相关实验视频
Updated: May 28, 2025
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
8.9K
深度学习模型压缩和硬件加速,用于在家禽肉上高性能异物检测,使用NIR超光谱成像
Zirak Khan1, Seung-Chul Yoon2, Suchendra M Bhandarkar1
1School of Computing, University of Georgia, Athens, GA 30602, USA.
Sensors (Basel, Switzerland)
|February 13, 2025
概括
通过硬件加速和定量化优化用于高光谱成像 (HSI) 的深度学习推断,可以显著加快在家禽加工中检测异物. 这使得高线路速度的实时质量控制成为可能,确保更安全的食品.
科学领域:
- 食品科学与技术 食品科学与技术
- 计算机视觉 计算机视觉 计算机视觉
- 机器学习 机器学习
背景情况:
- 食品安全依赖于在家禽中检测异物.
- 超光谱成像 (HSI) 为污染物检测提供了丰富的数据.
- 深度学习 (DL) 模型提供高精度,但面临实时处理挑战.
研究的目的:
- 优化深度学习推断,用于在家禽加工中基于高光谱成像的异物检测.
- 为了应对高维度,计算复杂性和实时实施的挑战.
主要方法:
- 应用训练后量化 (FP16) 以减少模型大小和计算负载.
- 使用了NVIDIA TensorRT的硬件加速,以提高推理速度.
- 模拟的高光谱线扫描摄像头用于工业条件评估.
主要成果:
- 获得的推断时间与家禽加工线速度 (140-250只/分钟) 兼容.
- 与传统的GPU推断相比,推断时间减少了多达五倍.
- 在保持高检测准确度的同时,模型尺寸减少了50%.
结论:
- 集成后训练量化和硬件加速是有效的实时DL推断HSI数据.
- 优化的模型显示了在工业家禽加工中实际部署的潜力.
- 这种方法克服了计算瓶,提高了食品质量和安全.
