多尺度2D-Adaboost的中药材粉末显微图像识别算法

doi:10.11772/j.issn.1001-9081.2024040438

《计算机应用》唯一官方网站 ›› 2025, Vol. 45 ›› Issue (4): 1325-1332.DOI: 10.11772/j.issn.1001-9081.2024040438

• 多媒体计算与计算机仿真 • 上一篇下一篇

多尺度2D-Adaboost的中药材粉末显微图像识别算法

王一丁¹, 王泽浩¹, 李耀利², 蔡少青²(), 袁媛³

^1.北方工业大学信息学院，北京 100144
^2.北京大学药学院，北京 100191
^3.中国中医科学院中药资源中心，北京 100700

收稿日期:2024-04-16 修回日期:2024-06-18 接受日期:2024-06-26 发布日期:2025-04-08 出版日期:2025-04-10
通讯作者: 蔡少青
作者简介:王一丁（1967—），男，北京人，教授，博士，CCF会员，主要研究方向：生物特征识别、机器视觉
王泽浩（1999—），男，北京人，硕士研究生，主要研究方向：计算机视觉、深度学习
李耀利（1977—），女，陕西宝鸡人，讲师，博士，主要研究方向：中药鉴定和质量评价
袁媛（1978—），女，河北保定人，研究员，博士，主要研究方向：中药鉴定、分子生药学。
基金资助:
中央本级重大增减支项目(2060302)

Multi-scale 2D-Adaboost microscopic image recognition algorithm of Chinese medicinal materials powder

Yiding WANG¹, Zehao WANG¹, Yaoli LI², Shaoqing CAI²(), Yuan YUAN³

^1.School of Information Science and Technology，North China University of Technology，Beijing 100144，China
^2.School of Pharmaceutical Sciences，Peking University，Beijing 100191，China
^3.National Resource Center for Chinese Materia Medica，China Academy of Chinese Medical Sciences，Beijing 100700，China

Received:2024-04-16 Revised:2024-06-18 Accepted:2024-06-26 Online:2025-04-08 Published:2025-04-10
Contact: Shaoqing CAI
About author:WANG Yiding， born in 1967， Ph. D.， professor. His research interests include biometrics recognition， machine vision.
WANG Zehao， born in 1999， M. S. candidate. His research interests include computer vision， deep learning.
LI Yaoli， born in 1977， Ph. D.， lecturer. Her research interests include identification and quality evaluation of traditional Chinese medicines.
YUAN Yuan， born in 1978， Ph. D.， research fellow. Her research interests include identification of traditional Chinese medicines， molecular pharmacognosy.
Supported by:
Key Project at the Central Government Level(2060302)

摘要/Abstract

摘要：

针对中药材粉末的显微图像中含有大量细微特征和背景干扰因素导致的同一类药材的变化过大（类内差异大）和多种药材之间特征过于相似（类间差异小）的问题，提出一种多尺度2D-Adaboost算法。首先，构建一个全局?局部特征融合的主干网络架构，以更好地提取多尺度特征，该架构通过结合Transformer和卷积神经网络（CNN）的优势能有效提取并融合各个尺度的全局和局部特征，从而显著提高主干网络的特征捕捉能力；其次，将Adaboost的单尺度输出拓展到多尺度，并构建2D-Adaboost结构的背景抑制模块，该模块将主干网络各个尺度的输出特征图划分为前景和背景，从而有效抑制背景区域的特征值，并增加判别性特征的强度；最后，在2D-Adaboost结构的每个尺度上额外添加一个分类器以构建特征细化模块，该模块通过控制温度参数协调分类器间的协作学习，从而逐步细化不同尺度的特征图，帮助网络学习更合适的特征尺度，并丰富细节特征的表示。实验结果表明，所提算法的识别准确率达到了96.85%，与ConvNeXt-L、ViT-L、Swin-L和Conformer-L模型相比分别上升了7.56、5.26、3.79和2.60个百分点。高准确率和分类效果的稳定性验证了所提算法在中药材粉末显微图像分类任务中的有效性。

