基于深度学习和OpenCV的白芍片智能等级评估系统研发与应用

为解决白芍片质量评估依赖人工感官检查导致的主观性强、效率低下和标准化难题，来自Huzhou Central Hospital的研究人员开发了结合深度学习（DL）和OpenCV的智能手机应用。通过YOLOv10模型实现缺陷检测（mAP@0.5 96.4%, Recall 90.1%, Precision 89%），并整合尺寸分析，部署为PRA-detect应用，显著提升评估效率和可靠性，推动中药质量控制标准化。

　　

白芍片（Paeoniae Radix Alba）作为中医药和功能性食品的关键成分，在维护健康中作用显著，但其质量评估长期依赖人工感官检查，导致主观性强、劳动密集且难以标准化，引发市场信任危机。为破解这一难题，研究者巧妙融合深度学习（Deep Learning, DL）和OpenCV技术，打造智能评估系统。核心聚焦于直径测量和缺陷检测，利用包含1100张缺陷图像的专属数据集训练YOLOv10与Faster R-CNN模型。YOLOv10表现卓越，mAP@_0.5达96.4%，召回率（Recall）90.1%，精确率（Precision）89%，在精度和速度上均优于Faster R-CNN。同时，OpenCV精准计算切片直径和面积，结合缺陷检测结果，系统展现出高鲁棒性和可靠性。这一创新方法被部署到智能手机应用PRA-detect中，用户仅需借助常见参考物（如身份证）即可实现无损评估，无需专业设备。该方案为白芍片标准化分级提供了快速、便携的解决方案，在质量控制和消费者决策中潜力巨大，有望重塑市场透明度和信任度。