编辑推荐：
针对当前天麻质量分类依赖人工主观判断、化学检测及深层神经网络存在特征提取细节丢失等问题，研究人员开展基于迁移学习与改进 ResNet34 的分类方法研究。结果显示该方法分类性能佳，为天麻质量评价提供新路径。
天麻作为东亚地区重要的珍稀中药材，其药用价值与品质分级紧密相关。然而，当前天麻质量分类评价面临多重挑战：人工主观经验判断易受个体差异影响，结果一致性差；化学检测成本高、耗时长且会对样本造成损伤；传统深层神经网络如 ResNet 存在特征提取细节丢失、易受环境干扰、梯度消失或爆炸等问题，难以满足精准分类需求。在此背景下，开展高效、客观的自动化分类方法研究成为提升天麻药用价值与产业标准化的关键。
为解决上述问题，贵州大学的研究人员开展了基于迁移学习与改进 ResNet34 的天麻质量客观分类评价方法研究。研究成果发表于《Computers and Electronics in Agriculture》，为天麻质量评价领域提供了新的技术范式。
研究主要采用以下关键技术方法：
- 数据集构建：收集贵州生产基地的天麻样本，经专家分级为优、良、中、差四类，获取对应图像 812、768、816、820 张，按 6:2:2 比例划分为训练、验证、测试集，并通过图像裁剪、翻转、旋转等数据增强手段及中值滤波、直方图均衡化处理，提升样本多样性与特征清晰度。
- 网络结构改进：将 ResNet34 初始层的 7×7 卷积核替换为连续三个 3×3 卷积核，减少参数与计算量，增强深层特征提取能力；在四层 BasicBlock 中引入 CBAM（Convolutional Block Attention Module，卷积块注意力模块）注意力机制，实现空间与通道维度的特征信息聚合；调整四层 BasicBlock 数量（由 3、4、6、3 改为 2、3、4、4），平衡计算量与分类精度。
- 迁移学习与优化：引入 ImageNet 预训练权重参数，通过微调（fine-tuning）初始化网络；在全连接层后添加 Dropout 层（Dropout 率 0.3），防止过拟合；采用 AdaMax 优化器，设置学习率 0.001、权重衰减参数 0.0001。
研究结果
数据集构建与预处理效果
通过数据增强与预处理，有效提升了天麻图像的形状、纹理、病斑及颜色等关键特征的可辨识度，为后续模型学习提供了高质量输入。
改进 ResNet34 网络性能验证
与 LeNet5、AlexNet、VGG16、ResNet18 及传统 ResNet34 相比，改进后的模型在验证集和测试集上分别实现 97.79% 和 93.16% 的分类准确率。各类别 F1-score 表现优异，优（0.91）、良（0.94）、中（0.88）、差（0.99），显示出对不同质量等级天麻的强区分能力。
关键改进组件的作用
- 3×3 卷积核替换：减少网络参数与计算负载，使模型更适用于中小规模数据集，同时通过多层卷积堆叠增强特征提取层次。
- CBAM 注意力机制：显著提升模型对天麻特征的聚焦能力，有效抑制背景干扰，提高目标检测与定位精度。
- BasicBlock 数量调整：优化浅层与深层特征提取的平衡，减少冗余权重，在保持精度的同时提升训练效率。
研究结论与意义
本研究提出的基于迁移学习的改进 ResNet34 方法，成功解决了传统分类方法主观性强、深层网络特征提取不足等问题，为天麻质量的自动化、精准化评价提供了可靠方案。通过引入注意力机制与优化网络结构，模型在特征聚合、抗干扰能力及计算效率间取得良好平衡，分类性能显著优于现有主流网络。该研究不仅为天麻产业的标准化分级提供了技术支撑，也为其他中药材的质量评价提供了可借鉴的深度学习模型构建思路，推动了人工智能技术在中医药领域的应用与发展。研究结果表明，深度学习结合迁移学习的方法在中药材质量评价中具有广阔的应用前景，有望加速中医药现代化进程。
