TCMP-300：首个面向传统中药植物识别的多类别细粒度图像数据集及其AI验证

为解决传统中药植物（TCMPs）识别依赖人工专家、现有数据集物种多样性不足且缺乏系统性验证框架的问题，中国科学院计算技术研究所等团队构建了包含300类52,089张图像的TCMP-300数据集。通过Bing搜索引擎采集并经CLIP模型与人工双重清洗，结合HybridMix数据增强技术，该数据集在Swin-Base模型上实现89.64%分类准确率，为AI驱动的药用植物识别提供了标准化资源。

　　

在传统中医药领域，药用植物的准确识别直接关系到临床疗效与用药安全。然而，当前识别主要依赖专业人员的感官判断，存在主观性强、效率低下等问题。尽管人工智能（AI）技术为植物识别提供了新思路，但现有药用植物数据集普遍存在物种覆盖有限（如印度MED-117仅117类）、样本质量参差不齐、缺乏系统性验证等缺陷。这些瓶颈严重制约了AI模型在真实场景中的应用。

针对这一挑战，信阳农林学院药学院与中国科学院计算技术研究所的研究团队在《Scientific Data》发表了题为“TCMP-300: A Comprehensive Traditional Chinese Medicinal Plant Dataset for Plant Recognition”的研究。该工作构建了目前规模最大、覆盖最全的传统中药植物图像数据集TCMP-300，包含300个物种的52,089张高分辨率图像，涵盖花、茎、叶、根、果实和全株六大器官。通过自动化网络爬虫采集原始数据后，团队创新性地采用CLIP（Contrastive Language-Image Pre-Training）视觉基础模型进行初筛，再经中医药专家人工复核，最终剔除52.73%的低质量样本。技术验证阶段，研究人员提出混合式数据增强策略HybridMix（结合Mixup与CutMix），在11种主流模型上实现平均1.57%的性能提升，其中Swin-Base模型达到89.64%的顶尖准确率。

关键技术方法包括：（1）基于Bing搜索引擎的自动化图像爬取系统；（2）CLIP模型引导的文本-图像对齐清洗框架；（3）HybridMix混合增强技术（随机选择Mixup全局混合或CutMix局部替换）；（4）长尾分布下的类别平衡划分策略（训练集与验证集按7:3比例分层采样）。

数据记录与特性
数据集包含300个子目录，每类以“编号.拉丁学名”格式命名（如“001.Veronica persica Poir.”），图像格式涵盖PNG/JPG/WebP。其核心优势体现在三方面：

• 全面性：覆盖菊科（27种）、唇形科（18种）等12个主要药用植物科属，包含黄酮类、生物碱等活性成分的物种
• 多样性：采集场景涵盖室内外环境、多光照条件与复杂背景
• 长尾分布：样本数量模拟真实世界药用植物使用频率，高频物种图像达354张，低频物种仅101张

技术验证结果
在224×224分辨率下，轻量级模型EfficientNet-B⁰取得84.62%准确率，而ConvNeXt-Tiny与Swin-Base分别代表CNN和视觉Transformer（ViT）的最高水平（88.18% vs 89.64%）。提升输入分辨率至448×448后，RegNet-X模型表现最优（89.54%）。t-SNE可视化显示，模型能有效学习到类内紧凑、类间分离的特征空间，但对少数变异样本（如罕见形态的接骨木）仍存在混淆。

结论与展望
该研究首次构建了系统性的中药植物AI识别基准，其创新性体现在：（1）建立自动化数据清洗流程，显著降低人工标注成本；（2）验证了Transformer架构在细粒度植物分类中的优势；（3）开源数据集与工具链（GitHub/winycg/TCMP-300）支持社区持续扩展。实际应用中，团队已部署在线识别系统（HuggingFace平台），可输出Top-5预测概率以辅助临床决策。这项工作不仅为《联合国可持续发展目标3》（健康福祉）提供了技术支撑，更为发现新型药用成分（如青蒿素类化合物）的AI筛选奠定了基础。未来可通过增加3D形态特征与分子标记数据，进一步提升多模态识别精度。