基于深度学习的中草药识别系统：从零到部署的完整实践

📋 项目概述

在传统中医药领域，准确识别中草药是一项需要丰富经验的专业技能。随着人工智能技术的发展，我们可以利用深度学习来构建一个自动化的中草药识别系统。本项目实现了一个基于PyTorch的中草药图像分类系统，能够准确识别五种常见的中草药：百合、党参、枸杞、槐花和金银花。

🎯 项目目标

• 构建一个高精度的中草药图像分类模型
• 实现完整的数据预处理流程
• 提供易用的训练和测试接口
• 达到98%以上的分类准确率

🗂️ 数据集介绍

我们的数据集包含五个类别的中草药图像：

类别	中文名	训练集	验证集	测试集	总计
baihe	百合	约140张	约40张	约20张	约200张
dangshen	党参	约150张	约43张	约22张	约215张
gouqi	枸杞	约120张	约34张	约17张	约171张
huaihua	槐花	约110张	约31张	约16张	约157张
jinyinhua	金银花	约140张	约40张	约20张	约200张

总计： 818张训练图片，325张验证图片，177张测试图片

数据集按照 7:2:1 的比例进行划分，确保了训练、验证和测试的合理分布。

🏗️ 系统架构

1. 数据预处理模块 (prepare_dataset.py)

class ChineseMedicineDatasetConverter:
    def __init__(self, input_dir, output_dir):
        self.input_dir = Path(input_dir)
        self.output_dir = Path(output_dir)
        self.classes = []
        self.supported_extensions = {'.jpg', '.jpeg', '.png', '.bmp'}

主要功能：

• 自动扫描数据集目录，识别所有类别
• 验证图像文件的完整性
• 按比例划分训练集、验证集、测试集
• 生成配置文件和类别标签文件

2. 训练模块 (train_chinese_medicine_classification.py)

支持的模型架构：

• ResNet50（默认）：平衡的性能和速度
• ResNet18：更快的训练速度
• EfficientNet-B0：更高的准确率

数据增强策略：

train_transform = transforms.Compose([
    transforms.Resize((224, 224)),
    transforms.RandomHorizontalFlip(p=0.5),
    transforms.RandomRotation(degrees=15),
    transforms.ColorJitter(brightness=0.2, contrast=0.2, saturation=0.2, hue=0.1),
    transforms.ToTensor(),
    transforms.Normalize(mean=[0.485, 0.456, 0.406], std=[0.229, 0.224, 0.225])
])

3. 测试模块 (test_chinese_medicine_model.py)

功能特性：

• 单张图片预测
• 批量图片预测
• 预测结果可视化
• 置信度分析

📊 训练过程与结果

训练配置

• 模型： ResNet50（预训练）
• 优化器： Adam (lr=0.001)
• 损失函数： CrossEntropyLoss
• 批次大小： 32
• 训练轮数： 30
• 设备： CUDA GPU

训练过程分析

从训练日志可以看出，模型训练过程非常稳定：

第1轮：

• 训练准确率：69.56%
• 验证准确率：49.85%

第4轮：

• 训练准确率：82.03%
• 验证准确率：93.23%

第11轮：

• 训练准确率：94.13%
• 验证准确率：96.92%

第20轮：

• 训练准确率：97.43%
• 验证准确率：98.15%

最终结果（第29轮）：

• 训练准确率：97.80%
• 验证准确率：98.46%
• 测试准确率：98.87%

混淆矩阵分析

混淆矩阵显示：

• 所有类别的识别准确率都在97%以上
• 百合和金银花达到了100%的识别准确率
• 党参有轻微的误分类，但整体表现优秀

性能指标

类别	精确率	召回率	F1分数	支持数
百合	1.00	1.00	1.00	37
党参	0.95	1.00	0.97	36
枸杞	1.00	0.97	0.99	34
槐花	1.00	0.97	0.98	33
金银花	1.00	1.00	1.00	37

