构建高质量100种中草药数据集标注的技术实践与避坑指南

共计 1411 个字符，预计需要花费 4 分钟才能阅读完成。

背景痛点：中草药标注的独特性

中草药数据标注相比常规物体检测存在三大核心难点：

1. 形态多样性 ：同一药材在不同生长阶段（如幼苗 vs 成熟期）、不同部位（根 / 茎 / 叶）呈现显著差异
2. 专业门槛高 ：需要区分外形相似的近缘物种（如黄芪 vs 红芪），标注人员需具备中药学基础
3. 数据噪声大 ：野外拍摄存在光照变化、叶片遮挡等问题，炮制后的药材颜色质地变化剧烈

工具选型对比

通过实测对比主流标注工具在中草药场景的表现：

推荐组合方案：Prodigy+ 自定义中药 schema，实测效率提升 2.1 倍（数据来源：5000 张测试集统计）

核心实现技术

预处理增强代码

import cv2
import numpy as np

def enhance_herb_features(img: np.ndarray) -> np.ndarray:
    """
    针对叶片特征的增强处理
    :param img: BGR 格式输入图像
    :return: 增强后的灰度图像
    """
    # 转换 LAB 颜色空间提取明度通道
    lab = cv2.cvtColor(img, cv2.COLOR_BGR2LAB)
    l, a, b = cv2.split(lab)

    # CLAHE 对比度受限直方图均衡化
    clahe = cv2.createCLAHE(clipLimit=3.0, tileGridSize=(8,8))
    enhanced_l = clahe.apply(l)

    # 叶片边缘增强
    sobelx = cv2.Sobel(enhanced_l, cv2.CV_64F, 1, 0, ksize=3)
    sobely = cv2.Sobel(enhanced_l, cv2.CV_64F, 0, 1, ksize=3)
    edge_enhanced = cv2.addWeighted(sobelx, 0.5, sobely, 0.5, 0)

    return edge_enhanced

半自动标注流程

1. 初始标注 ：专家标注 100 张种子数据
2. 模型训练 ：训练 ResNet-18 基础分类器
3. 不确定性采样 ：选择预测置信度 <0.7 的样本优先标注
4. 迭代优化 ：每轮新增标注后更新模型，3 轮后标注量减少 37%

质量控制体系

专家校验机制

• 三级审核 ：初级标注→资深药师复核→教授终审
• 差异仲裁 ：当两位专家标注 IoU<0.6 时启动会商

典型错误案例

避坑实践指南

1. 采收期标注 ：在标注规范中强制包含生长阶段元数据（如花期 / 果期）
2. 炮制处理 ：对同一药材建立 ” 生品 - 制品 ” 关联标注，采用相同 ID 后缀区分
3. 数据增强 ：针对光照变化使用 CycleGAN 生成不同时间段的模拟样本

可扩展架构设计

建议采用分层标签体系：

base_type: 根类药材
attributes:
  - 生长阶段: [幼苗, 成熟期, 花期]
  - 炮制状态: [生品, 酒炙, 醋炙]
  - 药用部位: [根, 叶, 全草]
relations:
  - 同源不同部位
  - 炮制衍生关系 

实践心得

通过本项目积累的标注规范已开源在 GitHub，包含：
– 89 种常见药材的标注示例图
– 中药拉丁名对照表
– 炮制状态判定流程图

后续计划增加 3D 点云标注模块，以应对药材立体形态的数字化需求。建议团队早期就建立完整的元数据标准，避免后期返工。