2020年12月第6卷第35期
No.6 roll up No. 35 Issue, December, 2020
智慧健康
Smart Healthcare1
智蕙匣疔_行業(yè)勁您
DOI:10.19335/jki.2096-1219.2020.35.001
基于深度學(xué)習(xí)的中草藥分類識(shí)別張萬(wàn)義1，張千2，潘繼波\張浩宇2，孟宇翔2，相玖紅2
(1.東營(yíng)市勝利醫(yī)院，山東東營(yíng)257091; 2.中國(guó)石油大學(xué)（華東）計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，山東青島266580)
摘要：隨著國(guó)家對(duì)中醫(yī)藥發(fā)展的大力支持，中草藥在治療某些疾病方面得到了老百姓的認(rèn)可，取得了很好 的效果。應(yīng)充分利用現(xiàn)代科學(xué)技術(shù)，推動(dòng)中藥現(xiàn)代化和國(guó)際化，以滿足時(shí)代發(fā)展和民眾日益增長(zhǎng)的醫(yī)療保健需求。通過(guò)設(shè)計(jì)基于中草藥圖像的分類方法，實(shí)現(xiàn)對(duì)中草藥的準(zhǔn)確分類，為老百姓普及中醫(yī)藥知
識(shí)。針對(duì)黃河三角洲地 區(qū)特有的十七種中草藥，建立數(shù)據(jù)集。使用深度學(xué)習(xí)算法分類，最終提升了分類的準(zhǔn)確率，使訓(xùn)練集分離出來(lái)的 驗(yàn)證集的平均識(shí)別準(zhǔn)確率達(dá)到了 96%。
關(guān)鍵詞：微信小程序；中草藥；分類識(shí)別；深度學(xué)習(xí)
本文引用格式：張萬(wàn)義，張千，潘繼波，等.基于深度學(xué)習(xí)的中草藥分類識(shí)別[J].智慧健康,2020,6(35):1-4.
Chine Herbal Medicine Classification and
Recognition Bad on Deep Learning
ZHANG Wan-yi1, ZHANG Qian2, PAN Ji-bo1, ZHANG Hao-yu2, MENG Yu-xiang2, XIANG Jiu-hong2 (l.Shengli Hospital of Dongying, Dongying, Shandong 257091; 2. College of Computer Science and Technology, China
University of Petroleum, Qingdao, Shandong 266580)
ABSTRACT: With the country's strong support for the development of Chine medicine, Chine herbal medicine has been recognized by the people in the treatment of certain dias and achieve
d good results. We should make full u of modem science and technology to promote the modernization and internationalization of traditional Chine medicine to meet the development of the times and the growing medical and healthcare needs of the people. By designing the classification method bad on the images of Chine herbal medicine, the accurate classification of Chine herbal medicine can be achieved and the knowledge of Chine medicine can be popularized for the common people. For the 17 kinds of Chine herbal medicines unique to the Yellow River Delta, a data t was established. Using deep learning algorithm for classification, the classification accuracy is finally improved, and the average recognition accuracy of the verification t parated from the training t reaches 96%.
