小样本民族药植物图像识别综述_叶青.pdf

2023 年 2 月 25 日第 7 卷第 4 期现代信息科技Modern Information Technology Feb.2023 Vol.7 No.481812023.022023.02收稿日期：2022-10-03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）小样本民族药植物图像识别综述叶青1，冯振乾1，朱彦陈1，方桦2（1.江西中医药大学，江西 南昌 330004；2.南昌大学教育技术与教学资源中心，江西 南昌 330031）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；注意力机制中图分类号：TP391.4；TP18 文献标识码：A 文章编号：2096-4706（2023）04-0081-06A Survey on Image Recognition of Small-Sample Ethnomedicine PlantsYE 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 mechanism0 引 言民族药是我国传统中医药重要的组成部分，是少数民族经过长期实践、逐渐摸索出来的一种农业与日常生活相结合的中国特色传统医药学，为少数民族的卫生健康保障做出了巨大贡献，民族药在治疗某些疾病方面具有显著优势，如徐季轩1在关于缺血性心脏病的研究中提到蒙药阿古特-其其格能够治疗 ISO 诱导的心肌结构紊乱。在新冠疫情的防治过程中，民族药发挥了独特的显著优势2，大大提高了病人的治愈率3。然而，市场上民族药的质量良莠不齐，人们由于专业知识、客观因素的限制，对于民族药的辨识能力不足，误用民族药可能会产生不良后果。因此，对于民族药的有效识别的研究迫在眉睫。DOI:10.19850/ki.2096-4706.2023.04.021在国内外现有的研究资料中，大多为民族药功效及用法研究，对于民族药植物图像的研究相对较少。本文整理现有的民族药植物图像识别技术并提出目前这一领域主要面对的难题是样本量过少引起的过拟合问题。为了更好理解小样本民族药植物图像识别的研究现状，本文从深度学习入手，总结梳理了民族药植物图像识别的小样本学习常用技术，以期望能为接下来民族药植物图像识别研究提供新的思路。1 民族药植物图像识别1.1 民族药植物图像识别民族药植物图像识别是指采用计算机视觉相关技术，将民族药植物图像进行识别分类。按照识别过程的不同，主要分为传统识别算法和深度学习识别算法两大类。传统识别算法的一般步骤为：图像预处理、特征提取和特征分类，其中最主要的部分为特征提取和特征分类。传统的民族药图像识别算法中将特征提取与特征分类分开进行，研究人员在特征提取阶段手工设计特征提取分类器，主要提取民族药的形状纹理和颜色特征，然后对提取的底层特征使82822023.022023.02第 4 期现代信息科技用机器学习算法进行特征分类。如曾辉4在对麻黄、木通等民族药识别时，通过提取颜色特征和纹理特征，辅以改进的K 近邻法进行识别分类。王耐5通过使用 HSV 颜色特征、几何不变矩和灰度共生矩进行特征融合，融合后的特征以BP神经网络作为分类器较好地完成了牛膝和川牛膝的分类。然而传统的民族药图像识别算法在特征提取中针对简单特征效果较好，稍微复杂的特征效果差强人意，使用手工设计特征提取主观性较大6，不具有普适性。因此，现阶段研究人员更加关注深度学习识别算法的研究。深度学习识别算法使用特征提取网络自动提取图像特征，通过一层一层的特征组合、抽象，形成高级语义特征，减少了特征提取时人为因素的干扰，客观性较强，准确率更高。深度学习民族药植物图像识别的一般步骤为：图像预处理、神经网络训练、保存模型和测试集测试。深度学习在神经网络训练中将特征提取与特征分类融为一体，减少了特征选择和特征处理的过程，更具有客观性。