基于深度学习的石菖蒲与水菖蒲切片高精度分类与实时检测新策略

为解决石菖蒲（Acorus tatarinowii）与水菖蒲（Acorus calamus）因形态相似导致的混用问题，湖南食品药品职业学院刘颖辉团队联合中南大学湘雅医院开展研究，采用ResNet50（分类准确率92.8%）和YOLOv8（检测精度98.6%，22fps）模型，创新性集成SE模块和空间注意力机制，提升细粒度特征识别能力，为中药智能化鉴定提供新方案。

　　

在传统中医药领域，石菖蒲（Shi Chang Pu）与水菖蒲（Shui Chang Pu）这对“双胞胎”药材长期困扰着从业者。两者虽同属天南星科菖蒲属，但石菖蒲能开窍化痰、醒神益智，水菖蒲则侧重温胃消炎，功效差异显著。由于两者干燥根茎切片形态高度相似，市场上混用现象普遍，甚至流传“切片菖蒲，神仙难辨”的俗语。现行《中国药典》（2020版）依赖经验鉴别、显微观察等传统方法，但存在主观性强、效率低下等问题，而DNA条形码等技术又因成本高昂难以普及。

针对这一行业痛点，湖南食品药品职业学院联合中南大学湘雅医院的研究团队另辟蹊径，将人工智能技术引入中药鉴定领域。他们构建包含1928张高质量切片图像的数据集，采用ResNet50实现92.8%的分类准确率，YOLOv8达到98.6%检测精度（22帧/秒），并创新性地在模型中集成通道注意力（SE模块）和空间注意力机制，使分类与检测性能分别提升1.7%和1.2%。这项发表于《Scientific Reports》的研究，首次实现两种菖蒲切片的自动化精准鉴别，为中药质量控制开辟智能化新路径。

关键技术包括：（1）多产地样本采集（湖南、安徽等8个产区）构建标准化图像数据集；（2）ResNet50模型结合交叉熵损失函数（公式1）优化分类任务；（3）YOLOv8模型融合空间注意力模块提升混叠状态检测能力；（4）随机搜索法调参优化超参数（学习率0.01，批量大小128）。

材料与方法
研究团队通过药材市场采购（安徽亳州等）和基地采集（湖南澧县）获取样本，经中南大学湘雅医院副主任药师刘海棠鉴定后，使用华为P50手机（50MP主摄）在标准化光源下拍摄，构建224×224像素（ResNet50）和640×640像素（YOLOv8）双规格数据集。

图像分类方法
ResNet50-SE模型通过残差连接解决梯度消失问题，SE模块对通道特征进行自适应校准。训练采用Adam优化器（动量0.9），100轮迭代后验证集准确率稳定在96.5%。

目标检测方法
YOLOv8引入轻量化空间注意力机制，通过最大/平均池化生成空间注意力图，在保持21fps实时性的同时将mAP₅₀提升至95.3%。

结果与讨论
石菖蒲因纤维断面层次分明，分类准确率（94.2%）显著高于水菖蒲（91.5%）。注意力机制使ResNet50-SE分类准确率提升至94.5%，YOLOv8+Attention的混检精度达98.9%。研究同时发现，现有模型在极端环境样本泛化性和无GPU设备部署方面仍需优化。

这项研究的意义在于：首次将深度学习与注意力机制结合应用于菖蒲药材鉴定，其技术框架可扩展至其他易混药材鉴别。团队建议建立开放数据平台吸纳更多产区样本，并开发YOLOv8-Tiny等轻量模型适配基层需求。该成果不仅为《中国药典》鉴别方法提供AI补充，更为中药质量控制的智能化转型树立了标杆。