信息速览
INFOBOX — NB-TCM-CHM 一屏速览
维度 内容 本质 首个公开发布的中药材果实图像数据集，面向深度学习自动识别分类 全称 Ningbo Traditional Chinese Medicine Chinese Herb Medicine（宁波中医药材） 缩写拆解 NB=宁波(Ningbo)｜TCM=中医｜CHM=中草药——与朴素贝叶斯无关 团队 宁波大学主建；东北大学（沈阳）＋宁波市中医院＋史蒂文斯理工学院合作 作者 Dingcheng Tian、Cui Zhou、Yu Wang、Ruyi Zhang、Yudong Yao（拼音，中文名为音译） 论文 Data in Brief 2024（doi:10.1016/j.dib.2024.110405；PMID 38698802；PMCID PMC11063984） 数据 3,784 张 = Dataset 1 网络爬取 3,384 ＋ Dataset 2 手机实拍 400 类别 20 类中药果实（补骨脂、枸杞子、五味子、山楂、乌梅、苦杏仁、桃仁……） 组织 每类一个文件夹（按名称命名），20 类 × 2 子集 = 40 目录 标注 全部图像由中医专家／专业中药师筛选与标注 格式 Raw JPG，尺寸不一；Dataset 1 zip 约 1.2 GB 划分 Dataset 1 → 训练/验证/测试（测试集每类随机 20 张）；Dataset 2 全部作测试 基线 8 模型：VGG16/ResNet18/InceptionV3/ShuffleNetV2/SqueezeNet/MobileNetV2/MobileNetV3/MnasNet 最佳 同域 MobileNetV3 Acc 0.9710；跨域(数据集2) MobileNetV2 Acc 0.8975 获取 Mendeley Data（DOI 10.17632/2kjmzjyrmd.3）；Kaggle 第三方镜像 许可 CC BY 4.0（Mendeley 平台明示） 版本 v1 2023-09-15 → v2 2023-09-20 → v3 2023-09-21（论文引用 v3）
§0 速览导航
本条目按"是什么—从哪来—有多少—怎么用—怎么评—注意什么"的顺序展开，各章定位如下：
| 章节 | 主题 | 适合读者 |
|---|---|---|
| §0 | 速览导航（本章） | 所有人 |
| §1 | 一句话定位 | 快速了解者 |
| §2 | 名称、缩写与身份澄清 | 检索纠错者 |
| §3 | 研究背景与立项动机 | 关注领域脉络者 |
| §4 | 数据集全貌 | 使用者 |
| §5 | 构建流程：从网图到实拍 | 关注数据质量者 |
| §6 | 数据规模与类别分布 | 建模者 |
| §7 | 任务定义与数据划分 | 建模者 |
| §8 | 深度学习分类基线 | 复现与对比者 |
| §9 | 局限性与已知问题 | 审慎使用者 |
| §10 | 获取方式、许可与版本链 | 下载者 |
| §11 | 研究脉络与生态位 | 关注研究定位者 |
| §12 | 数据集卡片要点（速查） | 快速查阅者 |
| §13 | 数据使用坑点清单 | 强烈建议先读 |
| §14 | DAIMS 数据管理能力表 | 评估成熟度者 |
| §15 | 常见问题（FAQ） | 入门者 |
| §16–§22 | 领域背景、工程细节、方法分析、横向对比、复现指南 | 深度使用者 |
| §23–§28 | 逐类药材简介、指标解读、混淆分析、伦理、详细卡片、上手清单 | 实践者 |
| §29 | 深度扩展：技术演进与接续点 | 深度使用者 |
| §30 | 结语与研究展望 | 所有人 |
三句话抓住重点：
- 它是什么：20 类中药材果实、3,784 张图、中医专家标注、CC BY 4.0 公开的图像分类数据集；
- 它的独特处：由"网络爬取 3,384 张 + 药房实拍 400 张"两个子集组成，天然支持跨域泛化评测；
- 它最容易踩的坑：两个子集按采集方式而非"成熟度"划分（详见坑 1）。
§1 一句话定位
NB-TCM-CHM（Ningbo Traditional Chinese Medicine Chinese Herb Medicine Dataset，宁波中医药材图像数据集）是一个收录 20 类常见中药材果实、合计 3,784 张 JPG 图像、由中医专家逐张标注、以 CC BY 4.0 协议公开发布的中药图像分类数据集。 它的第一子集（Dataset 1，3,384 张）通过 Google 搜索与网络爬虫采集后经专业中药师筛选纠错；第二子集（Dataset 2，400 张）则在中药房实地用智能手机、在白色 A4 纸背景与恒定 LED 补光下拍摄。两个子集共同构成一个既可用于模型训练、又可作为跨域泛化"实战考场"的图像资源，也是研究者所称"首个公开可获取的中药材果实数据集"。
对中医药信息化与细粒度图像分类两个社区而言，NB-TCM-CHM 的意义在于它把长期分散、私有、难以横向比较的"中药材识别"研究，第一次放到了一个公开、带标注、可复现的共同底座上。论文配套给出了 8 个经典卷积网络在该数据集上的分类基线，使后来者既能直接训练识别模型，也能以统一口径评测自己的方法是否真的更优。
§2 名称、缩写与身份澄清
2.1 缩写逐字拆解
NB-TCM-CHM 这个看似"密码"的名字，实际是四个英文词组首字母的拼接：
- NB = Ningbo（宁波）——取自数据集的主要建设与发布单位宁波大学，也对应第二子集图像的实际拍摄地宁波市中医院药房；
- TCM = Traditional Chinese Medicine（中医药）；
- CHM = Chinese Herb Medicine（中草药 / 中药材）。
因此，其官方全称 Ningbo Traditional Chinese Medicine Chinese Herb Medicine Dataset 可直译为"宁波中医药材数据集"。
2.2 身份澄清：不是朴素贝叶斯
一个必须先行澄清的常见误读：NB 在此处与机器学习中的"朴素贝叶斯（Naive Bayes，NB）"没有任何关系。该数据集的核心方法是深度卷积神经网络，而非朴素贝叶斯分类器。缩写中的 NB 纯属地名"宁波"的英文缩写。之所以容易被误认，是因为在机器学习文献里 NB 几乎被朴素贝叶斯"占用"，而本数据集恰好又是分类任务——两相叠加极易望文生义。凡在检索中见到"NB-TCM-CHM"被解释为"朴素贝叶斯-中医-中药"的说法，均属误传。
2.3 与库内其他中医药条目的区分
在千方病案医数集的 AI-Ready Wikipedia 中，已有多条中医药相关条目（tcm-tongue 舌诊图像、tcmeval-sdt 中医 LLM 评测、tcmssd 中医舌面诊、mtcmb 中医多模态基准）。NB-TCM-CHM 与它们的关键区别在于：本条聚焦"中药材果实"这一具体药用部位的图像识别分类，既不是舌象/面象等"人体诊法图像"，也不是大语言模型评测基准。任务模态上，它是标准的单标签图像分类数据集，可与上述条目的诊断、评测、多模态任务形成互补而非重叠（互链建议见 §10）。
§3 研究背景与立项动机
3.1 中药材鉴定的现实痛点
中药（Chinese herbal medicine, CHM）是中医药体系的核心组成。中药材的正确使用——包括鉴定（identification）与分类（categorization）——直接关系到患者的生命安全。然而中药鉴定面临三重现实困难：
- 品种繁多：中药材品种数以千计，同一药材又有不同基原、不同炮制规格；
- 形似效异：部分中药材外观高度相似，但疗效迥异，肉眼难以分辨——论文摘要明确指出"some with similar appearances but different therapeutic effects"；
- 人工鉴定局限：传统人工鉴定方法劳动密集（labor-intensive）、效率低下（inefficient），且高度依赖鉴定者的经验水平，难以规模化。
3.2 深度学习的介入可能
近年来，随着图像识别与分析的突破，研究者逐渐将深度学习引入中药材识别。论文梳理了这一脉络的代表工作：
- Wang 等：构建结合通道注意力与空间注意力模块的深度卷积神经网络用于中药材识别（Front. Neurosci. 2022;16:920820）；
- Gang Hu 等：设计轻量化卷积神经网络 CCNNet，应用于中药识别（J. Big Data 2023;10(1):114）；
- Xu 等：提出**多重注意力金字塔网络（Multiple Attentional Pyramid Networks）**用于中药识别（Pattern Recognition 2021）；
- Miao 等：基于深度学习的中药图像识别研究（Front. Bioeng. Biotechnol. 2023;11:1199803）。
3.3 数据缺席成为瓶颈
尽管上述研究已证明深度学习用于中药识别的可行性，论文指出了一个结构性瓶颈：
这些研究所用的数据集多为自建、且不公开（self-built, and the relevant datasets are private），导致不同方法之间难以在同一数据集上比较性能差异。
换言之，即便某篇论文报告了很高的准确率，其他团队也无法在同一底座上复现或公平对比——因为底座是私有的。论文由此得出关键判断：“公开数据集是促进相关研究的关键因素”（the public dataset is an essential factor that promotes the related research），建立一个公开的中药材数据集意义重大。
NB-TCM-CHM 正是针对这一空白而立项的产物：它不仅提供图像，还附带一套统一的深度学习基线，让"公平比较"成为可能。
§4 数据集全貌
4.1 两个子集，一条主线
NB-TCM-CHM 由两个子集组成，二者并非按成熟度分期，而是按采集方式区分（此点须特别强调，详见 §7 坑点 1）：
| 子集 | 图像数 | 采集方式 | 拍摄/获取条件 | 主要用途 |
|---|---|---|---|---|
| Dataset 1 | 3,384 张 | Google 搜索 + 网络爬虫 | 公开网页图像，裁剪+筛除不清晰+中医师纠错 | 模型训练与同域测试 |
| Dataset 2 | 400 张（每类 20 张） | 中药房智能手机实拍 | 白色 A4 纸背景、手机支架、LED 恒定补光 | 跨域泛化测试 |
两个子集共同构成一个"训练域 + 真实域"的组合：Dataset 1 代表互联网上已有的、来源多样的中药材图像，用于训练；Dataset 2 代表中药房真实场景下由普通手机拍摄的图像，用于检验模型能否从"网图"迁移到"实拍"。
4.2 类别体系：20 类中药果实
