使用深度可分离的卷积神经网络识别药用植物部分
Misganaw Aguate Widneh1, Amlakie Aschale Alemu1
1Electrical and Computer Engineering, Gafat Institute of Technology, Debre Tabor University, Debre Tabor, Ethiopia.
PloS one
|May 7, 2025
概括
这项研究引入了一个深度可分离的卷积神经网络 (DWS-CNN),用于准确识别药用植物部件. 与标准卷积神经网络模型相比,DWS-CNN模型显著提高了识别准确度和速度.
科学领域:
- 制药科学 制药科学
- 计算机科学 计算机科学
- 植物学 植物学
背景情况:
- 在制药行业中,精确识别植物部位至关重要,以防止错误识别并确保正确的药用.
- 传统的植物识别方法通常很慢,需要专门的植物学知识.
- 自动识别系统可以提高制药应用中的效率和准确性.
研究的目的:
- 开发和评估一个深度可分离的卷积神经网络 (DWS-CNN),用于准确识别药用植物部分.
- 将拟议的DWS-CNN模型与标准卷积神经网络 (S-CNN) 模型的性能进行比较.
- 调查转移学习和预训练模型对药用植物识别准确性的影响.
主要方法:
- 建议使用深度可分离的卷积神经网络 (DWS-CNN) 来识别药用植物部件.
- 15,100种药用植物叶子的高分辨率图像被用于培训.
- 在DWS-CNN模型中,使用监督学习和转移学习技术进行训练.
- 性能与预先训练的S-CNN模型进行了比较,包括VGG16,ResNet-50和Inception V3.
主要成果:
- DWS-CNN模型在训练数据上达到99.84%,在测试数据上达到99.44%的高精度.
- 该车型还获得了99.44%的F1评分,证明了强大的分类性能.
- 与S-CNN模型相比,DWS-CNN显示出更高的准确性和更好的训练速度.
结论:
- 拟议的DWS-CNN模型为药用植物部分识别提供了一个高度准确和高效的解决方案.
- 集成深度可分离卷积和批量正常化有助于该模型的强大的分类性能.
- 这种方法有可能通过提高植物性药物开发的可靠性,使制药行业显著受益.
