小樣本民族藥植物圖像識別綜述

葉青 馮振乾 朱彥陳 方樺

摘? 要：深度學習模型在圖像識別領域的快速發展，使得它依賴大規模數據的特性愈發明顯。而民族藥由于生長環境、生長周期等因素影響使得民族藥圖像數據采集困難，樣本量過少。如何在樣本量過少的情況下使用深度學習模型對民族藥植物圖像進行識別是目前亟須解決的重點難題。文章著眼于深度學習模型，詳細討論了幾種民族藥植物圖像識別領域的小樣本學習方法，包括基于數據增強的方法、基于遷移學習的方法和基于注意力機制的方法，同時根據所研究的藏藥數據集進行實驗和對比分析，總結闡述了現有方法在解決小樣本民族藥植物圖像識別時的性能優劣。最后對小樣本民族藥植物圖像識別領域存在的問題進行總結，并對未來發展方向進行展望。

關鍵詞：深度學習；小樣本圖像識別；數據增強；遷移學習；注意力機制

中圖分類號：TP391.4；TP18? 文獻標識碼：A? 文章編號：2096-4706（2023）04-0081-06

A Survey on Image Recognition of Small-Sample Ethnomedicine Plants

YE Qing1， FENG Zhenqian1， ZHU Yanchen1， FANG Hua2

（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

0? 引? 言

民族藥是我國傳統中醫藥重要的組成部分，是少數民族經過長期實踐、逐漸摸索出來的一種農業與日常生活相結合的中國特色傳統醫藥學，為少數民族的衛生健康保障做出了巨大貢獻，民族藥在治療某些疾病方面具有顯著優勢，如徐季軒[1]在關于缺血性心臟病的研究中提到蒙藥阿古特-其其格能夠治療ISO誘導的心肌結構紊亂。在新冠疫情的防治過程中，民族藥發揮了獨特的顯著優勢[2]，大大提高了病人的治愈率[3]。然而，市場上民族藥的質量良莠不齊，人們由于專業知識、客觀因素的限制，對于民族藥的辨識能力不足，誤用民族藥可能會產生不良后果。因此，對于民族藥的有效識別的研究迫在眉睫。

在國內外現有的研究資料中，大多為民族藥功效及用法研究，對于民族藥植物圖像的研究相對較少。本文整理現有的民族藥植物圖像識別技術并提出目前這一領域主要面對的難題是樣本量過少引起的過擬合問題。為了更好理解小樣本民族藥植物圖像識別的研究現狀，本文從深度學習入手，總結梳理了民族藥植物圖像識別的小樣本學習常用技術，以期望能為接下來民族藥植物圖像識別研究提供新的思路。

1? 民族藥植物圖像識別

1.1? 民族藥植物圖像識別

民族藥植物圖像識別是指采用計算機視覺相關技術，將民族藥植物圖像進行識別分類。按照識別過程的不同，主要分為傳統識別算法和深度學習識別算法兩大類。

傳統識別算法的一般步驟為：圖像預處理、特征提取和特征分類，其中最主要的部分為特征提取和特征分類。傳統的民族藥圖像識別算法中將特征提取與特征分類分開進行，研究人員在特征提取階段手工設計特征提取分類器，主要提取民族藥的形狀紋理和顏色特征，然后對提取的底層特征使用機器學習算法進行特征分類。如曾輝[4]在對麻黃、木通等民族藥識別時，通過提取顏色特征和紋理特征，輔以改進的K近鄰法進行識別分類。王耐[5]通過使用HSV顏色特征、幾何不變矩和灰度共生矩進行特征融合，融合后的特征以BP神經網絡作為分類器較好地完成了牛膝和川牛膝的分類。然而傳統的民族藥圖像識別算法在特征提取中針對簡單特征效果較好，稍微復雜的特征效果差強人意，使用手工設計特征提取主觀性較大[6]，不具有普適性。因此，現階段研究人員更加關注深度學習識別算法的研究。