数据集聚焦果实类中药材，共 20 类。论文与 Mendeley 平台在命名上并行使用俗名与拉丁药名两种写法（本条目附录 A 两栏并列）。20 类如下（按论文编号序）：
- 补骨脂（Psoraleae Fructus）
- 草豆蔻（Alpiniae Katsumadai Semen）
- 川楝子（Toosendan Fructus）
- 地肤子（Kochiae Fructus）
- 圆豆蔻 / 豆蔻（Amomi Fructus Rotundus）
- 覆盆子（Rubi Fructus）
- 枸杞子（Lycii Fructus）
- 栝楼 / 瓜蒌（Trichosanthis Pericarpoium）
- 金樱子（Rosae Laevigatae Fructus）
- 苦杏仁（Armeniacae Semen Amarum）
- 连翘（Forsythiae Fructus）
- 木瓜（Chaenomelis Fructus）
- 砂仁（Amomi Fructus）
- 山楂（Crataegi Fructus）
- 山茱萸（Corni Fructus）
- 桃仁（Persicae Semen）
- 乌梅（Mume Fructus）
- 五味子（Schisandrae Chinensis Fructus）
- 小茴香（Foeniculi Fructus）
- 栀子（Gardeniae Fructus）
这 20 类既包含果实（枸杞子、山楂、乌梅、五味子、金樱子、覆盆子、木瓜、栀子、连翘、川楝子、地肤子、补骨脂、草豆蔻、砂仁、豆蔻、小茴香、山茱萸、瓜蒌），也包含实际入药部位为种子的药材（苦杏仁、桃仁、草豆蔻的"蔻仁"等），体现了中药"果实种子类药材"在实际调剂中的习惯归并。
§5 构建流程：从网图到实拍
5.1 Dataset 1：网页采集与专家纠错
Dataset 1 的构建分四步：
- 搜索与下载：对每一类中药材，通过 Google 搜索检索并下载图像；检索时使用了 Google 的
“Usage rights”（使用权限）过滤工具，确保所收集图像均为公开可获取、可收集的图像；
2. 爬虫自动化：采用网络爬虫（web crawler）技术自动化完成批量采集；
3. 图像清洗：对采集图像裁剪以去除冗余信息，并删除不清晰图像；
4. 专家筛选：最终由**专业中医师（professional Chinese medicine practitioner）**逐类筛选，剔除错误图像，得到 3,384 张。
这一流程的关键在于第四步——在粗放爬取之后引入专业人工把关，把"网图"中大量标错、混淆、跑题的图像清理掉。论文摘要特别强调：“All images are annotated by TCM experts”（所有图像均由中医专家标注），这正是该数据集区别于纯自动爬取数据集的核心价值。
5.2 Dataset 2：中药房里的"实战拍摄"
Dataset 2 的构建刻意模拟了中药材识别的真实应用场景——药房、仓库、生产线。拍摄条件被论文明确记录：
- 拍摄设备：智能手机；
- 背景：白色 A4 纸，用于尽量减少干扰、增强主体可见度；
- 支撑：手机置于**支架（stand）**上；
- 光照：配合 LED 补光灯（LED lights for fill light），拍摄过程中保持光强恒定；
- 筛选：拍摄后逐一筛选，去除不清晰图像；
- 最终规模：400 张，每类恰好 20 张。
恒定光照 + 统一白色背景 + 固定机位，使 Dataset 2 成为一个受控但贴近真实的测试域：它既比网图更"干净"（背景一致），又与真实药房拍摄条件一致（手机、现场），因此特别适合检验模型能否摆脱"网图审美分布"的过拟合。
5.3 标注与质量控制
- 专家主体：全部 3,784 张图像由中医专家／专业中药师（TCM experts / professional Chinese medicine practitioners）筛选与标注；
- 标注粒度：类别级标签，按药材名称建立文件夹，文件名即类别；
- 伦理合规：采集 Google 图像时使用 “Usage rights” 工具；对每张图像进行裁剪等编辑，修改后图像与原图差异显著；作者声明数据集与工作严格符合 Data in Brief 的伦理要求。
§6 数据规模与类别分布
6.1 总量硬数字
| 项目 | 数值 |
|---|---|
| 类别数 | 20 类中药果实 |
| Dataset 1（网络爬取） | 3,384 张 |
| Dataset 2（手机实拍） | 400 张（20 类 × 20 张） |
| 合计 | 3,784 张 |
| 图像格式 | Raw JPG，尺寸不一 |
| 存储组织 | 每类单独文件夹，以药材名称命名（2 子集 × 20 类 = 40 目录） |
| Dataset 1 zip 大小 | 约 1.2 GB |
注：Kaggle 第三方镜像页显示 “Summary 3784 files”，与 3,384 + 400 = 3,784 完全吻合，可作交叉印证。
6.2 Dataset 1 各类数量（论文 Table 1）
Dataset 1 的类别分布明显不均衡，最少 87 张、最多 280 张，极差达 193 张（约 3.2 倍）：
| 序号 | 拉丁药名（论文 Table 1） | Dataset 1 张数 | Dataset 2 张数 |
|---|---|---|---|
| 1 | Psoraleae Fructus | 177 | 20 |
| 2 | Alpiniae Katsumadai Semen | 99 | 20 |
| 3 | Toosendan Fructus | 149 | 20 |
| 4 | Kochiae Fructus | 280（最多） | 20 |
| 5 | Amomi Fructus Rotundus | 87（最少） | 20 |
| 6 | Rubi Fructus | 168 | 20 |
| 7 | Lycii Fructus | 101 | 20 |
| 8 | Trichosanthis Pericarpoium | 164 | 20 |
| 9 | Rosae Laevigatae Frucyus | 146 | 20 |
| 10 | Armeniacae Semen Amarum | 180 | 20 |
| 11 | Forsythiae Fructus | 208 | 20 |
| 12 | Chaenomelis Fructus | 202 | 20 |
| 13 | Amomi Fructus | 213 | 20 |
| 14 | Crataegi Fructus | 122 | 20 |
| 15 | Corni Fructus | 185 | 20 |
| 16 | Persicae Semen | 178 | 20 |
| 17 | Mume Fructus | 191 | 20 |
| 18 | Schisandrae Chinensis Fructus | 179 | 20 |
| 19 | Foeniculi Fructus | 165 | 20 |
| 20 | Gardeniae Fructus | 190 | 20 |
| 合计 | — | 3,384 | 400 |
读表要点：
- 20 类之和恰为 3,384，与论文所报 Dataset 1 总数自洽；
- 不均衡度为 3.2:1（280 vs 87），论文在 Limitations 中明确承认这一点，并指出这"可能给模型训练带来挑战"；
- Dataset 2 刻意做成完全平衡的每类 20 张，与 Dataset 1 的失衡形成对照——这也提示：评估跨域性能时，Dataset 2 的类别均衡口径与 Dataset 1 不可直接类比。
§7 任务定义与数据划分
7.1 任务类型
NB-TCM-CHM 支持的核心任务是单标签图像分类（single-label image classification）：给定一张中药材果实图像，模型需输出其所属的 20 个类别之一。这属于**细粒度图像分类（fine-grained image classification）**的范畴——20 类均为果实/种子类药材，形态相似度高，区分难度大。
论文列出的应用价值包括：
- 训练中医从业者的识药材料；
- 训练深度学习模型自动识别中药材果实，用于药房、仓库、生产线等场所的分类与管理，提升效率、降低差错；
- 开发中药材果实的分类、计数与质量检测应用；
- 作为识别方法性能评估的公共基准。
7.2 数据划分口径
论文的划分口径如下：
- Dataset 1：划分为**训练集（training）、验证集（validation）、测试集（test）**三部分；
- 测试集 = 每类随机选取 20 张 = 400 张（论文原句：“The test set consists of 20 images randomly selected from each category”）；
- 验证集的具体张数/比例论文未明确披露（遗留疑点，见 §9）。
- Dataset 2：全部用于测试跨域泛化性能（“Dataset 2 is all used to test the model performance”）。
因此可以推得：Dataset 1 的 3,384 张中，400 张作同域测试，其余 2,984 张再分入训练与验证（二者具体切分未公开）。
7.3 一个易被误读之处
需要注意：Dataset 1 的测试集（400 张）与 Dataset 2 的全部（400 张）数字相同但性质完全不同——前者是"网图内随机抽样"，用于衡量同域分类能力；后者是"药房实拍全集"，用于衡量跨域泛化能力。两者在论文中分别对应 Table 2 与 Table 3，比较时不可混为一谈。
§8 深度学习分类基线
8.1 实验设置
论文以 8 个经典卷积神经网络建立分类基线，训练与评测配置如下：
| 配置项 | 取值 |
|---|---|
| 框架 | PyTorch 2.1 |
| CPU | Intel i9-10900X |
| GPU | NVIDIA RTX3090 |
| 输入尺寸 | 128 × 128 × 3 |
| 初始学习率 | 0.0001 |
| Batch size | 64 |
| Epoch | 200 |
| 优化器 | Adam |
| 学习率调度 | PyTorch ReduceLROnPlateau |
| 权重保存 | 保存验证集上表现最佳者 |
| 评价指标 | AUC、F1-Score、Recall、Accuracy |
| 数据增强 | 随机翻转（X/Y 轴各 p=0.5）、随机裁剪、旋转；统一缩放 128×128；动态增强 |
8.2 考察的 8 个模型