然而深度学习仍存在一些不足，如深度学习的模型训练需要大量的样本数据，在民族药植物图像识别研究中，难以获取足量的训练数据，导致模型过拟合。因此，样本量过少是目前民族药植物图像识别亟须解决的难题。1.2 民族药植物图像识别小样本问题民族药植物图像识别研究中存在许多难题，包括多基原7、复杂背景8、样本量过少9和样本不均衡10等问题，其中最主要的难题是样本量过少的问题。民族药由于生长周期短，生长环境恶劣，分布地域狭窄且少有人罕至，导致民族药植物图像采集困难，样本量比较少，对少量民族药植物图像进行机器学习的问题称为小样本问题。小样本问题在图像识别中又被称为小样本学习11，主要分为三类：零样本学习12、单样本学习13和少样本学习14。民族药植物图像数据集中包含有许多不同属的植物图像，每个属中又包含不同的种类，每个种类的植物图像不到 20 张，在进行模型训练时，极易因样本量过少产生过拟合。因此，民族药植物图像识别是一个典型的小样本问题。1.3 民族药植物图像识别小样本学习方法在现实场景中由于各种因素的限制无法进行大规模数据的获取，针对这一问题产生的小样本学习引发研究者的关注，许多研究人员提出各种技术来缓解小样本带来的困扰。在自然语言处理领域，赵凯琳15将解决小样本问题的方法分为模型微调、数据增强和迁移学习三种。在图像识别领域，葛轶洲16提出数据增强、迁移学习和元学习的少量标注图像样本学习方法。根据现主流的深度学习框架下民族药植物图像识别小样本问题的研究，大致可以分为三种方法：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。在基于数据增强的方法中，分为图像基本处理技术、生成对抗网络和自动编码器的数据增强方法。在基于迁移学习的方法中，根据迁移的方式分为参数迁移、实例迁移和度量学习 3 种。本文在第 2 节中对上述三类方法的主要思想进行具体阐述，并通过一些代表性案例来说明上述技术在民族药植物图像识别上的应用。2 基于深度学习的方法2.1 基于数据增强的方法数据增强又称为数据增广。数据增强是一种比较常见数据扩充方法。基于数据增强的方法是根据现有的数据集，在不另外收集更多样本数据的条件下，使用一定的操作产生更多的样本数据。数据增强不仅能够使样本数据量增加，而且能够对样本数据的特征进行“增强”。增强后的样本数据能够很好地缓解原始数据集中训练样本不足的问题。数据增强技术大致上可以分为三类，第一种是图像基本处理技术的数据增强，第二种是基于生成对抗网络的数据增强，第三种是基于自编码器的数据增强。2.1.1 图像基本处理技术的数据增强图像基本处理技术的数据增强方法通过简单的空间变换和颜色变换，将原始图像的像素信息映射到新的图像中。深度学习方法常常会在图像预处理阶段使用此种方法对原始数据集进行数据扩充。常见的图像基本处理技术有：平移、镜像、缩放、旋转、裁剪和灰度化等。例如，黄方亮17在小样本中草药图像数据集上进行水平镜像、旋转添加噪声等操作，能够较好地满足卷积神经网络对数据的需求。吴冲18使用深度学习模型，通过对川贝母，山楂和半夏饮片图像裁剪，扩大了数据集的规模，然后对图像进行归一化，提高了特征的提取精度，有效地避免了模型过拟合。除了上述图像基本处理技术之外，还有形态学变换技术19、图像增强20和图像分割21等数据增强方法，但这些方法在民族药植物图像识别中使用较少。由于民族药植物图像的复杂性，形态学变换技术和图像增强对民族药植物图像的处理效果较差。图像分割作为图像处理技术中的一种重要手段，已有许多研究者对图像分割的方式进行改进。常见的图像分割算法对某一种植物叶片分割效果较好，如张宝文22对石楠叶片进行图像分割，成功将叶片与背景分离。对于相对复杂的民族药植物图像，已有的图像分割算法未能将藏药紫斑百合药材主体与背景分离。2.1.2 基于生成对抗网络的数据增强方法生成对抗网络是现阶段深度学习进行数据增强的主要方式之一。生成对抗网络提出的初衷是生成一些原本不存在于真实世界的数据。