KEY WORDS: WeChat applet; Chine herbal medicine; Classification and recognition; Deep learning
〇引言
中草藥作為中醫(yī)藥材，是中華民族在與疾病長(zhǎng) 期斗爭(zhēng)的過(guò)程中積累的寶貴財(cái)富。目前各地在救治 新冠肺炎過(guò)程中，廣泛運(yùn)用中醫(yī)藥，顯著提高了治 愈率和成功率。國(guó)務(wù)院印發(fā)的《中醫(yī)藥發(fā)展戰(zhàn)略規(guī) 劃綱要》中指出，在繼承發(fā)揚(yáng)中醫(yī)藥優(yōu)勢(shì)特色的基 礎(chǔ)上，充分利用現(xiàn)代科學(xué)技術(shù)，推動(dòng)中藥現(xiàn)代化和 國(guó)際化，以滿足時(shí)代發(fā)展和民眾日益增長(zhǎng)的醫(yī)療保 健需求，是歷史賦予我們的責(zé)任。
目前線上對(duì)中草藥進(jìn)行分類和介紹的軟件還比 較少，對(duì)于中草藥分類的研究比較少，現(xiàn)有的研宄 只是對(duì)少數(shù)的植物進(jìn)行分類。各個(gè)地域的中醫(yī)對(duì)于 不同中草藥的需求也不一樣。近幾年來(lái)，深度學(xué)習(xí) 技術(shù)發(fā)展迅速，在分類識(shí)別這方面已經(jīng)取得了非常 好的效果，所以我們采用深度學(xué)習(xí)的方法對(duì)收集到 的中草藥植物圖像進(jìn)行分類。針對(duì)黃河三角洲一帶的中醫(yī)大夫的需求，使用深度學(xué)習(xí)相關(guān)技術(shù)來(lái)制作一款實(shí)現(xiàn)線上智能識(shí)別的APP，為經(jīng)驗(yàn)尚淺的大夫們 辨識(shí)中草藥提供方便，為中醫(yī)的發(fā)展起到一定的幫 助，為中醫(yī)的線上發(fā)展提供新的思路。
1中草藥信息庫(kù)的實(shí)現(xiàn)
目前，對(duì)于中草藥圖像并沒(méi)有一個(gè)非常全面的 數(shù)據(jù)庫(kù)，所以我們首先收集并建立了包含數(shù)量較多 的中草藥圖像數(shù)據(jù)集。本項(xiàng)目與山東省名中醫(yī)藥專 家張萬(wàn)義博士團(tuán)隊(duì)合作，由醫(yī)生團(tuán)隊(duì)提供中草藥圖 像數(shù)據(jù)集。使用最近比較流行的python語(yǔ)言，在 Djang〇[3]框架上進(jìn)行具體實(shí)現(xiàn)。將近300種中草藥 數(shù)據(jù)存放在MySql[7]數(shù)據(jù)庫(kù)中。將所需要的圖片文 件放在Django項(xiàng)目之內(nèi)方便快速讀取，部分圖片 直接放在前端工程中方便快速加載。將工程部署在 騰訊云[8]服務(wù)器上，保證項(xiàng)目可以隨時(shí)無(wú)間斷地運(yùn) 行。前端用C S S進(jìn)行布局，用JavaScript進(jìn)行函 數(shù)編寫[5]，充分考慮用戶的體驗(yàn)，設(shè)計(jì)了合理并且 能充分展示所要顯示的藥品信息的界面。 基金項(xiàng)目：項(xiàng)目資助：中央高校基本科研業(yè)務(wù)專項(xiàng)基金（項(xiàng)目編號(hào)：18CX02019A)；全國(guó)大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練項(xiàng)目-智能自助購(gòu) 藥系統(tǒng)（項(xiàng)目編號(hào)：20190400 )。
作者簡(jiǎn)介：張萬(wàn)義（1962-)，男，山東招遠(yuǎn)人，主任醫(yī)師，醫(yī)學(xué)博士，研究方向：中醫(yī)內(nèi)科疾病、智慧醫(yī)療。
2
智慧健康
Smart Healthcare
2020年12月第6卷第35期
No.6 roll up No. 35 Issue, December, 2020查詢功能主要分為三個(gè)模塊：按名稱關(guān)鍵字查
詢、按首字母查詢和按照功效查詢。在mysql數(shù)據(jù)庫(kù)中，因?yàn)橹胁菟幍拿Q是可以唯一確定這種中 草藥對(duì)應(yīng)的全部信息的，一條記錄對(duì)應(yīng)一種草藥 名稱，所以數(shù)據(jù)庫(kù)中只設(shè)置一個(gè)數(shù)據(jù)表，取名為 herbalplant。表中包含的字段包括hid (自動(dòng)生成 的記錄編號(hào)，主碼）、name (中草藥名，候選碼），name_supply (別名）、fami ly (科類）、genus (屬類）、character (形狀）、field (分布）、officinal—part (入藥部位）、value (藥用價(jià)值）、latin—name (拉丁語(yǔ)名，候選碼）、english_name (英文名）、effect (功效分類）。用戶在選擇查看一種中草藥 的信息時(shí)，數(shù)據(jù)庫(kù)中的這些信息能夠全部反饋給用 戶。關(guān)鍵字查詢利用了數(shù)據(jù)庫(kù)的模糊查詢機(jī)制，按 首字母查詢利用了數(shù)據(jù)庫(kù)中的englishjiame字
段，而按照功效查詢則利用了 effect字段。
此功能模塊主要適用于己知中草藥的全稱或者 全稱的一部分，然后獲得全稱中包含輸入內(nèi)容的中 草藥。如圖1所示，這是打開(kāi)小程序后的首頁(yè)，在 上方的輸入框中輸入關(guān)鍵詞，比如“白”。如圖2 所示，是搜索后的結(jié)果。因?yàn)槔玫氖菙?shù)據(jù)庫(kù)的模 糊查詢機(jī)制，關(guān)鍵字必須在名稱中連續(xù)存在。
黃河三角麵?< ????
