基于深度学习的预测鱼的新鲜度和可购买性,使用多角度图像数据.

科学领域:

• 食品科学 食品科学 食品科学
• 计算机科学 计算机科学
• 人工智能的人工智能

背景情况:

• 评估鱼的新鲜度对于食品安全和质量控制至关重要.
• 评估鱼的新鲜度的传统方法可能是主观的,耗时的.
• 需要客观的,自动化的方法来补充现有的质量评估.

研究的目的:

• 开发和评估使用图像数据预测海 (Dicentrarchus labrax) 新鲜度的深度学习模型.
• 确定最有效的深度学习算法和架构用于新鲜度预测.
• 评估模型在预测各种质量参数,包括购买能力方面的表现.

主要方法:

• 从多个角度每天拍摄海的图像,从购买到破坏.
• 评估22个质量参数:10个分类 (感官) 和12个数值 (基于颜色).
• 通过使用七个转移学习算法 (EfficientNetB0,ResNet50,DenseNet121,VGG16,InceptionV3,MobileNet,VGG19) 训练了2464个预测模型.

主要成果:

• 移动网算法展示了最好的整体性能,准确预测了22个参数中的15个.
• 丹斯网121实现了最高的分类准确度 (0.9894) 预测购买性,关键的新鲜度指标.
• 评估使用了各种性能指标,包括准确性,精度,回忆,F1得分,平均绝对误差和基于容忍的误差.

结论:

• 基于深度学习的图像分析是客观评估鱼的新鲜度的有希望和可行的方法.
• 转移学习算法可以有效地应用于从视觉数据中预测多个鱼类质量参数.
• 该研究强调了人工智能在提高食品质量和安全监测系统方面的潜力.