摘要：針對傳統(tǒng)中藥材檢測任務(wù)中識別效率低、受主觀因素影響較大的問題，文章選取77種中藥材作為研究對象。采用自行拍攝圖像和在互聯(lián)網(wǎng)獲取圖像的方式，并結(jié)合旋轉(zhuǎn)平移、高斯噪聲等數(shù)據(jù)增強(qiáng)技術(shù)，最終構(gòu)建了一個(gè)包含4萬多張圖像的數(shù)據(jù)集。在模型改進(jìn)方面，對第八代只看一次目標(biāo)檢測算法（YouOnlyLookOnceversion8，YOLOv8）的Backbone部分進(jìn)行了針對性的優(yōu)化，引入了DSConv和Biformer注意力機(jī)制。DSConv能夠自適應(yīng)地關(guān)注細(xì)長和曲折的局部特征，而Biformer則通過雙層路由機(jī)制，實(shí)現(xiàn)了內(nèi)容感知的稀疏模式，提高了模型對圖像細(xì)節(jié)和關(guān)鍵目標(biāo)的識別能力。實(shí)驗(yàn)結(jié)果表明，改進(jìn)后的YOLOv8模型的精確率、召回率和平均精度分別達(dá)到了96.4%、98.0%和97.7%，相較于原模型的精確率和平均精度分別增長了1.7百分點(diǎn)和1.0百分點(diǎn)。在中藥材檢測任務(wù)上取得了顯著的性能提升效果。

關(guān)鍵詞：YOLOv8；中藥材識別；蛇形動態(tài)卷積；Biformer注意力機(jī)制

中圖分類號：TP391.7文獻(xiàn)標(biāo)志碼：A

0引言（Introduction）

中藥材作為中醫(yī)藥事業(yè)的基石，擁有數(shù)千年的歷史，并在我國醫(yī)藥領(lǐng)域中占據(jù)舉足輕重的戰(zhàn)略地位［1＼|2］。在傳統(tǒng)的中藥材分類和識別中，主要依靠人工經(jīng)驗(yàn)完成對中藥材的檢測，這種方式效率低且受主觀因素影響較大［3］。隨著信息技術(shù)和網(wǎng)絡(luò)技術(shù)的發(fā)展，以及圖像檢測技術(shù)的廣泛應(yīng)用［4］，各行各業(yè)都迎來了技術(shù)革新。深度學(xué)習(xí)技術(shù)與中醫(yī)藥領(lǐng)域相融合，為中藥材的鑒定帶來了前所未有的準(zhǔn)確性和便捷性，有效克服了傳統(tǒng)中藥材識別方法的不穩(wěn)定性、主觀性強(qiáng)等問題，推動了中醫(yī)學(xué)的現(xiàn)代化進(jìn)程。

岑忠用等［5］利用近紅外漫反射光譜采集一定范圍內(nèi)的光譜信息，結(jié)合主成分分析方法等建立定性判別模型，對6種容易混淆的根莖類中藥材圖像進(jìn)行識別，該方法能夠很好地識別出根莖類的中藥材圖像。張開生等［6］通過工業(yè)攝像頭獲取冬蟲夏草的多角度圖像信息并搭建網(wǎng)絡(luò)模型，識別準(zhǔn)確率達(dá)到94%。劉思岐等［7］使用光譜功率分布（SpectralPowerDistribution，SPD）對光譜數(shù)據(jù)進(jìn)行轉(zhuǎn)化分析，運(yùn)用聚類分析方法選擇木材種類數(shù)據(jù)的特征，確定最優(yōu)維數(shù)據(jù)特征并將確定好的特征信息輸入改進(jìn)后的網(wǎng)絡(luò)模型中，得到了測試集最高識別率達(dá)到88.7%的結(jié)果。

上述研究在圖像識別方面獲得了很好的識別效果，但也存在許多的不足，例如忽略了數(shù)據(jù)集背景和對圖像細(xì)節(jié)的關(guān)注度不夠，導(dǎo)致模型識別準(zhǔn)確率不高，并且網(wǎng)絡(luò)模型結(jié)構(gòu)比較復(fù)雜，不能很好地遷移到其他任務(wù)上，與實(shí)際應(yīng)用仍然存在一定的差距。因此，本研究選取白芍、陳皮等77種中藥材圖像作為研究對象，以YOLOv8作為基礎(chǔ)模型，對如何提升模型泛化能力和提升模型精度展開研究。

