數(shù)包括：卷積層1的卷積核尺寸為11×11，顏色通道為3，卷積核數(shù)量為64，卷積步長為4×4，圖片每4×4區(qū)域只取樣一次，橫向間隔是4，縱向間隔是4，每次取樣的卷積核為11×11；池化層1的池化尺寸為3×3，取樣步長為2×2；卷積層2的卷積核尺寸為5×5，輸入通道數(shù)為64，卷積核數(shù)量為192，卷積步長為1；池化層2的池化尺寸為3×3，取樣步長為2×2；卷積層3的卷積核尺寸為3×3，輸入通道數(shù)為192，卷積核數(shù)量為384，卷積步長為1；卷積層4的卷積核尺寸為3×3，輸入通道數(shù)為384，卷積核數(shù)量為256，卷積步長為1；池化層3的池化尺寸為3×3，取樣步長為2×2；卷積層5的卷積核尺寸為3×3，輸入通道數(shù)為256，卷積核數(shù)量為256，卷積步長為1；池化層4的池化尺寸為3×3，取樣步長為2×2；學習率為0.007~0.01，學習動量項為0.91~0.95，權重衰減系數(shù)為0.0004~0.0005。本發(fā)明的有益效果如下：本發(fā)明所公開的一種基于深度學習的中藥材識別裝置，采用攝像模塊獲取待識別中藥材圖像時，亮度均衡控制模塊對來自攝像模塊的圖像亮度平均值進行檢測，根據(jù)亮度平均值結果控制補光燈解決了深度學習圖像識別技術中待識別中藥材所處環(huán)境光線亮度以及光照角度造成陰影而產(chǎn)生的誤差的問題；所述的微顯示終端是0.37英寸的lcos透視顯示器用于近距顯示；在獲取到待識別中藥材圖像之后，利用預先訓練得到的深度學習網(wǎng)絡識別所述待識別中藥材圖像，依次經(jīng)過卷積層、池化層和全連接層后得到中藥材屬性概率，從而確定中藥材屬性信息。由于本發(fā)明所提供的方案利用了深度學習網(wǎng)絡識別中藥材，深度學習網(wǎng)絡足以刻畫和區(qū)分物體，以解決現(xiàn)有技術中的對中藥材識別方法單一、效率低、準確率低的問題。

附圖說明

圖1為本發(fā)明一種基于深度學習的中藥材識別裝置的結構示意圖。

圖2為本發(fā)明一種基于深度學習的中藥材識別裝置中深度學習網(wǎng)絡的結構示意圖。

附圖標記說明，圖中：31.輸入圖像、32.卷積層1、33.池化層1、34.卷積層2、35.池化層2、36.卷積層3、37.卷積層4、38.池化層3、39.卷積層5、40.池化層4、46.全連接層1、47.全連接層2、48.輸出訊息、51.微顯示終端,52.攝像模塊、53.補光燈、54.支架、55.待識別中藥材、61.圖像采集模塊、62.亮度均衡控制模塊、63.深度卷積網(wǎng)絡服務器、64.顯示驅動模塊。

具體實施方式

為了使本發(fā)明的技術方案及優(yōu)點更加清楚明白，以下結合附圖對本發(fā)明的示例性實施例進行進一步詳細的說明，顯然，所描述的實施例僅是本發(fā)明的一部分實施例，而不是所有實施例的窮舉。并且在不沖突的情況下，本說明中的實施及實施例中的特征可以互相結合。

本發(fā)明提出了一種基于深度學習的中藥材識別裝置，下面進行說明。

圖1為本發(fā)明一種基于深度學習的中藥材識別裝置的結構示意圖，圖2為本發(fā)明一種基于深度學習的中藥材識別裝置中深度學習網(wǎng)絡的結構示意圖；

如圖所示，所述基于深度學習的中藥材識別裝置的實施中可以包括如下步驟：

步驟101、通過網(wǎng)絡爬蟲從指定網(wǎng)站中獲取的已知圖像樣本用于訓練識別中藥材圖像；

步驟102、采用攝像模塊52獲取待識別中藥材55圖像時，采用亮度均衡控制模塊62對來自攝像模塊52的圖像亮度平均值進行檢測，根據(jù)亮度平均值結果控制補光燈53的發(fā)光亮度，以解決深度學習圖像識別技術中待識別中藥材55所處環(huán)境光線亮度以及光照角度造成陰影而產(chǎn)生的誤差的問題，經(jīng)處理后的待識別中藥材55圖像進入深度卷積網(wǎng)絡服務器63，利用深度卷積網(wǎng)絡服務器63中預先訓練得到的深度學習網(wǎng)絡識別所述待識別中藥材55圖像；所述深度學習網(wǎng)絡的網(wǎng)絡結構包括卷積層1、池化層1、卷積層2、池化層2、卷積層3、卷積層4、池化層3、卷積層5、池化層4、全連接層1和全連接層2，最后的全連接層2上的每個輸出節(jié)點為所述中藥材圖像的中藥材屬性概率；