生成对抗网络应用在数据增强任务上的思想是通过生成新的训练数据来扩充模型的训练样本，利用样本空间的扩充来实现图像分类准确率的提升。生成对抗网络由生成器和鉴别器两部分构成，生成器负责生成一些新的数据去欺骗鉴别器，鉴别器的目的是判别真实数据和生成数据，通过不断地进行对抗训练，最终达到一种纳什均衡的状态，实现数据的增强。李彦晖23在药品鉴定中使生成对抗网络扩充拉曼光谱数据集，有效的生成高质量的数据，满足深度学习模型对数据的需求。张澎24利用深度卷积生成对抗网络实现了植物图像数据的扩充，使用卷积神经网络对扩充后的样本图像提取特征，证明了生成对抗网络能够有效地解决植物图像因数据不足出现的过拟合问题。蔡高勇25使用深度卷积生成对抗网络对小样本柑橘的病斑数据集进行样本扩充，发现扩充后图像在样本的相似性，多样性，清晰度等方面明显优于图83832023.022023.02第 4 期像基本处理技术的扩充。本文使用生成对抗网络对中药月季花数据集进行扩充，如图 1 所示，为 6 000 轮训练后的结果，对于相对简单的图像可以生成对应的伪图像，对于相对复杂的生成效果较差。生成对抗网络生成伪图像，其图像质量与时间成本正相关。因此，在本文第 3 节红景天识别实验时不做考虑。2.1.3 基于自编码器的数据增强方法自编码器可以在数据执行特征空间中对样本进行扩充。自编码器是一种三层的前馈神经网络。自编码器与神经网络不同的地方在于：自编码器加入了编码和解码两部分，其中编码的部分由输入层和隐含层构成，解码的部分由隐含层和输出层构成，输入的工作原理是，编码器将图像映射成低维向量表示，网络的解码器，可以将这些向量重建回原始图像大小。这种编码表示可用于特征空间的扩展。杨倩文26证明了过拟合问题可以等价于不适定问题，通过引入正则化的思想，提出了正则化自动编码器算法，令数据的均值、方差等逐渐逼近数据分布的真实期望值，有效地避免了小样本模型的过拟合。王雪27通过构建了一种堆栈自动编码器及其优化结构，有效地提高了植物叶片的分类精度，很好地解决了模型过拟合的问题。2.2 基于迁移学习的方法迁移学习的提出为植物图像识别提供了新的思路和方法，它在很大程度上缓解了植物图像识别中的小样本问题。在传统的机器学习中，需要满足两种基本假设：（1）训练样本与测试样本需要满足独立同分布。（2）需要有足够多的样本数据来训练一个好的模型。由于民族药植物图像数据集中，没有充足的训练样本去学习深度学习模型，容易使模型陷入过拟合。迁移学习的提出很好地解决了这个问题。迁移学习的主要思想是根据目标域与源域的相关性，利用源域中学习到的知识帮助目标域完成学习任务。根据迁移学习方式的不同，本文将迁移学习分为基于参数迁移的方式、基于实例迁移的方式和基于度量学习的方式三种。2.2.1 基于参数迁移的方式基于参数迁移的方法的主要思想是假设源域与目标域的某些参数是可以共享的，通过对共享的参数进行迁移解决目标任务。参数迁移主要分为两种：一种是微调，一种是特征迁移。具体内容是：（1）微调。在大型公有数据集中预训练深度学习模型，模型的前几层参数保持不变，对部分层的参数重新训练，使新得到的模型能够适合目标数据集。胡继礼28对中药饮片使用深度迁移理论，在 Inception-v3 上使用微调操作，证明了微调后的网络识别效果明显提高，且最佳模型在部分效果优于人工组。（2）特征迁移。将预训练得到的模型最后一层去掉作为特征提取器，去提取目标数据集中的特征，通过提取的特征训练分类器进行分类。刘嘉政29在对常见花卉种类识别研究中将原来的Inception-v3 模型去除最后的分类器，只是将原有的自动特征提取能力迁移过来，通过加上新的分类器有效地实现了准确率的提高。郑一力30等通过将预训练得到的模型去掉最后的全连接层，作为特征提取器迁移到植物叶片图像数据集上进行特征提取，然后将提取到的特征向量放入分类器中进行识别。