iiAf.翻中華麵
圖1小程序首頁(yè)圖2關(guān)鍵字“白”查詢結(jié)果
2中草藥識(shí)別
針對(duì)黃河三角洲特有的十七種中草藥進(jìn)行深度 學(xué)習(xí)識(shí)別。用tensorflow?和keras[6]等工具對(duì)圖 片進(jìn)行處理，借助大量的訓(xùn)練集對(duì)機(jī)器進(jìn)行訓(xùn)練，通過(guò)CWJ算法讓機(jī)器掌握每一種中草藥的若干特征，從而讓機(jī)器能夠“認(rèn)識(shí)”每一種中草藥》在給出一張中草藥的照片后，機(jī)器能夠準(zhǔn)確識(shí)別出中草藥。
對(duì)其中17種中草藥識(shí)別的過(guò)程是通過(guò)從相冊(cè)選 取或者拍照上傳一張中草藥的圖片，系統(tǒng)會(huì)告訴用 戶這張圖片最可能對(duì)應(yīng)哪種中草藥，并且提供識(shí)別 結(jié)果中的中草藥詳情頁(yè)的鏈接。需要識(shí)別的17種中
草藥包括：百合、薄荷、車前、枸杞、益母草、桔梗、酸棗、薏苡、蒲公英、決明子、艾葉、黃精、黃芩、羅布麻、馬齒莧、茵陳、蛇床。
2.1模型選取
因?yàn)楸敬窝绣硾](méi)有現(xiàn)成的對(duì)應(yīng)這17種中草藥的 優(yōu)質(zhì)數(shù)據(jù)集，從網(wǎng)上爬取的數(shù)據(jù)集首先需要人工剔 除一些并不能展現(xiàn)對(duì)應(yīng)中草藥和重復(fù)了的圖片。即便這樣，由于爬取的原始圖片的分辨率參差不齊，很多圖片的分辨率較低也會(huì)成為限制，很難支撐太 多的卷積層和池化層。而且常用的VGG-11、LeNet、AlexNetw等模型計(jì)算非常復(fù)雜，所以本次研究選取 了通道數(shù)較少的VGG模型，并以其為基礎(chǔ)，配合使 用Relu激活函數(shù)和Adam[1]優(yōu)化算法。
2.2數(shù)據(jù)獲取和處理
使用爬蟲[9]在百度和必應(yīng)搜索引擎上爬取每種 中草藥的圖片。因?yàn)榕廊〉膱D片集總體質(zhì)量不高，所以需要經(jīng)過(guò)人工篩選的過(guò)程，保證最終的原始數(shù) 據(jù)集中的圖片都能正確反映對(duì)應(yīng)的中草藥。因?yàn)樗?獲取的圖片集的最小行/列分辨率為165，所以設(shè)計(jì) 了三層卷積層+三層池化層的結(jié)構(gòu)。考慮到池化層 的輸入應(yīng)該為偶數(shù)，經(jīng)過(guò)分析后得出處理后的數(shù)據(jù) 集最大分辨率在這種結(jié)構(gòu)下為160X160。
將原始數(shù)據(jù)集拆分為訓(xùn)練集和測(cè)試集兩組，訓(xùn)練集用于深度學(xué)習(xí)訓(xùn)練階段，測(cè)試集用于檢測(cè)訓(xùn)練 的效
果。將原始圖片設(shè)置標(biāo)簽，因?yàn)槟壳白R(shí)別的中 草藥一共十七種，所以打標(biāo)簽的時(shí)候，讓一種中草 藥的訓(xùn)練集名字中的前兩個(gè)數(shù)字一樣，從而讓系統(tǒng) 實(shí)現(xiàn)區(qū)分這十七種中草藥的訓(xùn)練集的效果。后來(lái)采 用了 python批量打標(biāo)簽的方法讓這個(gè)過(guò)程變得更為 高效。驗(yàn)證集與之同理，模型取得驗(yàn)證集對(duì)應(yīng)的中 草藥種類，跟預(yù)測(cè)的結(jié)果進(jìn)行比對(duì)，從而得到最終 的準(zhǔn)確率。如圖3為對(duì)蒲公英的圖片集批量打標(biāo)簽 后的蒲公英數(shù)據(jù)集，可以看到其中的所有圖片的標(biāo) 簽中的前兩位數(shù)字都是08，表示蒲公英是識(shí)別模型 中的08號(hào)中草藥。訓(xùn)練時(shí)用python中的正則表達(dá) 式提取出標(biāo)簽中的前兩位數(shù)字，轉(zhuǎn)化為對(duì)應(yīng)的整數(shù)，然后跟識(shí)別完成后得到的索引值做對(duì)比，如果相同 說(shuō)明識(shí)別的結(jié)果是準(zhǔn)確的。