步驟103、根據(jù)所述中藥材屬性概率確定所述待識別中藥材55圖像的中藥材屬性信息，輸出訊息，輸出訊息由深度卷積網(wǎng)絡服務器63到顯示驅動模塊64到微顯示終端51。

其中，深度學習(deeplearning)屬于神經(jīng)網(wǎng)絡的一種，近年來在計算機視覺、語音識別等領域有較多應用，它是一種解決訓練問題的深層神經(jīng)網(wǎng)絡，本發(fā)明實施例中的深度學習網(wǎng)絡可以包括卷積層、池化層和全連接層這三個層次，其中：卷積層(convolution)，通過卷積運算使得原信號特征增強并降低噪音，采用tensorflow能對卷積層中的卷積運算進行加速的效果提高了基于深度學習的中藥材識別裝置的運行效率，在本實施例中用tf.nn.conv2d函數(shù)。池化層(pooling)，減小過擬合，通過減小輸入的尺寸來提高性能，對輸入降采樣，并為后續(xù)層保留重要信息，主要采用tensorflowr來減小輸入的尺寸，實現(xiàn)池化層的效率，本實施例中用tf.nn.max_pool和tf.nn.tf.nn.avg_pool函數(shù)。全連接層(fullconnected)，全連接層的每個神經(jīng)元都與下一層的每個神經(jīng)元相連，將所述待識別中藥材55圖像作為輸入，從輸入層到卷積層通過卷積操作，通過卷積后獲得了所述待識別中藥材55圖像的特征；從卷積層到池化層的過程可以稱為池化過程，目的在于減少上一層的特征數(shù)量；經(jīng)過卷積層和池化層之后得到的特征會由全連接層進行分類，經(jīng)過全連接層的計算處理，最終輸出結果。所述全連接層上的每個輸出節(jié)點為所述中藥材圖像的中藥材屬性概率，即每個輸出節(jié)點上輸出的是該中藥材屬于某個屬性的概率，例如：第一個輸出節(jié)點為該中藥材屬于陳皮的概率、第二個輸出節(jié)點為該中藥材屬于白術的概率等，最終根據(jù)中藥材屬性概率確定出該中藥材的屬性信息，即，根據(jù)概率大小確定出該中藥材具體屬于哪種名稱，例如：第一個輸出節(jié)點為該中藥材屬于陳皮的概率為90％，其他節(jié)點輸出的概率均小于90％，則可以確定該中藥材為陳皮。本發(fā)明實施例所提供的中藥材識別方法及裝置，在獲取到待識別中藥材55圖像之后，無需用戶手動定義特征再進行分類，直接利用預先訓練得到的深度學習網(wǎng)絡即可識別所述待識別中藥材55圖像，依次經(jīng)過卷積層、池化層和全連接層后得到中藥材屬性概率，從而確定中藥材屬性信息。由于本發(fā)明實施例所提供的方案利用的是深度學習網(wǎng)絡識別中藥材，深度學習網(wǎng)絡足以刻畫和區(qū)分物體，相比現(xiàn)有的人工定義特征進行分類的方式準確性更高。

在實施例中，用于訓練的圖像樣本的來源可以為很多方式，比如用網(wǎng)絡爬蟲從網(wǎng)上收集、中藥圖冊或自行拍攝；本實施例中通過網(wǎng)絡爬蟲從指定網(wǎng)站中獲取的已知圖像樣本后，再采用手工標注的方式進行標注，所述標記包括中藥材的屬性信息。利用預先設置有初始參數(shù)的深度學習網(wǎng)絡對所述中藥材圖像樣本進行分類；根據(jù)所述深度學習網(wǎng)絡輸出結果與所述中藥材的屬性信息之間的差異逐層反傳至所述深度學習網(wǎng)絡，訓練所述深度學習網(wǎng)絡的參數(shù)。