结果表明模型可以快速收敛且识别效果较好2.2.2 基于实例迁移的方式在进行迁移学习时，源域中的数据与目标域中的数据会有不同，通过某种相似度匹配原则，选取源域中与目标域数据相似度较高的数据作为辅助数据，将辅助数据迁移至目标域中帮助模型训练，从而解决数据量不足的问题。在进行训 a 中药月季原图 b 中药月季原图 c 中药月季原图 d 中药月季原图 a 生成月季图片 b 生成月季图片 c 生成月季图片 d 生成月季图片图 1 GAN 生成虚假图片叶青，等：小样本民族药植物图像识别综述84842023.022023.02第 4 期现代信息科技表 1 常见的注意力机制归纳算法特点提出时间参考文献SENet通过使网络能够自适应的调整通道注意力权重，从而能够重新校准通道特征的重要程度2017文献 36CBAM将通道注意与空间注意进行串联，从而对信息进行综合，实现对图像重要特征的注意2018文献 37DANet将通道注意和空间注意并行连接，可以自适应的将局部特征和空间特征进行结合，使得更多的注意力关注优秀特征2019文献 38SK-Net提出一种动态选择机制，可以根据输入的信息多尺度的自适应调整感受野的大小。2019文献 39ECA-Net提出一种无须降维的局部跨通道交互策略和自适应选择 1D 卷积核大小的方法，以确定更精确的注意力信息2020文献 40练时，会不断更新辅助数据的训练权重，辅助数据的相似性越高，越有利于目标域数据的训练，权重也会提升，反之，权重会被降低。苏婷婷31提出一种改进的 TrAdaBoost 模型用于农作物病害图像的识别，使用基于 K 近邻分类算法优化源域中的数据形成辅助数据，采用 TrAdaBoost 的思想调整辅助数据和目标域数据的权重，使得农作物病害图像的识别效果更优。陈雷32提出一种改进的实例迁移方法，对比传统的 SVM 和TrAdaBoost 两种方法在准确率上有了明显的提升，证明了在小规模中药病害数据集上的适用性。2.2.3 基于度量学习的方式利用神经网络建立度量空间，将样本图像在像素层面上的差异作为距离差映射到度量空间中，使得相同类别的样本在度量空间相接近，不同类别的样本在度量空间彼此远离，从而实现正确分类。迁移学习的关键之处在于找到目标问题的相似性，从相似性出发，将源域学到的知识迁移到目标域中，因此，度量学习可以认为是迁移学习的一种方式。王彬33使用双路并行模型在神经网络上搭建度量学习分类框架，通过对提取的特征进行训练形成度量空间，在度量空间中对中药银杏等叶片进行识别，有效地解决了小样本分类问题。2.3 基于注意力机制的方式注意力机制是受人类视觉机制的启发，利用人类大脑在有限的时间内从大量的信息中筛选出有价值的信息的机制，使神经网络在训练时更加关注图像中利于判断的部分信息，并忽略不相关的冗余信息。卷积神经网络上的注意力机制主要关注通道注意力和空间注意力，通过两者或两者相结合的方式，实现不同的注意力模块，这些注意力模块不会改变输出尺寸，并且可以灵活的插入到卷积神经网络的各个部分，但这种方式往往会增加训练参数，从而导致计算成本的增加。王一丁34在中药材粉末显微特征识别研究中采用通道注意力和空间注意力相结合的方式，实验证明注意力机制能够很好地实现中药材多种类小样本的分类识别。李雅婷35根据通道注意力和空间注意力提出一种弱监督学习的方式，与双线性注意力池化进行结合，在小样本草原药用植物的识别上实现了 96.8%的准确率，有效地解决了小样本带来了过拟合问题。常见的注意力机制如表 1 所示。2.4 民族药植物图像识别的小样本学习优缺点对比民族药植物图像识别小样本学习的本质是民族药图像数据过少，在进行模型训练时对图像特征的表征能力表达不足，对特征空间的刻画能力不足，从而导致模型在进行训练时特征的组合数量不足而产生过拟合。即使研究人员提出的方案在一定程度上缓解了小样本问题带来的过拟合，但与实际生活中人类进行植物图像识别的准确率还有一定的差距。民族药植物图像识别的小样本学习方法与一般的小样本学习方法具有一定的相似性，然而又因为民族药植物图片的特殊性又有所差别。