1材料與方法（Materialsandmethods）

1.1數(shù)據(jù)集來源與構(gòu)成

目前，還沒有大規(guī)模公開的關(guān)于中藥材的數(shù)據(jù)集，尤其對于西部地區(qū)來說，并沒有可以使用的藥材圖像數(shù)據(jù)集；此外，深度神經(jīng)網(wǎng)絡(luò)的分類任務(wù)對數(shù)據(jù)集的規(guī)模要求比較高，只有充足的數(shù)據(jù)集才能對模型進(jìn)行充分的訓(xùn)練并加以改進(jìn)，得到泛化能力較強(qiáng)的優(yōu)良模型。因此，本文選取了甘肅省境內(nèi)分布的77種中藥材，中藥材樣例如圖1所示，由自行拍攝的圖片和來自互聯(lián)網(wǎng)的圖片共同構(gòu)成本研究的數(shù)據(jù)集。自行拍攝使用的工具為“索尼”A7C2相機(jī)和“騰龍”28～200mm鏡頭的組合；為了減少陰影和反光，保證圖片的質(zhì)量，選擇在自然光線下從不同的角度（包括正面、側(cè)面、背面和頂部視角）對中藥材進(jìn)行拍攝；為了確保圖像識別的準(zhǔn)確性，選擇純白色的卡紙作為環(huán)境背景，避免了復(fù)雜背景對圖像識別造成的干擾，使得中草藥的圖像更加突出、清晰；在此基礎(chǔ)上，對自行拍攝的圖像進(jìn)行標(biāo)注、整理和分類工作，確保數(shù)據(jù)集的高質(zhì)量和可用性。網(wǎng)絡(luò)數(shù)據(jù)集使用的是Chinese＼|Medicine＼|163，該數(shù)據(jù)集共收集了163種中藥材的圖片數(shù)據(jù)，數(shù)據(jù)集主要來源于網(wǎng)絡(luò)爬蟲圖片檢索，并經(jīng)過人工清洗整合收集完成，雖然有小部分圖片存在水印和復(fù)雜背景的干擾信息以及模糊和不完整等問題，但是整體數(shù)據(jù)質(zhì)量滿足要求，可以用于中草藥AI識別算法研究；Chinese＼|Medicine＼|163分為訓(xùn)練集（Train）和測試集（Test）兩個(gè)子集，其中訓(xùn)練集總數(shù)超過25萬張圖片，平均每個(gè)種類約有1575張圖片，測試集（Test）總數(shù)有1萬張圖片，平均每個(gè)種類約有61張圖片，所有照片都已經(jīng)按照其所屬類別存放于各自的文件夾中，可直接用于YOLOv8模型訓(xùn)練。在Chinese＼|Medicine＼|163中篩選出本研究需要的77種中藥材數(shù)據(jù)，對其進(jìn)行二次篩選處理，進(jìn)一步保證圖像的質(zhì)量。

1.3基于改進(jìn)YOLOv8的方法

1.3.1YOLOv8

YOLOv8是由Ultralytics開發(fā)的領(lǐng)先的SOTA（State＼|of＼|the＼|Art）模型［10］。該框架目前支持圖像分類、物體檢測和實(shí)例分割任務(wù)。YOLOv8最顯著的改進(jìn)之處在于其出色的可擴(kuò)展性。設(shè)計(jì)者將其打造成一個(gè)兼容YOLO歷史版本的框架，使開發(fā)者可以自由切換并進(jìn)行實(shí)驗(yàn)對比。此外，該框架引入了新的功能和改進(jìn)，包括全新的骨干網(wǎng)絡(luò)、Ancher＼|Free檢測頭和損失函數(shù)等［11］，進(jìn)一步提升了模型的性能和靈活性。YOLOv8識別算法的網(wǎng)絡(luò)結(jié)構(gòu)圖如圖3所示。