深度學習識別算法使用特征提取網絡自動提取圖像特征，通過一層一層的特征組合、抽象，形成高級語義特征，減少了特征提取時人為因素的干擾，客觀性較強，準確率更高。深度學習民族藥植物圖像識別的一般步驟為：圖像預處理、神經網絡訓練、保存模型和測試集測試。深度學習在神經網絡訓練中將特征提取與特征分類融為一體，減少了特征選擇和特征處理的過程，更具有客觀性。然而深度學習仍存在一些不足，如深度學習的模型訓練需要大量的樣本數據，在民族藥植物圖像識別研究中，難以獲取足量的訓練數據，導致模型過擬合。因此，樣本量過少是目前民族藥植物圖像識別亟須解決的難題。

1.2? 民族藥植物圖像識別小樣本問題

民族藥植物圖像識別研究中存在許多難題，包括多基原[7]、復雜背景[8]、樣本量過少[9]和樣本不均衡[10]等問題，其中最主要的難題是樣本量過少的問題。民族藥由于生長周期短，生長環境惡劣，分布地域狹窄且少有人罕至，導致民族藥植物圖像采集困難，樣本量比較少，對少量民族藥植物圖像進行機器學習的問題稱為小樣本問題。小樣本問題在圖像識別中又被稱為小樣本學習[11]，主要分為三類：零樣本學習[12]、單樣本學習[13]和少樣本學習[14]。民族藥植物圖像數據集中包含有許多不同屬的植物圖像，每個屬中又包含不同的種類，每個種類的植物圖像不到20張，在進行模型訓練時，極易因樣本量過少產生過擬合。因此，民族藥植物圖像識別是一個典型的小樣本問題。

1.3? 民族藥植物圖像識別小樣本學習方法

在現實場景中由于各種因素的限制無法進行大規模數據的獲取，針對這一問題產生的小樣本學習引發研究者的關注，許多研究人員提出各種技術來緩解小樣本帶來的困擾。在自然語言處理領域，趙凱琳[15]將解決小樣本問題的方法分為模型微調、數據增強和遷移學習三種。在圖像識別領域，葛軼洲[16]提出數據增強、遷移學習和元學習的少量標注圖像樣本學習方法。

根據現主流的深度學習框架下民族藥植物圖像識別小樣本問題的研究，大致可以分為三種方法：基于數據增強的方法、基于遷移學習的方法和基于注意力機制的方法。在基于數據增強的方法中，分為圖像基本處理技術、生成對抗網絡和自動編碼器的數據增強方法。在基于遷移學習的方法中，根據遷移的方式分為參數遷移、實例遷移和度量學習3種。本文在第2節中對上述三類方法的主要思想進行具體闡述，并通過一些代表性案例來說明上述技術在民族藥植物圖像識別上的應用。

2? 基于深度學習的方法

2.1? 基于數據增強的方法

數據增強又稱為數據增廣。數據增強是一種比較常見數據擴充方法。基于數據增強的方法是根據現有的數據集，在不另外收集更多樣本數據的條件下，使用一定的操作產生更多的樣本數據。數據增強不僅能夠使樣本數據量增加，而且能夠對樣本數據的特征進行“增強”。增強后的樣本數據能夠很好地緩解原始數據集中訓練樣本不足的問題。

數據增強技術大致上可以分為三類，第一種是圖像基本處理技術的數據增強，第二種是基于生成對抗網絡的數據增強，第三種是基于自編碼器的數據增強。

2.1.1? 圖像基本處理技術的數據增強

圖像基本處理技術的數據增強方法通過簡單的空間變換和顏色變換，將原始圖像的像素信息映射到新的圖像中。深度學習方法常常會在圖像預處理階段使用此種方法對原始數據集進行數據擴充。常見的圖像基本處理技術有：平移、鏡像、縮放、旋轉、裁剪和灰度化等。例如，黃方亮[17]在小樣本中草藥圖像數據集上進行水平鏡像、旋轉添加噪聲等操作，能夠較好地滿足卷積神經網絡對數據的需求。吳沖[18]使用深度學習模型，通過對川貝母，山楂和半夏飲片圖像裁剪，擴大了數據集的規模，然后對圖像進行歸一化，提高了特征的提取精度，有效地避免了模型過擬合。

