中华中医药学刊

基于深度颜色特征融合的菊花药材智能评价方法研究

PDF下载

毛忠原 ¹ , 杨曦晨 ¹ , 王天舒 ² , 陈奕帆 ¹ , 蒋健 ¹ , 严辉 ³^,⁴

中华中医药学刊 | 数字中医中药 2026,44(3): 13-19

收起

中华中医药学刊 |数字中医中药 2026 , 44 (3) : 13 -19

基于深度颜色特征融合的菊花药材智能评价方法研究

全屏

毛忠原¹, 杨曦晨¹, 王天舒², 陈奕帆¹, 蒋健¹, 严辉³^,⁴

作者信息

^1.南京师范大学计算机与电子信息/人工智能学院，江苏南京 210046

^2.南京中医药大学人工智能与信息技术学院，江苏南京 210023

^3.中药资源产业化与方剂创新药物国家地方联合工程研究中心，江苏南京 210023

^4.南京中医药大学，江苏省中药资源产业化过程协同创新中心，江苏南京 210023

通讯作者:

杨曦晨（1989 -），男，江苏高邮人，副教授，硕士研究生导师，博士，研究方向：中药材智能分析、图像质量评价。E-mail：xichen_yang@njnu.edu.cn。

作者简介:

毛忠原（2002 -），男，江苏扬州人，硕士在读，研究方向：中药材智能分析。

Research on Intelligent Image Quality Assessment Method for Juhua（Chrysanthemi Flos）via Deep Color Feature Fusion

Zhongyuan MAO¹, Xichen YANG¹, Tianshu WANG², Yifan CHEN¹, Jian JIANG¹, Hui YAN³^,⁴

Affiliations

^1.School of Computer and Electronic Information/School of Artificial Intelligence, Nanjing Normal University, Nanjing 210046, Jiangsu, China

^2.College of Artificial Intelligence and Information Technology, Nanjing University of Chinese Medicine, Nanjing 210023, Jiangsu, China

^3.National and Local Collaborative Engineering Center of Chinese Medicinal Resources Industrialization and Formulae Innovative Medicine, Nanjing 210023, Jiangsu, China

^4.Jiangsu Collaborative Innovation Center of Chinese Medicinal Resources Industrialization, Nanjing University of Chinese Medicine, Nanjing 210023, Jiangsu, China

出版时间: 2026-03-10 doi: 10.13193/j.issn.1673-7717.2026.03.003

文章导航

摘要

收起

目的

高质量的中草药图像可以有效保障相关智能算法的性能，设计面向中草药菊花的图像质量评价方法，智能筛选出符合应用场景需求的菊花图像，具有较高的实用价值。

方法

研究面向中草药菊花，首先，构建面向中草药菊花的失真图像数据集。之后，在此基础上提出一种基于深度颜色特征融合的中草药菊花图像质量评价方法，将菊花原始图像从RGB颜色空间转换到HSV和Lab颜色空间，分别提取出S、L和b颜色通道上的图像特征并进行预处理。在此之后，将预处理后的S、L和b 3通道的图像特征与菊花原始图像作为双路网络的输入，形成融合特征描述中草药菊花图像的质量。

结果

实验结果显示，设计的中草药菊花数据集构造具有合理性，并且提出的方法在菊花图像失真数据集上性能表现优异，SROCC和PLCC值都达到0.90以上，对菊花图像的评价结果与真实结果高度一致。

结论

利用提出的方法能够对图像中菊花的拍摄角度及缺失情况进行准确衡量，可以满足中草药菊花图像智能筛选的需求。

关键词

菊花 / 颜色空间 / 智能评价 / 多路网络 / 特征融合

Abstract

收起

Objective

High quality images of Chinese herbal medicine can effectively ensure the performance of relevant intelligent algorithms. Designing a quality assessment method of Juhua（Chrysanthemi Flos）image to intelligently screen the images that meet the requirements of application scenarios can provide high practical value.

Methods

This research focused on Juhua（Chrysanthemi Flos）. Firstly, it constructed a distorted Juhua（Chrysanthemi Flos）image dataset. And then, it proposed a quality assessment method of Juhua（Chrysanthemi Flos）image based on the deep color feature fusion. In this method, the original Juhua（Chrysanthemi Flos）image was converted from the RGB color space to the HSV color space and Lab color space. The image features of the S color channel, L color channel and b color channel were extracted separately, and the extracted image features were preprocessed. After that, both the preprocessed image features and the original Juhua（Chrysanthemi Flos）image were used as the inputs to a two-stream network to form the fused feature that described the quality of the Juhua（Chrysanthemi Flos）image.

