通过深度学习算法和可解释的人工智能对海Sparus aurata的质量预测

科学领域:

• 食品科学 食品科学 食品科学
• 计算机科学 计算机科学
• 人工智能的人工智能

背景情况:

• 评估鱼的新鲜度对于食品安全和质量控制至关重要.
• 确定鱼的新鲜度的传统方法可能耗时且具有破坏性.
• 开发客观,非破坏性的鱼类质量评估方法是一个正在进行的研究领域.

研究的目的:

• 评估各种机器学习算法的有效性,以确定海的新鲜度.
• 通过图像分析评估冷藏海的质量变化.
• 为了验证卷积神经网络 (CNN),DenseNet121,Inception V3和ResNet50模型的性能.

主要方法:

• 使用了卷积神经网络 (CNN),DenseNet121,Inception V3和ResNet50算法. 这些算法都非常有用.
• 分析了海的眼睛和部图像,分为新鲜,中等和坏的类别.
• 采用可解释的人工智能 (XAI) 算法,包括Grad-CAM和LIME,用于结果解释.

主要成果:

• 机器学习模型实现了高预测准确度,使用眼睛参数的坏类的最低性能为98.42%.
• 这些模型在区分海的不同新鲜度水平方面表现出了很好的能力.
• 可解释的AI方法为模型的决策过程提供了洞察力.

结论:

• 卷积神经网络 (CNN) 和DenseNet121模型,结合Grad-CAM和LIME,提供了一种可靠的非破坏性方法来评估海的新鲜度.
• 基于图像的机器学习是鱼类行业实时质量控制的一个有希望的方法.
• 这项技术可以帮助确保海鲜产品的质量和安全.