相关实验视频
Updated: Jun 24, 2026
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
9.2K
一种基于食品安全深度学习的牛物种识别方法
1Department of Computer Science and Technology, Shanghai Maritime University, Shanghai 201306, China.
Mathematical biosciences and engineering : MBE
|March 29, 2024
概括
一个改进的YOLOv7模型通过优化脊柱和添加受感场增强模块来增强食品安全的牛分类. 这种人工智能驱动的方法比现有的准确牛识别方法提供了更高的性能.
科学领域:
- 计算机视觉 计算机视觉
- 人工智能的人工智能
- 食品安全技术 食品安全技术
背景情况:
- 手动的牛分类在确保食品安全方面造成了效率低下和风险.
- 准确识别牛物种对于防止食用有毒品种至关重要.
研究的目的:
- 开发一个高效准确的自动化牛检测和分类系统.
- 改进现有的深度学习模型,以加强牛识别.
主要方法:
- 一个改进的YOLOv7模型,包含部分卷积和FReLU激活,用于骨干优化.
- 集成感应场增强模块和WIoU损失功能,以应对小,密集和多样化的牛目标的挑战.
- 创建一个全面的牛图像数据集,包括九种常见物种,包括Pomacea canaliculata,Viviparidae和Nassariidae.
主要成果:
- 在牛分类任务中,与其他最先进的方法相比,增强的YOLOv7模型表现出卓越的性能.
- 模型改进成功地降低了计算负载 (FLOP),同时提高了表示能力.
- WIoU损失函数提高了模型准确检测具有挑战性的目标的能力,例如小或边缘牛.
结论:
- 建议改进的YOLOv7方法为自动化牛分类提供了有效的解决方案.
- 这项技术具有显著的潜力,可以提高食品安全协议,并减少与错误识别可食用和有毒牛相关的风险.
- 该研究强调了针对专业图像识别任务的深度学习模型修改的有效性.