VGG16、ResNet18、InceptionV3、ShuffleNetV2、SqueezeNet、MobileNetV2、MobileNetV3、MnasNet——这组选择覆盖了"重模型"（VGG16、InceptionV3）、“经典残差”（ResNet18）与"轻量化移动端"（ShuffleNetV2、SqueezeNet、MobileNetV2/V3、MnasNet）三类谱系，兼顾精度与部署可行性，与"药房/生产线现场识别"的应用定位相契合。
8.3 同域结果（Dataset 1 测试，论文 Table 2）
| 模型 | AUC | F1-Score | Recall | Accuracy |
|---|---|---|---|---|
| VGG16 | 0.9983 | 0.9571 | 0.9572 | 0.9556 |
| ResNet18 | 0.9990 | 0.9657 | 0.9657 | 0.9671 |
| InceptionV3 | 0.9962 | 0.9373 | 0.9348 | 0.9324（最低） |
| ShuffleNetV2 | 0.9987 | 0.9546 | 0.9583 | 0.9517 |
| SqueezeNet | 0.9969 | 0.9355 | 0.9356 | 0.9382 |
| MobileNetV2 | 0.9981 | 0.9498 | 0.9508 | 0.9498 |
| MobileNetV3 | 0.9973 | 0.9658 | 0.9664 | 0.9710（最佳） |
| MnasNet | 0.9995 | 0.9523 | 0.9518 | 0.9536 |
要点：8 个模型在同域测试上全部达到 93% 以上准确率，最高 MobileNetV3 的 0.9710，最低 InceptionV3 亦有 0.9324。这说明在"网图"分布内，中药材果实的 20 类分类对现代 CNN 而言已属较易任务——也正因如此，同域高分并不足以证明方法的实用价值，跨域测试才更有说服力。
8.4 跨域结果（Dataset 1 训练 → Dataset 2 测试，论文 Table 3）
| 模型 | AUC | F1-Score | Recall | Accuracy |
|---|---|---|---|---|
| VGG16 | 0.9941 | 0.7805 | 0.8000 | 0.8000 |
| ResNet18 | 0.9948 | 0.8224 | 0.8225 | 0.8225 |
| InceptionV3 | 0.9818 | 0.8031 | 0.8250 | 0.8250 |
| ShuffleNetV2 | 0.9918 | 0.8013 | 0.8125 | 0.8125 |
| SqueezeNet | 0.9887 | 0.7968 | 0.7950 | 0.7950（最低） |
| MobileNetV2 | 0.9978 | 0.8918 | 0.8975 | 0.8975（最佳） |
| MobileNetV3 | 0.9890 | 0.8475 | 0.8500 | 0.8500 |
| MnasNet | 0.9940 | 0.8030 | 0.8050 | 0.8050 |
要点：
- 跨域测试最佳为 MobileNetV2 的 0.8975，较同域最佳（0.9710）下降约 7.4 个百分点；
- 除 SqueezeNet（0.7950）外，所有模型准确率均超过 80%，说明从网图到实拍存在可迁移性，但性能衰减不可忽视；
- 一个值得注意的反转：同域最佳是 MobileNetV3，跨域最佳却是 MobileNetV2——模型在"自己熟悉的分布"上的排名，不能直接推广到真实场景。这正是 Dataset 2 存在的意义：它揭示出"榜上第一"未必是"落地最强"。
8.5 基线的解读边界
论文的基线设计是探索性质而非"刷榜"：8 个模型均为 ImageNet 预训练经典网络，未做针对中药材的专门优化，AUC 普遍在 0.98–0.9995 的高位（说明类别可分性强），但 Accuracy 在跨域时明显回落（说明域偏移是主要瓶颈）。对后来者而言，真正的挑战不在于把同域准确率从 0.97 提到 0.98，而在于如何缩小跨域差距——这恰是 Dataset 2 提供的独特评测价值。
§9 局限性与已知问题
论文在 Limitations 一节自陈三点，本条目另据一手核验补充若干使用注意事项：
9.1 论文自陈局限
- 类别数量不一致：Dataset 1 各类图像数量参差（87–280），“可能给模型训练带来挑战”；
- 药材覆盖有限：中药种类繁多，本研究仅选取 20 种常见果实，未及根、茎、叶、花、皮等其他药用部位；
- 持续扩充计划：作者表示未来将继续建设中药材数据集，逐步增加药材种类与数据量。
9.2 一手核验补充的使用注意
- 域偏移是主要难点：跨域（网图→实拍）准确率较同域下降约 7 个百分点，实际部署需考虑域自适应；
- 类别不平衡：Dataset 1 失衡 3.2:1，直接训练可能偏向多数类，建议重采样或类别加权；
- Dataset 2 样本量小：每类仅 20 张，不宜单独用于训练，只适合作为测试集；
- 划分比例未公开：验证集切分口径缺失，严格复现论文数字存在困难；
- 命名不规范：拉丁药名存在疑似拼写笔误（见附录 A 注），检索时需注意同物异名。
§10 获取方式、许可与版本链
10.1 官方获取
- 平台：Mendeley Data
- DOI：10.17632/2kjmzjyrmd.3
- 直链：https://data.mendeley.com/datasets/2kjmzjyrmd/3
- 文件：Ningbo Traditional Chinese Medicine Chinese Herb Medicine (NB-TCM-CHM) Dataset.zip，约 1.2 GB
- 校验：平台提供 SHA-256 checksum
- 格式：Raw JPG
10.2 第三方镜像
- Kaggle：https://www.kaggle.com/datasets/kilogrand/nb-tcm-chm
- 上传者为
kilogrand，非原作者，镜像完整性未经官方背书；其页面显示 “Dataset_1_Cleaned(20 directories)”、“Dataset_2_Cleaned” 与 “3784 files”，与官方规模一致。使用第三方镜像时建议以 Mendeley 官方的 SHA-256 为准。
10.3 许可
- License：CC BY 4.0（Creative Commons Attribution 4.0 International），由 Mendeley Data 平台页面明示；
- 口径说明：论文正文未直接写 CC BY 字样，仅链接 Mendeley Data 与 Elsevier 伦理政策页；本条许可以数据平台口径为准（双口径存照，见 FACTS.md §9）；
- 使用要求：可分享、复制、修改，但须署名、提供许可链接并标明是否修改，且不得暗示权利人认可你的使用。
10.4 版本链
| 版本 | 发布日期 |
|---|---|
| Version 1 | 2023-09-15 |
| Version 2 | 2023-09-20 |
| Version 3（最新，论文引用） | 2023-09-21 |
三个版本在同一周内连续发布，论文所引为 v3。引用时应以 v3 的 DOI（10.17632/2kjmzjyrmd.3）为准。
§11 研究脉络与生态位
11.1 在中药智能识别谱系中的位置
中药材智能识别研究大致呈"数据先行 → 模型竞赛 → 数据开放"的演进。早期工作（Wang 等 2022 注意力网络、Gang 等 2023 CCNNet、Xu 等 2021 注意力金字塔）多在私有数据上做模型创新，横向比较困难。NB-TCM-CHM（2023–2024）的定位是补上数据这一环——它本身不追求 SOTA 模型，而是提供一个公开、带标注、含跨域子集的共同底座，让后续方法能公平竞技。
11.2 与库内中医药条目的互链建议
| 目标条目 | rid | 关系与互链理由 |
|---|---|---|
| tcm-tongue（中医舌诊图像） | 1052 | 同域（TCM 图像），本条为"药材"、其为"舌象"，同属中医视觉诊断/识别，可互为图像模态对照 |
| tcmssd（中医舌面诊） | 1054 | 同域中医图像，任务为本体多模态诊法，可与药材识别形成"诊法—药材"两端 |
| mtcmb（中医多模态基准） | 1108 | 中医多模态评测基准，本条可作为其图像任务方向的补充资源 |
| tcmeval-sdt（中医 LLM 评测） | 1053 | 中医知识评测，与图像识别任务互补，共同构成中医 AI 评测版图 |
上述 rid 依据写作时 DB 实查（见 FACTS.md §8），入库后由主会话按 R018 规则确认在架并回填链接；本条目 relatedLink 一律用
/0占位。
11.3 下游应用生态
Kaggle 镜像页面记录了该数据集被用于第三方开发的实例（如基于 PyTorch + ResNet18 的 20 类中药果实识别演示系统），显示其已进入教学与工程实践。这类衍生工具虽非官方，但反映了数据集在"可复现、易上手"上的实际价值。
§12 数据集卡片要点（速查）
| 维度 | 摘要 |
|---|---|
| 名称 | NB-TCM-CHM（Ningbo Traditional Chinese Medicine Chinese Herb Medicine Dataset） |
| 任务 | 20 类中药材果实单标签图像分类（细粒度） |
| 规模 | 3,784 张 = Dataset 1（3,384，网图）+ Dataset 2（400，实拍） |
| 类别 | 20 类果实/种子类药材（补骨脂、枸杞子、五味子、山楂、乌梅、桃仁……） |
| 标注 | 中医专家逐张标注，类别级标签 |
| 划分 | Dataset 1 → 训/验/测（测试集每类 20 张）；Dataset 2 全部作跨域测试 |
| 基线 | 8 模型；同域最佳 MobileNetV3 0.9710；跨域最佳 MobileNetV2 0.8975 |
| 许可 | CC BY 4.0 |
| 获取 | Mendeley Data（DOI 10.17632/2kjmzjyrmd.3），约 1.2 GB |
| 版本 | v3（2023-09-21） |
| 论文 | Data in Brief 2024, doi:10.1016/j.dib.2024.110405 |
§13 数据使用坑点清单（坑 1–坑 7）
本节汇总使用 NB-TCM-CHM 时最易踩的坑，多数来自一手核验中发现的"流传说法与原始事实不符"之处。
