الهدف هو تحقيق التعرف التلقائي على زاوية شرائح Zhe Beimu بناءً على خوارزمية YOLOv7-tiny المحسنة. الطريقة تعتمد على زيادة البيانات لإنشاء مجموعة بيانات من 16000 صورة تحتوي على شرائح Zhe Beimu بزوايا مختلفة. تم تحسين خوارزمية YOLOv7-tiny عن طريق استبدال التلافيف العادية بتلافيف الظل الإلكتروني (GhostConv)، وإضافة آلية الانتباه للإحداثيات (CA) بشكل اختياري، واستبدال بعض دوال التفعيل بدالة HardSwish ذات حساب أقل، وإضافة مصطلح عقوبة لخطأ التعرف على الزاوية في دالة الخسارة، وتعديل استراتيجية كبت القيم القصوى غير القصوى (NMS) لمواجهة وجود نتائج متعددة لنفس الهدف. للتحقق من فعالية نقاط التحسين المختلفة في تحسين نموذج الخوارزمية، تم إجراء تجارب الاستئصال على كافة النقاط المحسنة، حيث تم مقارنة نتائج التنبؤ قبل وبعد إضافة نقطة تحسن معينة على النموذج الأصلي أو النموذج الذي يحتوي على تحسينات مؤكدة، وتم إثبات فعالية نقاط التحسين بناءً على تحسين مؤشرات التقييم. النتائج تشير إلى أن الخوارزمية المحسنة لتعرف زاوية شرائح Zhe Beimu تتطلب حوالي 55.4% من معلمات الخوارزمية الأصلية، وبحجم حسابي يبلغ حوالي 59.4%، وزادت الدقة المتوسطة عند تقاطع الاتحاد 0.5 (mAP@0.5) بنسبة 12.2%، بينما كانت متوسط الخطأ المطلق للزاوية (MAE) 5.02° وهو انخفاض بمقدار 4.58° بالمقارنة مع الخوارزمية الأصلية، وكان متوسط زمن التعرف لكل صورة في بيئة التجارب الحالية 8.7 مللي ثانية، أسرع بكثير من متوسط وقت استجابة الإنسان. الخلاصة أن الدراسة استخدمت خوارزمية YOLOv7-tiny المحسنة لتحقيق التعرف على زاوية شرائح Zhe Beimu، وكانت أخف وزناً وأكثر دقة من النموذج الأصلي، مما يوفر طريقة جديدة للتشغيل الآلي المستقر والدقيق لشرائح Zhe Beimu، ويقدم مرجعية معينة للأتمتة في تحضير الأدوية الصينية الأخرى.

Zhe Beimu;الأتمتة في التحضير;التصنيع الذكي;عملية الشرائح;آلية الانتباه;شبكة الالتفاف العميقة;كشف الأهداف;تخفيف وزن النموذج