相关实验视频
Updated: May 13, 2026
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
9.0K
基于深度学习的自动化细胞检测促进了肉类质量评估
Hui Zheng1, Nan Zhao1, Saifei Xu2
1College of Biosystems Engineering and Food Science, Zhejiang University, Hangzhou 310058, China.
Foods (Basel, Switzerland)
|July 27, 2024
概括
本研究介绍了Detect-Cells-Rapidly-Net (DCRNet),一种卷积神经网络 (CNN),用于自动识别和计数染色细胞. 通过提供准确和高效的细胞检测,DCRNet改善了肉质监测,超越了传统方法.
科学领域:
- 食品科学 食品科学 食品科学
- 计算生物学 计算生物学
- 机器学习 机器学习
背景情况:
- 全球肉类消费需要强有力的方法来评估肉类的安全性和质量.
- 微生物学参数,特别是指标细胞计数,对于肉质评价至关重要.
- 手动细胞计数方法容易出现错误和低效率.
研究的目的:
- 开发一种自动化系统,用于在肉质评估中识别和计数染色细胞.
- 提高肉类微生物学分析的准确性和效率.
- 引入一种新的卷积神经网络 (CNN) 架构,即检测细胞快速网络 (DCRNet),用于细胞检测.
主要方法:
- 提出了一个卷积神经网络 (CNN),具有检测细胞快速网络 (DCRNet) 骨干,用于自动细胞识别和计数.
- 在DCRNet中实现了聚合剩余块,以增强使用更少参数来增强特征学习.
- 集成的可变形卷积网络,以适应染色动物细胞的各种形状.
- 确保CNN模型能够自适应不同的图像分辨率.
主要成果:
- 拟议的CNN与DCRNet实现了81.2%的平均精度,超过了传统的神经网络.
- 该方法的准确性很高,结果与手动细胞计数的差异不到0.5%.
- 在识别和计数染色细胞方面,DCRNet表现出卓越的性能.
结论:
- 基于DCRNet的CNN是一个高度有效和准确的解决方案,用于自动化细胞检测.
- 这项技术在肉类微生物学分析中比手工方法有了显著的改进.
- 据报道,DCRNet显示有望融入未来的肉类质量监测系统,提高安全性和质量保证.