具體實施時，可以獲取若干中藥材圖像樣本，這些樣本可以包括各類中藥材圖像，標記中藥材的屬性信息，屬性信息中包括名稱。例如：獲取近2000類中藥材圖像，將近2000類中藥材圖像進行人工標定，標定數(shù)據(jù)的圖像數(shù)量可以大于2萬張。然后利用預先設置有初始參數(shù)的深度學習網(wǎng)絡對所述中藥材圖像進行softmax分類，計算各個樣本屬于的中藥材類別的概率，使用tf.argmax函數(shù)選擇預測的輸出值中具有最大概率的那個類別，將tf.equal與期望的類別進行比較，使用tf.reduce_mean計算準確率，經(jīng)實驗準確率可以達到約95%。

所述深度學習網(wǎng)絡的全連接層上的每一個輸出節(jié)點對應該圖片是相應中藥材類別的概率。]將輸出概率與真實標記(可以為與輸出概率等長數(shù)組)進行比較，計算二者的差異。具體實施時，利用交叉熵損失函數(shù)來度量模型輸出結果與真實值之間的差異。將該差異反逐層反傳到所述深度學習網(wǎng)絡中，進行模型的參數(shù)訓練。本發(fā)明實施例利用深度學習網(wǎng)絡模型不斷訓練參數(shù)，從而使得所述深度學習網(wǎng)絡可以精確的識別中藥材，無需人工參與即可利用機器深度學習自動達到分類的目的。實施中，所述利用預先設置有初始參數(shù)的深度學習網(wǎng)絡對所述中藥材圖像樣本進行分類，具體可以為：利用預先設置有初始參數(shù)的卷積核與所述中藥材圖像樣本進行卷積計算；經(jīng)過池化層的池化操作以及全連接層的全連接操作，得到所述中藥材圖像樣本的中藥材屬性概率；所述根據(jù)所述深度學習網(wǎng)絡輸出結果與所述中藥材的屬性信息之間的差異逐層反傳至所述深度學習網(wǎng)絡，訓練所述深度學習網(wǎng)絡的參數(shù)，具體可以為：當所述中藥材屬性概率與所述中藥材的屬性信息之間存在差異時，調整所述卷積核中的參數(shù)，直至輸出的中藥材屬性概率與所述中藥材的屬性信息相符。例如：假設輸出的中藥材屬性概率為陳皮的概率最大，如果所述預先標記的中藥材屬性信息為白術，那么重新調整所述卷積核中的參數(shù)，再進行卷積層、池化層、全連接層的識別，直至所述輸出的中藥材屬性概率為陳皮最大，與所述真實的中藥材屬性信息相符，完成所述卷積核參數(shù)的訓練。

在具體實施時，在所述深度學習網(wǎng)絡的訓練步驟具體包括：步驟一，獲取帶有屬性及參數(shù)標記的中藥材圖像樣本；步驟二，利用預先設置有初始參數(shù)的深度學習網(wǎng)絡對所述中藥材圖像樣本進行分類；根據(jù)所述深度學習網(wǎng)絡輸出結果與所述中藥材的屬性信息之間的差異逐層反傳至所述深度學習網(wǎng)絡，訓練所述深度學習網(wǎng)絡的參數(shù)；步驟三所述利用預先設置有初始參數(shù)的深度學習網(wǎng)絡對所述中藥材圖像樣本進行分類具體為：利用預先設置有初始參數(shù)的卷積核與所述中藥材圖像樣本進行卷積計算；經(jīng)過池化層的池化操作以及全連接層1和全連接層2的全連接操作，得到所述中藥材圖像樣本的中藥材屬性概率；所述根據(jù)所述深度學習網(wǎng)絡輸出結果與所述中藥材的屬性信息之間的差異逐層反傳至所述深度學習網(wǎng)絡，訓練所述深度學習網(wǎng)絡的參數(shù)，具體為：當所述中藥材屬性概率與所述中藥材的屬性信息之間存在差異時，調整所述卷積核中的參數(shù)，直至輸出的中藥材屬性概率與所述中藥材的屬性信息相符。