除了上述圖像基本處理技術之外，還有形態學變換技術[19]、圖像增強[20]和圖像分割[21]等數據增強方法，但這些方法在民族藥植物圖像識別中使用較少。由于民族藥植物圖像的復雜性，形態學變換技術和圖像增強對民族藥植物圖像的處理效果較差。圖像分割作為圖像處理技術中的一種重要手段，已有許多研究者對圖像分割的方式進行改進。常見的圖像分割算法對某一種植物葉片分割效果較好，如張寶文[22]對石楠葉片進行圖像分割，成功將葉片與背景分離。對于相對復雜的民族藥植物圖像，已有的圖像分割算法未能將藏藥紫斑百合藥材主體與背景分離。

2.1.2? 基于生成對抗網絡的數據增強方法

生成對抗網絡是現階段深度學習進行數據增強的主要方式之一。生成對抗網絡提出的初衷是生成一些原本不存在于真實世界的數據。生成對抗網絡應用在數據增強任務上的思想是通過生成新的訓練數據來擴充模型的訓練樣本，利用樣本空間的擴充來實現圖像分類準確率的提升。生成對抗網絡由生成器和鑒別器兩部分構成，生成器負責生成一些新的數據去欺騙鑒別器，鑒別器的目的是判別真實數據和生成數據，通過不斷地進行對抗訓練，最終達到一種納什均衡的狀態，實現數據的增強。

李彥暉[23]在藥品鑒定中使生成對抗網絡擴充拉曼光譜數據集，有效的生成高質量的數據，滿足深度學習模型對數據的需求。張澎[24]利用深度卷積生成對抗網絡實現了植物圖像數據的擴充，使用卷積神經網絡對擴充后的樣本圖像提取特征，證明了生成對抗網絡能夠有效地解決植物圖像因數據不足出現的過擬合問題。蔡高勇[25]使用深度卷積生成對抗網絡對小樣本柑橘的病斑數據集進行樣本擴充，發現擴充后圖像在樣本的相似性，多樣性，清晰度等方面明顯優于圖像基本處理技術的擴充。

本文使用生成對抗網絡對中藥月季花數據集進行擴充，如圖1所示，為6 000輪訓練后的結果，對于相對簡單的圖像可以生成對應的偽圖像，對于相對復雜的生成效果較差。生成對抗網絡生成偽圖像，其圖像質量與時間成本正相關。因此，在本文第3節紅景天識別實驗時不做考慮。

2.1.3? 基于自編碼器的數據增強方法

自編碼器可以在數據執行特征空間中對樣本進行擴充。自編碼器是一種三層的前饋神經網絡。自編碼器與神經網絡不同的地方在于：自編碼器加入了編碼和解碼兩部分，其中編碼的部分由輸入層和隱含層構成，解碼的部分由隱含層和輸出層構成，輸入的工作原理是，編碼器將圖像映射成低維向量表示，網絡的解碼器，可以將這些向量重建回原始圖像大小。這種編碼表示可用于特征空間的擴展。

楊倩文[26]證明了過擬合問題可以等價于不適定問題，通過引入正則化的思想，提出了正則化自動編碼器算法，令數據的均值、方差等逐漸逼近數據分布的真實期望值，有效地避免了小樣本模型的過擬合。王雪[27]通過構建了一種堆棧自動編碼器及其優化結構，有效地提高了植物葉片的分類精度，很好地解決了模型過擬合的問題。

