技术摘要：
本发明公开了基于多视图卷积神经网络的中药识别方法，包括如下步骤：步骤S101：数据集准备，构建多视图数据集；步骤S102：构造多视图卷积神经网络模型，提取步骤S101中多视图数据集每个视图的特征；步骤S103：模型的训练和测试，首先对步骤S102中构造的神经网络模型进  全部
背景技术：
申请号为201811525966.1，发明名称为：基于双尺度卷积神经网络的中药材识别 方法及系统。该发明首先通过专门设计的图像采集装置进行双尺度图像的采集，对每种药 材拍摄整体和局部两种尺度的图像，将其并列作为一组输入值，输入到卷积神经网络中，经 过多层卷积池化的特征提取与选择，训练得到识别精度较高的卷积神经网络模型。将待测 图像送入训练好的卷积神经网络模型中进行特征提取，基于提取的特征对中药材进行分 类，输出分类识别结果。 该专利虽然能够实现中药材识别，但其方法只考虑了将中药材两种尺度的图像做 输入，提取特征，而没有考虑在多个视角下，中药材有不同的形态特征。其所设计的图像采 集装置对每个样本必须依次进行双尺度图像的采集，操作起来比较费时。对于已有的中药 数据集无法扩展为双尺度图像，只能重新拍摄。
技术实现要素：
本发明为了解决上述问题，从多个视图提取特征，相比单视图而言提取到的特征 更加细致全面，模型更具鲁棒性，分类结果更加准确。该方法集特征提取、特征融合和分类 为一体，是一种端到端的方法。多视图卷积神经网络的构造可以直接在现有模型上做更改， 代码实现简单，并且可以直接利用预训练好的模型参数，模型收敛速度快，大大减少模型的 训练时间。 为此，根据本发明的一个方面，提供了基于多视图卷积神经网络的中药识别方法， 包括如下步骤：步骤S101：数据集准备，构建多视图数据集，视图数目为大于1的正整数m，把 数据分为训练集和测试集；步骤S102：构造多视图卷积神经网络模型，提取步骤S101多视图 数据集中每个视图的特征，并对m个视图的特征进行融合，将融合后的特征作为分类器的输 入；步骤S103：模型的训练和测试，首先对步骤S102中构造的神经网络模型进行参数初始 化，然后将训练集中的图片以m个为一组，输入到网络中的各个分支中，经过反向传播过程 不断更新参数，对模型进行训练，在满足预设停止条件时保存模型，经过正向传播得到分类 结果。由此，能够从多个视图提取中药的特征并进行融合，准确率高，识别速度快，从而解决 非专业人士识别中药的需求，辅助专业人士进行自动化的中药识别。 在一些实施方式中，所述构建数据集为多视图数据集，可以采取人工采集和网络 搜集的形式。 在一些实施方式中，采取人工采集中药图片时，对于每一个药材个体，用拍摄设备 从多个角度拍摄m张图片。 在一些实施方式中，网络搜集的中药图片，分别用旋转任一角度、水平翻转扩充为 3 CN 111598130 A 说　明　书 2/5 页 m张图片。 在一些实施方式中，所述步骤S102中构建的多视图卷积神经网络模型包括： (1)特征提取器，分别提取每个视图的特征，m个视图共有m条并列的神经网络组合 成为该模型的特征提取部分； (2)多视图融合器，用来将各个视图的特征进行融合； (3)分类器，将融合后的特征作为输入，输出最终的分类结果。 在一些实施方式中，所述特征提取器包括卷积层、池化层和非线性激活层。 在一些实施方式中，所述多视图融合器包括Max融合或者Sum融合。 在一些实施方式中，所述分类器包括全连接层、非线性激活层和Dropout层。 相对于现有技术，本发明具有如下有益效果： 1、基于多视图卷积神经网络的中药识别方法，从多个视图提取特征，相比单视图 而言提取到的特征更加细致全面，模型更具鲁棒性，分类结果更加准确。 2、基于多视图卷积神经网络的中药识别方法，多视图卷积神经网络模型包括三个 部分：特征提取器、多视图融合器和分类器，使得本发明集特征提取、特征融合和分类为一 体，是一种端到端的方法。 3、基于多视图卷积神经网络的中药识别方法，多视图卷积神经网络的构造可以直 接在现有模型上做更改，代码实现简单，并且可以直接利用预训练好的模型参数，模型收敛 速度快，大大减少模型的训练时间。 4、基于多视图卷积神经网络的中药识别方法，利用深度学习的方法实现了自动化 的中药识别，减轻人工识别的工作负担，解决非专业人士的识别困难。 附图说明 图1为本发明一实施方式的基于多视图卷积神经网络的中药识别方法流程图； 图2为本发明一实施方式的基于多视图卷积神经网络的中药识别方法的拍摄多视 图图片数据集示意图； 图3为本发明又一实施方式的基于多视图卷积神经网络的中药识别方法流程图； 图4为本发明又一实施方式的基于多视图卷积神经网络的中药识别方法的将单视 图数据集扩张为多视图数据集示意图； 图5为本发明一实施方式的基于多视图卷积神经网络的中药识别方法的多视图卷 积神经网络的整体框架图。