关键词: 深度学习, 中药材, 显微图像识别, 特征融合, 2D-Adaboost

Abstract:

A multi-scale 2D-Adaboost algorithm was proposed to solve the problem that the microscopic images of Chinese medicinal materials powder contain a large number of fine features and background interference factors， which leads to excessive changes in the same medicinal materials （large differences within the class） and too similar features among various medicinal materials （small differences between the classes）. Firstly， a global-local feature fusion backbone network architecture was constructed to extract multi-scale features better. By combining the advantages of Transformer and Convolutional Neural Network （CNN）， this architecture was able to extract and fuse global and local features at various scales effectively， thereby improving the feature capture capability of the backbone network significantly. Secondly， the single-scale output of Adaboost was extended to multi-scale output， and a 2D-Adaboost structure-based background suppression module was constructed. With this module， the output feature maps of each scale of the backbone network were divided into foreground and background， thereby suppressing feature values of the background region effectively and enhancing the strength of discriminative features. Finally， an extra classifier was added to each scale of the 2D-Adaboost structure to build a feature refinement module， which coordinated the collaborative learning among the classifiers by controlling temperature parameters， thereby refining the feature maps of different scales gradually， helping the network to learn more appropriate feature scales， and enriching the detailed feature representation. Experimental results show that the recognition accuracy of the proposed algorithm reaches 96.85%， which is increased by 7.56， 5.26， 3.79 and 2.60 percentage points， respectively， compared with those of ConvNeXt-L， ViT-L， Swin-L， and Conformer-L models. The high accuracy and stability of the classification validate the effectiveness of the proposed algorithm in classification tasks of Chinese medicinal materials powder microscopic images.

Key words: deep learning, Chinese medicinal material, microscopic image recognition, feature fusion, 2D-Adaboost

中图分类号:

TP391.41

王一丁, 王泽浩, 李耀利, 蔡少青, 袁媛. 多尺度2D-Adaboost的中药材粉末显微图像识别算法[J]. 计算机应用, 2025, 45(4): 1325-1332.

Yiding WANG, Zehao WANG, Yaoli LI, Shaoqing CAI, Yuan YUAN. Multi-scale 2D-Adaboost microscopic image recognition algorithm of Chinese medicinal materials powder[J]. Journal of Computer Applications, 2025, 45(4): 1325-1332.

图/表 15

图1 整体网络结构

Fig. 1 Overall structure of network

图2 主干网络模块结构

Fig. 2 Backbone network module structure

图3 背景抑制模块结构

Fig. 3 Structure of background suppression module

图4 特征细化模块结构

Fig. 4 Feature refinement module structure

图5 导管样本数据

Fig. 5 Catheter sample data

图6 数据增强前后对比

Fig. 6 Comparison before and after data augmentation

图7 学习率函数

Fig. 7 Learning rate function

表1 不同特征融合方式的对比实验结果

Tab. 1 Comparison experimental results of different feature fusion methods

特征融合方式	准确率/%	Loss
不融合（只使用局部特征）	91.50	0.617
不融合（只使用全局特征）	92.83	0.522
直接拼接	93.27	0.509
+CAM和SAM	93.84	0.455
+MSMLP	94.42	0.426

图8 抑制强度对分类效果的影响

Fig. 8 Influence of suppression intensity on classification effect

图9 分类器权重变化曲线

Fig. 9 Classifier weight change curves

图10 类激活热力图

Fig. 10 Class activation heatmaps

图11 初始温度对分类效果的影响

Fig. 11 Influence of initial temperature on classification effect

表2 消融实验结果

Tab. 2 Ablation experimental results

特征融合主干	背景抑制模块	特征细化模块	准确率%	Loss
√			94.42	0.426
√	√		95.66	0.341
√		√	95.29	0.360
√	√	√	96.85	0.258

表3 不同分类网络的对比实验结果

Tab. 3 Comparison experimental results of different classification networks

模型	准确率%	Loss
ConvNeXt-L	89.29	0.748
ViT-L	91.59	0.616
Swin-L	93.06	0.514
Conformer-L	94.25	0.443
本文模型	96.85	0.258

