相关实验视频
Updated: Jun 7, 2025

13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
9.0K
机器视觉与基于深度学习的食品认证方法相结合:综合性审查和新的见解
Che Shen1, Ran Wang1, Hira Nawazish1
1Engineering Research Center of Bio-process, Ministry of Education, Hefei University of Technology, Hefei, China.
Comprehensive reviews in food science and food safety
|November 12, 2024
概括
机器视觉与深度学习 (DL) 结合,提供快速,非破坏性的食品认证. 这项技术通过改善改,品种,新鲜度和质量识别来解决食品欺诈问题,以提高食品安全.
科学领域:
- 食品科学 食品科学 食品科学
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 食品欺诈对消费者信任,经济稳定和公共健康构成重大风险.
- 快速可靠的食品认证的高效技术对于确保食品质量和安全至关重要.
- 机器视觉和深度学习 (DL) 正在成为非破坏性食品分析的强大工具.
研究的目的:
- 审查最近机器视觉和DL算法的进步,用于食品认证.
- 探索DL在识别食品改,品种,新鲜度和质量的应用.
- 讨论与这些技术相关的局限性和挑战.
主要方法:
- 审查与深度学习 (DL) 算法集成的机器视觉技术.
- 对用于各种食品认证任务的DL应用程序进行分析,包括伪造和质量识别.
- 检查DL与智能手机和便携式设备相结合,用于现场食品分析.
主要成果:
- 深度学习在特征提取和食品认证数据处理方面表现强.
- 机器视觉和DL有效地识别食品的改,品种,新鲜度和质量.
- 与便携式设备的集成使得食品分析更快,更容易获得.
结论:
- 机器视觉和DL的协同作用承诺更快,更实惠,更准确的食品认证.
- 解决诸如过度配合,可解释性和数据隐私等挑战是广泛采用的关键.
- 未来的趋势包括实时检测系统和扩展的食品真实性数据库.

