《表2 各中药饮片测试集的识别准确度》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于深度学习算法的川贝母、山楂及半夏饮片的智能鉴别》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

%

由于定位得到的饮片规格不同，由卷积得到的特征图连接完全连接层时，特征点连接神经元的参数在网络设计时已经固定，所以限制了网络的输入维度。即需要对图像放大或缩小到相同分辨率后再进行分类，见图7。将处理完成的11种饮片图像（测试集）输入网络，得到分类结果，见表2。结果发现同品种之间的分类，由于药材的视觉特征差别很小，识别准确度相较品种鉴定有一定下降，但VGG16的平均识别准确度能保持在95%以上，Res Net50则取得了更好的效果，平均识别准确度>97%。对比2种模型，由于加深了网络层数，Res Net50的细节特征更多，对具体类别的鉴定更具优势。为了更加客观衡量模型性能，绘制了受试者工作特征曲线（ROC曲线）[25]，见图5，ROC曲线的曲线下面积（AUC）用于表示预测准确性，AUC越高，曲线越接近左上角，说明预测准确率越高。利用表2和ROC曲线数据对比2种模型，结果发现Res Net50在所有类别的预测中相较于VGG16都具有更高的准确度，说明该模型对数据具有更好的拟合性。