图12 混淆矩阵

Fig. 12 Confusion matrix

参考文献 20

1	杨军. 中药材鉴定中应用显微鉴定技术的研究进展［J］. 光明中医， 2021， 36（16）：2828-2830.
	YANG J. Research progress on application of microscopic identification technology in the identification of Chinese medicinal materials［J］. Guangming Journal of Chinese Medicine， 2021， 36（16）：2828-2830.
2	王耐，卢文彪，凌秀华，等. 牛膝和川牛膝药材的特征提取与图像识别［J］. 中国药房， 2017， 28（12）：1670-1673.
	WANG N， LU W B， LING X H， et al. Feature extraction and image recognition of Achyrantha bidentata and Cyathula officinalis［J］. China Pharmacy， 2017， 28（12）：1670-1673.
3	王凤梅，卢文彪，陈仕妍. 基于灰度匹配模板的中药材显微图像识别［J］. 中国实验方剂学杂志， 2019， 25（11）：167-172.
	WANG F M， LU W B， CHEN S Y. Microscopic image recognition of traditional Chinese medicinal materials based on grayscale matching templates［J］. Chinese Journal of Experimental Traditional Medical Formulae， 2019， 25（11）： 167-172.
4	王一丁，姚毅，李耀利，等. 基于改进动态ReLU和注意力机制模型的中药材粉末显微图像识别研究［J］. 计算机应用研究， 2021， 38（9）：2861-2865， 2870.
	WANG Y D， YAO Y， LI Y L， et al. Research on microscopic image recognition of Chinese medicinal materials powder based on improved dynamic ReLU and attention mechanism model［J］. Application Research of Computers， 2021， 38（9）： 2861-2865， 2870.
5	王一丁，石铎，李耀利，等. 基于SqueezeNet深度网络的中药材粉末显微特征图像识别研究［J］. 电子显微学报， 2019， 38（2）：130-138.
	WANG Y D， SHI D， LI Y L， et al. Studies on identification of microscopic images of Chinese medicinal materials powder based on SqueezeNet deep network［J］. Journal of Chinese Electron Microscopy Society， 2019， 38（2）：130-138.
6	王一丁，姚毅，李耀利，等. 改进EfficientNet的表皮细胞图像识别研究［J］. 计算机工程与应用， 2022， 58（11）：200-208.
	WANG Y D， YAO Y， LI Y L， et al. Epidermal cell image recognition research of improved EfficientNet［J］. Computer Engineering and Applications， 2012， 58（11）：200-208.
7	LeCUN Y， BOTTOU L， BENGIO Y， et al. Gradient-based learning applied to document recognition［J］. Proceedings of the IEEE， 1998， 86（11）： 2278-2324.
8	VASWANI A， SHAZEER N， PARMER N， et al. Attention is all you need［C］// Proceedings of the 31st International Conference on Neural Information Processing Systems. Red Hook： Curran Associates Inc.， 2017： 6000-6010.
9	DOSOVITSKIY A， BEYER L， KOLESNIKOV A， et al. An image is worth 16x16 words： Transformers for image recognition at scale ［EB/OL］. ［2024-04-15］. .
10	LIU S， QI L， QIN H， et al. Path aggregation network for instance segmentation［C］// Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2018： 8759-8768.
11	FREUND Y， SCHAPIRE R E. A decision-theoretic generalization of on-line learning and an application to boosting［C］// Proceedings of the 1995 European Conference on Computational Learning Theory， LNCS 904. Berlin： Springer， 1995： 23-37.
12	WOO S， DEBNATH S， HU R， et al. ConvNeXt V2： co-designing and scaling ConvNets with masked autoencoders［C］// Proceedings of the 2023 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2023： 16133-16142.
13	LOU M， ZHOU H Y， YANG S， et al. TransXNet： learning both global and local dynamics with a dual dynamic token mixer for visual recognition［EB/OL］. ［2024-04-15］..
14	BASTIDAS A A， TANG H. Channel attention networks［C］// Proceedings of the 2019 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops. Piscataway： IEEE， 2019： 881-888.
15	WANG H， FAN Y， WANG Z， et al. Parameter-free spatial attention network for person re-identification［EB/OL］. ［2024-04-15］..
16	CHOU P Y， KAO Y Y， LIN C H. Fine-grained visual classification with high-temperature refinement and background suppression［EB/OL］. ［2024-04-15］..
17	HINTON G， VINYALS O， DEAN J. Distilling the knowledge in a neural network［EB/OL］. ［2024-04-15］..
18	LIU Z， MAO H， WU C Y， et al. A ConvNet for the 2020s［C］// Proceedings of the 2022 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2022： 11966-11976.
19	LIU Z， LIN Y， CAO Y， et al. Swin Transformer： hierarchical vision Transformer using shifted windows［C］// Proceedings of the 2021 IEEE/CVF International Conference on Computer Vision. Piscataway： IEEE， 2021： 9992-10002.
20	PENG Z， HUANG W， GU S， et al. Conformer： local features coupling global representations for visual recognition［C］// Proceedings of the 2021 IEEE/CVF International Conference on Computer Vision. Piscataway： IEEE， 2021： 357-366.

