一个双分支的多模式深度学习框架,用于对绵羊肌内脂肪进行非破坏性评估
Qingqing Ling1, Haizheng Yu1, Chengguang Yue2,3
1College of Mathematics and Systems Science, Xinjiang University, Urumqi, China.
Scientific reports
|December 18, 2025
概括
这项研究引入了一个新的多式联网数据集和双分支深度学习网络 (DB-KAN),用于预测绵羊肌内脂肪 (IMF). DB-KAN使用超声波图像和属性准确评估羊的质量,推进非破坏性肉类分析.
科学领域:
- 农业科学 农业科学
- 计算机科学 计算机科学
- 食品科学 食品科学 食品科学
背景情况:
- 肌肉内脂肪 (IMF) 含量对于羊肉的质量 (味道,柔软性,多汁性) 是至关重要的.
- 与猪肉相比,在绵羊中对非破坏性质量预测的深度学习尚未得到充分探索.
- 大规模的公共多式联运数据集的稀缺性阻碍了绵羊质量评估研究.
研究的目的:
- 开发一个全面的多式联运数据集用于羊的质量评估.
- 提出一种新的深度学习模型,DB-KAN,用于准确的肌肉内脂肪 (IMF) 预测.
- 克服预测羊肉质量的单一模式方法的局限性.
主要方法:
- 构建和发布多式联络羊数据集 (1,728个样本),包括超声波图像,属性和基准真相IMF值.
- 关于DB-KAN的建议,这是一个双分支回归网络,它结合了图像特征的CNN和结构化属性的变压器.
- 在解码器中集成基于KAN的回归头 (KBRH),以实现高效的多式联络功能融合.
主要成果:
- DB-KAN在新建的绵羊数据集上实现了最先进的性能.
- 废弃研究证实了双分支架构和基于KAN的融合的有效性.
- 拟议的模型在利用多式联运数据进行精确的IMF预测方面表现出卓越的能力.
结论:
- 开发的多式联运数据集和DB-KAN模型显著提升了非破坏性绵羊质量评估.
- DB-KAN有效地整合了空间和属性信息,以准确地预测肌内脂肪.
- 这项研究解决了在羊肉质量评估中对强大的深度学习解决方案的关键需求.
