基于深度迁移学习的中药饮片识别研究

基于深度迁移学习的中药饮片识别研究

发表时间：2019-08-20T10:48:30.937Z 来源：《中国医学人文》2019年第07期作者：李红波[导读] 对中药饮片进行鉴定识别，有利于规范中药材市场，加强中药饮片的质量监控；对中药饮片鉴别进行定量化研究，促进中药饮片的客观化发展。

保定冀中药业有限公司河北保定 071000 摘要：医学的发展为与人们生命健康有着密切关系。我国是中药材资源丰富的国家，同时中药饮片在临床防病治病过程中得到广泛应用，据相关报道，2017年中药饮片市场规模达到2330亿元，2018年达到2734亿元，可见中药饮片庞大的市场价值。中药饮片是由中药材经过洗净、炮炙、加工等环节制成；然而，在其加工过程中往往由于各方面原因造成药材形状变更、颜色失真、外表混淆等情况，不易区

分；且由于药材的真伪、优劣与临床用药的安全有效有直接关联；因此对中药饮片进行鉴定识别，有利于规范中药材市场，加强中药饮片的质量监控；对中药饮片鉴别进行定量化研究，促进中药饮片的客观化发展。

关键词：深度迁移学习；中药饮片；识别方法引言

中药饮片是中医药中从自然取材的，进行初步加工后自然风干或炮制制成薄厚不一的片状或块状饮片。这种制作方法不仅保留了药物最原始的药效，还有利于中药饮片的调配和存放，在熬制过程中也有利于药物成分的充分析出，保证在运用中药饮片的治疗过程中可以发挥良好的作用。随着人们生活水平和文化素养的提高，多数患者主动要求医生开具中药饮片进行调理治疗。 1中药饮片是中医用药的核心物质基础 1.1药典奠定了中药饮片法定地位

自2010年版《中国药典》开始，以法定形式明确了中药材有别于中药饮片，并将中药饮片按照处方药品管理，同时《中国药典》明确规定制剂生产中的药味均指饮片，从标准收载体例上明确了“性味与归经”“功能与主治”“用法与用量”为饮片的属性，《中国药典》作为国家药品法典，奠定了中药饮片的法定地位。

1.2中药饮片是中医用药安全、有效的保障

中药饮片是临床用药和中成药生产投料的物质基础，科学、规范的炮制可使饮片“减毒增效”，在增强疗效的同时能够减少临床不良反应。中药饮片的真伪、优劣直接关系到临床医生调剂疗效和中成药的质量，只有遵循传统中医理论，经过规范的生产、炮制、加工工艺才能保证生产出质量合格的中药饮片，质量均一、稳定的中药饮片是中成药生产和中药临床用药安全、有效的基本保障。 2研究方法

在饮片识别任务中，由于图像的数量大、种类多，而从零开始训练来调整模型费时费力且对算力要求较高，可行性较低。利用迁移学习的思想，将在大数据上训练好的成熟模型迁移到所做任务中并进行微调，使模型针对任务进行自适应学习，以达到更好的效果。例如，A 与B为基于ImageNet数据集训练的两种不同的AlexNet网络(将数据集平分为A、B部分，以此训练对应的网络)。BnB定义为：将训练好的B 网络前n层进行frozen(即冻结，保留前n层的网络参数)，将剩下的8-n层随机初始化，然后在B数据集上进行分类训练。BnB+表示在B网络的基础上加上finetune(即微调，不冻结该n层，在训练中进行调整)。AnB与BnB类似，将训练好的前n层A网络对B网络进行frozen，随机初始化剩下的8-n层，再对B数据集进行训练。大量研究发现，对网络的前3层进行不同操作，得到的分类准确率差别较小，但在4~7层上的准确率差距较大。此外，使用的finetune模型(如AnB+和BnB+)在所有的层操作上均有较好的表现。因此可得到以下结论：

1)神经网络的前三层几乎都是通用特征(generalfeature)，对通用特征进行迁移效果更好。

2)若源域和目标域数据存在较大区别，直接执行迁移操作，会导致结果不理想(如AnB)。网络进行finetune可在一定程度上克服数据间的差异。

3)在深度迁移网络中加入finetune(如AnB+和BnB+)，效果会有较大提升。

人们尝试在不同网络层上添加自适应层(使得不同数据域间的分布更加接近，最终满足finetune的要求)，经多次试验得到在分类器的前一层加入自适应可以达到最佳效果。在共愿层的AlexNet神经网络上，DDC固定前苑层，在第愿层分类器前一层上加入自适应层。

对于深度迁移学习，其损失可定义为其中，l表示网络的最终损失，表示网络在源域上的常规分类损失(和正常的深度网络损失一致)，表示网络在数据域自适应上产生的损失(深度迁移独有，需要注意的部分)，为自适应损失在最终损失上的占比参数。由于DDC中使用MMD(最大均值差异，用M表示)进行自适应度量，其损失函数为

3实验过程

3.1实验数据处理

整体代码使用Google的tensorflow框架进行搭建。为了方便调整参数和网络结构，我们在模型训练过程中记录中间状态，并使用tensorflow提供的tensorboard工具进行可视化处理。图1和图2分别为在200000次的训练迭代中模型的准确率与损失值的变化曲线(设置平滑因子0.7使其标准化)。

从曲线的变化趋势来看，随着训练迭代次数的增加，模型在测试集和训练集上的精确度逐渐增大，损失值不断减小，且两数据集损失差距较小。说明该模型在200000次训练后，方差和偏差均较低，模型拟合度较好，达到了预期的效果。

3.2模型训练

这里在保证模型超参数(学习率、训练次数等)不变的情况下，对自适应层数进行调整，再统一测试分类效果。测试数据设置为5个批次，每个批次包含30种饮片，共600张图像。

无自适应层由于未进行数据的自适应操作，其错误率平均值达到了37.9%，效果较差。在添加自适应层后，其错误率明显下降了。在增加自适应层的过程中，错误率从第1到第3层不断降低，在第4层有一定的反弹。可以认为自适应层对源域和目标域的数据分布进行了调整，随层数的增加，自适应程度的上升有利于模型对数据的拟合。但当自适应程度较高时，可能会导致模型的泛化能力下降。在本实验中，可认为自适应层数为3时的模型效果最佳。在最佳模型的基础上，为了得到更为细致的精确率分布情况，我们对原饮片图像数据集

按15%的比例随机抽取样本，共得到测试图片6165张，使用最佳模型进行测试，结果如表1所示。

在模型最终的输出矩阵中，包含137个分类对应的权值，通过softmax获得各分类的相对概率，并按值大小进行排序。TopN表示测试图片对应的分类标签，在输出矩阵的前N个集合中。从Top1到Top3，精确率上升幅度较大，可认为有较好的分类效果。从Top5到Top20精确率上升停滞，其原因可能：未识别样本存在，噪声过大导致无法识别，样本的分类标注错误。

3.3模型整体分析

为了表现模型的处理效果，我们选取最佳模型(即自适应层数为3)，并建立4个人工组，在相同的数据集(设置为5个批次，每个批次包