移动窗口增强的嗅觉视觉图像与深度学习相结合,可以预测冷羊肉中的TVB-N含量
Shichang Wang1, Yixin Zhang1, Rongguang Zhu2
1College of Mechanical and Electrical Engineering, Shihezi University, Shihezi 832003, Xinjiang, China.
Meat science
|March 6, 2025
概括
这项研究引入了一种新的嗅觉图像数据增强技术,结合深度学习,以准确预测冷羊肉中的总挥发性基本 (TVB-N) 含量,以评估新鲜度.
科学领域:
- 食品科学 食品科学 食品科学
- 分析化学 分析化学
- 计算机科学 计算机科学
背景情况:
- 准确评估肉的新鲜度对于食品安全和质量控制至关重要.
- 传统的方法来确定肉的新鲜度可能是耗时的,需要实验室设置.
- 在现场评估新鲜度的客观和快速方法是非常理想的.
研究的目的:
- 开发和验证一种用于嗅觉视觉图像的新型数据增强方法.
- 使用深度学习准确预测冷羊肉中的总挥发性基本 (TVB-N) 含量.
- 为了比较深度学习模型与传统机器学习模型的性能,用于TVB-N预测.
主要方法:
- 采用滑窗技术从嗅觉视觉图像中提取感兴趣的区域,通过解决位置转移和不均的颜色呈现来提高数据质量.
- 三个深度学习模型 (InceptionNetV3,ResNet50,MobileNetV3) 被开发和训练在增强的图像.
- 对传统的机器学习模型 (PLSR,SVR,RF) 的性能进行了评估,使用手动提取的颜色特征.
主要成果:
- 与传统的机器学习方法相比,深度学习模型显示出更高的预测性能.
- 移动NetV3模型取得了最好的预测结果,确定系数 (R2) 为0.97,根-平均-平方误差 (RMSE) 为2.42 mg/100 g,相对预测偏差 (RPD) 为5.82.
- 增强的嗅觉可视化传感器阵列与MobileNetV3相结合,提供了稳定有效的TVB-N内容预测.
结论:
- 建议的数据增强方法有效地提高了用于新鲜度分析的嗅觉视觉图像的质量.
- 嗅觉可视化传感器阵列与轻量级深度学习模型 (如MobileNetV3) 的集成,为冷羊肉中TVB-N内容的现场预测提供了一个有希望的解决方案.
- 这种方法具有实时,现场评估羊肉新鲜性的巨大潜力,增强食品安全和质量保证.