在YOLOv8的網(wǎng)絡(luò)模型架構(gòu)上，將其Backbone部分的卷積層替換成蛇形動態(tài)卷積（圖3中第2層、第3層），提高模型對瘦長和曲折的局部特征的自適應(yīng)關(guān)注能力；同時(shí)，對第54層和第64層卷積層進(jìn)行殘差連接，使得網(wǎng)絡(luò)可以直接學(xué)習(xí)殘差（即輸入與輸出之間的差異），從而能更容易地傳遞梯度和學(xué)習(xí)有效的特征表示，然后在網(wǎng)絡(luò)的空間金字塔池化與跨階段局部連接（SpatialPyramidPoolingCrossStagePartial，SPPCSPS）模塊中添加Biformer注意力機(jī)制［12］，以改進(jìn)對圖像中不同區(qū)域的重要性建模能力，提高模型對圖像細(xì)節(jié)和關(guān)鍵目標(biāo)的識別能力，以及加強(qiáng)對全局上下文的考慮。YOLOv8首先將輸入的圖片調(diào)整為640×640的像素大小，輸入backbone網(wǎng)絡(luò)中，然后經(jīng)head層網(wǎng)絡(luò)輸出3層不同規(guī)格大小的特征圖像，經(jīng)過Rep和Conv輸出預(yù)測結(jié)果。

在YOLOv8模型中，多路徑（MP）模塊采用雙分支策略以實(shí)現(xiàn)高效的下采樣處理。每個(gè)分支均致力于調(diào)整通道數(shù)并執(zhí)行下采樣操作，但采用了不同的技術(shù)路徑。第一個(gè)分支首先通過最大池化層（maxpool）進(jìn)行空間維度的縮減，其次通過1×1卷積層調(diào)整通道數(shù)，以優(yōu)化特征表示。第二個(gè)分支首先通過1×1卷積層進(jìn)行通道數(shù)的初步調(diào)整，其次通過一個(gè)具有3×3卷積核和步長為2的卷積層進(jìn)一步下采樣，以實(shí)現(xiàn)更精細(xì)的特征提取。最終，兩個(gè)分支的輸出通過拼接操作合并，形成一種復(fù)合的下采樣結(jié)果，不僅增強(qiáng)了特征的表達(dá)能力，也提高了模型對不同尺度特征的捕捉能力。MP1模塊和MP2模塊在通道數(shù)的調(diào)整上有所差異，MP1模塊的輸入尺寸為160×160×256，輸出尺寸調(diào)整為80×80×256，而MP2模塊則接受兩種不同尺寸的輸入，即80×80×128和40×40×256，通過拼接技術(shù)輸出統(tǒng)一的40×40×256尺寸。YOLOv8模型中的MP1模塊和MP2模塊的結(jié)構(gòu)圖分別如圖4和圖5所示。

ELAN（EffectiveLong＼|RangeAggregationNetwork）模塊，作為一種高效的網(wǎng)絡(luò)結(jié)構(gòu)，通過精確調(diào)控梯度傳播路徑，不僅促進(jìn)了網(wǎng)絡(luò)對多樣化特征的學(xué)習(xí)，還顯著提升了模型的魯棒性。該模塊由兩eFIplOnbuxnC9t6PGsSzPTENqHFkaugv30hXZmsuKlk=條并行分支構(gòu)成，每條分支都致力于優(yōu)化特征表示。在第一條分支中，1×1卷積層負(fù)責(zé)調(diào)整通道數(shù)，以實(shí)現(xiàn)特征的初步轉(zhuǎn)換。第二條分支更為復(fù)雜，它首先通過1×1卷積層進(jìn)行通道數(shù)的調(diào)整，其次經(jīng)過連續(xù)4個(gè)3×3卷積層的深入特征提取。這4個(gè)獨(dú)立的特征提取層的輸出最終被疊加，以合成更為豐富和精確的特征表示。ELAN模塊的輸入尺寸為160×160×128，經(jīng)過模塊處理后，輸出尺寸變?yōu)?60×160×236。而ELAN′模塊，作為其變體，接受40×40×512的輸入尺寸，并輸出40×40×256的尺寸。這兩種模塊的設(shè)計(jì)和結(jié)構(gòu)細(xì)節(jié)分別在圖6和圖7中進(jìn)行了展示。