坑 1：「未成熟/成熟两阶段」是对子集划分的误传
常见的一种流传表述是：NB-TCM-CHM 包含"20 类中药果实的未成熟与成熟两个阶段"。这一说法在原始文献中并不成立。
一手核验（论文 PMC11063984 全文 + Mendeley Data 平台描述 + Kaggle 镜像描述三源一致）显示：数据集的两个子集（Dataset 1 与 Dataset 2）是按"采集方式"划分的，而非按果实成熟度划分——
- Dataset 1（3,384 张） = 经 Google 搜索与网络爬虫采集的网络图像；
- Dataset 2（400 张） = 在中药房用智能手机实拍的图像。
论文全文（摘要、数据描述、实验、局限性、表格）均未出现 immature / mature / 未成熟 / 成熟 等关于成熟阶段的任何表述。20 个类别是品种维度（补骨脂、枸杞子……），不是成熟度维度。
影响：若按"成熟/未成熟"去理解子集，会完全曲解 Dataset 2 的用途——它的价值恰恰在于"跨域泛化测试"（网图训练→实拍测试），而非"成熟度对比"。使用前务必以官方一手描述为准。
坑 2：类名在论文与平台间"俗名/拉丁药名"双写法并存
Mendeley/Kaggle 的平台描述使用俗名（如 Psoralea Corylifolia、Alpinia Katsumadai Hayata），而论文 Table 1 使用拉丁药名（如 Psoraleae Fructus、Alpiniae Katsumadai Semen）。同一类别，两处叫法不同。按其中一个字符串去检索或对齐类别目录时，可能与另一处对不上——做类别映射时须同时把握两种写法（对照见附录 A）。
坑 3：拉丁药名疑似拼写笔误，直接影响字符串匹配
一手来源中出现多处疑似笔误，原文如此，本条目照录：
Rosae Laevigatae Frucyus——疑应为Fructus；Trichosanhes Kirilowii（Mendeley 版）——疑应为Trichosanthes；Cornifructus（Mendeley 版）——论文版作Corni Fructus；Trichosanthis Pericarpoium——疑应为Pericarpium。
影响：任何依赖类别名字符串精确匹配的脚本（如按目录名映射中文标签）都会踩坑，须建容错映射表。
坑 4：Dataset 1 类别严重不平衡（3.2:1）
Dataset 1 各类数量从 87 张（Amomi Fructus Rotundus） 到 280 张（Kochiae Fructus），极差约 3.2 倍。直接按原始分布训练，模型会偏向多数类（如地肤子 280、砂仁 213、连翘 208），少数类（圆豆蔻 87、草豆蔻 99、枸杞子 101）召回率可能偏低。论文亦自陈"可能给模型训练带来挑战"。建议做重采样、类别加权或分层采样。
坑 5：Dataset 2 只有 400 张，不可拿来单独训练
Dataset 2 每类仅 20 张，合计 400 张，设计用途是跨域测试。若误把它当作独立训练集，20 张/类的样本量根本不足以支撑 20 类 CNN 训练（极易过拟合）。正确用法：Dataset 1 训练，Dataset 2 测试。
坑 6：同域与跨域成绩不可混谈，且"榜一"会换人
同域测试（Dataset 1）最佳是 MobileNetV3（0.9710），跨域测试（Dataset 2）最佳却是 MobileNetV2（0.8975）。两个"最佳"不是同一个模型。引用论文数字时务必写清是哪张表（Table 2 还是 Table 3），否则会出现"NB-TCM-CHM 上 MobileNet 准确率 97%"这类以偏概全的表述——97% 只是同域，真实场景更接近 89.75%。
坑 7：划分比例未公开 + 版本与镜像的坑
- 验证集比例缺失：论文只说测试集为每类随机 20 张，未披露训练/验证的具体切分，严格复现论文数字存在困难；
- 版本链：Mendeley 上有 v1/v2/v3（2023-09-15/20/21），论文引用 v3，下载旧版会与论文口径不符；
- 镜像风险：Kaggle
kilogrand/nb-tcm-chm为第三方上传，虽规模一致（3,784 files），但未经官方背书，建议以 Mendeley 官方 + SHA-256 校验为准。
§14 DAIMS 数据管理能力表
DAIMS（Data Management Maturity，数据管理能力成熟度）视角下，对 NB-TCM-CHM 在若干关键维度的评估如下。该表旨在帮助使用者快速判断数据集在"可发现、可获取、可互操作、可复用"方面的成熟度。
| DAIMS 维度 | 评估 | 说明 |
|---|---|---|
| 数据治理（Governance） | 中 | 有明确发布机构（宁波大学）与通讯作者群，有版本管理（v1–v3）；但无独立数据治理章程或长期维护承诺 |
| 数据架构（Architecture） | 中 | 类别-文件夹的扁平结构简单直观，便于加载；但缺乏统一元数据 schema（类别名俗名/拉丁名不一致） |
| 数据建模（Modeling） | 低-中 | 仅类别级标签，无质量等级、成熟度、拍摄参数等细粒度属性建模 |
| 数据存储（Storage） | 中 | Mendeley Data 托管 + SHA-256 校验 + zip 打包（约 1.2 GB），存储规范；无数据库化/API 访问 |
| 数据安全（Security） | 不适用 | 公开数据集，无隐私/敏感数据（中药材图像，不含患者信息） |
| 数据集成与互操作（Integration/Interoperability） | 低-中 | 无标准本体映射、无 DICOM/OMOP 等标准格式；拉丁药名可与药典本体对接但未做 |
| 文档与元数据（Documentation） | 中-高 | 有完整论文（Data in Brief）+ Specifications Table + 平台描述；但验证集划分等关键细节缺失 |
| 数据质量（Quality） | 中-高 | 经中医专家逐张筛选标注，同域可分性高（AUC>0.99）；但类别不平衡、命名笔误、域偏移等问题存在 |
| 数据生命周期（Lifecycle） | 中 | 有版本迭代（3 版）；作者声明将持续扩充，但无明确 roadmap 或更新频率 |
| 合规与许可（Compliance） | 高 | CC BY 4.0 明确，伦理声明完备（Usage rights 采集、图像编辑差异显著） |
| 可复用性（Reusability） | 高 | 公开直链、许可宽松、附基线，是少数可直接用于公平比较的中药材图像资源 |
综合：NB-TCM-CHM 在合规、可复用、文档三项上成熟度较高，在数据建模、互操作上偏弱。对希望快速开展中药材图像分类的研究者，它是一个低门槛、可直接上手的数据集；对需要细粒度属性或标准本体的应用，则需自行做二次加工。
§15 常见问题（FAQ）
Q1：NB 是 Naive Bayes 吗？
不是。NB = Ningbo（宁波），指主要建设单位宁波大学。数据集用的是深度卷积网络，不是朴素贝叶斯。
Q2：3,384 和 400 分别是什么？两者什么关系？
3,384 是 Dataset 1（网络爬取），400 是 Dataset 2（中药房手机实拍）。二者按采集方式区分，共同构成 3,784 张的完整数据集；前者用于训练/同域测试，后者全部用于跨域测试。
Q3：为什么叫"首个公开的"中药材果实数据集？
论文称这是"首个公开可获取的中药材果实数据集"（the first openly accessible dataset of Chinese herbal medicine fruits），主要针对此前中药识别数据集普遍"自建且不公开"的现状。
Q4：能商用吗？
许可为 CC BY 4.0，允许分享、复制、修改，包括商业用途，但须署名、给出许可链接、标明是否修改，且不得暗示权利人背书你的使用。
Q5：20 类具体是哪些？
补骨脂、草豆蔻、川楝子、地肤子、圆豆蔻、覆盆子、枸杞子、栝楼、金樱子、苦杏仁、连翘、木瓜、砂仁、山楂、山茱萸、桃仁、乌梅、五味子、小茴香、栀子。详见附录 A。
Q6：拿它训练能达到什么精度？
同域（网图测试）约 93%–97%，最佳 MobileNetV3 约 97.1%；跨域（实拍测试）普遍 80% 以上，最佳 MobileNetV2 约 89.75%。真实部署精度更接近跨域口径。
Q7：数据从哪下载？
官方：Mendeley Data，DOI 10.17632/2kjmzjyrmd.3，约 1.2 GB，带 SHA-256 校验。另有 Kaggle 第三方镜像（kilogrand/nb-tcm-chm）。
Q8：训练时该用多高的图像分辨率？
论文用 128×128。若要与论文数字比较，须沿用 128×128；若改用更高分辨率，性能可能变化，但不可与论文数字直接对照。
Q9：类别不平衡怎么办？
Dataset 1 失衡约 3.2:1，建议用 WeightedRandomSampler 或类别加权损失；同时报告各类 Recall，避免只看总体 Accuracy。
Q10：能识别 20 类以外的重要药材吗？
不能。该数据集只覆盖 20 类果实，模型对未收录类别只会强行归入已知 20 类之一（闭集假设），不存在"未知类"识别能力。真实应用需考虑开放集问题。
§16 中药材果实识别的中医药领域背景
要真正理解 NB-TCM-CHM 的分类任务难度与价值，需要回到中医药领域本身，理解"果实类药材"为什么是一个既典型又棘手的识别对象。
17.1 "果实"在中药里的界定并不等于植物学果实
在日常语境中，"果实"指的是植物学意义上的 fruit。但在中药材调剂与鉴定实践中，"果实种子类药材"是一个习惯性归并的大类——它不仅包含植物学果实（如枸杞子、山楂、乌梅、五味子），还常常把种子（如苦杏仁、桃仁、酸枣仁）、果皮（如陈皮、大腹皮）、果核（如橘核）等一并纳入。本数据集的 20 类中就有明显体现：
- 真果实类：枸杞子（Lycii Fructus）、山楂（Crataegi Fructus）、乌梅（Mume Fructus）、五味子（Schisandrae Chinensis Fructus）、金樱子（Rosae Laevigatae Fructus）、覆盆子（Rubi Fructus）、木瓜（Chaenomelis Fructus）、栀子（Gardeniae Fructus）、连翘（Forsythiae Fructus）、川楝子（Toosendan Fructus）、地肤子（Kochiae Fructus）、补骨脂（Psoraleae Fructus）、山茱萸（Corni Fructus）、小茴香（Foeniculi Fructus）、瓜蒌（Trichosanthis Pericarpium）；