先統(tǒng)計(jì)每個(gè)文件中圖片的個(gè)數(shù)，然后將所有原 始數(shù)據(jù)經(jīng)過(guò)灰度化并將大小調(diào)整為160X160，最后 一層的輸出為20X20，再繼續(xù)增加層數(shù)的意義己經(jīng) 不大了。灰度化后的蒲公英數(shù)據(jù)集如圖4所示，此 時(shí)的數(shù)據(jù)集中圖片的大小全部變?yōu)?60X160。使用
Keras在安裝了 Tensorflow的環(huán)境下進(jìn)行訓(xùn)練。
2020年12月第6卷第35期
No.6 roll up No. 35 Issue, December, 2020
智慧健康
Smart Healthcare3
國(guó)_圃1關(guān)i w ^1：H: .?S*A j j f v j i i e a J i l f i M i u v W i p^3W?i C i i)J s e j l?S!
C i?J;B S M w S a iM^p j ^i t?C8%.s3U s,S i t f s O W^5*<a i^I4*k(U d j.T J U411,□國(guó)_i B_■■肩 ‘_
圖3蒲公英數(shù)據(jù)集
|P^ .、、m.m\T m F
i)%il b'1-i#V ?*, U w ii k d k U糾I .?*浐flirtv U^V K?\ *t\' ^i.t f r.? 'P i S H M u i.i ' n*?j i* ?v??h. f J^i a i i i i議國(guó)i_ai&
?W*'t*>.C l44r j*. i*'U-?#-<-.(,：^?―丨％、i?j W x j-.i A?*? ?n j | l?ut ln>i r*?V
圖4灰度化后的蒲公英數(shù)據(jù)集
2.3結(jié)構(gòu)設(shè)計(jì)
將上述中草藥庫(kù)的功能設(shè)置在同一個(gè)微信小程 序[1()]之中，作為其“中草藥識(shí)別”功能模塊。訓(xùn)練 好了的模型文件提前放到服務(wù)器上，然后前端對(duì)后 端發(fā)送請(qǐng)求并上傳要識(shí)別的圖片后，將上傳的圖片 文件轉(zhuǎn)化為二進(jìn)制格式，如圖5和圖6所示。然后 將模型文件調(diào)入，根據(jù)生成的二進(jìn)制預(yù)測(cè)數(shù)組對(duì)上
[[168161179 ...5564153]
[139177187 ..?4968141]
[104154179 ???5679128]
[159181101 ??■313128]
[163182165 _??352133]
[142179182 ??.321526]]
圖6上圖轉(zhuǎn)化成二進(jìn)制的數(shù)組
2.4結(jié)果分析
Batch (批尺寸）過(guò)小時(shí)，驗(yàn)證的準(zhǔn)確度較低；而batch值達(dá)到了 20之后，繼續(xù)增加效果并不明顯。Epoch(訓(xùn)練輪數(shù)）的值較小時(shí)，驗(yàn)證的準(zhǔn)確度度較低j 達(dá)到30輪后模型已經(jīng)“熟悉”了訓(xùn)練集，繼續(xù)增加 輪數(shù)對(duì)準(zhǔn)確度的增長(zhǎng)效果較小。之前使用過(guò)處理之 后為126*126的訓(xùn)練集和測(cè)試集，可以明顯看出改 用160*160的訓(xùn)練集和測(cè)試集后準(zhǔn)確度也有所提升，因?yàn)榉直媛瘦^大意味著較多的有用數(shù)據(jù)，有利于更 好地提取一種中草藥的特征。合理設(shè)置這些參數(shù)，使對(duì)從訓(xùn)練集分離出來(lái)的驗(yàn)證集的平均識(shí)別率達(dá)到 96%，圖> 展示了其中一次的驗(yàn)證結(jié)果。由此可以看 出batch、epoch和分辨率等參數(shù)對(duì)于識(shí)別率的重要 意義。
