一个声信号转换成图像的集成卷积神经网络模型用于卵裂检测

科学领域:

• 食品安全 食品安全
• 生物技术是生物技术.
• 机器学习 机器学习

背景情况:

• 蛋的完整性对于食品安全至关重要,因为裂允许病原体进入,增加食物中毒风险.
• 变形损害了外的完整性,导致卵子的恶化加快,易受环境破坏.

研究的目的:

• 为蛋开发一种非破坏性的裂检测系统.
• 为了减轻与卵骨折相关的食品安全风险.
• 利用声信号分析和机器学习来准确识别裂.

主要方法:

• 使用机械和电子子系统设计了一个系统,用于对蛋进行非破坏性的声学激发.
• 高灵敏度麦克风捕获了声信号,并使用变化模式分解 (VMD) 进行处理.
• 内在模式函数 (IMFs) 被转换为灰度图像,并使用轻量级卷积神经网络 (CNN) 进行分类.

主要成果:

• 开发的系统在区分完整和破裂的蛋方面实现了100%的准确性.
• 该模型成功识别了看不见的微裂,显示出高灵敏度.
• 与CNN集成的声信号图像转换在裂纹检测方面被证明是有效的.

结论:

• 拟议的声信号到图像转换和CNN模型为检测蛋裂提供了非常有效的解决方案.
• 这项技术通过识别受损蛋,包括那些有微裂的蛋,显著提高了食品安全.
• 非破坏性方法提供了一种可靠的方法来控制卵子生产和处理的质量.