- 种子类：苦杏仁（Armeniacae Semen Amarum）、桃仁（Persicae Semen）；
- 含"蔻仁"的姜科果实：草豆蔻、砂仁、豆蔻（Amomi 属），入药部位实为种子团。
这种"药材归类 ≠ 植物学分类"的特点，正是中药智能识别研究必须面对的现实复杂性：类别体系的边界由药典与调剂习惯决定，而非由生物学决定。
17.2 为什么"形似效异"是核心难点
论文在摘要中点出的最核心痛点，是"some with similar appearances but different therapeutic effects"（部分药材外观相似但疗效不同）。在 20 类果实中，至少存在几组典型的高混淆风险：
- 砂仁 vs 草豆蔻 vs 豆蔻：三者同属姜科（Amomi 与 Alpiniae 属），果实形态均为椭球形蒴果，表面纹理相近，是细粒度分类的天然"地狱样本"；
- 枸杞子 vs 山茱萸：均为红色浆果干燥品，色泽、大小接近；
- 川楝子 vs 金樱子：均为黄色/橙黄色球形果实，表面质感相似；
- 苦杏仁 vs 桃仁：均为扁卵形种子，颜色、形状高度相似，历来是中药鉴定中易混淆的一对。
这些混淆对，恰恰是普通图像分类模型容易出错的地方，也解释了为什么论文要设置 20 类（而非几类）的细粒度任务，以及为什么跨域测试的准确率会明显下降——细微的纹理、色泽差异，在不同采集条件下极易被淹没。
17.3 中药鉴定在质量控制中的位置
在中药产业链中，鉴定是质量控制的第一道关口。论文强调，中药材的正确使用"is crucial to the life safety of patients"（对患者生命安全至关重要）。这一表述并非夸张——中药误用、混用可能导致疗效丧失甚至中毒（如川楝子、苦杏仁均含需谨慎对待的成分）。因此，把识别能力自动化、前置化到药房、仓库与生产线，具有现实的安全意义，这也是 NB-TCM-CHM 将应用场景明确指向"pharmacies, warehouses, production lines"的原因。
§17 数据构建的工程细节与可复现性
18.1 Dataset 1 的采集工程
网络爬取的图像数据集，质量高度依赖采集与清洗管线。NB-TCM-CHM 的 Dataset 1 管线可拆解为：
- 检索聚合：以每类药材的英文/拉丁名作为查询词，通过 Google 图像搜索获取候选；
- 权限过滤：使用 Google “Usage rights” 工具，限定为公开可获取、可收集的图像——这一步是合规前提；
- 自动下载：网络爬虫批量下载；
- 裁剪：去除图像中的冗余信息（删除背景、水印之外的多余区域），突出药材主体；
- 去劣：删除模糊、不清晰图像；
- 专家纠错：专业中医师逐类审核，剔除错误标注或跑题图像。
第 4、5 步是自动化图像处理，第 6 步是人工质量闸门。这一"机器粗筛 + 专家精筛"的组合，是数据集质量的核心保障，也是其相较于纯自动爬取数据集的关键优势。
18.2 Dataset 2 的受控拍摄协议
Dataset 2 的拍摄条件被论文记录得相当明确，构成一套简易但规范的受控拍摄协议：
| 协议要素 | 取值 | 目的 |
|---|---|---|
| 拍摄背景 | 白色 A4 纸 | 减少背景干扰，突出主体 |
| 拍摄设备 | 智能手机 | 贴近真实应用（非专业相机） |
| 支撑方式 | 手机支架 | 固定机位、稳定视角 |
| 光照 | LED 补光灯 + 恒定光强 | 消除光照波动的影响 |
| 筛选 | 人工剔除不清晰图 | 保证基本质量 |
这套协议的意义在于：它把"背景"和"光照"两个最大的域偏移来源控制住了。因此，Dataset 2 的 400 张图虽然来自真实药房场景（手机拍摄），却在背景与光照上高度一致——这既让跨域测试更"公平"，也意味着它并不能完全代表最野蛮的真实场景（如杂乱货架、混合堆放、强反光等）。使用者在评估泛化性时应意识到这一边界。
18.3 可复现性评估
| 方面 | 可复现性 | 说明 |
|---|---|---|
| 数据获取 | 高 | Mendeley 公开直链 + SHA-256 校验 |
| 类别体系 | 中 | 20 类名称明确，但俗名/拉丁名混用、存在笔误 |
| 采集流程 | 中 | 流程描述清楚（爬取/拍摄），但具体查询词、筛选标准未量化 |
| 训练划分 | 低 | 验证集比例未披露，测试集规则明确（每类 20 张） |
| 训练配置 | 高 | 框架、硬件、超参、增强方式均完整披露 |
| 结果数字 | 高 | Table 2/Table 3 完整给出 AUC/F1/Recall/Accuracy |
结论：数据获取与训练配置可复现性高，训练/验证划分的缺失是最主要的复现障碍。严格复现论文数字需要使用者自行固定随机种子、自行划定验证集，因此报告结果时应注明"基于自定划分"。
§18 方法论深度分析：同域强、跨域弱说明了什么
19.1 AUC 与 Accuracy 的"分裂"信号
在论文的两张结果表中，有一个反复出现、值得深挖的现象：AUC 普遍极高（0.98–0.9995），而 Accuracy 明显更低且跨域时大幅回落。这种"高 AUC + 相对低 Accuracy"的组合，通常指向以下情况：
- 高 AUC：说明模型给正确类别的打分排序能力很强——正确类别几乎总排在前面，各类在特征空间中是可分的；
- 较低 Accuracy：说明在决策阈值处存在系统性错误，即"排序对了但选错了"。这往往源于类别不平衡（少数类被多数类压过阈值）或域偏移导致的分数分布漂移。
具体到 Dataset 1：类别不平衡（87 vs 280）会让模型倾向于把样本判为多数类，即便正确类别的分数不低，也可能被多数类"挤掉"，从而拉低 Accuracy 而 AUC 仍有保障。
19.2 跨域衰减的成因拆解
从 Dataset 1（网图）到 Dataset 2（实拍），准确率下降的成因可拆为几层：
- 背景差异：网图背景五花八门（网图常含包装、标签、桌面、人手），实拍背景统一为白纸。模型可能学到了"背景→类别"的伪相关，换背景即失效；
- 光照差异：网图光照不可控，实拍为 LED 恒定光。色温、反光、阴影分布不同，直接影响颜色与纹理特征；
- 拍摄视角/距离：网图视角多样，实拍为固定机位（支架）。尺度与视角分布不一致；
- 堆叠与遮挡：药房实拍常是一堆药材堆放在一起，个体之间存在遮挡与堆叠，而网图多为单个/少数个体；
- 图像质量与压缩：手机拍摄的压缩伪影、锐化处理与网图不同。
这五层中，第 1、4 层是中药材识别落地的真正瓶颈——真实药房/生产线场景往往是"一堆果实混在一起"，而非"白纸上一颗果实"。因此，跨域约 89.75% 的准确率应被理解为在相对理想实拍条件下的成绩，而非复杂场景下的上限。
19.3 为什么轻量模型在跨域上反超
一个反直觉但可解释的结果是：同域最佳是 MobileNetV3，跨域最佳是 MobileNetV2。可能的解释包括：
- 参数容量与过拟合：较大的模型（如 VGG16、InceptionV3）更容易拟合 Dataset 1 的域特征（包括背景伪相关），跨域时这些过拟合特征失效，衰减更明显；
- 归纳偏置：轻量网络（MobileNet 系列）的深度可分离卷积带来更强的正则化倾向，对域特征依赖更少，泛化更稳；
- 随机性：单次训练的结果差异中，随机种子与划分的影响不可忽视，MobileNetV2/V3 的差距（0.8975 vs 0.8500）是否稳定需多次实验确认。
论文未针对这一反转做专门讨论，因此上述为本条目基于结果的合理推断，而非论文结论。使用者在引用时应注明这一推断性质。
§19 与其他中医药/药材图像数据集的横向对比
下表为本条目基于公开信息整理的横向对照，用于定位 NB-TCM-CHM 的生态位。库内条目的领域信息以其各自百科条目为准；其他数据集的规模/许可为公开描述，未逐一独立核验者已在备注中标明。
| 数据集 | 领域/任务 | 规模 | 模态 | 公开性 | 许可 |
|---|---|---|---|---|---|
| NB-TCM-CHM（本条） | 20 类中药果实分类 | 3,784 张图像 | 单模态图像 | 公开（Mendeley） | CC BY 4.0 |
| tcm-tongue（库内 rid=1052） | 中医舌诊图像 | 见其条目 | 单模态图像 | 见其条目 | 见其条目 |
| tcmssd（库内 rid=1054） | 中医舌面诊多模态 | 见其条目 | 多模态（图像） | 见其条目 | 见其条目 |
| mtcmb（库内 rid=1108） | 中医多模态基准 | 见其条目 | 多模态 | 见其条目 | 见其条目 |
| tcmeval-sdt（库内 rid=1053） | 中医 LLM 评测 | 见其条目 | 文本 | 见其条目 | 见其条目 |
| 各类中药材切片识别（论文所引工作） | 中药饮片识别 | 多为私有自建 | 单模态图像 | 不公开 | 私有 |
定位小结：
- 在药用部位上，NB-TCM-CHM 聚焦"果实"，与"饮片"（切片）、“舌象/面象”（人体诊法）形成差异；
- 在公开性上，它是少数明确 CC BY 4.0 开放的中药图像数据集，对此前"数据私有、无法横向比较"的痛点形成直接回应；
- 在任务模态上，它是纯粹的单标签图像分类，不含文本、对话或多模态对齐，与 tcmeval-sdt、mtcmb 等基准形成互补。
§20 复现指南：从下载到训练基线
以下提供一份面向实践者的可操作复现路径，帮助快速在 NB-TCM-CHM 上跑通一个分类基线。所有步骤基于论文披露的配置与数据集的实际组织方式，具体实现细节需使用者自行补足。
21.1 获取与解锁
- 打开 Mendeley Data：https://data.mendeley.com/datasets/2kjmzjyrmd/3
- 下载
Ningbo Traditional Chinese Medicine Chinese Herb Medicine (NB-TCM-CHM) Dataset.zip（约 1.2 GB）； - 校验 SHA-256（平台提供）；
- 解压后应得到两个子集目录，各含 20 个类别文件夹。
目录结构示意（类别名以实际解压结果为准，注意坑 2 的俗名/拉丁名差异）：
NB-TCM-CHM/
├── Dataset_1/ # 网络爬取，3,384 张
│ ├── Alpiniae_Katsumadai_Semen/
│ ├── Amomi_Fructus/
│ ├── ...（共 20 类）
│ └── Trichosanthis_Pericarpoium/
└── Dataset_2/ # 手机实拍，400 张（每类 20）
├── Alpiniae_Katsumadai_Semen/
├── ...（共 20 类）
└── ...