圖7對(duì)訓(xùn)練集中取出來(lái)的驗(yàn)證集的一次測(cè)試結(jié)果
2.5識(shí)別結(jié)果選取
傳的圖片進(jìn)行預(yù)測(cè)，預(yù)測(cè)值越大，說(shuō)明圖片顯示的 是該值對(duì)應(yīng)的中草藥的概率就越大。將預(yù)測(cè)的編號(hào) 傳到前端，前端將編號(hào)轉(zhuǎn)化為對(duì)應(yīng)的草藥顯示出來(lái)。
圖5原始圖片
因?yàn)閿?shù)據(jù)集較少，在有些圖片中，識(shí)別的最佳 答案和實(shí)際圖片呈現(xiàn)的內(nèi)容還是會(huì)出現(xiàn)一些偏差，所以
采取最可能答案+備選答案的呈現(xiàn)模式。對(duì)一 張圖片進(jìn)行識(shí)別后，會(huì)得到包含17個(gè)和為1的元素 的numpy數(shù)組，選取兩個(gè)最大的值的位置，將這兩 個(gè)位置對(duì)應(yīng)的中草藥作為前二可能的識(shí)別結(jié)果；第 一個(gè)結(jié)果作為最佳答案，第二個(gè)結(jié)果作為備選答案。部分代碼（運(yùn)行在Pycharm中）如下所示：
m = my model,predict(data)[0]
num = int (m.argmax ())
m[np.argmax(m)]= np.min(r a)
nural = int (m.argmax())
n = num * 100 + numl + 10000
return JsonRespon(n,safe^Fal)
賦值后m
中為預(yù)測(cè)數(shù)組，num存放最可能的結(jié)果
4
智慧健康
Smart Healthcare
2020年12月第6卷第35期
No.6 roll up No. 35 Issue, December, 2020
的編號(hào)，然后將該位置的值變?yōu)閿?shù)字終端最小值。然后再找到此時(shí)值最大的值的索引，即原數(shù)組中值 第二大的值的索引，存放在numl種。此時(shí)原數(shù)組中 兩個(gè)最大值的索引，將這兩個(gè)索引合成一個(gè)五位數(shù)，前端即可在該五位數(shù)中的第2、3位找到num (最可 能結(jié)果的編號(hào)）的值，第4、5位找到numl (第二可 能結(jié)果的編號(hào)），然后即可在前端完成轉(zhuǎn)化。
3效果展示
圖8為初始界面，即進(jìn)入“黃河三角洲本草”小程序后點(diǎn)擊下方的“中草藥識(shí)別”進(jìn)入的界面。圖9為選擇完
本地圖片或拍照后的效果，對(duì)應(yīng)的圖 片己經(jīng)顯示在圖片框中。圖10和圖11為選擇好圖 片后點(diǎn)擊“識(shí)別中草藥”得到的結(jié)果，（如果未選 擇圖片，點(diǎn)擊識(shí)別按鈕后會(huì)提示未選擇圖片，從而 不能進(jìn)入下一頁(yè)）圖中正確識(shí)別出了“益母草”，并且提供了另一個(gè)相對(duì)可能性大一些的答案“桔梗”。并且點(diǎn)擊這兩個(gè)按鈕可以分別進(jìn)入益母草和桔梗的 詳情頁(yè)。
? WeChar?' 21:03 S
兩渴三角浙S西?；？街????
