开源软件名称：

中药图像识别系统

开源软件地址：

https://gitee.com/xiaohaoo/medicine-identification

开源软件介绍：

中药图片拍照识别系统-移动端+后端

项目说明

中药识别系统主要采用APP端拍照上传的方式，构建卷积神经网络（CNN）对图像进行识别，具有识别效率高，准确度高的特点。APP端的功能包括但不限于拍照识别、中药问答（付费咨询）、检索查询、中药性状以及功效查看、方剂智能推荐【开发中】等；本系统包含APP端以及服务器端。

版本说明 3.x

APP端使用Flutter重写界面，使用体验得到提升。
深度学习运行时框架采用ONNX Runtime。计算速度得到明显加快，同时深度学习框架依赖部署文件减小到40M。

项目介绍

本项目包含六个模块：

medicine-app：APP端
medicine-server：服务器端
medicine-crawler：爬虫工程
medicine-model：卷积神经网络
medicine-util：公用工具类
medicine-dataset：数据集

项目预览

项目运行展示
视频演示
APP下载地址

开发文档

阅读文档

技术简介

medicine-app APP端

Flutter开发

medicine-server服务器端工程
Gradle构建
SpringBoot框架,一键启动与部署
文档数据库：MongoDB
全文检索：Elasticsearch + IK分词器
数据库：MySQL
深度学习运行时架构：ONNX Runtime（ONNX Runtime is a cross-platform inference and training machine-learning accelerator）
medicine-crawler爬虫工程
爬虫主要用来爬取训练集以及中药的详细信息，包含但不限于：中药名称、中药形态、图片、别名、英文名、配伍药方、功效与作用、临床应用、产地分布、药用部位、性味归经、药理研究、主要成分、使用禁忌、采收加工、药材性状等信息。
爬虫框架：WebMagic（参考代码）
数据持久化：MongoDB
数据结构（简略展示）
- 中药一级分类信息
- 中药详细信息
medicine-model卷积神经网络工程

Language: Python
使用TensorFlow 深度学习框架，使用Keras会大幅缩减代码量
数据集

常用的卷积网络模型及在ImageNet上的准确率

模型	大小	Top-1准确率	Top-5准确率	参数数量	深度
Xception	88 MB	0.790	0.945	22,910,480	126
VGG16	528 MB	0.713	0.901	138,357,544	23
VGG19	549 MB	0.713	0.900	143,667,240	26
ResNet50	98 MB	0.749	0.921	25,636,712	168
ResNet101	171 MB	0.764	0.928	44,707,176	-
ResNet152	232 MB	0.766	0.931	60,419,944	-
ResNet50V2	98 MB	0.760	0.930	25,613,800	-
ResNet101V2	171 MB	0.772	0.938	44,675,560	-
ResNet152V2	232 MB	0.780	0.942	60,380,648	-
ResNeXt50	96 MB	0.777	0.938	25,097,128	-
ResNeXt101	170 MB	0.787	0.943	44,315,560	-
InceptionV3	92 MB	0.779	0.937	23,851,784	159
InceptionResNetV2	215 MB	0.803	0.953	55,873,736	572
MobileNet	16 MB	0.704	0.895	4,253,864	88
MobileNetV2	14 MB	0.713	0.901	3,538,984	88
DenseNet121	33 MB	0.750	0.923	8,062,504	121
DenseNet169	57 MB	0.762	0.932	14,307,880	169
DenseNet201	80 MB	0.773	0.936	20,242,984	201
NASNetMobile	23 MB	0.744	0.919	5,326,716	-
NASNetLarge	343 MB	0.825	0.960	88,949,818	-

