相关实验视频
Updated: Jul 23, 2026
10:07
Thermal Imaging to Study Stress Non-invasively in Unrestrained Birds
Published on: November 6, 2015
13.5K
基于红外热成像的蛋清新性的非破坏性检测
Jingwei Zhang1,2, Wei Lu2, Xingliang Jian2
1School of Electrical and Electronic Engineering, Anhui Science and Technology University, Bengbu 233000, China.
Sensors (Basel, Switzerland)
|July 8, 2023
概括
红外热成像提供了一种新的非破坏性方法来检测蛋的新鲜度. 这项技术与深度学习相结合,实现了超过94%的准确性,为工业应用铺平了道路.
科学领域:
- 食品科学与技术 食品科学与技术
- 非破坏性测试 不破坏性测试
- 图像处理 图像处理
背景情况:
- 传统的蛋新鲜度评估方法往往具有破坏性或主观性.
- 需要客观,快速和非破坏性的方法来评估蛋质量.
- 红外热图显示了一种有前途的方法,可以在没有损坏的情况下分析蛋的特性.
研究的目的:
- 开发和验证使用红外热成像检测蛋新鲜度的非破坏性方法.
- 为了研究热红外图像和受控加热下的蛋新鲜度之间的关系.
- 探索深度学习算法的有效性,以提高检测准确度.
主要方法:
- 使用有限元模型来确定最佳的热激发参数.
- 取出了蛋热图像的特征参数,包括空气细胞尺寸.
- 机器学习模型 (决策树,天真贝叶斯,KNN,随机森林) 和带有SVM的SegNet被用于新鲜度检测.
- 使用SegNet的图像细分被用来改进特征提取.
主要成果:
- 随机森林模型在检测蛋新鲜度方面实现了92.32%的准确性.
- 在SegNet图像细分方面,准确度达到了98.87%.
- 集成的SegNet-SVM模型显示,最终检测蛋新鲜度的准确率为94.52%.
- 该研究证实,红外热学与深度学习相结合,显著改善了蛋新鲜度的检测.
结论:
- 红外热成像是一种可行的非破坏性技术,用于评估蛋的新鲜度.
- 深度学习算法,特别是SegNet,提高了基于热成像的检测的准确性和可靠性.
- 这种方法为开发自动化,工业规模的蛋质量检查系统提供了基础.