空間金字塔池化與跨階段局部連接注意力機(jī)制模塊（SpatialPyramidPoolingCrossStagePartialAttention，SPPCSPC_ATT），作為YOLOv5中快速空間金字塔池化（SpatialPyramidPooling＼|Fast，SPPF）模塊的改進(jìn)版本，引入了5×5、9×9、13×13的多尺度最大池化技術(shù)。這種設(shè)計(jì)的核心優(yōu)勢在于其能夠擴(kuò)展網(wǎng)絡(luò)的感受野，從而使得算法能夠適應(yīng)不同分辨率的圖像輸入。通過最大池化策略，SPPCSPC_ATT模塊能夠捕捉到不同尺度的特征，這對于處理圖像中大小不一的目標(biāo)至關(guān)重要。該模塊的第一條分支采用了4個(gè)不同尺寸的最大池化操作，分別為5×5、9×9、13×13和1×1。這些池化操作不僅代表了網(wǎng)絡(luò)對不同尺度對象的處理能力，而且通過各自的感受野，能夠區(qū)分并識別圖像中的大目標(biāo)與小目標(biāo)。例如，在識別中藥材圖像時(shí)，由于它們的尺寸存在差異，因此網(wǎng)絡(luò)能夠利用不同尺度的最大池化更準(zhǔn)確地識別和區(qū)分這些目標(biāo)。SPPCSPC_ATT模塊結(jié)構(gòu)圖如圖8所示。

跨階段局部網(wǎng)絡(luò)模塊（CrossStagePartialNetwork，CSP），首先將特征分為兩個(gè)部分，一部分進(jìn)行常規(guī)的處理，另一部分進(jìn)行空間金字塔池化結(jié)構(gòu)（SpatialPyramidPooling，SPP）的處理，其次把兩個(gè)部分合并在一起，實(shí)現(xiàn)了在減少計(jì)算量的同時(shí)提升模型的速度和精度。

1.3.2蛇形動態(tài)卷積

在圖像處理中，卷積是一種常用的運(yùn)算方式，它可以提取圖像的特征，用于后續(xù)的圖像識別、分類等任務(wù)。在傳統(tǒng)的卷積方式中，由于其結(jié)構(gòu)的剛性和固定性，使其在對細(xì)長結(jié)構(gòu)等特殊圖像結(jié)構(gòu)的特征提取，存在一定的局限性。為克服這一缺陷，引入了蛇形動態(tài)卷積（DynamicSnakeConvolution，DSConv）［13］。

在DSConv中，首先給出了標(biāo)準(zhǔn)2D卷積的坐標(biāo)，以此為基礎(chǔ)，蛇形動態(tài)卷積的中心坐標(biāo)就能被確定。這個(gè)中心坐標(biāo)是動態(tài)的，可以隨著輸入特征的變化而變化，因此DSConv可以更靈活地適應(yīng)圖像中的細(xì)長、微小的結(jié)構(gòu)。DSConv結(jié)構(gòu)圖如圖9所示。

圖9中從左至右全面展示了一種新型的、專為解決薄管狀結(jié)構(gòu)分割困難而提出的知識融合模型，它融合了蛇形動態(tài)卷積、多角度特征融合策略和拓?fù)溥B續(xù)性約束損失函數(shù)，三者相互配合，可以實(shí)現(xiàn)對管狀結(jié)構(gòu)的精確分割。首先，輸入圖像，該圖像包含待分割的拓?fù)涔軤罱Y(jié)構(gòu)信息。其次，圖像通過DSConv可以自適應(yīng)地關(guān)注細(xì)長和曲折的局部特征，從而實(shí)現(xiàn)對2D和3D數(shù)據(jù)集中管狀結(jié)構(gòu)的精確分割。再次，模型采用多角度特征融合策略，將從多個(gè)不同角度獲取的特征進(jìn)行融合，并補(bǔ)充注意力到關(guān)鍵特征上，確保模型能很好地識別和分割不同角度、不同形狀的管狀結(jié)構(gòu)。最后，圖像進(jìn)入拓?fù)溥B續(xù)性約束損失函數(shù)處理階段。這種損失函數(shù)基于持久同胚理論，可以更好地約束分割的連續(xù)性。通過兩種損失函數(shù)的聯(lián)合影響，對分割結(jié)果的拓?fù)湫院途榷歼M(jìn)行了限制，有助于實(shí)現(xiàn)連續(xù)的管狀分割。