絕i?J麟器A/j垮?:
選擇圖片
iR S Il中草藥
f S認(rèn)獅臟括H
〇M??
選擇圖片
iR Slj中草藥
，_觀翁齡'|■〇 m?
圖8中草藥識(shí)別功能首頁(yè)圖9選擇好圖片后的界面????? W?C h a：令
?
圖10識(shí)別結(jié)果（上）圖11識(shí)別結(jié)果（下）3.1按功效查詢中草藥
如圖12所示，在分類頁(yè)面點(diǎn)擊“按功效查詢”，然后選擇想查詢的中草藥的功效分類，如“理氣藥”。如圖13所示，即得到數(shù)據(jù)庫(kù)中對(duì)應(yīng)該功效的全部中 草藥，圖中所列的中草藥均屬于“理氣藥”。此功 能一般用于査看某一種功效的中草藥有哪些。
? 5:19 !rc\ _
興沔三龜洲3：a????
I安字母查詢按功效產(chǎn)洵
3.2查看中草藥詳細(xì)信息
如圖14示，在首頁(yè)或搜索頁(yè)面點(diǎn)擊某一項(xiàng)中草 藥，就會(huì)顯示中草藥的詳細(xì)信息，包括簡(jiǎn)介、功效 作用、性狀三個(gè)部分，包含的內(nèi)容包括名稱、拼音、拉丁文、科、屬、產(chǎn)地、功效作用、性狀，這些內(nèi) 容均是來(lái)源于MySQL數(shù)據(jù)庫(kù)中。
????? W e C h a t*21 58100%
< 藥品介紹????
功效作兩 性狀
名稱：白剌
拼音：baici
f立丁文：N itrariatangutorpniBobr
彥聚科 Zygophyllaceae
白剌厲Nitraria
產(chǎn)地：為旱生型?性植物.不耐E萌、不
兩勞。多生長(zhǎng)在干燥、多閃、鹽■里、土壤貧
瘠.植物稀疏的嚴(yán)誔琢境中.伴生植物比較少.
在土壤含鹽量1.2%以上的地方偶見(jiàn)有鹽地馘蓬、
51堿蓬'檉柳，中華補(bǔ)m草等混生，
圖14白刺簡(jiǎn)介
4結(jié)束語(yǔ)
總共對(duì)蒲公英、決明、車前、益母草、薄荷等
(下轉(zhuǎn)第13頁(yè)
）
2020年12月第6卷第35期
No.6 roll up No. 35 Issue, December, 2020
智慧健康
Smart Healthcare13
信號(hào)、低回聲信號(hào)呈現(xiàn)，同時(shí)具有相對(duì)較少的血流 信號(hào)。
參考文獻(xiàn)
[1J余亮，陳勇剛，陳卉品，等.彩色多普勒超聲對(duì)大腿肌層腫塊的診斷價(jià)值（附30例分析）〇].福建醫(yī)藥雜 志，2018,40(03) :60-64.
[21李東蔚，高景破.肌骨超聲對(duì)膝關(guān)節(jié)滑膜炎的診斷價(jià)值D].'中國(guó)實(shí)用醫(yī)刊，2019,46(13):98-99.
[3]唐鴻鵠，王英，劉毅，等.肌骨超聲在類風(fēng)濕關(guān)節(jié)炎評(píng)估
中的應(yīng)用研究〇].西部醫(yī)學(xué),2016,28(11):1741-1743.
⑷李會(huì)旭，卜令學(xué)，潘克清，等.口腔頜面部肌內(nèi)型
結(jié)節(jié)性筋膜炎3例報(bào)告及文獻(xiàn)復(fù)習(xí)[J].上海口腔醫(yī)
學(xué)，2019,28(4):430-434.
