相关实验视频
Updated: Jan 11, 2026
13:19
Deep Neural Networks for Image-Based Dietary Assessment
Published on: March 13, 2021
9.9K
构建一个深度学习辅助的智能手机应用程序,用于在过程中智能识别牛排的度
Han Wang1, Yuandong Lin2, Jun-Hu Cheng1
1School of Food Science and Engineering, South China University of Technology, Guangzhou 510641, China; Academy of Contemporary Food Engineering, South China University of Technology, Guangzhou Higher Education Mega Centre, Guangzhou 510006, China; Guangdong Provincial Key Laboratory of Intelligent Food Manufacturing, Foshan University, Foshan 528225, China.
Meat science
|November 16, 2025
概括
这项研究开发了一种深度学习模型,以非破坏性的方式准确评估牛排的熟成度. 卷积神经网络 (CNN) 实现了超过95%的准确性,使得更智能的设备成为可能.
科学领域:
- 食品科学与技术 食品科学与技术
- 人工智能的人工智能
- 计算机视觉 计算机视觉
背景情况:
- 对消费者来说,准确地评估牛排的熟成是个挑战.
- 现有的方法可能具有破坏性或缺乏精度.
- 整合物理化学性质可以提高数据的可靠性.
研究的目的:
- 开发一个深度学习框架,用于非破坏性的牛排熟成度评估.
- 提高成年预测模型的准确性和可靠性.
- 创建一个实用的应用程序,实时评估牛排熟成度.
主要方法:
- 构建一个深度学习框架,以识别牛排的可用性.
- 从153个样本中创建了1803张图像和物理化学性质的数据库.
- 8个模型的比较,包括线性,机器学习和深度学习方法.
- 使用DenseNet121,一个卷积神经网络 (CNN),用于模型开发.
- 使用像Grad-CAM这样的可视化技术来确认模型的可行性.
主要成果:
- DenseNet121表现出卓越的性能,识别精度为95.30 ± 1.48%.
- 可视化方法证实了模型的操作原理.
- 一个移动优化的边缘计算应用程序在实时测试中实现了91.93%的准确性.
结论:
- 美国有线电视新闻网 (CNN) 的模型可靠地预测了牛排的熟成.
- 该研究为开发智能设备提供了理论基础.
- 深度学习为自动化食品质量评估提供了一个有希望的方法.
