相关实验视频
Updated: Jun 22, 2025
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
9.0K
使用卷积神经网络在牛奶中基于图像检测杂物
Adhyayan Mamgain1, Virkeshwar Kumar2, Susmita Dash1
1Department of Mechanical Engineering, Indian Institute of Science, Bengaluru 560012, Karnataka, India.
ACS omega
|July 1, 2024
概括
机器学习可以通过蒸发模式检测牛奶杂物. 一个深度学习模型在识别常见污染物如尿素,硫酸和油等方面达到98%的准确性,提供了具有成本效益的解决方案.
科学领域:
- 食品科学与技术 食品科学与技术
- 分析化学 分析化学
- 机器学习应用 机器学习应用
背景情况:
- 牛奶造是严重的公共卫生问题.
- 传统的伪造物检测方法往往是昂贵的,并且对于农村环境来说不切实际.
- 需要可访问和可靠的牛奶质量评估技术.
研究的目的:
- 研究机器学习在检测牛奶染剂方面的潜力.
- 开发一种使用蒸发性牛奶沉积模式的深度学习模型.
- 评估不同规范化技术对模型准确性的有效性.
主要方法:
- 从伪造的牛奶样本中收集了蒸发性牛奶沉积模式的图像数据集.
- 开发了一个卷积神经网络 (CNN) 模型用于模式分类.
- 应用隐式 (数据增强) 和显式规范化技术进行优化.
主要成果:
- 美国有线电视新闻网成功地分类了不同的蒸发模式,对应于不同的杂物和度.
- 该方法检测到特定的最低度:5%的尿素,2.4%的硫酸和2%的油.
- 通过数据增强的隐式规范化产生了最高的测试准确率98%的结果.
结论:
- 机器学习,特别是CNN,可以有效地检测使用蒸发模式的常见牛奶 adulterants.
- 开发的技术为牛奶质量控制提供了一个有希望的,低成本的替代方案.
- 数据增强显著提高了伪造剂检测模型的准确性.