本發(fā)明實施中

所述訓練所述深度學習網(wǎng)絡的參數(shù)具體為使用深度學習網(wǎng)絡的訓練工具通過tensorflow進行訓練，從輸入到輸出的計算過程為：

，其中表示輸入，表示卷積核，表示偏置表示輸出；

，其中表示輸入，表示權值，表示偏置，表示輸出；

，其中池化面）是輸入，表示卷積核，表示偏置，其中,)，表示輸出；

,其中表示輸入，表示權值，表示偏置，表示輸出；

，其中池化面）是輸入，表示卷積核，表示偏置，其中,)，表示輸出；

，其中池化面）是輸入，表示卷積核，表示偏置，其中,)，表示輸出；

,其中表示輸入，表示權值，表示偏置，表示輸出；

，其中池化面）是輸入，表示卷積核，表示偏置，其中,)，表示輸出；

,其中表示輸入，表示權值，表示偏置，表示輸出；

；

所述tensorflow的參數(shù)包括：卷積層1的卷積核尺寸為11×11，顏色通道為3，卷積核數(shù)量為64，卷積步長為4×4，圖片每4×4區(qū)域只取樣一次，橫向間隔是4，縱向間隔是4，每次取樣的卷積核為11×11；池化層1的池化尺寸為3×3，取樣步長為2×2；卷積層2的卷積核尺寸為5×5，輸入通道數(shù)為64，卷積核數(shù)量為192，卷積步長為1；池化層2的池化尺寸為3×3，取樣步長為2×2；卷積層3的卷積核尺寸為3×3，輸入通道數(shù)為192，卷積核數(shù)量為384，卷積步長為1；卷積層4的卷積核尺寸為3×3，輸入通道數(shù)為384，卷積核數(shù)量為256，卷積步長為1；池化層3的池化尺寸為3×3，取樣步長為2×2；卷積層5的卷積核尺寸為3×3，輸入通道數(shù)為256，卷積核數(shù)量為256，卷積步長為1；池化層4的池化尺寸為3×3，取樣步長為2×2；學習率為0.007~0.01，學習動量項為0.91~0.95，權重衰減系數(shù)為0.0004~0.0005。

根據(jù)所述初始參數(shù)的卷積核進行卷積計算，在經(jīng)過池化層、全連接層，最終輸出所述中藥材圖像樣本的中藥材屬性概率。判斷所述輸出的中藥材屬性概率是否與所述中藥材的屬性信息相符或一致，當圖像的中藥材屬性概率與所述中藥材的屬性信息之間存在差異時，調整所述卷積計算的參數(shù)，直至輸出的中藥材屬性概率與所述中藥材的屬性信息相符。例如：假設輸出的中藥材屬性概率為陳皮的概率最大，如果所述預先標記的中藥材屬性信息為白術，那么重新調整所述卷積核中的參數(shù)，再進行卷積層、池化層、全連接層的識別，直至所述輸出的中藥材屬性概率為陳皮最大，與所述真實的中藥材屬性信息相符，完成所述卷積核參數(shù)的訓練。實施中，所述訓練所述深度學習網(wǎng)絡的參數(shù)具體可以為使用深度網(wǎng)絡訓練工具tensorflow進行訓練，所述tensorflow的參數(shù)包括：學習率為0.007~0.01，學習動量項為0.91~0.95，權重衰減系數(shù)為0.0004~0.0005。

具體實施時，可以采用深度網(wǎng)絡訓練工具tensorflow進行模型訓練，tensorflow是相對高階的機器學習庫，支持自動求導，簡化了線上部署的復雜度，并讓手機這種內存和cpu資源都緊張的設備可以運行復雜模型。

使用tensorflow時參數(shù)可以設置為如下所示：學習率為0.007~0.01，學習動量項為0.91~0.95，權重衰減系數(shù)為0.0004~0.0005。本發(fā)明實施例采用深度網(wǎng)絡訓練工具對模型進行訓練，發(fā)明人通過試驗發(fā)現(xiàn)學習率為0.007~0.01，學習動量項為0.91~0.95，權重衰減系數(shù)為0.0004~0.0005時訓練效果最佳。

在實施中，所述的深度卷積網(wǎng)絡服務器63采用深度學習網(wǎng)絡，所述深度學習網(wǎng)絡包括卷積層1、池化層1、卷積層2、池化層2、卷積層3、卷積層4、池化層3、卷積層5、池化層4、全連接層1和全連接層2；最后一個全連接層的輸出個數(shù)為中藥材屬性分類的數(shù)目。本發(fā)明實施例所設計的深度學習網(wǎng)絡，在確保所述深度學習網(wǎng)絡的計算量適中的同時提升了分類識別的準確性，克服淺層網(wǎng)絡特征提取不充分的問題。實施中，所述利用預先訓練得到的深度學習網(wǎng)絡識別所述待識別中藥材55圖像具體可以為：在卷積層，將所述待識別中藥材55圖像與預先訓練得到的卷積核進行卷積計算，輸出一個或多個特征圖像；在池化層，對所述卷積層的輸出進行池化操作；在全連接層，對所述上一層的輸出進行全連接操作，所述最后的全連接層的節(jié)點個數(shù)與中藥材屬性分類的數(shù)目相同；對所述最后的全連接層的輸出進行分類，得到中藥材屬性概率。

