Automated Grading of Salvia miltiorrhiza Roots Using Neural Network
Notice bibliographique
Résumé
With the development of artificial intelligence technology at present, neural networks have been widely applied to different types of Chinese herbal medicine classification tasks and have achieved very good results. However, there is currently a lack of sufficient experiments to demonstrate that neural networks have the same ability in different quality grading tasks for a single type of medicinal material. The subject of our research, Salvia miltiorrhiza, has been a very valuable traditional Chinese medicine since ancient times and has been widely used in the treatment of cardiovascular diseases. At present, the screening of high-quality S.miltiorrhiza heavily relies on experienced pharmacists for manual screening, which is not only time-consuming and labor-intensive, but also unable to be widely popularized. Therefore, achieving the automation of S.miltiorrhiza quality grading tasks has important economic value. In this article, we constructed a small dataset on S.miltiorrhiza, which includes a total of 91 S.miltiorrhiza samples, classified by traditional Chinese medicine experts into two categories: A and B. Due to the difficulty in obtaining samples of S.miltiorrhiza, we used methods such as data expansion and parameter optimization to improve the quality grading effect of S.miltiorrhiza the absence of sufficient data. These experiments demonstrate that neural networks are also effective in quality grading tasks for individual species. Finally, we also provided evidence for neural network prediction through thermodynamic diagrams. And emphasized the future work direction and potential applications.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».