1.3.3Biformer注意力機(jī)制

Biformer是一種新型的視覺變壓器，它引入了一種獨(dú)特的雙層路由機(jī)制，使得在查詢自適應(yīng)方式下，實(shí)現(xiàn)內(nèi)容感知的稀疏模式。Biformer在模型大小相似的情況下，與基線模型相比，對象檢測和語義分割等在各種計(jì)算機(jī)視覺任務(wù)上（如圖像分類）都取得了顯著的性能提升。

Biformer的主要工作原理是基于雙層路由注意力（BRA）機(jī)制［14］。BRA能夠?qū)崿F(xiàn)動態(tài)和查詢自適應(yīng)的稀疏性。這種機(jī)制能夠在保證高效的情況下，實(shí)現(xiàn)對圖像的細(xì)致分析。同時(shí)，Biformer采用了層次化的設(shè)計(jì)，使得模型在處理大規(guī)模數(shù)據(jù)時(shí)，也能保持高效和準(zhǔn)確。BRA工作流程圖如圖10所示。

圖10的左邊部分是在區(qū)域級別上的注意力分配，右邊部分是在令牌級別上的注意力操作。左邊部分，首先對整個(gè)圖像進(jìn)行分區(qū)；其次，在這些區(qū)域中選擇出與查詢最相關(guān)的區(qū)域，這一操作是通過構(gòu)建和修剪區(qū)域級別的有向圖實(shí)現(xiàn)的。從圖10中可以看到，有一些區(qū)域被選擇出來，而有些區(qū)域則被忽略，這些被選擇出來的區(qū)域就是與查詢最相關(guān)的區(qū)域，它們的選擇是基于區(qū)域內(nèi)的鍵值對的相似性。這樣做的好處是，可以在一定程度上過濾與查詢無關(guān)的區(qū)域，從而提高計(jì)算效率。

從圖10的右邊部分可以看出，在選定相關(guān)區(qū)域后，需要在這些區(qū)域內(nèi)進(jìn)行令牌級別的注意力操作。這一操作是通過計(jì)算查詢和每個(gè)令牌的相似性實(shí)現(xiàn)的。每個(gè)令牌都有一個(gè)對應(yīng)的注意力分?jǐn)?shù)，該分?jǐn)?shù)表示該令牌與查詢的相關(guān)性。將這些分?jǐn)?shù)進(jìn)行歸一化，以便得到最終的注意力分布。

從整體上看，通過區(qū)域級別和令牌級別的注意力操作，實(shí)現(xiàn)了一種動態(tài)的、基于查詢的稀疏性。這種方法不僅能夠有效地分配計(jì)算資源，還能夠捕捉到長距離的對象之間的關(guān)系。Biformer在圖像分類、物體檢測和語義分割等任務(wù)中都表現(xiàn)出了優(yōu)秀的性能。例如，在圖像分類任務(wù)上，Biformer經(jīng)過ImageNet1K的訓(xùn)練，取得了優(yōu)秀的分類性能，同時(shí)在COCO和ADE20K數(shù)據(jù)集上的物體檢測和語義分割任務(wù)中也取得了顯著的效果提升。Biformer通過雙層路由注意力機(jī)制，能夠?qū)崿F(xiàn)對圖像的精細(xì)分析，這有助于藥材的檢測識別。Biformer能夠識別出藥材的不規(guī)則區(qū)。此外，Biformer的層次化設(shè)計(jì)也使得它在處理大規(guī)模數(shù)據(jù)時(shí)，仍然能夠保持高效率和準(zhǔn)確性。Biformer在藥材識別任務(wù)上的主要優(yōu)勢在于其精細(xì)的圖像分析能力和高效的處理性能。精細(xì)的圖像分析能力能使Biformer準(zhǔn)確識別出目標(biāo)區(qū)域，而高效的處理性能使Biformer處理大規(guī)模的數(shù)據(jù)。這兩點(diǎn)優(yōu)勢都是藥材識別任務(wù)的重要需求。

1.4評價(jià)指標(biāo)

為了評估模型的性能，本次實(shí)驗(yàn)使用了精確度（P）、召回率（R）和平均精度（mAP）作為判斷模型性能的評價(jià)指標(biāo)［15＼|16］。以上指標(biāo)的計(jì)算方法如公式（1）至公式（4）所示。

