相关实验视频
Updated: Jun 16, 2025
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
9.0K
基于ResNet-101网络和非局部注意力机制的水果新鲜度分类和检测
Yuan Shu1, Jipeng Zhang1, Yihan Wang2
1Architecture and Design College, Nanchang University, Nanchang 330031, China.
Foods (Basel, Switzerland)
|June 13, 2025
概括
这项研究引入了一种先进的深度学习模型来检测水果的新鲜度,大大提高了识别腐败的准确性和稳定性. 增强的ResNet-101与非局部注意力提供可靠的水果和蔬菜的自动化质量控制.
科学领域:
- 农业科学 农业科学
- 计算机科学 计算机科学
- 食品科学 食品科学 食品科学
背景情况:
- 传统的水果新鲜度检查对大规模需求来说是主观和低效的.
- 使用深度学习的自动化方法正在获得客观质量控制的引力.
- 精确的水果新鲜度监测对于减少食物浪费和确保消费者安全至关重要.
研究的目的:
- 开发一种使用深度学习的自动化水果新鲜度分类方法.
- 为了提高细微的水果表面变化和颜色变化的检测.
- 在复杂的环境条件下提高水果新鲜度检测的稳定性.
主要方法:
- 实现一个ResNet-101深度学习网络.
- 将非本地注意机制集成到ResNet-101架构中.
- 培训和评估用于新鲜度分类的水果图像模型.
主要成果:
- 拟议的模型实现了高性能指标:94.7%的精度,94.24%的回忆,94.24%的F1-score.
- 改进后的模型的性能优于标准的ResNet-101,ResNet-50和VGG-16.
- 在复杂的环境条件下在图像处理方面表现出卓越的稳定性.
结论:
- 非局部注意和ResNet-101的组合显著提高了水果新鲜度检测的准确性和稳定性.
- 该方法适用于智能农业和智能物流中的实时监控.
- 自动化深度学习方法为手动水果质量检查的局限性提供了可行的解决方案.