2.2? 基于遷移學習的方法

遷移學習的提出為植物圖像識別提供了新的思路和方法，它在很大程度上緩解了植物圖像識別中的小樣本問題。在傳統的機器學習中，需要滿足兩種基本假設：

（1）訓練樣本與測試樣本需要滿足獨立同分布。

（2）需要有足夠多的樣本數據來訓練一個好的模型。由于民族藥植物圖像數據集中，沒有充足的訓練樣本去學習深度學習模型，容易使模型陷入過擬合。遷移學習的提出很好地解決了這個問題。遷移學習的主要思想是根據目標域與源域的相關性，利用源域中學習到的知識幫助目標域完成學習任務。

根據遷移學習方式的不同，本文將遷移學習分為基于參數遷移的方式、基于實例遷移的方式和基于度量學習的方式三種。

2.2.1? 基于參數遷移的方式

基于參數遷移的方法的主要思想是假設源域與目標域的某些參數是可以共享的，通過對共享的參數進行遷移解決目標任務。參數遷移主要分為兩種：一種是微調，一種是特征遷移。具體內容是：

（1）微調。在大型公有數據集中預訓練深度學習模型，模型的前幾層參數保持不變，對部分層的參數重新訓練，使新得到的模型能夠適合目標數據集。胡繼禮[28]對中藥飲片使用深度遷移理論，在Inception-v3上使用微調操作，證明了微調后的網絡識別效果明顯提高，且最佳模型在部分效果優于人工組。

（2）特征遷移。將預訓練得到的模型最后一層去掉作為特征提取器，去提取目標數據集中的特征，通過提取的特征訓練分類器進行分類。

劉嘉政[29]在對常見花卉種類識別研究中將原來的Inception-v3模型去除最后的分類器，只是將原有的自動特征提取能力遷移過來，通過加上新的分類器有效地實現了準確率的提高。鄭一力[30]等通過將預訓練得到的模型去掉最后的全連接層，作為特征提取器遷移到植物葉片圖像數據集上進行特征提取，然后將提取到的特征向量放入分類器中進行識別。結果表明模型可以快速收斂且識別效果較好

2.2.2? 基于實例遷移的方式

在進行遷移學習時，源域中的數據與目標域中的數據會有不同，通過某種相似度匹配原則，選取源域中與目標域數據相似度較高的數據作為輔助數據，將輔助數據遷移至目標域中幫助模型訓練，從而解決數據量不足的問題。在進行訓練時，會不斷更新輔助數據的訓練權重，輔助數據的相似性越高，越有利于目標域數據的訓練，權重也會提升，反之，權重會被降低。

蘇婷婷[31]提出一種改進的TrAdaBoost模型用于農作物病害圖像的識別，使用基于K近鄰分類算法優化源域中的數據形成輔助數據，采用TrAdaBoost的思想調整輔助數據和目標域數據的權重，使得農作物病害圖像的識別效果更優。陳雷[32]提出一種改進的實例遷移方法，對比傳統的SVM和TrAdaBoost兩種方法在準確率上有了明顯的提升，證明了在小規模中藥病害數據集上的適用性。

2.2.3? 基于度量學習的方式

利用神經網絡建立度量空間，將樣本圖像在像素層面上的差異作為距離差映射到度量空間中，使得相同類別的樣本在度量空間相接近，不同類別的樣本在度量空間彼此遠離，從而實現正確分類。遷移學習的關鍵之處在于找到目標問題的相似性，從相似性出發，將源域學到的知識遷移到目標域中，因此，度量學習可以認為是遷移學習的一種方式。王彬[33]使用雙路并行模型在神經網絡上搭建度量學習分類框架，通過對提取的特征進行訓練形成度量空間，在度量空間中對中藥銀杏等葉片進行識別，有效地解決了小樣本分類問題。

