相关实验视频
Updated: Sep 13, 2025

13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
9.4K
Herbify:一个集体深度学习框架,集成卷积神经网络和视觉转换器,用于精确的草药识别.
Farhan Sheth1, Ishika Chatter1, Manvendra Jasra1
1Manipal University Jaipur, Jaipur, Rajasthan, 303007, India.
Plant methods
|July 27, 2025
概括
这项研究开发了一种人工智能驱动的计算机视觉系统,用于准确识别草药,达到99%以上的准确性. 该系统利用深度学习模型,为植物学和草药应用提供了可靠的工具.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 植物学 植物学
背景情况:
- 草药为合成药物提供了具有成本效益的,整体的替代品,但准确的识别仍然是一个挑战.
- 合成药物往往会产生不良副作用,并引起越来越多的负担能力问题.
- 对传统草药药物的重新兴趣需要可靠的识别方法.
研究的目的:
- 开发一个计算机视觉框架,用于准确和自动地识别草药.
- 为草药识别任务创建一个新的,高质量的数据集.
- 评估深度学习模型对草药分类的性能.
主要方法:
- 编制并完善了一个新的数据集 (Herbify),包括91个物种的6104张草本图像.
- 使用草药检测预处理算法 (PAHD) 标准化的数据.
- 员工通过卷积神经网络 (CNN) 和视觉转换器 (ViT) 在整体框架中转移学习.
主要成果:
- EfficientNet v2-Large获得了99.13%的F1得分.
- 一个组合模型 (EfficientL-ViTL) 结合了EfficientNet v2-Large和ViT-Large/16的组合,达到99.56%的F1得分.
- 开发了一个人工智能应用程序"Herbify",用于实际的草药识别.
结论:
- 拟议的人工智能系统为草药识别提供了一个高度准确和操作可行的解决方案.
- 这项研究表明了人工智能在植物学应用中的巨大潜力.
- 开发的框架解决了自动化草药识别的关键挑战.