21.2 划分建议
由于论文未公开训练/验证比例，建议采用如下可复现划分：
- 测试集固定：从 Dataset 1 每类随机取 20 张作为同域测试集（对齐论文口径）；
- 剩余数据（2,984 张）按约 8:2 划为训练集与验证集，使用固定随机种子（如
seed=42）保证可复现； - Dataset 2 全部保留为跨域测试集；
- 类别不平衡处理：可选用
WeightedRandomSampler或类别权重交叉熵，缓解 3.2:1 失衡。
21.3 训练配置（对齐论文）
| 项 | 取值 |
|---|---|
| 框架 | PyTorch 2.1 |
| 输入 | 128×128×3 |
| 优化器 | Adam |
| 初始 lr | 1e-4 |
| Batch size | 64 |
| Epoch | 200 |
| 调度 | ReduceLROnPlateau |
| 增强 | 随机翻转（X/Y，p=0.5）、随机裁剪、旋转 |
| 权重保存 | 验证集最佳 |
21.4 基准跑通要点
- 输入分辨率低（128×128）：论文用的是较小分辨率，若改用 224×224 需注意与论文数字不可直接比较；
- 预训练权重：论文用 ImageNet 预训练经典网络（VGG16/ResNet18 等），复现时应使用官方 ImageNet 权重；
- 指标口径：同时记录 AUC/F1/Recall/Accuracy，便于与论文 Table 2/3 对齐；
- 双表分开报：务必分别报告"Dataset 1 同域测试"与"Dataset 2 跨域测试"两组结果，勿混。
21.5 一个最小数据加载示意（伪代码思路）
# 思路示意，非可直接运行代码
# 数据集目录 → ImageFolder 风格加载（按类别子目录）
train_ds = ImageFolder("NB-TCM-CHM/Dataset_1", transform=train_aug) # 去掉每类20张测试
test_ds = ImageFolder("NB-TCM-CHM/Dataset_1", transform=val_aug) # 每类随机20张
cross_ds = ImageFolder("NB-TCM-CHM/Dataset_2", transform=val_aug) # 全部作跨域测试
# 类别不平衡：WeightedRandomSampler 按类别频率反比采样
# 模型：torchvision 的 resnet18 / mobilenet_v2 / mobilenet_v3 等，pretrained=True
# 训练：Adam(lr=1e-4), CrossEntropyLoss, 200 epochs, ReduceLROnPlateau
# 保存：验证集最佳权重，最后在 test_ds 与 cross_ds 上分别评测
上述为方法示意，不作为可直接复制的完整脚本；实际实现需处理类别名映射（坑 3）、随机种子固定、划分一致性等细节。
§21 学术影响与衍生工作
22.1 数据集本身的引用价值
作为 Data in Brief 系列论文，NB-TCM-CHM 的定位是数据论文（data descriptor）——其贡献在于"提供并描述一个可复用的数据资源"，而非提出新算法。这类论文的价值往往体现在后续被引用与二次使用上：
- 作为基准数据集，供中药识别新方法做统一评测；
- 作为训练资源，供中医药信息化应用开发；
- 作为教学素材，供中医从业者与 AI 学习者认识中药材果实。
22.2 已观察到的一手使用实例
在一手核验过程中，观察到该数据集（或其 Kaggle 镜像）已被第三方用于工程实践——例如有公开的演示项目基于 PyTorch + ResNet18 构建"20 种中药果实识别分类系统"，并声称使用 3,384 张数据集训练。这类衍生作品非官方发布，其质量与准确性未经独立验证，但作为"数据集可被快速上手并转化为应用"的证据，具有一定的生态指示意义。
22.3 对后续研究的启示
从 NB-TCM-CHM 出发，可预期的研究方向包括：
- 域自适应（Domain Adaptation）：如何利用 Dataset 2（无标注或少量标注的实拍域）提升跨域性能；
- 类别不平衡学习：在 3.2:1 失衡下提升少数类识别；
- 细粒度识别：针对砂仁/豆蔻/草豆蔻、苦杏仁/桃仁等易混对的专门方法；
- 开放集识别：真实场景会遇到训练集外的药材种类，需模型能识别"未知类"；
- 数据扩展：从 20 类果实扩展到更多药材部位与品种，并建立与药典本体的映射。
§22 与其他"公开但私有化"问题的对照思考
NB-TCM-CHM 立项的出发点——“数据私有导致无法公平比较”——并非中药识别独有，而是许多垂直领域 AI 研究的通病。值得对照的是：
- 在通用视觉领域，ImageNet、COCO 等公开基准的出现，才真正催生了可比较的方法演进；
- 在医学影像领域，此类"公开基准决定研究节奏"的现象同样突出（如各类挑战赛数据集）；
- 在中医药这一相对小众的领域，"公开数据"尤为稀缺，原因包括：药材样本获取门槛、专家标注成本、缺乏统一类别体系共识等。
因此，NB-TCM-CHM 的贡献不仅是"3,784 张图"，更是在中医药 AI 领域补上了一个"可比较底座"。这一努力的方向价值，可能超过数据集本身的规模价值。当然，一个 20 类、3,784 张的数据集远不足以覆盖中药全貌，其"首个公开"的定位更多是起点意义而非终点意义——这也正是作者表示将继续扩充的原因。
§23 20 类中药材果实逐一简介
下表对数据集收录的 20 类中药材果实做简要说明，帮助使用者理解各类的形态特征与潜在混淆关系。说明：以下药性、功效描述为中医药领域通用知识性简介，仅供理解识别任务之背景，不构成任何用药建议；具体药材标准以《中国药典》为准。
| # | 药材 | 拉丁药名（论文） | 入药部位 | 形态特征简描 | 潜在易混对 |
|---|---|---|---|---|---|
| 1 | 补骨脂 | Psoraleae Fructus | 成熟果实 | 扁圆肾形，黑色或黑褐色，表面有细网纹 | — |
| 2 | 草豆蔻 | Alpiniae Katsumadai Semen | 种子团 | 类球形，表面灰褐色，有纵向棱线 | 砂仁、豆蔻 |
| 3 | 川楝子 | Toosendan Fructus | 成熟果实 | 类球形，金黄色至棕黄色，表面有深色小点 | 金樱子 |
| 4 | 地肤子 | Kochiae Fructus | 成熟果实 | 扁球形，灰绿色至灰棕色，五角星状 | — |
| 5 | 圆豆蔻 | Amomi Fructus Rotundus | 果实 | 类球形，表面黄白色至淡黄棕色 | 砂仁、草豆蔻 |
| 6 | 覆盆子 | Rubi Fructus | 未成熟果实（聚合果） | 由多数小核果聚合，灰绿色至淡棕色 | — |
| 7 | 枸杞子 | Lycii Fructus | 成熟果实 | 类纺锤形，红色至暗红色，柔润 | 山茱萸 |
| 8 | 栝楼/瓜蒌 | Trichosanthis Pericarpium | 果皮 | 类球形或椭圆形，橙黄色，皱缩 | — |
| 9 | 金樱子 | Rosae Laevigatae Fructus | 成熟果实 | 倒卵形，红黄色至红棕色，表面有刺状突起 | 川楝子 |
| 10 | 苦杏仁 | Armeniacae Semen Amarum | 种子 | 扁心形，黄棕色，一端尖一端钝 | 桃仁 |
| 11 | 连翘 | Forsythiae Fructus | 成熟果实 | 长卵形，表面有不规则纵皱纹，黄褐色 | — |
| 12 | 木瓜 | Chaenomelis Fructus | 成熟果实 | 长圆形，紫红色或深红色，皱缩 | — |
| 13 | 砂仁 | Amomi Fructus | 成熟果实 | 椭圆形，表面棕褐色，有刺状突起 | 草豆蔻、豆蔻 |
| 14 | 山楂 | Crataegi Fructus | 成熟果实 | 类球形，红色至暗红色，有白色斑点 | — |
| 15 | 山茱萸 | Corni Fructus | 成熟果肉 | 不规则片状或囊状，紫红色至紫黑色 | 枸杞子 |
| 16 | 桃仁 | Persicae Semen | 种子 | 扁长卵形，黄棕色至红棕色 | 苦杏仁 |
| 17 | 乌梅 | Mume Fructus | 近成熟果实 | 类球形，黑色至黑褐色，表面皱缩 | — |
| 18 | 五味子 | Schisandrae Chinensis Fructus | 成熟果实 | 不规则球形，红色至紫红色，有油润光泽 | — |
| 19 | 小茴香 | Foeniculi Fructus | 成熟果实 | 长圆柱形，黄绿色至淡黄棕色，有纵棱 | — |
| 20 | 栀子 | Gardeniae Fructus | 成熟果实 | 长卵形，红棕色至暗棕色，有纵棱 | — |
形态相似度分析：
- 高危混淆组（同科近缘）：{砂仁、草豆蔻、圆豆蔻}——三者均为姜科果实，色泽相近、均有纵棱或刺状突起，是 20 类中区分难度最高的组合；
- 中危混淆组（形态相近）：{苦杏仁、桃仁}（种子形态相似）、{枸杞子、山茱萸}（红色系）、{川楝子、金樱子}（黄色球形）；
- 易区分类：地肤子（五角星状，形态独特）、连翘（长卵形纵皱）、小茴香（细长圆柱纵棱）、五味子（红色油润）等，形态辨识度高。
这一分析也预判了模型的易错方向：若模型的误分类集中在高危组内，属任务固有难度；若误分到形态差异大的类别，则更可能是域偏移或数据问题所致。
§24 评价指标的解读
论文报告了四个指标（AUC、F1-Score、Recall、Accuracy），它们在多分类任务中的含义与解读要点如下：
25.1 Accuracy（准确率）
- 定义：预测正确样本数 / 总样本数；
- 在本文语境：最直观的"整体做对了多少"；
- 局限：在类别不平衡（Dataset 1 为 3.2:1）下，Accuracy 会掩盖少数类的弱势——一个只学会"多数类"的模型也能拿到不错的 Accuracy。因此单看 Accuracy 不足以判断模型是否真正"学会区分 20 类"。
25.2 AUC（曲线下面积）
- 定义：在多分类中通常指各类 one-vs-rest 的平均 ROC-AUC；
- 在本文语境：衡量模型的排序/区分能力，不受决策阈值直接影响；
- 解读：论文中 AUC 普遍极高（0.98–0.9995），反映 20 类在特征空间可分性强；但高 AUC 不等于高 Accuracy（见 §19 分析）——这是理解本文结果的关键。
25.3 Recall（召回率）
- 定义：某类中被正确找出的比例（本文为多类平均）；
- 在本文语境：反映"该类样本有多少被抓住"；
- 解读：少数类（如 87 张的圆豆蔻）若 Recall 偏低，说明模型漏检这类的能力弱，与类别不平衡直接相关。
25.4 F1-Score
- 定义：Precision 与 Recall 的调和平均；
- 在本文语境：平衡"找全"与"找准"的综合指标；