2.3? 基于注意力機制的方式

注意力機制是受人類視覺機制的啟發，利用人類大腦在有限的時間內從大量的信息中篩選出有價值的信息的機制，使神經網絡在訓練時更加關注圖像中利于判斷的部分信息，并忽略不相關的冗余信息。卷積神經網絡上的注意力機制主要關注通道注意力和空間注意力，通過兩者或兩者相結合的方式，實現不同的注意力模塊，這些注意力模塊不會改變輸出尺寸，并且可以靈活的插入到卷積神經網絡的各個部分，但這種方式往往會增加訓練參數，從而導致計算成本的增加。王一丁[34]在中藥材粉末顯微特征識別研究中采用通道注意力和空間注意力相結合的方式，實驗證明注意力機制能夠很好地實現中藥材多種類小樣本的分類識別。李雅婷[35]根據通道注意力和空間注意力提出一種弱監督學習的方式，與雙線性注意力池化進行結合，在小樣本草原藥用植物的識別上實現了96.8%的準確率，有效地解決了小樣本帶來了過擬合問題。常見的注意力機制如表1所示。

2.4? 民族藥植物圖像識別的小樣本學習優缺點對比

民族藥植物圖像識別小樣本學習的本質是民族藥圖像數據過少，在進行模型訓練時對圖像特征的表征能力表達不足，對特征空間的刻畫能力不足，從而導致模型在進行訓練時特征的組合數量不足而產生過擬合。即使研究人員提出的方案在一定程度上緩解了小樣本問題帶來的過擬合，但與實際生活中人類進行植物圖像識別的準確率還有一定的差距。民族藥植物圖像識別的小樣本學習方法與一般的小樣本學習方法具有一定的相似性，然而又因為民族藥植物圖片的特殊性又有所差別。

數據增強中的圖像基本處理技術的方法在一定程度上緩解了樣本數據量不足的缺陷，但是擴充后的樣本仍存在與原樣本相似度過大的問題，容易導致過擬合。基于生成對抗網絡和基于自編碼器的提出是從特征層面上來解決了樣本相似度過大的問題。生成對抗網絡采用對抗思想來學習接近真實數據分布的生成數據，但是，在訓練時并沒有一種較好地達到納什均衡的方法。自編碼器的核心是圖像的壓縮與解壓，在進行解壓后的圖像與原圖像還是會有一定的關鍵信息損失。

基于遷移學習的方法是通過預先學習到的知識輔助完成目標任務。一般而言，源域與目標域中的樣本相似度越高，遷移的效果就會越好。基于參數遷移的方式是植物圖像識別中應用最廣泛的，參數遷移操作簡單，效果較好，因此備受研究人員的青睞，實驗也證明了參數遷移的有效性。基于實例遷移的方式的前提是源域中的部分數據與目標域類似，在進行相似性度量原則的選擇時也依賴研究人員的經驗。基于度量學習的方式依賴于數據與源數據的相關性，只有相關性較強的數據才能進行很好的度量。以上三種遷移學習的方法都比較依賴源域數據與目標域數據的相關性。

注意力機制的方法是通過關注圖像重點區域實現少量樣本的識別，研究人員提出了不同的方法，這些方法可以作為一種模塊嵌套入神經網絡，然而嵌入位置的不同可能帶來提升效果的不同，需要研究人員不斷的嘗試如何達到最優。

3? 案例研究

本章節將上述梳理的民族藥植物圖像識別小樣本解決方法，在民族藥植物圖像數據集上進行實驗，驗證上述方法在小樣本民族藥植物圖像識別上的效果，并通過幾種方法的組合尋求效果最佳的方案，為后續的民族藥植物圖像識別研究提供了緩解小樣本問題的方案。

3.1? 數據集情況

本次實驗采用江西中醫藥大學民族藥資源數據庫和中國科學院植物研究所中的藏藥紅景天部分圖像數據。參考藏傳醫藥經典叢書《晶珠本草》中對紅景天的植株描述對圖像進行篩選，篩選后共得到1 598張圖片。其中，202張圖片來自江西中醫藥大學民族藥資源數據庫，中國科學院植物研究所保存圖片1 396張。根據模型訓練的需要，將數據集劃分為訓練集、測試集，兩者比例為8：2。

