文 献 综 述
1.引言
随着计算机和人工智能的快速发展，一些应用程序和自动化设备，已经在生活中得到越来越普遍的应用，这在一定程度上给人们带来了诸多的便利。尤其是随着第四次工业革命的到来，越来越多的繁杂工作被自动化的设备取代，从而减少了人们的劳动强度。其中，基于图像处理和识别的自动化设备已在特定了场景中得到了应用，比如：火车站进站时的人脸识别、交通应用中的车牌号识别、工业流水线上货物的分拣、特殊场景下手写字符的识别等，但是仍然有很多的领域需要开发。
在一些大城市里，医院每天需要就诊的病人比较多，这会导致药店里药品的出入流量比较大。目前药店中药品的分类，常常是药店管理员根据药品的信息进行人为的分类，但是这样往往会消耗大量的人力。因此药品的分类管理和有序存储显得十分重要，这也是在图像处理和识别领域需要拓展的方向。
基于深度学习的药盒分类系统：首先通过对已有的药盒图像照片进行采集、标记药盒的基本信息和类别、构建药盒数据库、通过“数据增强”来增加样本的数量、对样本图像进行预处理操作、然后通过卷积神经网络充分提取每一类药盒的特征，从而最终实现对药品的分类。此系统采用主流的深度学习框架Tensorflow训练药盒分类模型，然后将满足一定准确度的模型移植到Android应用上，开发出一款可以根据药盒照片进行自主分类并返回药盒信息的APP。这样可以有效地解决药盒分类工作繁杂的难题，会对人们在进行药盒分类、存储以及信息查询有着较大的帮助，对图像识别在医药学领域的应用有着较大的意义。
2.图像分类问题的研究现状
图像识别和分类问题可以追溯到上个世纪七十年代[1]，最早由军方在解决导弹制导的问题提出的，经过了近半个世纪的发展，目前已经取得了很丰硕的研究成果。图像识别和分类系统主要分为以下包括：首先输入图像、然后提取图像中的特征，最后建立分类器。主流的算法主要有：传统的图像分类方法（基于边缘检测的图像分类方法）、基于机器学习的图像分类方法、基于深度学习（卷积神经网络）的图像分类方法。
传统的图像分类方法，是经过对图像去噪、灰度化等预处理之后，用算子对图像进行边缘检测、再进行特征匹配等操作，最终实现对图像的分类和识别任务。 然而，将这种方法应用在药盒检测上往往对图像的质量要求比较高，药盒要处于目标区，并且角度要适中，不能出现太大的偏差，对摄取图像的质量要求较高；另外，过多的图像预处理会使一张图像的计算量大大增加，这样对处理器的性能会要求较高。郝奕清采用了这种方法[2]，将采集图像中的最大矩形默认为药盒所在的区域，然后再进行预处理，并提出了基于Harris角点的形状上下文改进算法来提取图像的特征，最终实现药盒的分类。
基于机器学习的图像分类算法，是通过机器学习中的算法来实现对图像的分类任务。目前比较常用的机器学习分类算法有：支持向量机法（SVM）、最近邻分类法（KNN）、贝叶斯相关分类法、集成学习法、BP神经网络法[3]。余晓等人在2013年采用了BP神经网络对兽药中的5类药品进行了分类[4]。他们对图像首先预处理和图像分割，然后提取纹理特征，最后将提取的特征应用到BP神经网络中完成分类任务。这种方法运用了Prewitt算子进行边缘提取，在结构上采用了标准的2层全连接BP神经网络结构，实现对500多张图像的训练，取得了较好的效果。然而，如果对于大批量的图像进行训练，这样的结构会产生很大的运算量。
基于深度学习（卷积神经网络）的图像分类方法，最典型的是Krizhevsky Alex等人提出的AlexNet[4]，它是一个具有5个卷积层和3个全连接层的卷积神经网络，并在这个模型在2012年的图像分类比赛中获得了冠军。AlexNet在训练过程中，采用了数据增强来增加训练集的样本个数、采用了Dropout随机去掉不参加参数更替的神经元，这些都可以防止神经网络出现过拟合。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