- 解读：论文中 F1 与 Recall 数值高度接近（如跨域 MobileNetV2：F1 0.8918 / Recall 0.8975），暗示 Precision 与 Recall 较均衡，无明显"高准低召"或"高召低准"的偏斜。
25.5 四指标的组合读法
一个实用的判读口诀：
- AUC 高 + Accuracy 低 → 排序好但阈值/不平衡拖累（本文同域情形）；
- AUC 高 + Accuracy 也明显降（跨域） → 域偏移导致分数分布漂移（本文跨域情形）；
- Recall ≈ F1 → 查准与查全较平衡；
- 同域与跨域差距大 → 泛化是主瓶颈，而非类内可分性。
§25 混淆矩阵的预期结构与错误分析思路
论文未公开混淆矩阵，但基于 §24 的形态相似度分析，可以合理预判误分类的结构，为使用者的错误分析提供方向：
26.1 预期的误分类模式
- 类内混淆（同科近缘）：砂仁 ↔ 草豆蔻 ↔ 圆豆蔻 三者的互相误判应占相当比例；
- 形态相近混淆：苦杏仁 ↔ 桃仁；枸杞子 ↔ 山茱萸；
- 域偏移引发的"系统性塌缩"：跨域时，模型可能把大量实拍图判为 Dataset 1 中的多数类（如地肤子、砂仁），造成 Recall 在少数类上骤降；
- 背景依赖错误：若模型在 Dataset 1 上学到了背景伪相关，跨域到白纸背景时可能集体失准，表现为随机化错误（各类都判错）。
26.2 建议的错误分析流程
- 分别在同域测试集与跨域测试集上生成混淆矩阵；
- 对比两者的对角线强度与非对角热点；
- 定位"同域对但跨域错"的类别对——这些是域敏感混淆对，是改进的重点；
- 抽样人工审阅误分图像，判断是"标注问题"“图像质量问题"还是"模型能力问题”；
- 将错误按上述四类模式归类，针对性设计改进（如针对域敏感类对做数据增强或度量学习）。
26.3 关于"标注噪声"的检查
由于 Dataset 1 来自网络爬取（尽管经专家筛选），仍可能存在残留的标注噪声（个别图像类别错误）。错误分析时若发现某张图的预测"错得离谱"（判到形态完全不同的类），应优先怀疑标注而非模型——这也是使用任何爬取型数据集时的标准检查项。
§26 伦理、合规与负责任使用
27.1 数据来源的合规定位
论文明确说明了 Dataset 1 的采集合规措施：
- 使用 Google “Usage rights” 工具，仅收集公开可获取、可收集的图像；
- 对每张图像进行了裁剪等编辑，声明"修改后图像与原图差异显著"；
- 作者声明数据集与工作严格符合 Data in Brief 的伦理要求（引用 Elsevier 政策）。
Dataset 2 为作者团队自行拍摄（中药房场景），不涉及第三方版权。
27.2 无患者隐私
与医学影像数据集不同，NB-TCM-CHM 的对象是中药材图像，不含任何患者信息、人体图像或可识别个人数据。因此其隐私风险极低，这也是本条目 patient_tags 为空的原因。
27.3 负责任使用的几点提醒
- 不得作为临床鉴定依据：该数据集用于算法研究与教育，不能替代执业中药师的临床鉴定；任何药用决策须由专业人员依《中国药典》与法规作出；
- 署名义务：CC BY 4.0 要求署名、给出许可链接、标明是否修改，且不得暗示权利人背书；
- 第三方镜像需谨慎：Kaggle 镜像非官方，使用前建议以官方 SHA-256 校验；
- 模型局限需明示：若基于该数据集构建应用，应在文档中明示其 20 类覆盖范围、跨域性能落差与类别不平衡等局限，避免使用者误以为"能识别所有中药"。
27.4 与中医药现代化的关系
将中药识别自动化，是中医药现代化与信息化的一个具体切口。技术层面上，它有助于提升药房调剂、仓储管理的效率与准确性；但在推广时须保持审慎——算法的"看得准"与执业药师的"认得准"之间，仍有专业判断与法规责任的鸿沟。数据集与模型是工具，不是替代。
§27 数据卡片（详细版）
参照主流"数据集卡片（Datasheet）"范式，从动机、构成、采集、预处理、用途、分发、维护七个维度系统描述 NB-TCM-CHM。
28.1 动机（Motivation）
- 目的：为中药材识别研究提供公开、带标注的图像资源，解决"数据集私有、无法公平比较"的痛点；
- 创建者：宁波大学（主）+ 东北大学 + 宁波市中医院 + 史蒂文斯理工学院；
- 资助：论文未明确披露资助来源。
28.2 构成（Composition）
- 实例：3,784 张中药材果实图像；
- 子集：Dataset 1（3,384，网图）+ Dataset 2（400，实拍）；
- 标签：20 个类别（类别级单标签）；
- 数据量分布：Dataset 1 类间 87–280，Dataset 2 每类 20；
- 缺失信息：个别图像标注噪声未系统统计。
28.3 采集（Collection）
- Dataset 1：Google 图像搜索 + 爬虫，Usage rights 过滤；
- Dataset 2：智能手机 + 白纸背景 + 支架 + LED 恒定补光，中药房实拍；
- 标注者：专业中医师/中药师。
28.4 预处理（Preprocessing）
- 裁剪去冗余、删除不清晰图、专家筛选纠错；
- 训练时统一缩放 128×128，配随机翻转/裁剪/旋转增强；
- 未做统一色彩校正或背景去除。
28.5 用途（Uses）
- 适用：中药材果实 20 类图像分类、细粒度识别方法评测、跨域泛化研究、教学演示；
- 不适用：临床鉴定、20 类以外的药材识别、非果实部位识别、患者相关决策；
- 已知风险：类别不平衡、域偏移、命名不规范。
28.6 分发（Distribution）
- Mendeley Data（官方，CC BY 4.0，约 1.2 GB，SHA-256）；
- Kaggle 第三方镜像（非官方）。
28.7 维护（Maintenance）
- 版本：v1/v2/v3（2023-09-15/20/21）；
- 作者声明将持续扩充药材种类与数据量；
- 无明确更新频率或长期维护协议。
§28 快速上手清单（Checklist）
面向准备使用 NB-TCM-CHM 的研究者，一份"开工前必查"清单：
- [ ] 从 Mendeley 官方下载 v3，校验 SHA-256（勿仅依赖 Kaggle 镜像）；
- [ ] 确认理解两个子集按采集方式划分，而非成熟度（坑 1）；
- [ ] 建立类别名容错映射表，处理俗名/拉丁名/拼写笔误（坑 2、坑 3）；
- [ ] 对 Dataset 1 做类别不平衡处理（重采样或加权，坑 4）；
- [ ] Dataset 2 只作测试，不参与训练（坑 5）；
- [ ] 结果分同域/跨域两表报告，注明对应论文 Table 2/3（坑 6）；
- [ ] 自定并固定划分随机种子，因论文未公开验证集比例（坑 7）；
- [ ] 引用时注明 CC BY 4.0 并署名原作者；
- [ ] 在应用文档中明示 20 类覆盖范围与跨域性能落差；
- [ ] 错误分析时优先检查标注噪声与域敏感混淆对。
§29 深度扩展：中药材识别的技术演进与本文数据集的接续点
29.1 从传统图像处理到深度学习
中药材识别的技术路线，大致经历了三个阶段：
- 人工经验阶段：依赖药师"眼看、手摸、鼻闻、口尝"，主观性强、不可规模化；
- 传统图像处理阶段：基于颜色、纹理、形状的手工特征（如颜色矩、灰度共生矩阵、Hu 矩）配合 SVM 等浅层分类器。这类方法对受控条件（固定背景、稳定光照）尚可，但一旦背景或光照变化即失效，泛化差；
- 深度学习阶段：以 CNN 自动学习特征，摆脱手工特征设计，在多样化数据上表现显著更优——这正是 NB-TCM-CHM 与论文所引工作（Wang 2022 注意力网络、Gang 2023 CCNNet、Xu 2021 注意力金字塔）所处的位置。
NB-TCM-CHM 的贡献不在于提出新的网络结构，而在于为第三阶段提供公开的公共底座。这一定位有其必然性：深度学习方法的进步依赖"数据—模型—评测"的闭环，缺了公开数据这一环，模型进步就只能停留在各自的小圈子里。
29.2 论文所引工作的技术取向
论文引用的代表性工作，反映了中药识别领域的三条技术取向：
| 工作 | 年份 | 技术取向 | 关键点 |
|---|---|---|---|
| Xu 等 | 2021 | 注意力机制 | 多重注意力金字塔网络，强调多尺度特征 |
| Wang 等 | 2022 | 双注意力模块 | 通道注意力 + 空间注意力的组合，用于中药饮片 |
| Gang 等 | 2023 | 轻量化 | CCNNet，追求参数少、可部署 |
| Miao 等 | 2023 | 综述/框架 | 深度学习中药图像识别的整体方法 |
三条取向分别对应：精度提升（注意力）、效率提升（轻量化）、体系化梳理（综述）。NB-TCM-CHM 的基线模型选择（既有 VGG16 重模型，也有 MobileNet 系列轻模型）恰好呼应了"精度—效率"这一对张力。
29.3 NB-TCM-CHM 可接续的方法方向
基于其结构特点，以下方法方向天然适配 NB-TCM-CHM：
- 域自适应（Domain Adaptation）：Dataset 1（源域）与 Dataset 2（目标域）的天然划分，使其成为域自适应研究的理想试验台——可用对抗域适应、最大均值差异（MMD）对齐、风格迁移等方法缩小差距；
- 类别不平衡学习：3.2:1 的失衡提供了真实的"长尾"场景，可测试重加权、Focal Loss、重采样等方法的实效；
- 细粒度视觉：砂仁/草豆蔻/豆蔻、苦杏仁/桃仁等易混对，适合双线性 CNN、注意力定位、度量学习等细粒度方法；
- 数据增强与合成：可利用生成模型合成稀少数类样本或实拍风格样本，缓解少数类不足与域偏移；
- 自监督/预训练：在无标签的中药材图像上做自监督预训练，再微调到 20 类任务，检验能否降低对标注的依赖。
29.4 与基础模型（Foundation Model）时代的衔接
进入视觉基础模型（如 CLIP 类、ViT 类）时代，NB-TCM-CHM 又有了新的用法：
- 零样本/少样本评测：可用 CLIP 类模型直接对 20 类做零样本分类，考察通用基础模型在专业细粒度领域的"先天能力"；
- 提示学习（Prompt Learning）：结合类别名的中英文文本提示，测试视觉-语言对齐在中药识别上的效果；
- 微调基座：以 ViT 等为骨干在 Dataset 1 上微调，再测 Dataset 2，考察大模型是否比经典 CNN 更能抗域偏移。
注意：论文基线用的是 128×128 输入的经典 CNN；用基础模型时输入分辨率与骨干差异巨大，结果不可与论文 Table 2/3 直接对比，只能作为"新方法自建基线"。
29.5 一个务实的建议：从"同域刷分"转向"跨域验证"
面对 NB-TCM-CHM，最容易被误用的方式是"只在 Dataset 1 上冲高准确率"。由于 Dataset 1 同域早已达 93%+，这里几乎没有提升空间，且高分不代表有实用价值。更有价值的做法是：
- 固定 Dataset 1 训练划分，以 Dataset 2 的跨域准确率作为主要优化目标；
- 报告时必须同时给出同域与跨域两组数字，并说明二者的差距；
- 关注少数类 Recall 与易混对的混淆率，而非仅看总体 Accuracy。