[5]李晨，李建寧，楊裕輝，等.超聲引導(dǎo)下細(xì)針穿刺細(xì)胞學(xué)
檢查在甲狀腺微小結(jié)節(jié)良惡性鑒別診斷中的應(yīng)用價(jià)值U1.
中國(guó)臨床醫(yī)學(xué)影像雜志,2017,28(3):223-225.
[6]盛小樂(lè).肌骨超聲診斷創(chuàng)傷性淺表軟組織損傷的臨床價(jià)
值[J1.實(shí)用醫(yī)學(xué)影像雜志,2019,20(01):100-101.
[7]劉超然，王寧華.骨骼肌超聲圖像紋理分析的研究進(jìn)展[J】.
中國(guó)康復(fù)醫(yī)學(xué)雜志,2019,034(005):612-616.
[8]陳萍，朱連華，方可敬，等.超聲造影結(jié)合定量分析技術(shù)
在鑒別診斷甲狀腺良惡性結(jié)節(jié)中的應(yīng)用價(jià)值[J】.第三軍
醫(yī)大學(xué)學(xué)報(bào),2019,41(06)587-593.
[91李進(jìn)華，李潔，王國(guó)軍，等.深層肌肉刺激治療足底筋膜炎的療效觀察U].中華物理醫(yī)學(xué)與康復(fù)雜
志，2018,40(11):858_859.
丨10]周宗波，陸志夫，朱華亮.中西醫(yī)綜合方案治療腰背肌筋膜炎寒濕瘀阻證的療效對(duì)比分析[J].重慶醫(yī)
學(xué)，2017,46(11):1521-1524.
(上接第4頁(yè)）
17種中草藥進(jìn)行了識(shí)別，以VGGNet模型為基礎(chǔ)，提 前對(duì)圖像進(jìn)行批量標(biāo)準(zhǔn)化操作，緩解網(wǎng)絡(luò)模型的過(guò) 擬合操作。使用三層卷積層和三層池化層，激活函 數(shù)選用relu函數(shù)來(lái)對(duì)數(shù)據(jù)進(jìn)行修正。使用Adam優(yōu) 化器來(lái)解決梯度下降算法初始化。使訓(xùn)練集分離出 來(lái)的驗(yàn)證集的平均識(shí)別準(zhǔn)確率達(dá)到了 96%。將卷積神 經(jīng)網(wǎng)絡(luò)的中草藥識(shí)別功能移植到微信小程序端，用戶通過(guò)上傳照片來(lái)實(shí)現(xiàn)對(duì)圖片中的中草藥植物的識(shí) 別。后端對(duì)此圖片進(jìn)行匹配，將匹配到的結(jié)果送還 前端，呈現(xiàn)給用戶最后的匹配結(jié)果。
參考文獻(xiàn)
[11汪友明，徐攀峰.基于改進(jìn)Adam優(yōu)化器的CN N電鏡醫(yī) 學(xué)圖像分類[〇.西安郵電大學(xué)學(xué)報(bào),2019,24(05):26-33.2]劉曉，齊德，曹世軒.基于TensorFlow2.0的圖像分類 算法研究U].現(xiàn)代計(jì)算機(jī)，2020(14):63_68+74.
3]劉志凱，張大紅.Django框架在web開(kāi)發(fā)中的應(yīng)用〇].農(nóng) 業(yè)網(wǎng)絡(luò)信息，2015(02)31 -52.
4J黃方亮，俞磊，沈同平，金力，許歡慶，黃星語(yǔ).基于AlejcNet深度學(xué)習(xí)模型的中草藥植物圖像分類研究與實(shí)
現(xiàn)⑴.齊魯工業(yè)大學(xué)學(xué)報(bào),2020,34(02):44-49.
51王顯梅，陳慧.Web前端技術(shù)在網(wǎng)頁(yè)視覺(jué)中的應(yīng)用研究[J].
信息技術(shù)與信息化,2020(05):41-43.
6]高云，彭煒.基于Keras的分類預(yù)測(cè)應(yīng)用研究[J].山西大 同大學(xué)學(xué)報(bào)（自然科學(xué)版),2019,35(05):26-30.