3.2? 實驗說明

本次實驗使用傳統圖像識別方法和深度學習方法分別對藏藥紅景天進行識別。傳統圖像識別方法采用方向梯度直方圖（HOG）進行特征提取，支持向量機（SVM）對提取的特征進行分類。深度學習方法采用ResNet50對紅景天進行識別。在本次實驗中數據增強為隨機裁剪、旋轉和灰度化三種方式的組合。遷移學習為ResNet50在公共數據上預訓練，然后遷移至藏藥紅景天數據集上進行微調。通過對數據增強，遷移學習和注意力機制對比實驗，實現藏藥紅景天的識別分類。

3.3? 實驗結果

對于藏藥紅景天數據集進行分類測試，利用圖像識別常用評價指標準確率（Accuracy）、召回率（Recall）、精確率（Precision）、特異性（Specificity）以及混淆矩陣對實驗結果進行評估。Precision表示預測結果為正的樣本中正確的比例；Recall表示原來樣本中，正樣本被正確識別的比例；Specificity表示樣本中的負樣本被預測正確的比例。

如表2所示，可以看出，實驗組（7）SE-resnet50+augment+trans相較于其他實驗組具有更好的分類效果，精準率為89.5%，召回率為90.1%。可以得出結論，在藏藥紅景天圖像識別上，多種技術組合識別效果明顯優于某一種技術的應用。

如圖2所示，為實驗組（7）SE-resnet50+augment+trans的混淆矩陣，對于花朵形狀和葉片形狀相差比較大能夠很好地識別，對于葉片形狀比較相似也會存在誤判。例如，云南紅景天和德欽紅景天葉片比較相似，葉片都為長圓狀卵形，因此在模型辨識時易誤判。四裂紅景天和云南紅景天葉片相差比較大，模型識別效果較好。

4? 結? 論

本文總結闡述了民族藥植物圖像識別領域存在的問題，并對民族藥植物圖像識別中傳統識別算法進行簡單概括，提出民族藥植物圖像識別的深度學習算法首要解決的問題是小樣本問題。著重介紹了基于深度學習的民族藥植物圖像識別小樣本學習的三種緩解方案，通過相關實驗驗證三種方案的有效性。

綜觀民族藥植物圖像識別領域，小樣本問題與深度學習需要大量樣本數據的矛盾最為突出，因此民族藥植物圖像識別的小樣本問題成為首要解決的問題，雖然相關研究取得了一定的進展，但是還有許多問題需要解決和突破：

（1）數據增強中生成對抗網絡或者自編碼器用于生成民族藥圖像耗費時間代價過大。通過生成特征圖像然后進行識別算法效率不高。大多數算法研究僅僅使用數據增強，并未著重考慮不同數據增強與算法融合時如何使整個過程達到最優。

（2）模型在進行遷移學習時對于部分層微調，然而需要微調幾層卷積未知，通過實驗確定最優耗費成本較大。

（3）小樣本問題在圖像識別領域已有許多優異的算法，不同的算法針對的識別數據類型不同，在民族藥的識別上這些優異的算法不一定適用。

本文總結現有的民族藥植物圖像識別中小樣本問題的相關技術，結合民族藥識別領域和現有小樣本學習技術存在的不足，對未來的發展方向提出展望：

（1）民族藥植物圖像識別的應用領域。現在對于民族藥的識別的研究主要還是單一種屬民族藥的圖像識別分類，多種屬民族藥植株混合在一起進行識別的研究還處于空白階段，特別是某一種民族藥的相近變種植株的識別，例如，藏藥紅景天種類多達70余種，現已知的藥用近20種，不同種屬的藥用功效也不同，因此，對不同種屬的準確識別十分有必要。

（2）數據集的建立。無論是民族藥植物圖像識別中的小樣本問題還是其他問題，都缺乏一種權威公開數據集。不同的文獻研究使用的數據集不一，在民族藥的識別研究中無法進行算法的橫向比較。因此，民族藥圖像識別還有很長的一段路要走。