Results

The experimental results demonstrated the rationality of the constructed Juhua（Chrysanthemi Flos）dataset, and the proposed method performed excellently on the distorted Juhua（Chrysanthemi Flos）image dataset, with SROCC and PLCC values reaching above 0.90, and the evaluation results of Juhua（Chrysanthemi Flos）images were highly consistent with the real results.

Conclusion

The method can accurately measures the angular deviation and incomplete distortion of Juhua（Chrysanthemi Flos）in the images, meeting the requirements for intelligent screening of Juhua（Chrysanthemi Flos）images.

Key words

Juhua（Chrysanthemi Flos） / color space / intelligent assessment / multi channel network / feature fusion

引用本文

毛忠原, 杨曦晨, 王天舒, 陈奕帆, 蒋健, 严辉. 基于深度颜色特征融合的菊花药材智能评价方法研究. 中华中医药学刊, 2026 , 44 (3) : 13 -19 . DOI: 10.13193/j.issn.1673-7717.2026.03.003

Zhongyuan MAO, Xichen YANG, Tianshu WANG, Yifan CHEN, Jian JIANG, Hui YAN. Research on Intelligent Image Quality Assessment Method for Juhua（Chrysanthemi Flos）via Deep Color Feature Fusion[J]. Chinese Archives of Traditional Chinese Medicine, 2026 , 44 (3) : 13 -19 . DOI: 10.13193/j.issn.1673-7717.2026.03.003

基金

收起

国家自然科学基金青年科学基金项目(62101268; 82204770)
国家现代农业产业技术体系资助项目(CARS-21)
江苏省自然科学基金青年基金项目(BK20210696)

参考文献

收起

文献

收起

参考文献引证文献

排序方式：

［1］

周衡朴，任敏霞，管家齐，等.菊花化学成分，药理作用的研究进展及质量标志物预测分析［J］.中草药，2019，50（19）：4785-4795.

［2］

金建忠，闻鸣，申屠超.杭白菊化学成分最新研究进展［J］.食品工业科技，2014，35（15）：386-389.

［3］

王艳霓.传统中药鉴定技术的发展及应用［J］.中国中医药现代远程教育，2023，21（2）：60-63.

［4］

单成钢，王志芬，苏学合，等.数字图像处理技术在中药材鉴定中的应用［J］.现代中药研究与实践，2008，22（5）：58-61.

［5］

张红侠，王宇，朱正安，等.相似中草药植物鉴定技术的研究进展与展望［J］.世界科学技术-中医药现代化，2018，20（12）：2202-2207.

［6］

李欣芮，舒后，宋玮，等.基于残差网络的中草药识别系统的设计与实现［J］.北京印刷学院学报，2023，31（12）：69-73.

［7］

黄方亮，沈同平，金力.改进的AlexNet卷积神经网络用于中草药叶片分类［J］.安庆师范大学学报（自然科学版），2020，26（3）：70-75.

［8］

张万义，张千，潘继波，等.基于深度学习的中草药分类识别［J］.智慧健康，2020，6（35）：1-4，13.

［9］

齐保峰，刘华明，王先传，等.基于轻量神经网络的中草药识别研究［J］.洛阳理工学院学报（自然科学版），2023，33（1）：73-78.

［10］

刘伟，肖致，刘波.基于深度学习的中草药植物图像识别研究与应用［J］.信息与电脑（理论版），2022，34（12）：32-34.

［11］

郭灿璨，朱玉祥，张俊明，等.基于卷积神经网络的中草药识别算法研究［J］.中医药信息，2024，41（11）：29-34.

［12］

KOLIVAND H, FERN B M, SABA T, et al. A new leaf venation detection technique for plant species classification［J］. Arabian Journal for Science and Engineering, 2019, 44：3315-3327.

［13］

李雷达，殷杨涛，吴金建，等.掩膜融合下的人脸图像质量评价方法［J］.中国图象图形学报，2022，27（12）：3476-3490.

［14］

彭晨辉，刘皓晨，高玮宁，等.细胞病理图像质量评价方法［J］.哈尔滨理工大学学报，2023，28（5）：75-84.

［15］

MITTAL A, MOORTHY A K, BOVIK A C. No-reference image quality assessment in the spatial domain［J］. IEEE Transactions on image processing, 2012, 21（12）：4695-4708.

［16］

MITTAL A, SOUNDARARAJAN R, BOVIK A C. Making a “completely blind” image quality analyzer［J］. IEEE Signal processing letters, 2012, 20（3）：209-212.

［17］

黄佳美，张伟彬，熊官送.基于深度卷积神经网络的汽车图像分类算法与加速研究［J］.现代电子技术，2024，47（7）：140-144.

［18］

KANG L, YE P, LI Y, et al. Convolutional neural networks for no-reference image quality assessment［C］//Proceedings of the IEEE conference on computer vision and pattern recognition, 2014：1733-1740.