實施例1，一種基于深度學習的中藥材識別裝置，包括攝像模塊52、圖像采集模塊61、亮度均衡控制模塊62、深度卷積網(wǎng)絡服務器63、顯示驅動模塊64、微顯示終端51、補光燈53，其特征在于所述的攝像模塊52與圖像采集模塊61連接，所述的圖像采集模塊61與亮度均衡控制模塊62連接，所述的亮度均衡控制模塊62與深度卷積網(wǎng)絡服務器63連接，所述的深度卷積網(wǎng)絡服務器63與顯示驅動模塊64連接，所述顯示驅動模塊64與微顯示終端51連接，所述亮度均衡控制模塊62與補光燈53連接；

所述的亮度均衡控制模塊62用于對來自攝像模塊52的圖像亮度平均值進行檢測，根據(jù)亮度平均值結果控制補光燈53；

所述的微顯示終端51是0.37英寸的lcos透視顯示器用于近距顯示；

所述的深度卷積網(wǎng)絡服務器63采用深度學習網(wǎng)絡，所述深度學習網(wǎng)絡包括卷積層1、池化層1、卷積層2、池化層2、卷積層3、卷積層4、池化層3、卷積層5、池化層4、全連接層1和全連接層2；

所述深度學習網(wǎng)絡的運行步驟包括：采用攝像模塊52獲取待識別中藥材55圖像時，亮度均衡控制模塊62對來自攝像模塊52的圖像亮度平均值進行檢測，根據(jù)亮度平均值結果控制補光燈53解決了待識別中藥材55所處環(huán)境光線亮度以及光照角度造成陰影而產(chǎn)生的誤差；

所述的微顯示終端51是0.37英寸的lcos透視顯示器用于近距顯示；

獲取待識別中藥材55圖像，利用預先訓練得到的深度學習網(wǎng)絡識別所述待識別中藥材55圖像；識別通過所述卷積層1、池化層1、卷積層2、池化層2、卷積層3、卷積層4、池化層3、卷積層5、池化層4、全連接層1和全連接層2，于全連接層2輸出節(jié)點為所述中藥材圖像的中藥材屬性概率，根據(jù)所述中藥材屬性概率確定所述待識別中藥材55圖像的中藥材屬性信息。在獲取待識別中藥材55圖像之后、在所述利用預先訓練得到的深度學習網(wǎng)絡識別所述待識別中藥材55圖像之前，進一步包括：對所述待識別中藥材55圖像進行預處理；所述預處理至少包括以下一種操作：裁剪、邊界填充、翻轉、飽和度平衡、色調平衡、對比度平衡、直方圖均衡、鏡像操作、隨機剪切、中心化、均值化、調整大小resize。步驟包括：獲取模塊，用于獲取待識別中藥材55圖像；訓練模塊，用于訓練深度學習網(wǎng)絡；所述深度學習網(wǎng)絡的網(wǎng)絡結構包括卷積層、池化層和全連接層，所述卷積層的后面連接所述池化層，所述池化層后面連接所述全連接層，最后的全連接層上的每個輸出節(jié)點為所述中藥材圖像的中藥材屬性概率；識別步驟是利用預先訓練得到的深度學習網(wǎng)絡識別所述待識別中藥材55圖像：確定步驟是根據(jù)所述中藥材屬性概率確定所述待識別中藥材55圖像的中藥材屬性信息。

全連接層結點均為4096。輸出層結點數(shù)依據(jù)待識別中藥材55類別數(shù)而定，即根據(jù)應用場景實際情況的經(jīng)驗或歷史數(shù)據(jù)而定。例如，根據(jù)經(jīng)驗，中藥材種類約為2000種，則應用于中藥材識別時，輸出成接點數(shù)定為2000。實施中，在獲取待識別中藥材55圖像之后、在所述利用預先訓練得到的深度學習網(wǎng)絡。

識別所述待識別中藥材55圖像之前，所述方法可以包括：所述預先訓練得到的卷積核可以與某種中藥材屬性相對應，所述待識別中藥材55圖像可以分別與多個卷積核進行卷積計算，從而最后輸出該待識別中藥材55圖像為不同種類的中藥材屬性的概率。

實施中，在獲取待識別中藥材55圖像之后，在所述利用預先訓練得到的深度學習網(wǎng)絡識別所述待識別中藥材55圖像之前，所述方法可以進一步包括：對所述待識別中藥材55圖像進行預處理；所述預處理至少包括以下一種操作：旋轉、直方圖均衡、白平衡、鏡像操作、隨機剪切、中心化、均值化、調整大小resize。