（3）神經網絡可解釋性的研究。在民族藥植物圖像識別的小樣本問題相關研究中常使用神經網絡算法，然而神經網絡的可解釋性較差。對于神經網絡的透明性的相關研究可以促進研究者提出更加適用于小樣本問題的相關算法。

（4）增量學習的相關應用。民族藥植物圖像識別關鍵在于如何解決小樣本問題，一般小樣本問題的解決思路是向原始樣本數據中添加新的樣本數據，現有算法并未考慮到后期向原始樣本數據集中添加新的樣本數據的情況，增量學習的發展可以使小樣本問題得到改善。然而后期添加的數據可能會存在數據錯誤的情況。如何在增量學習中避免錯誤數據的干擾是未來需要攻克的難題之一。

參考文獻：

[1] 徐季軒，馬曉靜，陳泓穎，等.我國主要少數民族醫藥防治缺血性心臟病研究概述 [J].中國實驗方劑學雜志，2022，28（17）：235-247.

[2] 胡睿.多項臨床觀察研究數據顯示：民族藥在新冠肺炎治療上療效初顯 [N].醫藥經濟報，2020-06-15（45）.

[3] 黃先菊，敖舟，佟海英，等.新型冠狀病毒肺炎的少數民族醫藥辨證治療方案現狀初析 [J].中南民族大學學報：自然科學版，2020，39（2）：139-144.

[4] 曾輝，沈紅巖，張寶文，等.圖像識別算法在中草藥鑒別中的應用 [J].河北農業科學，2018，22（2）：100-101.

[5] 王耐，盧文彪，凌秀華，等.牛膝和川牛膝藥材的特征提取與圖像識別 [J].中國藥房，2017，28（12）：1670-1673.

[6] 龔丁禧，曹長榮.基于卷積神經網絡的植物葉片分類 [J].計算機與現代化，2014（4）：12-15+19.

[7] 包芮之，萬德光，裴瑾，等.《中國藥典》中藥材基原和藥用部位的變化規律研究 [J].中草藥，2020，51（17）：4568-4575.

[8] 王艷，孫薇，周小平.基于深度學習的中草藥植物圖像識別方法研究 [J].中醫藥信息，2020，37（6）：21-25.

[9] 宋益盛，林志杰.基于遷移學習和數據增強技術的物種識別 [J].現代計算機，2019（14）：57-63.

[10] 周婷，杜建強，朱彥陳，等.基于改進ResNet的藏藥植物圖像分類算法研究 [J].電子技術與軟件工程，2022（3）：164-169.

[11] 宋闖，趙佳佳，王康，等.面向智能感知的小樣本學習研究綜述 [J].航空學報，2020，41（S1）：15-28.

[12] 王澤深，楊云，向鴻鑫，等.零樣本學習綜述 [J].計算機工程與應用，2021，57（19）：1-17.

[13] 黃彥乾，遲冬祥，徐玲玲.面向小樣本學習的嵌入學習方法研究綜述 [J].計算機工程與應用，2022，58（3）：34-49.

[14] 田霞.基于元學習的少樣本圖像分類方法研究 [D].成都：電子科技大學，2019.

[15] 趙凱琳，靳小龍，王元卓.小樣本學習研究綜述 [J].軟件學報，2021，32（2）：349-369.

[16] 葛軼洲，劉恒，王言，等.小樣本困境下的深度學習圖像識別綜述 [J].軟件學報，2022，33（1）：193-210.

[17] 黃方亮，俞磊，沈同平，等.基于AlexNet深度學習模型的中草藥植物圖像分類研究與實現 [J].齊魯工業大學學報，2020，34（2）：44-49.

[18] 吳沖，譚超群，黃永亮，等.基于深度學習算法的川貝母、山楂及半夏飲片的智能鑒別 [J].中國實驗方劑學雜志，2020，26（21）：195-201.

[19] 岳欣華，鄧彩霞，張兆茹.BP神經網絡與形態學融合的邊緣檢測算法 [J].哈爾濱理工大學學報，2021，26（5）：83-90.

