相关实验视频
Updated: Aug 8, 2026
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
9.4K
图像计算在中国美食的非破坏性检测中的应用
Xiaowei Huang1, Zexiang Li1, Zhihua Li1
1Agricultural Product Processing and Storage Laboratory, School of Food and Biological Engineering, Jiangsu University, Zhenjiang 212013, China.
Foods (Basel, Switzerland)
|July 29, 2025
概括
这项研究引入了用于真实的中国食品分析的高光谱成像和深度学习框架. 它准确地分类菜并评估质量,提高食品安全并保持的完整性.
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
- 人工智能的人工智能
背景情况:
- 中国美食的复杂性给传统的食品质量和安全检测方法带来了挑战.
- 现有的非破坏性技术在中国菜中与各种各样的原料,纹理和介质作斗争.
研究的目的:
- 为分析中国食品的质量和安全开发具有深度学习的超光谱成像框架.
- 克服传统方法在检测中国食材和菜细微光谱指纹方面的局限性.
主要方法:
- 利用高光谱成像框架与空间光谱卷积网络和注意力机制相结合.
- 应用特定领域的深度学习来解读来自中国食材和菜的光谱数据.
- 量化关键质量指标,如油含量和新鲜度等.
主要成果:
- 在15个中国菜类别中实现了97.8%的平均分类准确度.
- 在Mapo豆腐中量化油,平均绝对误差 (MAE) 为0.43%w/w.
- 在Shrimp Har Gow中分类的新鲜度水平准确率为95.2%.
- 与RGB方法相比,基于图像的食品分类准确度提高了15%以上.
结论:
- 超光谱成像和深度学习方法有效地自动化了中国菜的分类和质量评估.
- 这种方法显著提高了对复杂的传统的食品质量安全评估.
- 该框架为维护中国美食的真实性和完整性提供了强有力的解决方案.
