摘 要：深度学习模型在图像识别领域的快速发展，使得它依赖大规模数据的特性愈发明显。而民族药由于生长环境、生长周期等因素影响使得民族药图像数据采集困难，样本量过少。如何在样本量过少的情况下使用深度学习模型对民族药植物图像进行识别是目前亟须解决的重点难题。文章着眼于深度学习模型，详细讨论了几种民族药植物图像识别领域的小样本学习方法，包括基于数据增强的方法、基于迁移学习的方法和基于注意力机制的方法，同时根据所研究的藏药数据集进行实验和对比分析，总结阐述了现有方法在解决小样本民族药植物图像识别时的性能优劣。最后对小样本民族药植物图像识别领域存在的问题进行总结，并对未来发展方向进行展望。
关键词：深度学习；小样本图像识别；数据增强；迁移学习；注意力机制
DOI:10.19850/j.cnki.2096-4706.2023.04.021
基金项目：国家重点研发计划项目（2019YFC1712301）；江西中医药大学校级科技创新团队发展计划（CXTD22015）
中图分类号：TP391.4；TP18 文献标识码：A 文章编号：2096-4706（2023）04-0081-06
A Survey on Image Recognition of Small-Sample Ethnomedicine Plants
YE Qing1, FENG Zhenqian1, ZHU Yanchen1, FANG Hua 2
(1.Jiangxi University of Chinese Medicine, Nanchang 330004, China; 2.Educational Technology and Instructional Resource Center of Nanchang University, Nanchang 330031, China)
Abstract: The rapid development of deep learning models in the field of image recognition makes it more and more obvious that they rely on large-scale data. However, due to factors such as the growth environment and growth cycle of ethnomedicine, it is hard to collect image data of ethnomedicine, and the sample size is too tiny. How to use the deep learning model to recognize the images of ethnomedicine plants when the sample size is too tiny is a key problem that needs to be resolved urgently. Focusing on deep learning models, this paper discusses in detail several small-sample learning methods in the field of ethnomedicine plants image recognition, including methods based on data augmentation, methods based on transfer learning, and methods based on attention mechanisms. At the same time, according to the studied Tibetan medicine data set, it performs experiments and comparative analysis to summarize and expound the performance of the existing methods in solving the image recognition of small-sample of ethnomedicine plants. Finally, the existing problems in the field of image recognition of small-sample ethnomedicine plants are summarized and the future development direction is proposed.
Keywords: deep learning; small-sample image recognition; data augmentation; transfer learning; attention mechanism
参考文献：
[1] 徐季轩，马晓静，陈泓颖，等 . 我国主要少数民族医药防治缺血性心脏病研究概述 [J]. 中国实验方剂学杂志，2022，28（17）：235-247.
[2] 胡睿 . 多项临床观察研究数据显示：民族药在新冠肺炎治疗上疗效初显 [N]. 医药经济报，2020-06-15（45）.
[3] 黄先菊，敖舟，佟海英，等 . 新型冠状病毒肺炎的少数民族医药辨证治疗方案现状初析 [J]. 中南民族大学学报：自然科学版，2020，39（2）：139-144.
[4] 曾辉，沈红岩，张宝文，等 . 图像识别算法在中草药鉴别中的应用 [J]. 河北农业科学，2018，22（2）：100-101.
[5] 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.
[6] 龚丁禧，曹长荣 . 基于卷积神经网络的植物叶片分类 [J].计算机与现代化，2014（4）：12-15+19.
[7] 包芮之，万德光，裴瑾，等 .《中国药典》中药材基原和药用部位的变化规律研究 [J]. 中草药，2020，51（17）：4568-4575.
[8] 王艳，孙薇，周小平 . 基于深度学习的中草药植物图像识别方法研究 [J]. 中医药信息，2020，37（6）：21-25.
[9] 宋益盛，林志杰 . 基于迁移学习和数据增强技术的物种识别 [J]. 现代计算机，2019（14）：57-63.
[10] 周婷，杜建强，朱彦陈，等 . 基于改进 ResNet 的藏药植物图像分类算法研究 [J]. 电子技术与软件工程，2022（3）：164-169.
[11] 宋闯，赵佳佳，王康，等 . 面向智能感知的小样本学习研究综述 [J]. 航空学报，2020，41（S1）：15-28.
[12] 王泽深，杨云，向鸿鑫，等 . 零样本学习综述 [J]. 计算机工程与应用，2021，57（19）：1-17.
[13] 黄彦乾，迟冬祥，徐玲玲 . 面向小样本学习的嵌入学习方法研究综述 [J]. 计算机工程与应用，2022，58（3）：34-49.
[14] 田霞 . 基于元学习的少样本图像分类方法研究 [D]. 成都：电子科技大学，2019.
