一个基于变压器的多任务深度学习模型,用于同时评估胸的TVB-N和TVC内容,使用两个不同的超光谱成像
Xiaoxin Li1, Mingrui Cai2, Zhen Liu1
1College of Electronic Engineering (College of Artificial Intelligence), South China Agricultural University, Guangzhou, China.
Food chemistry
|October 17, 2025
概括
使用双高光谱成像 (HSI) 的新人工智能模型通过测量总挥发性基本 (TVB-N) 和总可生存数 (TVC) 来准确预测的新鲜度. 这种非破坏性方法可以提高肉质的评估和安全性.
科学领域:
- 食品科学与技术 食品科学与技术
- 人工智能在农业中的应用
- 光谱学和成像技术
背景情况:
- 确保肉的质量和安全性取决于准确的新鲜度评估.
- 检测损坏指标的传统方法,如总挥发性基本 (TVB-N) 和总可生存数 (TVC),可能耗时且具有破坏性.
- 开发快速,非破坏性的技术对于现代肉类工业至关重要.
研究的目的:
- 开发和验证一种新的多任务交联组变压器模型 (MIGTM),用于同时预测胸中的TVB-N和TVC.
- 将双重超谱成像 (HSI) 数据集成到MIGTM中,以提高预测准确度.
- 将MIGTM的性能与现有的化学测量,单任务和其他深度学习模型进行评估.
主要方法:
- 开发一个多任务交联组变压器模型 (MIGTM) 架构.
- 将双重超谱成像 (HSI) 数据作为输入的整合.
- 同时预测总挥发性基本 (TVB-N) 和总活力计数 (TVC).
- 用优化化疗模型和单任务和其他深度学习模型 (CNN,变压器) 进行比较分析.
主要成果:
- MIGTM实现了高预测性能,TVB-N的RV2值为0.9040,TVC的RV2值为0.9499
- 与优化的化疗模型 (TVB-N 的4.48%,TVC 的1.61%) 和单任务模型 (TVB-N 的1.84%,TVC 的1.40%) 相比,观察到显著的改善.
- 该模型在现有的基于CNN和变压器的方法中表现出卓越的准确性和稳定性,利用来自双重HSI来源的互补信息,并将计算成本降低了50%.
结论:
- MIGTM有效地整合了双重HSI数据,以准确,同时预测关键鲜度指标 (TVB-N,TVC).
- 这种由人工智能驱动的非破坏性方法为批量级肉新鲜度检测提供了可靠的解决方案.
- MIGTM在提高肉类质量评估和确保食品安全方面显示出工业应用的巨大潜力.