由于硬件条件限制，综合考虑模型的准确率、大小以及复杂度等因素，采用了Xception模型，该模型是134层（包含激活层，批标准化层等）拓扑深度的卷积网络模型。

Xception函数定义：

def Xception(include_top=True,    weights='imagenet',    input_tensor=None,    input_shape=None,    pooling=None,    classes=1000,    **kwargs)  # 参数# include_top：是否保留顶层的全连接网络# weights：None代表随机初始化，即不加载预训练权重。'imagenet’代表加载预训练权重# input_tensor：可填入Keras tensor作为模型的图像输入tensor# input_shape：可选，仅当include_top=False有效，应为长为3的tuple，指明输入图片的shape，图片的宽高必须大于71，如(150,150,3)# pooling：当include_top=False时，该参数指定了池化方式。None代表不池化，最后一个卷积层的输出为4D张量。‘avg’代表全局平均池化，‘max’代表全局最大值池化。# classes：可选，图片分类的类别数，仅当include_top=True并且不加载预训练权重时可用

构建代码

基于Xception的模型微调,详细请参考代码

设置Xception参数

迁移学习参数权重加载：xception_weights

# 设置输入图像的宽高以及通道数img_size = (299, 299, 3)  base_model = keras.applications.xception.Xception(include_top=False,                                                weights='..\\resources\\keras-model\\xception_weights_tf_dim_ordering_tf_kernels_notop.h5',                                                input_shape=img_size,                                                pooling='avg')  # 全连接层，使用softmax激活函数计算概率值，分类大小是628model = keras.layers.Dense(628, activation='softmax', name='predictions')(base_model.output)model = keras.Model(base_model.input, model)  # 锁定卷积层for layer in base_model.layers:  layer.trainable = False

全连接层训练(v1.0)

from base_model import model # 设置训练集图片大小以及目录参数img_size = (299, 299)dataset_dir = '..\\dataset\\dataset'img_save_to_dir = 'resources\\image-traing\\'log_dir = 'resources\\train-log'  model_dir = 'resources\\keras-model\\' # 使用数据增强train_datagen = keras.preprocessing.image.ImageDataGenerator(    rescale=1. / 255,    shear_range=0.2,    width_shift_range=0.4,    height_shift_range=0.4,    rotation_range=90,    zoom_range=0.7,    horizontal_flip=True,    vertical_flip=True,    preprocessing_function=keras.applications.xception.preprocess_input)  test_datagen = keras.preprocessing.image.ImageDataGenerator(    preprocessing_function=keras.applications.xception.preprocess_input)  train_generator = train_datagen.flow_from_directory(    dataset_dir,    save_to_dir=img_save_to_dir,    target_size=img_size,    class_mode='categorical')  validation_generator = test_datagen.flow_from_directory(    dataset_dir,    save_to_dir=img_save_to_dir,    target_size=img_size,    class_mode='categorical')  # 早停法以及动态学习率设置early_stop = EarlyStopping(monitor='val_loss', patience=13)reduce_lr = ReduceLROnPlateau(monitor='val_loss', patience=7, mode='auto', factor=0.2)tensorboard = keras.callbacks.tensorboard_v2.TensorBoard(log_dir=log_dir)  for layer in model.layers:    layer.trainable = False # 模型编译model.compile(optimizer='rmsprop', loss='categorical_crossentropy', metrics=['accuracy'])  history = model.fit_generator(train_generator,                              steps_per_epoch=train_generator.samples // train_generator.batch_size,                              epochs=100,                              validation_data=validation_generator,                              validation_steps=validation_generator.samples // validation_generator.batch_size,                              callbacks=[early_stop, reduce_lr, tensorboard])# 模型导出model.save(model_dir + 'chinese_medicine_model_v1.0.h5')

对于顶部的6层卷积层，我们使用数据集对权重参数进行微调

 # 加载模型 model=keras.models.load_model('resources\\keras-model\\chinese_medicine_model_v2.0.h5')    for layer in model.layers:    layer.trainable = False for layer in model.layers[126:132]:    layer.trainable = True   history = model.fit_generator(train_generator,                               steps_per_epoch=train_generator.samples // train_generator.batch_size,                               epochs=100,                               validation_data=validation_generator,                               validation_steps=validation_generator.samples // validation_generator.batch_size,                               callbacks=[early_stop, reduce_lr, tensorboard]) model.save(model_dir + 'chinese_medicine_model_v2.0.h5')