[15] 赵凯琳，靳小龙，王元卓 . 小样本学习研究综述 [J]. 软件学报，2021，32（2）：349-369.
[16] 葛轶洲，刘恒，王言，等 . 小样本困境下的深度学习图像识别综述 [J]. 软件学报，2022，33（1）：193-210.
[17] 黄方亮，俞磊，沈同平，等 . 基于 AlexNet 深度学习模型的中草药植物图像分类研究与实现 [J]. 齐鲁工业大学学报，2020，34（2）：44-49.
[18] 吴冲，谭超群，黄永亮，等 . 基于深度学习算法的川贝母、山楂及半夏饮片的智能鉴别 [J]. 中国实验方剂学杂志，2020，26（21）：195-201.
[19] 岳欣华，邓彩霞，张兆茹 .BP 神经网络与形态学融合的边缘检测算法 [J]. 哈尔滨理工大学学报，2021，26（5）：83-90.
[20] 郭永坤，朱彦陈，刘莉萍，等 . 空频域图像增强方法研究综述 [J]. 计算机工程与应用，2022，58（11）：23-32.
[21] 黄鹏，郑淇，梁超.图像分割方法综述 [J].武汉大学学报：理学版，2020，66（6）：519-531.
[22] 张宝文，陶佳，李亮.中草药石楠叶片图像识别的研究 [J].河北农业科学，2018，22（1）：106-108.
[23] 李彦晖 . 拉曼光谱的深度卷积生成对抗网络分类方法及应用研究 [D]. 桂林：桂林电子科技大学，2020.
[24] 张澎，崔梦天，谢琪，等 . 基于深度卷积生成对抗网络的植物图像识别方法的研究 [J]. 西南民族大学学报：自然科学版，2019，45（2）：185-191.
[25] 蔡高勇 . 基于深度卷积生成对抗网络的小样本植物病害识别问题研究 [D]. 重庆：重庆大学，2019.
[26] 杨倩文，孙富春 . 基于泛化空间正则自动编码器的遥感图像识别 [J]. 清华大学学报：自然科学版，2018，58（2）：113-121.
[27] 王雪 . 基于堆栈自动编码器的植物叶片图像分类研究[D]. 南昌：南昌大学，2019.
[28] 胡继礼，王永康，阚红星 . 基于深度迁移学习的中药饮片识别研究 [J]. 新乡学院学报，2019，36（3）：62-67.
[29] 刘嘉政 . 基于深度迁移学习模型的花卉种类识别 [J]. 江苏农业科学，2019，47（20）：231-236.
[30] 郑一力，张露 . 基于迁移学习的卷积神经网络植物叶片图像识别方法 [J]. 农业机械学报，2018，49（S1）：354-359.
[31] 苏婷婷 . 基于迁移学习的农作物叶部病害图像识别的研究 [D]. 泰安：山东农业大学，2020
[32] 陈雷，袁媛 . 基于深度迁移学习的农业病害图像识别 [J].数据与计算发展前沿，2020，2（2）：111-119.
[33] 王彬 . 基于度量学习的植物叶片小样本学习分类方法研究 [D]. 北京：北京林业大学，2020.
[34] 王一丁，郝晨宇，李耀利，等 . 基于深度学习的小样本中药材粉末显微图像识别 [J]. 计算机应用，2020，40（5）：1301-1308.
[35] 李雅婷 . 基于残差网络的植物分类识别方法研究与实现[D]. 呼和浩特：内蒙古大学，2021.
[36] 刘琳琳，叶强，何灵敏 . 基于 SENet 多路网络的乳腺癌转移检测 [J]. 计算机工程与应用，2021，57（16）：190-196.
[37] 姚毅 . 基于细粒度的中药材粉末显微图像识别研究 [D].北京：北方工业大学，2022.
[38] 韩坤明 . 位置和通道注意力机制的图像分割模型研究[D]. 哈尔滨：哈尔滨工程大学，2021.
[39] 文莉莉，孙苗，邬满 . 基于注意力机制和 Faster R-CNN深度学习的海洋目标识别模型 [J].大连海洋大学学报，2021，36（5）：859-865.
[40] 毛志荣，都云程，肖诗斌，等 . 基于 ECA-Net 与多尺度结合的细粒度图像分类方法 [J]. 计算机应用研究，2021，38（11）：3484-3488.
作者简介：叶青（1968—），女，汉族，江西南昌人，教授，硕士，研究方向：数据挖掘，中医药信息学；冯振乾（1997—），男，汉族，河南新乡人，硕士研究生在读，研究方向：图像处理；通讯作者：朱彦陈（1980—），男，汉族，江西南昌人，副教授，硕士，研究方向：图像处理；方桦（1967—），男，汉族，江西南昌人，副教授，硕士，研究方向：计算机应用。