科研之友
微信
新浪微博
Facebook
分享链接
摘要
[目的/意义]目前,对于防风药材产地和品质的鉴别方法主要是根据其物理或化学特征,其方法需对中药材进行分离提取,存在耗时长,费用高,专业性强,技术难度大等问题,不利于推广应用。随着深度学习的不断发展,其无需人工提取特征、分类精度高等优点被广泛应用在中药材的识别之中。[方法]针对大多数卷积神经网络模型在识别防风药材时计算量大、精度低的问题,本研究提出了一种改进的ShuffieNet V2的轻量级防风道地性识别模型。在不降低网络性能的情况下调整模型架构,减少模型参数量和计算量,用沙漏残差网络(Hourglass Residual Network)代替传统残差网络,同时引入SE (Squeeze-and-Excitation)注意力机制,把具有附加信道注意力的沙漏残差网络嵌入到ShuffleNet V2中,使用SiLU激活函数替换ReLU激活函数,丰富局部特征学习,从而提出轻量化的中药防风道地性识别模型Shuffle-Hourglass SE。为了验证本文所提出模型的有效性,选用VGG16、MobileNet V2、ShuffleNet V2和SqueezeNet V2四种经典网络模型进行对比实验。[结果和讨论]结果表明,本研究提出的模型Shuffle-Hourglass SE获得了最佳性能。在测试集上取得95.32%的准确率、95.28%的召回率,F1分数达到95.27%,测试时间、模型大小为246.34 ms和3.23 M,不仅在传统CNN网络中是最优的,在轻量级网络中也具有较大优势。[结论]本研究所提出的模型在保持较高识别精度的同时占用较少的储存空间,有助于在未来的低性能终端上实现防风道地性的实时诊断。