数据增强中的图像基本处理技术的方法在一定程度上缓解了样本数据量不足的缺陷，但是扩充后的样本仍存在与原样本相似度过大的问题，容易导致过拟合。基于生成对抗网络和基于自编码器的提出是从特征层面上来解决了样本相似度过大的问题。生成对抗网络采用对抗思想来学习接近真实数据分布的生成数据，但是，在训练时并没有一种较好地达到纳什均衡的方法。自编码器的核心是图像的压缩与解压，在进行解压后的图像与原图像还是会有一定的关键信息损失。基于迁移学习的方法是通过预先学习到的知识辅助完成目标任务。一般而言，源域与目标域中的样本相似度越高，迁移的效果就会越好。基于参数迁移的方式是植物图像识别中应用最广泛的，参数迁移操作简单，效果较好，因此备受研究人员的青睐，实验也证明了参数迁移的有效性。基于实例迁移的方式的前提是源域中的部分数据与目标域类似，在进行相似性度量原则的选择时也依赖研究人员的经验。基于度量学习的方式依赖于数据与源数据的相关性，只有相关性较强的数据才能进行很好的度量。以上三种迁移学习的方法都比较依赖源域数据与目标域数据的相关性。注意力机制的方法是通过关注图像重点区域实现少量样本的识别，研究人员提出了不同的方法，这些方法可以作为一种模块嵌套入神经网络，然而嵌入位置的不同可能带来提升效果的不同，需要研究人员不断的尝试如何达到最优。3 案例研究本章节将上述梳理的民族药植物图像识别小样本解决方法，在民族药植物图像数据集上进行实验，验证上述方法在小样本民族药植物图像识别上的效果，并通过几种方法的组合寻求效果最佳的方案，为后续的民族药植物图像识别研究提供了缓解小样本问题的方案。3.1 数据集情况本次实验采用江西中医药大学民族药资源数据库和中国科学院植物研究所中的藏药红景天部分图像数据。参考藏传医药经典丛书晶珠本草中对红景天的植株描述对图像进行筛选，筛选后共得到 1 598 张图片。其中，202 张图片来85852023.022023.02第 4 期自江西中医药大学民族药资源数据库，中国科学院植物研究所保存图片 1 396 张。根据模型训练的需要，将数据集划分为训练集、测试集，两者比例为 8:2。3.2 实验说明本次实验使用传统图像识别方法和深度学习方法分别对藏药红景天进行识别。传统图像识别方法采用方向梯度直方图（HOG）进行特征提取，支持向量机（SVM）对提取的特征进行分类。深度学习方法采用ResNet50对红景天进行识别。在本次实验中数据增强为随机裁剪、旋转和灰度化三种方式的组合。迁移学习为 ResNet50 在公共数据上预训练，然后迁移至藏药红景天数据集上进行微调。通过对数据增强，迁移学习和注意力机制对比实验，实现藏药红景天的识别分类。3.3 实验结果对于藏药红景天数据集进行分类测试，利用图像识别常用评价指标准确率（Accuracy）、召回率（Recall）、精确率（Precision）、特异性（Specificity）以及混淆矩阵对实验结果进行评估。Precision 表示预测结果为正的样本中正确的比例；Recall 表示原来样本中，正样本被正确识别的比例；Specificity 表示样本中的负样本被预测正确的比例。如表 2 所示，可以看出，实验组（7）SE-resnet50+augment+trans 相较于其他实验组具有更好的分类效果，精准率为 89.5%，召回率为 90.1%。可以得出结论，在藏药红景天图像识别上，多种技术组合识别效果明显优于某一种技术的应用。如图 2 所示，为实验组（7）SE-resnet50+augment+trans的混淆矩阵，对于花朵形状和叶片形状相差比较大能够很好地识别，对于叶片形状比较相似也会存在误判。例如，云南红景天和德钦红景天叶片比较相似，叶片都为长圆状卵形，因此在模型辨识时易误判。四裂红景天和云南红景天叶片相差比较大，模型识别效果较好。