Score
0
Watch 40 Star 236 Fork 126

小浩 / 中药图片拍照识别系统-后端JavaMulanPSL-1.0

Create your Gitee Account
Explore and code with more than 5 million developers,Free private repositories !:)
Sign up
Clone or download
Cancel
Notice: Creating folder will generate an empty file .keep, because not support in Git
Loading...
README.md

中药图片拍照识别系统-后端

说明

当前项目是中药识别APP的后端工程,提供纯数据接口;移动端请移步中药图片拍照识别系统-移动APP端

项目介绍

本项目包含五个模块:

项目预览

主要目录结构

├─admin
│  └─src
│     ├─main
│     │  ├─java
│     │  │  └─com
│     │  │      └─xiaohao
│     │  │          └─admin
│     │  │              ├─bean
│     │  │              ├─config
│     │  │              ├─controller
│     │  │              ├─dao
│     │  │              └─service
│     │  └─resources
│     │      ├─static
│     │      └─templates
│     └─test
│         └─java
│             └─com
│                 └─xiaohao
│                     └─admin
├─image-cnn-model
│  ├─resources
│  │  ├─keras-model
│  │  ├─model_info
│  │  └─train-log
│  └─src
│     ├─analyse
│     ├─train
│     └─preprocess
├─medicine-collection
│  └─src
│     ├─main
│     │  ├─java
│     │  │  └─xiaohao
│     │  │      ├─datacleaning
│     │  │      └─datacollection
│     │  └─resources
│     │      ├─images
│     │      └─static
│     └─test
│         └─java
│             ├─com
│             └─org
└─util
   └─src
      ├─main
      │  ├─java
      │  │  └─com
      │  │      └─xiaohao
      │  │          ├─bai
      │  │          ├─cnnmodel
      │  │          ├─file
      │  │          ├─img
      │  │          └─mongo
      │  └─resources
      └─test
          └─java
              └─com
                  └─xiaohao

技术详情

  1. admin服务器端工程

    Maven构建

    SpringBoot框架,一键启动与部署

    :exclamation: :exclamation:提示:application-demo.yml文件仅作为配置示例文件, 运行时需要重命名为application.yml并自定义配置必要信息。

    缓存:MongoDB

    全文检索:Elasticsearch + IK分词器

    MySQL

    基于Java的Deeplearning4j深度学习框架探索

  2. medicine-collection爬虫工程

    爬虫主要用来爬取训练集以及中药的详细信息,主要包含: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

  3. image-cnn-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

    训练机器:华为Atlas 200 AI开发板(或本地计算机)

    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

    1. 设置Xception参数

      迁移学习参数权重加载:xception_weights_tf_dim_ordering_tf_kernels_notop.h5

      # 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628
      model = 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
    2. 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 = '..\\datasets\\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')
    3. 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')
      
    4. 在后端项目中,我们使用Deeplearn4j调用训练好的模型

      public class CnnModelUtil {
      
          private static ComputationGraph CNN_MODEL = null;
      
          /**
           * 中药名字的编码
           */
          private static final Map<Integer, String> MEDICINE_NAME_MAP = new HashMap<>();
      
          /**
           * 定义cnn model的文件夹路径
           */
          private static final String DATA_DIR = System.getProperty("os.name")
                  .toLowerCase().contains("windows") ? "D:\\data\\model\\"
                  : "./data/model/";
      
          /**
           * 定义中药编码表的文件名
           */
          private static final String MEDICINE_LABLE_FILE_NAME = "medicine_name-lable.txt";
      
          /**
           * 定义模型的文件名
           */
          private static final String CNN_MODEL_FILE_NAME = "chinese_medicine_model.h5";
      
      
          /**
           * 图片的加载器
           */
          private static final NativeImageLoader IMAGE_LOADER = new NativeImageLoader(299, 299, 3);
      
      
          /**
           * 初始化
           */
          static {
              try {
                  CNN_MODEL = KerasModelImport.importKerasModelAndWeights(DATA_DIR + CNN_MODEL_FILE_NAME);
      
                  Files.readAllLines(Paths.get(DATA_DIR, MEDICINE_LABLE_FILE_NAME)).forEach(v -> {
                      String[] split = v.split(",");
                      MEDICINE_NAME_MAP.put(Integer.valueOf(split[1]), split[0]);
                  });
              } catch (IOException | InvalidKerasConfigurationException | UnsupportedKerasConfigurationException e) {
                  e.printStackTrace();
              }
          }
      
          /**
           * 对图像进行预测
           * 对预测的概率值进行排序处理
           * 返回值是概率值前10的中药的名字
           * @param file
           * @return
           * @throws IOException
           */
          public static Map<String, Float> medicineNamePredict(File file) throws IOException {
              INDArray image = IMAGE_LOADER.asMatrix(file).divi(127.5).subi(1);
              INDArray output = CNN_MODEL.outputSingle(image);
              Map<Integer, Float> resultMap = new HashMap<>();
              float[] floats = output.toFloatVector();
              for (int i = 0; i < floats.length; i++) {
                  resultMap.put(i, floats[i]);
              }
              List<Map.Entry<Integer, Float>> resultList = new LinkedList<>(resultMap.entrySet());
              resultList.sort(Map.Entry.comparingByValue(Comparator.reverseOrder()));
              Map<String, Float> medicinePredict = new LinkedHashMap<>();
              resultList.stream().limit(10).forEach(v -> {
                  medicinePredict.put(MEDICINE_NAME_MAP.get(v.getKey()), v.getValue());
              });
              return medicinePredict;
          }
      }

    模型概览

    模型详细参数

    模型详细结构

    训练过程正确率以及损失函数可视化展示

    正确率 损失函数

  4. 数据集

  5. util公用工具类

  • 关于MongoDbUtil说明

    :exclamation: :exclamation:提示:mongodb-demo.properties 文件仅作为配置示例文件,运行时需要重命名为mongodb.properties并自定义配置必要信息。

依赖环境说明

依赖 版本
JDK 8+
Python 3.6
Maven 3.0+
TensorFlow 2.0
mongoDB 4.2.2
mongo-java-driver 3.12
MySQL 8.0+
Spring Boot 2.2.2
Elasticsearch 7.4.2
IK分词器 7.4.2
deeplearning4j 1.0.0-beta6
nd4j-native-platform 1.0.0-beta6

开源软件使用须知

  • 允许用于个人学习;
  • 开源版不适合商用;
  • 禁止将本项目的代码和资源进行任何形式的出售,产生的一切任何后果责任由侵权者自负;
  • LICENSE

交流、反馈与参与贡献

  • 如需关注项目最新动态,请Watch、Star项目,同时也是对项目最好的支持

  • 欢迎参与技术讨论、二次开发等咨询、问题和建议!

  • QQ:993021993

  • 微信:

    WECHAT

喜欢的朋友请star一下,让我更有信心的去维护,谢谢!^_^

Comments ( 1 )

Sign in for post a comment

About

中药识别APP服务器端 spread retract
Jupyter Notebook and 3 more languages
Cancel

Releases (3)

All

Gitee Metrics

Contributors

All

Activities

load more
can not load any more