［19］

LIU X, VAN DE WEIJER J, BAGDANOV A D. Rankiqa：Learning from rankings for no-reference image quality assessment［C］//Proceedings of the IEEE international conference on computer vision, 2017：1040-1049.

［20］

REN H, CHEN D, WANG Y. RAN4IQA：Restorative adversarial nets for no-reference image quality assessment［C］//Proceedings of the AAAI conference on artificial intelligence, 2018, 32（1）：1036-1040.

［21］

SU S, YAN Q, ZHU Y, et al. Blindly assess image quality in the wild guided by a self-adaptive hyper network［C］//Proceedings of the IEEE /CVF conference on computer vision and pattern recognition, 2020：3667-3676.

［22］

CHEN C, MO J, HOU J, et al. Topiq：A top-down approach from semantics to distortions for image quality assessment［J］. IEEE Transactions on Image Processing, 2024（2）：210-213.

［23］

周怀博，贾惠珍，王同罕.基于RFB和超网络的跨尺度多层次真实失真图像质量评价方法［J］.现代电子技术，2024，47（9）：47-52.

［24］

杨春玲，杨雅静.基于多尺度特征逐层融合深度神经网络的无参考图像质量评价方法［J］.华南理工大学学报（自然科学版），2022，50（4）：81-89，141.

［25］

FU H, WANG B, SHEN J, et al. Evaluation of retinal image quality assessment networks in different color-spaces［J］. Springer International Publishing, 2019（1）：48-56.

［26］

WU Q, LI H, MENG F, et al. Blind image quality assessment based on multichannel feature fusion and label transfer［J］. IEEE Transactions on Circuits and Systems for Video Technology, 2015, 26（3）：425-440.

［27］

HE K, ZHANG X, REN S, et al. Deep residual learning for image recognition［C］//Proceedings of the IEEE conference on computer vision and pattern recognition, 2016：770-778.

［28］

KRIZHEVSKY A, SUTSKEVER I, HINTON G E. Imagenet classification with deep convolutional neural networks［J］. Communications of the ACM, 2017, 60（6）：84-90.

［29］

IMONYAN K, ZISSERMAN A. Very Deep Convolutional Networks for Large-Scale Image Recognition［J］. CoRR, 2014（1409）：1556.

［30］

SZEGEDY C, LIU W, JIA Y, et al. Going deeper with convolutions［C］//Proceedings of the IEEE conference on computer vision and pattern recognition, 2015：1-9.

［31］

HUANG G, LIU Z, VAN DER MAATEN L, et al. Densely connected convolutional networks［C］//Proceedings of the IEEE conference on computer vision and pattern recognition, 2017：4700-4708.

2026年第44卷第3期

PDF下载

引用本文

BibTeX

文章信息

doi: 10.13193/j.issn.1673-7717.2026.03.003

首发时间：2026-10-14
出版时间：2026-03-10

补充材料

相关文章

文章信息

作者

出版历史

基金

国家自然科学基金青年科学基金项目(62101268; 82204770)

国家现代农业产业技术体系资助项目(CARS-21)

江苏省自然科学基金青年基金项目(BK20210696)

作者信息

^1.南京师范大学计算机与电子信息/人工智能学院，江苏南京 210046

^2.南京中医药大学人工智能与信息技术学院，江苏南京 210023

^3.中药资源产业化与方剂创新药物国家地方联合工程研究中心，江苏南京 210023

^4.南京中医药大学，江苏省中药资源产业化过程协同创新中心，江苏南京 210023

通讯作者:

杨曦晨（1989 -），男，江苏高邮人，副教授，硕士研究生导师，博士，研究方向：中药材智能分析、图像质量评价。E-mail：xichen_yang@njnu.edu.cn。

参考文献

分享链接

https://castjournals.cast.org.cn/joweb/zhzyyxk/CN/10.13193/j.issn.1673-7717.2026.03.003

分享至

全文二维码

扫描看全文

引用本文

BibTeX

本文的引用情况

2种不同金属材料的力学参数

科 Family	属数 Number of genus	种数 Number of species	占总种数比例 Percentage of total species (%)	属 Genus	种数 Number of species	占总种数比例 Percentage of total species (%)
鹅膏菌科Amanitaceae	2	11	5.26	鹅膏菌属 Amanita	10	4.78
小菇科 Mycenaceae	2	12	5.74	丝盖伞属 Inocybe	5	2.39
多孔菌科 Polyporaceae	8	14	6.70	蜡蘑属 Laccaria	5	2.39
红菇科 Russulaceae	3	23	11.00	小皮伞属 Marasmius	6	2.87
				小菇属 Mycena	11	5.26
				光柄菇属 Pluteus	5	2.39
				红菇属 Russula	17	8.13
				栓菌属 Trametes	5	2.39

关闭全屏

BibTeX
EndNote
RefWorks
TxT