本發(fā)明實施中采用攝像模塊52獲取待識別中藥材55圖像時，亮度均衡控制模塊62對來自攝像模塊52的圖像亮度平均值進行檢測，根據(jù)亮度平均值結果控制補光燈53解決了待識別中藥材55所處環(huán)境光線亮度以及光照角度造成陰影而產(chǎn)生的誤差；通過在識別圖像之前先對所述待識別中藥材55圖像進行預處理，從而改進后續(xù)識別的可靠性。

下面以實例進行說明。具體實施時，本發(fā)明實施例中的中藥材識別過程可以為連續(xù)作業(yè)，攝像模塊52連續(xù)獲取待識別中藥材55圖像進行識別，具體如下：步驟一、攝像模塊52拍攝待識別中藥材55圖像，以陳皮為例；步驟二、圖像采集模塊61將攝像模塊52拍攝的圖像進行模數(shù)轉換及對比度均衡；

步驟三、亮度均衡控制模塊62對來自攝像模塊52的圖像亮度平均值進行檢測，根據(jù)亮度平均值結果控制補光燈53的補光量，解決了待識別中藥材55所處環(huán)境光線亮度以及光照角度造成陰影而產(chǎn)生的誤差；

步驟四、亮度均衡控制模塊62將待識別中藥材55圖像傳送給深度卷積網(wǎng)絡服務器63進行中藥材識別；深度卷積網(wǎng)絡服務器63采用深度學習網(wǎng)絡，所述深度學習網(wǎng)絡包括卷積層1、池化層1、卷積層2、池化層2、卷積層3、卷積層4、池化層3、卷積層5、池化層4、全連接層1和全連接層2；

所述訓練所述深度學習網(wǎng)絡的參數(shù)具體為使用深度學習網(wǎng)絡的訓練工具通過tensorflow進行訓練，從輸入到輸出的計算過程為：

，其中表示輸入，表示卷積核，表示偏置表示輸出；

，其中表示輸入，表示權值，表示偏置，表示輸出；

，其中池化面）是輸入，表示卷積核，表示偏置，其中,)，表示輸出；

,其中表示輸入，表示權值，表示偏置，表示輸出；

，其中池化面）是輸入，表示卷積核，表示偏置，其中,)，表示輸出；

，其中池化面）是輸入，表示卷積核，表示偏置，其中,)，表示輸出；

,其中表示輸入，表示權值，表示偏置，表示輸出；

，其中池化面）是輸入，表示卷積核，表示偏置，其中,)，表示輸出；

,其中表示輸入，表示權值，表示偏置，表示輸出；

；

所述tensorflow的參數(shù)包括：卷積層1的卷積核尺寸為11×11，顏色通道為3，卷積核數(shù)量為64，卷積步長為4×4，圖片每4×4區(qū)域只取樣一次，橫向間隔是4，縱向間隔是4，每次取樣的卷積核為11×11；池化層1的池化尺寸為3×3，取樣步長為2×2；卷積層2的卷積核尺寸為5×5，輸入通道數(shù)為64，卷積核數(shù)量為192，卷積步長為1；池化層2的池化尺寸為3×3，取樣步長為2×2；卷積層3的卷積核尺寸為3×3，輸入通道數(shù)為192，卷積核數(shù)量為384，卷積步長為1；卷積層4的卷積核尺寸為3×3，輸入通道數(shù)為384，卷積核數(shù)量為256，卷積步長為1；池化層3的池化尺寸為3×3，取樣步長為2×2；卷積層5的卷積核尺寸為3×3，輸入通道數(shù)為256，卷積核數(shù)量為256，卷積步長為1；池化層4的池化尺寸為3×3，取樣步長為2×2；學習率為0.007~0.01，學習動量項為0.91~0.95，權重衰減系數(shù)為0.0004~0.0005。全連接層結點均為4096。輸出層結點數(shù)依據(jù)待識別中藥材55類別數(shù)而定，即根據(jù)應用場景實際情況的經(jīng)驗或歷史數(shù)據(jù)而定。例如，根據(jù)經(jīng)驗，中藥材種類約為2000種，則應用于中藥材識別時，輸出成接點數(shù)定為2000。

