相关实验视频
Updated: Jun 10, 2025
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
9.0K
一种具有深度转移学习的新整体方法,用于从超光谱显微镜准确识别食源细菌
1Xiangya School of Public Health, Central South University, Changsha, China.
Computational biology and chemistry
|October 15, 2024
概括
这项研究引入了一种深度转移学习组合模型,用于使用高光谱显微镜检测活体和死体的食物传播细菌. 该模型实现了高精度,为病原体识别和食品安全提供了有效的工具.
科学领域:
- 微生物学 微生物学
- 计算生物学 计算生物学
- 食品科学 食品科学 食品科学
背景情况:
- 食物传播细菌污染对消费者和食品安全构成重大风险.
- 超光谱显微镜成像 (HMI) 对于细菌分类至关重要,但数据密集,需要专门的设备.
- 机器学习 (ML) 提供HMI数据的自动解释,解决手动分析的局限性.
研究的目的:
- 开发基于深度转移学习的集体模型,用于准确分类活细胞和死细胞的细菌.
- 为了应对与有限的数据相关的挑战,在高光谱图像分析.
- 为了提高六种致病性食物传播细菌菌株的鉴定.
主要方法:
- 使用了四个基本的深度学习分类器:InceptionResNetV2,MobileNet,ResNet101V2和Xception.
- 实施了加权平均组合 (WAVE) 技术,使用威尔的优化来实现最佳分类器加权.
- 采用Grad-CAM分析用于细菌细胞预测的模型解释性.
主要成果:
- 整体模型实现了六种食源性病原体的高检测率.
- 对于大肠杆菌,无垢菌和沙门氏菌的完美100%的识别准确性.
- 对沙门氏菌 Typhimurium (96.30%),海德堡沙门氏菌 (94.12%) 和金黄色葡萄球菌 (87.13%) 的高精度.
结论:
- 拟议的深度转移学习组合模型在识别食品传播病原体方面非常有效.
- 该模型显示出作为确保食品安全和防止交叉污染的工具的巨大潜力.
- 该模型的高精度和可解释性支持其在常规食品安全诊断中的应用.