整体性能：

• 准确率：98.87%
• 宏平均F1：0.99
• 加权平均F1：0.99

🔧 技术亮点

1. 自动化数据处理

• 智能扫描数据集目录结构
• 自动验证图像文件完整性
• 灵活的数据集划分比例配置

2. 模型优化策略

• 使用预训练模型进行迁移学习
• 实施数据增强提高泛化能力
• 早停机制防止过拟合

3. 完善的可视化

• 训练过程曲线图
• 混淆矩阵热力图
• 预测结果可视化

4. 用户友好的接口

• 命令行参数支持
• 详细的训练日志
• 自动模型保存和加载

🧪 模型测试与验证

测试环境配置

测试脚本 test_chinese_medicine_model.py 提供了完整的模型测试功能，支持单张图片预测和批量预测两种模式。

测试系统信息：

• 模型文件：models/best_model.pth
• 运行设备：CPU（支持GPU加速）
• 支持格式：JPG、JPEG、PNG、BMP

单张图片测试

测试命令：

python test_chinese_medicine_model.py --image "Chinese Medicine/baihe/b (1).jpg"

测试结果：

🌿 中草药识别模型测试
==================================================
📋 加载配置: 中草药识别数据集
📊 类别数量: 5
🏷️ 类别: ['baihe', 'dangshen', 'gouqi', 'huaihua', 'jinyinhua']
📥 模型加载成功: models\best_model.pth
💻 使用设备: cpu

🔍 预测图片: Chinese Medicine/baihe/b (1).jpg
📊 预测结果已保存到: prediction_b (1).png

🔍 预测结果 - b (1).jpg:
--------------------------------------------------
1. baihe: 0.9959 (99.59%)
2. jinyinhua: 0.0018 (0.18%)
3. dangshen: 0.0014 (0.14%)

🚀 使用指南

快速开始

1. 数据预处理

python prepare_dataset.py

2. 模型训练

python train_chinese_medicine_classification.py

3. 模型测试

# 单张图片预测
python test_chinese_medicine_model.py --image path/to/image.jpg

# 批量预测
python test_chinese_medicine_model.py --batch_dir path/to/images/ --output results.csv

自定义配置

修改训练参数：

# 在 train_chinese_medicine_classification.py 中
batch_size = 32        # 批次大小
epochs = 30           # 训练轮数
learning_rate = 0.001 # 学习率
model_name = 'resnet50'  # 模型架构

调整数据划分：

# 在 prepare_dataset.py 中
converter.convert_dataset(
    train_ratio=0.7,  # 训练集70%
    val_ratio=0.2,    # 验证集20%
    # 测试集10%（自动计算）
)

📈 结果分析

训练曲线分析

从训练曲线可以观察到：

1. 快速收敛：模型在前10轮就达到了90%以上的准确率
2. 稳定训练：训练和验证损失都呈现稳定下降趋势
3. 无过拟合：验证准确率持续提升，没有出现明显的过拟合现象

混淆矩阵分析

混淆矩阵显示：

• 所有类别的识别准确率都在97%以上
• 百合和金银花达到了100%的识别准确率
• 党参有轻微的误分类，但整体表现优秀

🎯 应用场景

1. 中医药教育：辅助学生学习中草药识别
2. 药材质检：自动化药材分类和质量控制
3. 移动应用：开发中草药识别APP
4. 科研辅助：为中医药研究提供技术支持

🔮 未来改进方向

1. 扩展数据集：增加更多中草药类别
2. 模型优化：尝试更先进的网络架构
3. 部署优化：模型量化和移动端部署
4. 功能增强：添加药材功效和用法信息

🎉 结论

本项目成功构建了一个高精度的中草药识别系统，测试准确率达到98.87%，各项性能指标都表现优秀。系统具有良好的可扩展性和实用性，为中医药数字化提供了有力的技术支持。

通过这个项目，我们展示了深度学习在传统中医药领域的应用潜力，也为类似的图像分类任务提供了完整的解决方案参考。