采用本發(fā)明實施例所提供的模型可以區(qū)分出將近2000類的中藥材，運行實驗的準確率＞90％。

實施例2，一種基于深度學習的中藥材識別裝置，包括攝像模塊52、圖像采集模塊61、亮度均衡控制模塊62、深度卷積網(wǎng)絡服務器63、顯示驅動模塊64、微顯示終端51、補光燈53，其特征在于所述的攝像模塊52與圖像采集模塊61連接，所述的圖像采集模塊61與亮度均衡控制模塊62連接，所述的亮度均衡控制模塊62與深度卷積網(wǎng)絡服務器63連接，所述的深度卷積網(wǎng)絡服務器63與顯示驅動模塊64連接，所述顯示驅動模塊64與微顯示終端51連接，所述亮度均衡控制模塊62與補光燈53連接；所述的亮度均衡控制模塊62用于對來自攝像模塊52的圖像亮度平均值進行檢測，根據(jù)亮度平均值結果控制補光燈53；所述的微顯示終端51是0.37英寸的lcos透視顯示器用于近距顯示；所述的深度卷積網(wǎng)絡服務器63采用深度學習網(wǎng)絡，所述深度學習網(wǎng)絡包括卷積層1、池化層1、卷積層2、池化層2、卷積層3、卷積層4、池化層3、卷積層5、池化層4、全連接層1和全連接層2；所述的一種基于深度學習的中藥材識別裝置中攝像模塊52、微顯示終端51、補光燈53安裝在眼鏡外型的支架54上。

所述深度學習網(wǎng)絡的運行步驟包括：采用攝像模塊52獲取待識別中藥材55圖像時，亮度均衡控制模塊62對來自攝像模塊52的圖像亮度平均值進行檢測，根據(jù)亮度平均值結果控制補光燈53解決了待識別中藥材55所處環(huán)境光線亮度以及光照角度造成陰影而產(chǎn)生的誤差；所述的微顯示終端51是0.37英寸的lcos透視顯示器用于近距顯示，使用lcos透視顯示器，直接安裝在支架54上，使用時能同時觀看到樣本和獲得輸出訊息；獲取待識別中藥材55圖像，利用預先訓練得到的深度學習網(wǎng)絡識別所述待識別中藥材55圖像；識別通過所述卷積層1、池化層1、卷積層2、池化層2、卷積層3、卷積層4、池化層3、卷積層5、池化層4、全連接層1和全連接層2，于全連接層2輸出節(jié)點為所述中藥材圖像的中藥材屬性概率，根據(jù)所述中藥材屬性概率確定所述待識別中藥材55圖像的中藥材屬性信息。在獲取待識別中藥材55圖像之后、在所述利用預先訓練得到的深度學習網(wǎng)絡識別所述待識別中藥材55圖像之前，進一步包括：對所述待識別中藥材55圖像進行預處理；所述預處理至少包括以下一種操作：裁剪、邊界填充、翻轉、飽和度平衡、色調平衡、對比度平衡、直方圖均衡、鏡像操作、隨機剪切、中心化、均值化、調整大小resize。步驟包括：獲取模塊，用于獲取待識別中藥材55圖像；訓練模塊，用于訓練深度學習網(wǎng)絡；所述深度學習網(wǎng)絡的網(wǎng)絡結構包括卷積層、池化層和全連接層，所述卷積層的后面連接所述池化層，所述池化層后面連接所述全連接層，最后的全連接層上的每個輸出節(jié)點為所述中藥材圖像的中藥材屬性概率；識別步驟是利用預先訓練得到的深度學習網(wǎng)絡識別所述待識別中藥材55圖像：確定步驟是根據(jù)所述中藥材屬性概率確定所述待識別中藥材55圖像的中藥材屬性信息。

全連接層結點均為4096。輸出層結點數(shù)依據(jù)待識別中藥材55類別數(shù)而定，即根據(jù)應用場景實際情況的經(jīng)驗或歷史數(shù)據(jù)而定。例如，根據(jù)經(jīng)驗，中藥材種類約為2000種，則應用于中藥材識別時，輸出成接點數(shù)定為2000。實施中，在獲取待識別中藥材55圖像之后、在所述利用預先訓練得到的深度學習網(wǎng)絡。

識別所述待識別中藥材55圖像之前，所述方法可以包括：所述預先訓練得到的卷積核可以與某種中藥材屬性相對應，所述待識別中藥材55圖像可以分別與多個卷積核進行卷積計算，從而最后輸出該待識別中藥材55圖像為不同種類的中藥材屬性的概率。

實施中，在獲取待識別中藥材55圖像之后，在所述利用預先訓練得到的深度學習網(wǎng)絡識別所述待識別中藥材55圖像之前，所述方法可以進一步包括：對所述待識別中藥材55圖像進行預處理；所述預處理至少包括以下一種操作：旋轉、直方圖均衡、白平衡、鏡像操作、隨機剪切、中心化、均值化、調整大小resize。