[1]	周阳, 李辉. 基于语义和细节特征双促进的遥感影像建筑物提取网络[J]. 《计算机应用》唯一官方网站, 2025, 45(4): 1310-1316.
[2]	郭诗月, 党建武, 王阳萍, 雍玖. 结合注意力机制和多尺度特征融合的三维手部姿态估计[J]. 《计算机应用》唯一官方网站, 2025, 45(4): 1293-1299.
[3]	潘理虎, 彭守信, 张睿, 薛之洋, 毛旭珍. 面向运动前景区域的视频异常检测[J]. 《计算机应用》唯一官方网站, 2025, 45(4): 1300-1309.
[4]	薛振华, 李强, 黄超. 视觉基础模型驱动的像素级图像异常检测方法[J]. 《计算机应用》唯一官方网站, 2025, 45(3): 823-831.
[5]	周浩, 王超, 崔国恒, 罗廷金. 基于多语义关联与融合的视觉问答模型[J]. 《计算机应用》唯一官方网站, 2025, 45(3): 739-745.
[6]	陈瑞龙, 胡涛, 卜佑军, 伊鹏, 胡先君, 乔伟. 面向加密恶意流量检测模型的堆叠集成对抗防御方法[J]. 《计算机应用》唯一官方网站, 2025, 45(3): 864-871.
[7]	洪梓榕, 包广清. 基于集成学习的雷达自动目标识别综述[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 371-382.
[8]	张众维, 王俊, 刘树东, 王志恒. 多尺度特征融合与加权框融合的遥感图像目标检测[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 633-639.
[9]	何秋润, 胡节, 彭博, 李天源. 基于上下文信息的多尺度特征融合织物疵点检测算法[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 640-646.
[10]	李严, 叶冠华, 李雅文, 梁美玉. 基于丰度协调技术的企业ESG指标预测模型[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 670-676.
[11]	张天骐, 谭霜, 沈夕文, 唐娟. 融合注意力机制和多尺度特征的图像水印方法[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 616-623.
[12]	邓淼磊, 阚雨培, 孙川川, 徐海航, 樊少珺, 周鑫. 基于深度学习的网络入侵检测系统综述[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 453-466.
[13]	余松森, 林智凡, 薛国鹏, 徐建宇. 基于改进YOLOv8的轻量级大幅面瓷砖缺陷检测算法[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 647-654.
[14]	丁丹妮, 彭博, 吴锡. 受腹侧通路启发的脂肪肝超声图像分类方法VPNet[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 662-669.
[15]	马汉达, 吴亚东. 多域时空层次图神经网络的空气质量预测[J]. 《计算机应用》唯一官方网站, 2025, 45(2): 444-452.

多尺度2D-Adaboost的中药材粉末显微图像识别算法

Multi-scale 2D-Adaboost microscopic image recognition algorithm of Chinese medicinal materials powder

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 15

参考文献 20

相关文章 15

编辑推荐

Metrics