2實(shí)驗(yàn)結(jié)果與分析（Experimentalresultsandanalysis）

2.1實(shí)驗(yàn)環(huán)境

實(shí)驗(yàn)使用的計(jì)算機(jī)的GPU是RTX4090（24 GB）*1。CPU是12vCPUIntel（R）Xeon（R）Platinum8352VCPU@2.10GHz。PyTorch版本為1.11.0，Python版本為3.8，CUDA版本為11.3。

2.2實(shí)驗(yàn)結(jié)果

2.2.1模型改進(jìn)前后的中藥材檢測對比

為了綜合檢驗(yàn)改進(jìn)模型對中藥材的檢測能力，從測試集中選取不同中藥材的部分樣本，利用改進(jìn)前后訓(xùn)練好的模型權(quán)重進(jìn)行測試，結(jié)果如圖11所示。

從圖10展示的模型改進(jìn)前后檢測效果對比可知，改進(jìn)后的YOLOv8模型置信度較原模型有所提升，直接反映了模型對于目標(biāo)檢測結(jié)果的可靠程度。證明了改進(jìn)方法的有效性，能夠提高模型的精度。

2.2.2消融實(shí)驗(yàn)

為了驗(yàn)證各改進(jìn)策略對網(wǎng)絡(luò)模型檢測性能的影響，本文在YOLOv8的基礎(chǔ)上，分別單獨(dú)采用蛇形動態(tài)卷積網(wǎng)絡(luò)作為骨干網(wǎng)絡(luò)，引入Biformer注意力機(jī)制2種策略聯(lián)合分析模型性能變化，消融實(shí)驗(yàn)結(jié)果如表1所示。本實(shí)驗(yàn)基于YOLOv8算法對77種中藥材進(jìn)行識別檢測，數(shù)據(jù)集中包含這些中藥材的圖像數(shù)據(jù)，包括外觀、顏色、紋理等特征。使用YOLOv8模型在本實(shí)驗(yàn)所制數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如表2所示，其中精確度、召回率和平均精度（mAP）分別達(dá)到了94.7%、98.0%和96.7%。為了提高模型的檢測準(zhǔn)確率，本文對YOLOv8模型進(jìn)行了改進(jìn)，改進(jìn)后的YOLOv8模型的精確度、召回率和平均精度（mAP）分別達(dá)到了96.4%、98.0%和97.7%，相較原模型精確度和平均精度（mAP）分別增長了1.7百分點(diǎn)和1.0百分點(diǎn)。

綜上所述，基于改進(jìn)的YOLOv8對中藥材識別檢測的實(shí)驗(yàn)結(jié)果表明，改進(jìn)后的模型相較于原模型可以更有效地應(yīng)用于中藥材檢測和分類領(lǐng)域，具有較高的識別準(zhǔn)確率和魯棒性，有望在中藥材產(chǎn)業(yè)中發(fā)揮重要作用。

3結(jié)論（Conclusion）

針對中藥材種類多、識別效率低、受主觀因素影響大等問題，本文提出一種基于YOLOv8改進(jìn)的YOLOv8目標(biāo)檢測模型，將原始模型的骨干網(wǎng)絡(luò)替換成蛇形動態(tài)卷積網(wǎng)絡(luò)，以實(shí)現(xiàn)模型輕量化，并在網(wǎng)絡(luò)中引入Biformer注意力機(jī)制，提高了模型表征能力，通過消融實(shí)驗(yàn)得出以下結(jié)論。

（1）將YOLOv8模型骨干網(wǎng)絡(luò)替換為蛇形動態(tài)卷積網(wǎng)絡(luò)，減少了模型的參數(shù)量和計(jì)算量，實(shí)現(xiàn)了模型的輕量化；網(wǎng)絡(luò)中融入的Biformer注意力機(jī)制增強(qiáng)了模型對中藥材目標(biāo)特征的聚焦程度，提高了模型檢測精度。

（2）改進(jìn)后模型的檢測平均精確度達(dá)到了97.7%，與其他主流目標(biāo)檢測模型相比，該模型具有較好的魯棒性，能夠準(zhǔn)確識別不同形態(tài)下的中草藥目標(biāo)。

參考文獻(xiàn)（References）

［1］田園.基于文本分析的甘肅省隴西縣中醫(yī)藥產(chǎn)業(yè)政策研究［D］.昆明：云南師范大學(xué)，2023.

