使用UV-C光成像和深度学习检测植物叶面上的大肠杆菌污染.
Snehit Vaddi1, Thomas F Burks2, Zafar Iqbal2
1Department of Computer and Information Science and Engineering, University of Florida, Gainesville, FL 32611, USA.
Plants (Basel, Switzerland)
|November 13, 2025
概括
快速检测出产品上的大肠杆菌 (大肠杆菌) 对食品安全至关重要. 这项研究表明,光成像与深度学习相结合,特别是YOLO11s-cls,准确地识别了菜和类树叶上的大肠杆菌污染.
科学领域:
- 食品科学 食品科学 食品科学
- 微生物学 微生物学
- 计算机科学 计算机科学
背景情况:
- 水果和蔬菜上的大肠杆菌 (大肠杆菌) 污染对公众健康构成重大风险.
- 与农产品相关的疫情在全国范围内发生,这凸显了改善食品安全措施的必要性.
- 快速和可靠的检测方法对产品上的大肠杆菌至关重要,以防止污染.
研究的目的:
- 评估CSI-D+系统与深度学习系统的性能,用于检测类和菜上的大肠杆菌.
- 为了比较各种深度学习模型的有效性,包括YOLO11变体,EfficientNetB7和ConvNeXtBase.
- 评估基于光的成像的准确性和速度,结合深度学习来检测大肠杆菌.
主要方法:
- 无菌的类和菜叶子具有八个级别的大肠杆菌污染 (0到10^8 CFU/mL).
- 捕获了受污染的叶子样本的光图像.
- 在图像数据上训练了多个深度学习模型 (EfficientNetB7,ConvNeXtBase,YOLO11变体),利用Eigen-CAM进行可视化.
主要成果:
- 所有YOLO11模型在大肠杆菌检测方面都表现优于EfficientNetB7和ConvNeXtBase.
- YOLO11s-cls表现出最高的性能,平均测试准确率为85.93% (类) 和92.00% (菜).
- YOLO11s-cls模型实现了每张图像0.011秒的快速推断速度和11 MB的小型模型大小.
结论:
- 基于光的成像与深度学习相结合,提供了一种快速可靠的方法,用于对产品的大肠杆菌检测.
- YOLO11s-cls模型显示了实时食品安全应用的巨大潜力.
- 这项技术可以帮助及时进行干预,以防止受污染的产品到达消费者.