7]伍志聰.MySQL數(shù)據(jù)庫(kù)在中小型業(yè)務(wù)系統(tǒng)的應(yīng)用[J】.數(shù) 字技術(shù)與應(yīng)用，2011(11):122.
8J劉建連.云服務(wù)支持下遠(yuǎn)程計(jì)算機(jī)網(wǎng)絡(luò)系統(tǒng)開(kāi)發(fā)分析[[].
數(shù)字技術(shù)與應(yīng)用，2019,37(01):189+191.
9]李培.基于Python的網(wǎng)絡(luò)爬蟲與反爬蟲技術(shù)研究[J].計(jì) 算機(jī)與數(shù)字工程，2019,47(06):1415-1420+1496.
1〇1陳家勇，張珩.安全管理微信小程序的開(kāi)發(fā)和應(yīng)用⑴.電 力安全技術(shù),2020,22(04):10-13.
(上接第8頁(yè)）
為反映肝臟纖維化程度的相關(guān)指標(biāo)，值得推廣。
綜上所述，GLDH、LAP及G GT可作為慢性乙型肝
炎感染性肝病生化聯(lián)合檢測(cè)指標(biāo)，可用于評(píng)估及判
斷疾病預(yù)后的參考指標(biāo)。
參考文獻(xiàn)
【1]朱紹輝，李澤信，王建國(guó)，等.原發(fā)性肝癌的多藥耐藥⑴.
現(xiàn)代生物醫(yī)學(xué)進(jìn)展,2010,10(8):1586.
[2]肖蕾，毛睿，楊穎，等.高爾基體糖蛋白73、 a -L-巖藻
糖苷酶、甲胎蛋白單項(xiàng)檢測(cè)與聯(lián)合檢測(cè)對(duì)原發(fā)性肝癌的
診斷價(jià)值研究[J].中國(guó)全科醫(yī)學(xué),2013,16(18):1581.
[3]中華醫(yī)學(xué)會(huì)傳染病與寄生蟲病學(xué)分會(huì)、肝病學(xué)分會(huì)
聯(lián)合修訂.病毒性肝炎防治方案[J].中華肝臟病雜
志，2000,8(3):324-329.
[4]胡芳，汪玉芳，司平，等.健康成人亮氨酸氨基肽酶參考值的調(diào)查U1.熱帶醫(yī)學(xué)雜志,2012,12(10):1205-1206.
[5]李章勇.林應(yīng)標(biāo)，夏川，等.肝纖維化指標(biāo)聯(lián)合AFP、
GGT檢測(cè)在肝病診斷中的應(yīng)用價(jià)值[J].中國(guó)醫(yī)藥導(dǎo) 報(bào),2019,16(7):153-156.
丨6丨鄭慧慧.肝病患者血清谷氨酸脫氫酶的檢測(cè)及其預(yù)后變 化規(guī)律⑴.醫(yī)藥前沿，2016,6(19):213-214.
[7J鄭平燕.血清亮氨酸氨基肽酶與腺普脫氨酶在乙型肝炎 病毒感染性肝病生化指標(biāo)檢測(cè)中的應(yīng)用研究[J].現(xiàn)代實(shí) 用醫(yī)學(xué),2015,027(004):477-478.
丨8]蒙毅軍，余洪立，楊石.GLDH、GGT、ALT、ALP聯(lián)合 檢測(cè)對(duì)藥物性肝損傷診斷的臨床意義[J].檢驗(yàn)醫(yī)學(xué)與臨 床,2019,016(012)4735-1737.
|9]佩君，翁彭劍，高國(guó)生.血清亮氨酸氨基肽酶檢測(cè)在肝病 中的臨床價(jià)值⑴.現(xiàn)代實(shí)用醫(yī)學(xué).2010,22(11):130〇-1301.丨10丨高娟，何潔月.血清肝纖維化標(biāo)志物聯(lián)合肝功能指標(biāo)對(duì) 慢性乙型肝炎診斷價(jià)值及其相關(guān)性研究[J】.中國(guó)社區(qū)醫(yī) 師，2017,33(33):112—113.