0云南红景天；1报春红景天；2粗糙红景天；3德钦红景天；4六叶红景天；5四裂红景天；6四轮红景天；7小从红景天；8狭叶红景天；9异磷红景天图 2 混淆矩阵4 结 论本文总结阐述了民族药植物图像识别领域存在的问题，并对民族药植物图像识别中传统识别算法进行简单概括，提出民族药植物图像识别的深度学习算法首要解决的问题是小样本问题。着重介绍了基于深度学习的民族药植物图像识别小样本学习的三种缓解方案，通过相关实验验证三种方案的有效性。综观民族药植物图像识别领域，小样本问题与深度学习需要大量样本数据的矛盾最为突出，因此民族药植物图像识别的小样本问题成为首要解决的问题，虽然相关研究取得了一定的进展，但是还有许多问题需要解决和突破：（1）数据增强中生成对抗网络或者自编码器用于生成民族药图像耗费时间代价过大。通过生成特征图像然后进行识别算法效率不高。大多数算法研究仅仅使用数据增强，并未着重考虑不同数据增强与算法融合时如何使整个过程达到最优。（2）模型在进行迁移学习时对于部分层微调，然而需要微调几层卷积未知，通过实验确定最优耗费成本较大。（3）小样本问题在图像识别领域已有许多优异的算法，不同的算法针对的识别数据类型不同，在民族药的识别上这些优异的算法不一定适用。本文总结现有的民族药植物图像识别中小样本问题的相关技术，结合民族药识别领域和现有小样本学习技术存在的不足，对未来的发展方向提出展望：（1）民族药植物图像识别的应用领域。现在对于民族药的识别的研究主要还是单一种属民族药的图像识别分类，多种属民族药植株混合在一起进行识别的研究还处于空白阶段，特别是某一种民族药的相近变种植株的识别，例如，藏药红景天种类多达 70 余种，现已知的药用近 20 种，不同种属的药用功效也不同，因此，对不同种属的准确识别十分有必要。表 2 各算法实验结果实验序号算法名称Accuracy（%）Precision（%）Recall（%）Specificity（%）（1）Hog+SVM52.4252.4050.70（2）Resnet50-base79.3980.7279.4094.86（3）Resnet50+augment76.0978.1076.0293.96（4）Resnet50+trans82.1482.8282.2495.55（5）Resnet50+augment+trans86.8186.4686.2096.70（6）SE-resnet50+augment84.6284.6084.2496.12（7）SE-resnet50+augment+trans89.5689.5090.1097.42（8）CBAM-resnet50+augment86.8187.3286.8896.74（9）CBAM-resnet50+augment+trans88.4688.6488.2097.08叶青，等：小样本民族药植物图像识别综述86862023.022023.02第 4 期现代信息科技（2）数据集的建立。无论是民族药植物图像识别中的小样本问题还是其他问题，都缺乏一种权威公开数据集。不同的文献研究使用的数据集不一，在民族药的识别研究中无法进行算法的横向比较。因此，民族药图像识别还有很长的一段路要走。（3）神经网络可解释性的研究。在民族药植物图像识别的小样本问题相关研究中常使用神经网络算法，然而神经网络的可解释性较差。对于神经网络的透明性的相关研究可以促进研究者提出更加适用于小样本问题的相关算法。（4）增量学习的相关应用。民族药植物图像识别关键在于如何解决小样本问题，一般小样本问题的解决思路是向原始样本数据中添加新的样本数据，现有算法并未考虑到后期向原始样本数据集中添加新的样本数据的情况，增量学习的发展可以使小样本问题得到改善。然而后期添加的数据可能会存在数据错误的情况。如何在增量学习中避免错误数据的干扰是未来需要攻克的难题之一。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，202032 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。