基于深度学习的胸肉的非破坏性新鲜度识别
Rui Jian1, Guangbo Li2,3,4, Xie Jun5
1College of Electronic and Information Engineering, Huaibei Institute of Technology, Huaibei, 235000, China.
Scientific reports
|July 29, 2025
概括
一个新的YOLOv8n_CA_DSC3算法使用非破坏性方法准确识别胸的新鲜度. 这种先进的方法通过提供更有效和可靠的新鲜度识别系统来提高家禽食品的安全性.
科学领域:
- 食品科学 食品科学 食品科学
- 计算机视觉 计算机视觉
- 人工智能的人工智能
背景情况:
- 传统的乳清新度识别方法昂贵,低效,难以实施.
- 通过准确的新鲜度检测来确保家禽食品安全至关重要.
研究的目的:
- 开发和评估YOLOv8n_CA_DSC3算法,用于非破坏性识别胸的新鲜度.
- 通过提高准确性和效率来改进现有方法.
主要方法:
- 使用YOLOv8n_CA_DSC3算法进行非破坏性新鲜度检测.
- 在各种条件下 (照明,密度,角度) 采集胸样本.
- 根据总微生物计数 (TAC),大肠杆菌计数 (ANC) 和pH值将新鲜度分为7个级别.
- 将数据集扩展到34,380个样本,使用8种增强类型.
- 通过用DCNv3模块取代卷积层并整合CA注意力机制来修改YOLOv8n.
主要成果:
- YOLOv8n_CA_DSC3算法在识别胸的新鲜度方面取得了95.6%的准确性.
- 证明了最佳精度 (97.5%在IoU=0.5) 和平均精度 (77.5%在IoU=0.5:0.95).
- 与原来的YOLOv8n.相比,显示了5.3% (精度),5.1% (AP@0.5) 和6.1% (AP@0.5:0.95) 的显著改善.
结论:
- YOLOv8n_CA_DSC3算法在特征提取和信息整合方面表现出色.
- 该算法为非破坏性食品安全评估提供了高稳定性和技术支持.
- 这种方法为提高家禽食品安全标准提供了一个有希望的解决方案.