［2］ZHAOZZ，LIANGZT，PINGG.MacroscopicidentificationofChinesemedicinalmaterials：traditionalexperiencesandmodernunderstanding［J］.Journalofethnopharmacology，2011，134（3）：556＼|564.

［3］LUQ，LICL.ComprehensiveutilizationofChinesemedicineresiduesforindustryandenvironmentprotection：turningwasteintotreasure［J］.Journalofcleanerproduction，2021，279：123856.

［4］[JP3]WANGWY，ZHOUH，WANGYF，etal.CurrentpoliciesandmeasuresonthedevelopmentoftraditionalChinesemedicineinChina［J］.Pharmacologicalresearch，2021，163：105187.

［5］岑忠用，雷順新，雷蕾，等.近紅外光譜法鑒別6種根莖類中藥材［J］.華中農(nóng)業(yè)大學(xué)學(xué)報(bào)，2021，40：271＼|277.

［6］張開生，薛楊，石瑞華.基于CNN的冬蟲夏草智能化分揀系統(tǒng)研究［J］.中藥材，2018，41（5）：1077＼|1082.

［7］&nbA+ri6R6jVOSWrSVGNpiQY4UMW3iX7GrbvcAm5yuBVl8=sp;劉思岐，馮國紅，唐潔，等.中紅外光譜結(jié)合CA＼|SDP＼|DenseNet的木材種類識別研究［J］.SpectroscopyandSpectralAnalysis，2023，43：814＼|822.

［8］李翠玲，李余康，譚昊然，等.基于K＼|means聚類和RF算法的葡萄霜霉病檢測分級方法［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2022，53（5）：225＼|236，324.

［9］帖軍，隆娟娟，鄭祿，等.基于_{an+9KdJjI+8TTu0UPsOxhDm1h+kXx5Qd9r6N0iEuCDM=}SK＼|EfficientNet的番茄葉片病害識別模型［J］.廣西師范大學(xué)學(xué)報(bào)（自然科學(xué)版），2022，40（4）：104＼|114.

［10］馬超偉，張浩，馬新明，等.基于改進(jìn)YOLOv8的輕量化小麥病害檢測方法［J］.農(nóng)業(yè)工程學(xué)報(bào)，2024，40（5）：187＼|195.

［11］郭嘉璇，王蓉芳，南江華，等.融入全局相應(yīng)歸一化注意力機(jī)制的YOLOv5農(nóng)作物害蟲識別模型［J］.農(nóng)業(yè)工程學(xué)報(bào)，2024，40（8）：159＼|170.

［12］張瑤，陳姚節(jié).改進(jìn)YOLOv8的水面小目標(biāo)檢測算法［J］.計(jì)算機(jī)系統(tǒng)應(yīng)用，2024，33（4）：152＼|161.

［13］DONGXH，LISX，ZHANGJX.YOLOV5sobjectdetectionbasedonSimSPPFhybridpooling［J］.Optoelectronicsletters，2024，20（6）：367＼|371.

［14］鄭昌艷，梅衛(wèi)，王剛.基于深度卷積神經(jīng)網(wǎng)絡(luò)的蛇形機(jī)動航跡圖像識別［J］.火力與指揮控制，2016，41（5）：66＼|70.

［15］張林鍹，巴音塔娜，曾慶松.基于StyleGAN2＼|ADA和改進(jìn)YOLOv7的葡萄葉片早期病害檢測方法［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2024，55（1）：241＼|252.

［16］王相友，李晏興，楊振宇，等.基于改進(jìn)YOLOv4模型的馬鈴薯中土塊石塊檢測方法［J］.農(nóng)業(yè)機(jī)械學(xué)報(bào)，2021，52（8）：241＼|247，262.

作者簡介：

趙哲（1999＼|），男，本科生。研究領(lǐng)域：深度學(xué)習(xí)。

燕振剛（1978＼|），男，博士，教授。研究領(lǐng)域：農(nóng)業(yè)信息化。

陳蕾（1982＼|），女，碩士，副教授。研究領(lǐng)域：農(nóng)業(yè)信息化。