构建高质量80种中草药数据集标注的技术实践与避坑指南

1次阅读

共计 1608 个字符，预计需要花费 5 分钟才能阅读完成。

中草药数据标注相比常规图像标注存在三大技术难点：

形态相似性高 ：如当归与独活、白芷与杭白菊的根茎特征差异仅毫米级，需亚像素级标注精度
专业门槛高 ：标注人员需掌握《中国药典》的显微鉴别标准（如导管类型、草酸钙结晶形态）
样本不平衡 ：常见药材（如黄芪）样本量可能是稀有药材（如雪莲）的 50 倍以上

针对细粒度标注需求，主流工具对比：

工具	细粒度标注支持	多人协作	医学插件	学习成本
Label Studio	支持多边形 + 关键点	★★★★	需自定义	低
CVAT	超像素分割	★★★	无	中
VGG Image Annotator	层级标签体系	★★	有	高

推荐方案 ：Label Studio + 自定义 XML 模板（集成药典术语库）

import cv2
import numpy as np

def preprocess_herb(image_path):
    """
    中草药图像预处理流水线
    参数:
        image_path: 原始图像路径
    返回:
        背景分离后的 ROI 区域
    """
    # 1. 光照补偿（CLAHE 算法）img = cv2.imread(image_path)
    lab = cv2.cvtColor(img, cv2.COLOR_BGR2LAB)
    l, a, b = cv2.split(lab)
    clahe = cv2.createCLAHE(clipLimit=3.0, tileGridSize=(8,8))
    l_clahe = clahe.apply(l)
    lab_clahe = cv2.merge((l_clahe,a,b))

    # 2. 背景分离（K-means 聚类）pixel_values = lab_clahe.reshape((-1, 3))
    pixel_values = np.float32(pixel_values)
    criteria = (cv2.TERM_CRITERIA_EPS + cv2.TERM_CRITERIA_MAX_ITER, 100, 0.2)
    _, labels, centers = cv2.kmeans(pixel_values, 2, None, criteria, 10, cv2.KMEANS_RANDOM_CENTERS)
    mask = labels.reshape(img.shape[:2])

    # 3. 形态学优化
    kernel = np.ones((5,5),np.uint8)
    mask = cv2.morphologyEx(mask, cv2.MORPH_CLOSE, kernel)
    return cv2.bitwise_and(img, img, mask=mask)

graph TD
    A[原始图像] --> B(OpenCV 预处理)
    B --> C{专家知识库}
    C -->| 特征匹配 | D[自动建议标注区域]
    D --> E[人工修正]
    E --> F[质量校验模块]
    F -->|Kappa>0.85| G[入库]

一致性检查 ：
计算三名标注者的 Cohen’s Kappa 系数
关键部位（如叶脉交汇点）要求 IOU≥0.9

混淆检测 ：

from sklearn.metrics import confusion_matrix
import seaborn as sns

# 相似药材对分析（以当归 vs 白芷为例）cm = confusion_matrix(y_true, y_pred, labels=["当归","白芷"])
sns.heatmap(cm, annot=True, fmt="d")