基于新型深度学习模型的正常和冷解牛肉的非破坏性和实时歧视
Rui Xi1, Xiangyu Lyu1, Jun Yang2
1Shandong Key Laboratory of Intelligent Production Technology and Equipment for Facility Horticulture, Shandong Engineering Research Center of Agricultural Equipment Intelligentization, Shandong Agricultural University, Tai'an 271018, China.
Foods (Basel, Switzerland)
|October 16, 2025
概括
一个新的深度学习模型,YOLO-NF,准确地在实时区分新鲜的冷解牛肉. 这种非破坏性方法通过快速评估肉质,提高了食品安全.
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:
- 确保食品安全需要可靠的方法来区分新鲜和冷解的牛肉.
- 目前的方法可能具有破坏性或缺乏实时功能,这对质量评估构成挑战.
研究的目的:
- 开发一种新的,非破坏性的,实时的"你只看一次"模型,用于正常和冷解的牛肉歧视 (YOLO-NF).
- 提高YOLO-NF模型的性能,使用注意力机制来改善牛肉歧视.
主要方法:
- 使用深度学习技术,特别是你只看一次 (YOLO) 架构,增强了简单的无参数注意力模块 (SimAM) 和挤压激发 (SE) 机制.
- 在1200个牛肉样本 (CCD摄像机拍摄的图像) 上训练并验证了模型,在训练集上应用了数据增强.
- 采用梯度加权类激活映射 (Grad-CAM) 来实现模型的可解释性,并将模型部署在网页界面上以使用户可访问.
主要成果:
- 在测试组中,YOLO-NF模型实现了高性能指标:95.5%的精度,95.2%的回忆,95.3%的F1-Score,98.6%的平均精度 (mAP).
- 与现有的YOLOv7,YOLOv5和YOLOv8模型相比,在牛肉歧视任务中表现出优异的性能.
- 在本地服务器上实现了每张图像0.94秒的快速区分时间,证实了其实时处理能力.
结论:
- 开发的YOLO-NF模型提供了一个高度准确和高效的解决方案,用于在新鲜和冷的解牛肉之间进行非破坏性的实时歧视.
- 这种技术在食品安全监测系统中为肉质评估提供了有前途的进步.
- 该模型的可解释性和网络部署增强了其在食品行业的实际适用性.