这一建议的实质，是把评测重心从"模型在熟悉分布上多聪明"转到"模型在陌生分布上多可靠"——后者才是药房、仓库、生产线真实关心的问题。
29.6 数据扩展的合理路径
若要在 NB-TCM-CHM 基础上做数据扩展，较为稳妥的路径包括：
- 纵向扩展：增加同一药材的更多采集条件（不同光照、不同设备、不同背景），增强域覆盖；
- 横向扩展：增加更多药材品种，逐步向药典靠拢；
- 部位扩展：从果实扩展到根、茎、叶、花、皮、全草等；
- 标注增强：从类别标签扩展到位姿、遮挡、计数、质量等级等细粒度标注；
- 本体对齐：将类别名与药典/中药材本体建立规范映射，解决俗名/拉丁名混用问题。
这五条路径与论文作者"逐步增加药材种类与数据量"的表述方向一致，也契合中医药信息化从"单点识别"走向"体系化知识"的长期趋势。
29.7 五种常见误用及其纠正
在审阅第三方对该数据集的使用时，以下五种误用最为常见，值得逐一澄清：
| 误用 | 表现 | 纠正 |
|---|---|---|
| 误当成熟度数据集 | 按"未成熟/成熟"解读两个子集 | 两子集按采集方式划分（网图 vs 实拍），与成熟度无关（坑 1） |
| 误把 Dataset 2 当训练集 | 用 400 张实拍图训练模型 | Dataset 2 每类仅 20 张，只作跨域测试（坑 5） |
| 混用同域/跨域成绩 | 笼统称"准确率 97%" | 97% 仅同域（Table 2）；跨域为 89.75%（Table 3）（坑 6） |
| 忽视类别不平衡 | 直接原始分布训练 | 3.2:1 失衡需重采样/加权（坑 4） |
| 当作临床鉴定工具 | 声称可替代药师鉴定 | 仅 20 类、闭集假设、有域偏移，不得作临床依据（§26） |
这些误用的共同根源，是未回到一手文献核对子集的实际定义。这也是本条目反复强调"以一手来源为准"的原因：一个数据集被如何理解，直接决定它被如何误用；而中文互联网上关于 NB-TCM-CHM 的二手转述中，"未成熟/成熟两阶段"这一错误理解流传甚广，使用者尤须警惕。
29.8 小结：把它当作"评测标尺"而非"应用成品"
归根结底，NB-TCM-CHM 最适合的角色是评测标尺——衡量一个中药图像识别方法在受控同域与跨域条件下的表现；而不是应用成品——直接拿去替代药师或做成商用识别系统。把握住这一定位，就能把它的价值用足，同时避开它固有局限带来的坑。
对研究者而言，它是一块难得的"公开起跑线"；对工程实践者而言，它是一个需要二次加工与审慎验证的原料；对中医药信息化从业者而言，它则是"数据开放推动领域进步"这一命题的一个具体注脚。
§30 结语与研究展望
NB-TCM-CHM 的价值，可以用一句话概括：它把"中药材识别"从各自为战的私有数据，带到了一个公开、可比较、可复现的起跑线上。 3,784 张经中医专家把关的图像、20 类常见果实的清晰类别体系、以及 8 个经典模型的双口径基线，共同构成了一个门槛低、易上手、且兼具"训练"与"跨域评测"双重功能的资源。
更值得关注的是它揭示的方法论启示：同域 97% 与跨域 89.75% 之间的落差，直观地说明——在实验室数据上刷出的高分，未必等于真实场景中的可用系统。Dataset 2 那 400 张看似不起眼的手机实拍图，恰恰是全数据集最具价值的"诚实考题"。对任何面向落地的中药识别研究而言，这一课都至关重要。
从更宏观的视角看，NB-TCM-CHM 也映照出垂直领域 AI 研究的一条普遍规律：数据的开放程度，往往决定了一个领域方法创新的速度与可比性。此前中药识别研究之所以难以横向比较，根源正在于数据的私有化；而一个公开、带标注、附基线的数据集，能够让"谁的模型更好"从口说无凭变为可被验证。就这一点而言，3,784 张图的规模虽不算大，其"打开局面"的意义却不小。
展望未来，论文作者已表示将持续扩充药材种类与数据量。可以预期，从中药材果实扩展到根、茎、叶、花、皮等更多药用部位，从 20 类扩展到更接近药典全貌的数百类，并与中药材本体、药典标准建立互操作映射，将是这一数据集族演进的合理方向。而在方法层面，如何缩小域偏移、如何处理类别不平衡、如何在轻量模型上兼顾精度与部署、如何应对开放集中的"未知类"，仍是留待后来者的开放问题。
对于千方病案医数集的读者而言，本条目的核心提醒归结为一句：使用 NB-TCM-CHM 前，请务必先读 §13 坑点清单，尤其是坑 1——两个子集是按"采集方式"划分的，不是按"成熟度"。这一个认知，决定了你是否用对了这个数据集。
附录索引
- 附录 A：20 类中药材果实名称对照（俗名 ↔ 论文拉丁药名 ↔ 张数）——见正文后附；
- 附录 B：论文参考文献（数据集所引代表性中药识别工作）——见正文后附。
条目说明：本条目由千方病案医数集 AI-Ready Wikipedia 编辑部（撰写代理 agent-f-nbtcmchm）依据一手来源（Data in Brief 论文 PMC11063984 / PMID 38698802 / DOI 10.1016/j.dib.2024.110405、Mendeley Data 平台页面 DOI 10.17632/2kjmzjyrmd.3、Kaggle 镜像页 kilogrand/nb-tcm-chm）撰写。凡 brief 描述与一手来源出入之处（尤以"未成熟/成熟两阶段"一说为要），一律以一手来源为准并在正文与 FACTS.md 中存照。数据引用的权威口径请以 Mendeley Data v3（DOI 10.17632/2kjmzjyrmd.3）与论文 DOI 10.1016/j.dib.2024.110405 为准。20 类中药材的药性功效描述为领域通用知识性简介，仅供理解识别任务背景，不构成用药建议；具体药材标准以《中国药典》为准。
附录 A：20 类中药材果实名称对照（俗名 ↔ 论文拉丁药名）
| # | 论文 Table 1 拉丁名 | 中文药名 | Dataset 1 | Dataset 2 |
|---|---|---|---|---|
| 1 | Psoraleae Fructus | 补骨脂 | 177 | 20 |
| 2 | Alpiniae Katsumadai Semen | 草豆蔻（蔻仁） | 99 | 20 |
| 3 | Toosendan Fructus | 川楝子 | 149 | 20 |
| 4 | Kochiae Fructus | 地肤子 | 280 | 20 |
| 5 | Amomi Fructus Rotundus | 圆豆蔻 / 豆蔻 | 87 | 20 |
| 6 | Rubi Fructus | 覆盆子 | 168 | 20 |
| 7 | Lycii Fructus | 枸杞子 | 101 | 20 |
| 8 | Trichosanthis Pericarpoium | 栝楼 / 瓜蒌 | 164 | 20 |
| 9 | Rosae Laevigatae Frucyus * | 金樱子 | 146 | 20 |
| 10 | Armeniacae Semen Amarum | 苦杏仁 | 180 | 20 |
| 11 | Forsythiae Fructus | 连翘 | 208 | 20 |
| 12 | Chaenomelis Fructus | 木瓜 | 202 | 20 |
| 13 | Amomi Fructus | 砂仁 | 213 | 20 |
| 14 | Crataegi Fructus | 山楂 | 122 | 20 |
| 15 | Corni Fructus | 山茱萸 | 185 | 20 |
| 16 | Persicae Semen | 桃仁 | 178 | 20 |
| 17 | Mume Fructus | 乌梅 | 191 | 20 |
| 18 | Schisandrae Chinensis Fructus | 五味子 | 179 | 20 |
| 19 | Foeniculi Fructus | 小茴香 | 165 | 20 |
| 20 | Gardeniae Fructus | 栀子 | 190 | 20 |
* 原文分别写作
Rosae Laevigatae Frucyus、Trichosanhes Kirilowii（Mendeley 版）、Cornifructus（Mendeley 版）等，存在疑似拼写笔误；本表按论文 Table 1 规范写法列出，中文药名为标准译名。Mendeley 平台描述使用俗名（如 Psoralea Corylifolia、Alpinia Katsumadai Hayata），与论文拉丁药名并存，属同一实体的两种写法。
附录 B：论文参考文献（数据集所引代表性中药识别工作）
- Wang J, et al. Combined channel and spatial attention module network for Chinese herbal slices automated recognition. Front. Neurosci. 2022;16:920820.
- Gang Hu, et al. CCNNet: a novel lightweight convolutional neural network and its application in traditional Chinese medicine recognition. J. Big Data. 2023;10(1):114.
- Xu Y, et al. Multiple attentional pyramid networks for Chinese herbal recognition. Pattern Recognition. 2021.
- Miao J, et al. Image recognition of traditional Chinese medicine based on deep learning. Front. Bioeng. Biotechnol. 2023;11:1199803.
相关数据集导航
以下为站内 AI-Ready 数据集百科中与本词条共享多个主题标签的相关数据集，按相关度降序排列：
- tox21 — 共享标签：图像分类 / 药物发现与化学 / 药物安全
- cardiac-implantable-device-cxr — 共享标签：医学影像 / 图像分类
- chest-x-ray-segmentation — 共享标签：医学影像 / 图像分类
- chexpert — 共享标签：医学影像 / 图像分类
- nih-chestx-ray14 — 共享标签：医学影像 / 图像分类
- cytoimagenet — 共享标签：医学影像 / 药物发现与化学
- toxcast — 共享标签：药物发现与化学 / 药物安全
- gastrovision — 共享标签：医学影像 / 图像分类
- rfmid — 共享标签：医学影像 / 图像分类
- oct2017 — 共享标签：医学影像 / 图像分类
导航说明：本章节由全站统一标签体系自动计算生成（标签重合度算法），双向可达；点击链接可跳转至对应数据集词条。