[20] 郭永坤，朱彥陳，劉莉萍，等.空頻域圖像增強方法研究綜述 [J].計算機工程與應用，2022，58（11）：23-32.

[21] 黃鵬，鄭淇，梁超.圖像分割方法綜述 [J].武漢大學學報：理學版，2020，66（6）：519-531.

[22] 張寶文，陶佳，李亮.中草藥石楠葉片圖像識別的研究 [J].河北農業科學，2018，22（1）：106-108.

[23] 李彥暉.拉曼光譜的深度卷積生成對抗網絡分類方法及應用研究 [D].桂林：桂林電子科技大學，2020.

[24] 張澎，崔夢天，謝琪，等.基于深度卷積生成對抗網絡的植物圖像識別方法的研究 [J].西南民族大學學報：自然科學版，2019，45（2）：185-191.

[25] 蔡高勇.基于深度卷積生成對抗網絡的小樣本植物病害識別問題研究 [D].重慶：重慶大學，2019.

[26] 楊倩文，孫富春.基于泛化空間正則自動編碼器的遙感圖像識別 [J].清華大學學報：自然科學版，2018，58（2）：113-121.

[27] 王雪.基于堆棧自動編碼器的植物葉片圖像分類研究 [D].南昌：南昌大學，2019.

[28] 胡繼禮，王永康，闞紅星.基于深度遷移學習的中藥飲片識別研究 [J].新鄉學院學報，2019，36（3）：62-67.

[29] 劉嘉政.基于深度遷移學習模型的花卉種類識別 [J].江蘇農業科學，2019，47（20）：231-236.

[30] 鄭一力，張露.基于遷移學習的卷積神經網絡植物葉片圖像識別方法 [J].農業機械學報，2018，49（S1）：354-359.

[31] 蘇婷婷.基于遷移學習的農作物葉部病害圖像識別的研究 [D].泰安：山東農業大學，2020

[32] 陳雷，袁媛.基于深度遷移學習的農業病害圖像識別 [J].數據與計算發展前沿，2020，2（2）：111-119.

[33] 王彬.基于度量學習的植物葉片小樣本學習分類方法研究 [D].北京：北京林業大學，2020.

[34] 王一丁，郝晨宇，李耀利，等.基于深度學習的小樣本中藥材粉末顯微圖像識別 [J].計算機應用，2020，40（5）：1301-1308.

[35] 李雅婷.基于殘差網絡的植物分類識別方法研究與實現 [D].呼和浩特：內蒙古大學，2021.

[36] 劉琳琳，葉強，何靈敏.基于SENet多路網絡的乳腺癌轉移檢測 [J].計算機工程與應用，2021，57（16）：190-196.

[37] 姚毅.基于細粒度的中藥材粉末顯微圖像識別研究 [D].北京：北方工業大學，2022.

[38] 韓坤明.位置和通道注意力機制的圖像分割模型研究 [D].哈爾濱：哈爾濱工程大學，2021.

[39] 文莉莉，孫苗，鄔滿.基于注意力機制和Faster R-CNN深度學習的海洋目標識別模型 [J].大連海洋大學學報，2021，36（5）：859-865.

[40] 毛志榮，都云程，肖詩斌，等.基于ECA-Net與多尺度結合的細粒度圖像分類方法 [J].計算機應用研究，2021，38（11）：3484-3488.

作者簡介：葉青（1968—），女，漢族，江西南昌人，教授，碩士，研究方向：數據挖掘，中醫藥信息學；馮振乾（1997—），男，漢族，河南新鄉人，碩士研究生在讀，研究方向：圖像處理；通訊作者：朱彥陳（1980—），男，漢族，江西南昌人，副教授，碩士，研究方向：圖像處理；方樺（1967—），男，漢族，江西南昌人，副教授，碩士，研究方向：計算機應用。

收稿日期：2022-10-03

基金項目：國家重點研發計劃項目（2019YFC1712301）；江西中醫藥大學校級科技創新團隊發展計劃（CXTD22015）