本發(fā)明實施中采用攝像模塊52獲取待識別中藥材55圖像時，亮度均衡控制模塊62對來自攝像模塊52的圖像亮度平均值進行檢測，根據(jù)亮度平均值結果控制補光燈53解決了待識別中藥材55所處環(huán)境光線亮度以及光照角度造成陰影而產(chǎn)生的誤差；通過在識別圖像之前先對所述待識別中藥材55圖像進行預處理，從而改進后續(xù)識別的可靠性。

下面以實例進行說明。具體實施時，本發(fā)明實施例中的中藥材識別過程可以為連續(xù)作業(yè)，攝像模塊52連續(xù)獲取待識別中藥材55圖像進行識別，具體如下：步驟一、攝像模塊52拍攝待識別中藥材55圖像，以陳皮為例；步驟二、圖像采集模塊61將攝像模塊52拍攝的圖像進行模數(shù)轉換及對比度均衡；

步驟三、亮度均衡控制模塊62對來自攝像模塊52的圖像亮度平均值進行檢測，根據(jù)亮度平均值結果控制補光燈53的補光量，解決了待識別中藥材55所處環(huán)境光線亮度以及光照角度造成陰影而產(chǎn)生的誤差；

步驟四、亮度均衡控制模塊62將待識別中藥材55圖像傳送給深度卷積網(wǎng)絡服務器63進行中藥材識別；深度卷積網(wǎng)絡服務器63采用深度學習網(wǎng)絡，所述深度學習網(wǎng)絡包括卷積層1、池化層1、卷積層2、池化層2、卷積層3、卷積層4、池化層3、卷積層5、池化層4、全連接層1和全連接層2；

所述訓練所述深度學習網(wǎng)絡的參數(shù)具體為使用深度學習網(wǎng)絡的訓練工具通過tensorflow進行訓練，從輸入到輸出的計算過程為：

，其中表示輸入，表示卷積核，表示偏置表示輸出；

，其中表示輸入，表示權值，表示偏置，表示輸出；

，其中池化面）是輸入，表示卷積核，表示偏置，其中,)，表示輸出；

,其中表示輸入，表示權值，表示偏置，表示輸出；

，其中池化面）是輸入，表示卷積核，表示偏置，其中,)，表示輸出；

，其中池化面）是輸入，表示卷積核，表示偏置，其中,)，表示輸出；

,其中表示輸入，表示權值，表示偏置，表示輸出；

，其中池化面）是輸入，表示卷積核，表示偏置，其中,)，表示輸出；

,其中表示輸入，表示權值，表示偏置，表示輸出；

；

所述tensorflow的參數(shù)包括：卷積層1的卷積核尺寸為11×11，顏色通道為3，卷積核數(shù)量為64，卷積步長為4×4，圖片每4×4區(qū)域只取樣一次，橫向間隔是4，縱向間隔是4，每次取樣的卷積核為11×11；池化層1的池化尺寸為3×3，取樣步長為2×2；卷積層2的卷積核尺寸為5×5，輸入通道數(shù)為64，卷積核數(shù)量為192，卷積步長為1；池化層2的池化尺寸為3×3，取樣步長為2×2；卷積層3的卷積核尺寸為3×3，輸入通道數(shù)為192，卷積核數(shù)量為384，卷積步長為1；卷積層4的卷積核尺寸為3×3，輸入通道數(shù)為384，卷積核數(shù)量為256，卷積步長為1；池化層3的池化尺寸為3×3，取樣步長為2×2；卷積層5的卷積核尺寸為3×3，輸入通道數(shù)為256，卷積核數(shù)量為256，卷積步長為1；池化層4的池化尺寸為3×3，取樣步長為2×2；學習率為0.007~0.01，學習動量項為0.91~0.95，權重衰減系數(shù)為0.0004~0.0005。全連接層結點均為4096。輸出層結點數(shù)依據(jù)待識別中藥材55類別數(shù)而定，即根據(jù)應用場景實際情況的經(jīng)驗或歷史數(shù)據(jù)而定。例如，根據(jù)經(jīng)驗，中藥材種類約為2000種，常用品種為500種則應用于中藥材識別時，輸出成接點數(shù)定為500。

采用本發(fā)明實施例所提供的模型可以區(qū)分出500類的中藥材，運行實驗的準確率＞90％。

本發(fā)明實施例采用了深度網(wǎng)絡，由于深度網(wǎng)絡有著一層層提取物體特征的優(yōu)勢，相比現(xiàn)有的淺層網(wǎng)絡更能提取出待識別中藥材的本質特征，從而提升了模型效果，采用本發(fā)明實施例所提供的技術方案進行識別在一定程度上提高了準確性，降低了誤識別和漏識別現(xiàn)象。