CN112070761A - 一种基于深度学习的明虾新鲜度无损检测方法 - Google Patents
一种基于深度学习的明虾新鲜度无损检测方法 Download PDFInfo
- Publication number
- CN112070761A CN112070761A CN202010983635.3A CN202010983635A CN112070761A CN 112070761 A CN112070761 A CN 112070761A CN 202010983635 A CN202010983635 A CN 202010983635A CN 112070761 A CN112070761 A CN 112070761A
- Authority
- CN
- China
- Prior art keywords
- freshness
- prawns
- model
- picture
- neural network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
Abstract
本发明涉及一种基于深度学习的明虾新鲜度无损检测方法。通过采集大量明虾样本的外观及其对应的新鲜度指标,制作明虾新鲜度深度学习模型数据集,再通过该数据集训练出一个具有明虾新鲜度识别能力的深度学习模型。通过该模型可以预测明虾的新鲜与否以及相应指标的具体数值。
Description
技术领域
本发明属于计算机视觉以及食品安全检测,食品贮藏,具体涉及一种基于深度学习的明虾新鲜度无损检测方法。
背景技术
食品安全与质量问题一直以来都是民生领域的重大课题,食品质量与安全问题永远都离不开食品质量的检测分析,但是传统的新鲜度检测方法大多使用化学方法,对相应的理化指标进行检测,而这样的检测手段需要对样品进行破坏,只能通过随机取样的办法用极个别样本的新鲜程度来代表总体的新鲜程度。无损检测方法就可以避免对样品进行破坏且操作费时费力。而现有的无损检测方法,诸如通过光谱图像识别明虾新鲜度,或者是通过检测挥发氨的含量来判断明虾新鲜度,都存在一定的缺陷,光谱法识别明虾新鲜度时需要收集明虾光谱图像,需要使用到复杂仪器设备,而检测挥发氨需要明虾所处环境拥有稳定且密闭的条件,它们均存在种种限制,不能同时做到便捷、准确与高效。
与此同时,计算机技术,尤其是人工智能的发展为我们提供了便捷、准确和高效地检测明虾新鲜程度提供了可能。深度学习模型在多个领域得到了非常广泛的应用,而其中,卷积神经网络在图像识别方向应用上十分具有针对性。对于明虾而言,其具有的易腐败且腐败过程发生时外观具有明显变化,本发明正是利用了这一特性,通过深度学习的强大分析预测能力,来完成对明虾新鲜度的预测。
发明内容
本发明的目的在于提供一种基于深度学习的明虾新鲜度无损检测方法,可以预测明虾的新鲜与否以及相应指标的具体数值。
为实现上述目的,本发明的技术方案是:一种基于深度学习的明虾新鲜度无损检测方法,通过深度学习模型提取大量不同新鲜度明虾图片的特征结构,在不断地迭代训练模型之后,通过待测明虾图片来对明虾的新鲜度进行预测。该方法具体实现步骤如下:
步骤S1、对不同新鲜度的明虾样本,进行外观图片采集之后,按照理化指标标准对明虾进行挥发性盐基氮标准值测定;
步骤S2、步骤S1收集到的图片信息进行预处理:根据理化指标标准,对图片进行挥发性盐基氮标准值标注,包括对具体挥发性盐基氮标准值的预测值的标注和明虾是否属于新鲜样品的标注,从而得到带有新鲜度标签的明虾图片数据集,将图像数据集按照8:1:1的比例划分为训练集、验证集、测试集;
步骤S3、利用卷基层,批量标准化,最大池化层,平均池化层,全局平均池化,归一化,激活函数ReLu ,决策函数SoftMax来搭建卷积神经网络;
步骤S4、将步骤S2中处理好的图片集对应标签传输到步骤S3搭建的卷积神经网络中,通过不断地迭代训练,训练时通过有监督的方式进行训练,通过反向传播不断更新权重,在模型训练过程中使用交叉验证方法来保证模型具有普适性,从而得到可以有效提取特征并进行分类或者预测的卷积神经网络模型;
步骤S5、使用步骤S4中训练好的卷积神经网络模型,输入待测明虾图片,卷积神经网络模型提取特征之后,通过决策函数输出模型对明虾新鲜度及其类别的预测结果;其中,可以进行明虾新鲜与否的预测,也可以进行挥发性盐基氮标准值的指标预测。
相较于现有技术,本发明具有以下有益效果:本发明只需要通过明虾的外观图片即可对明虾新鲜度进行预测,操作简便。
附图说明
图1为本发明的深度学习模型示意图。
图2为本发明模型预测结果的Grad-Cam可视化图。
具体实施方式
下面结合附图,对本发明的技术方案进行具体说明。
如图1所示,本发明提供了一种基于深度学习的明虾新鲜度无损检测方法,通过深度学习模型提取大量不同新鲜度明虾图片的特征结构,在不断地迭代训练模型之后,通过待测明虾图片来对明虾的新鲜度进行预测;该方法具体实现步骤如下:
步骤S1、对不同新鲜度的明虾样本,进行外观图片采集之后,按照理化指标标准对明虾进行挥发性盐基氮标准值测定;
步骤S2、步骤S1收集到的图片信息进行预处理:根据理化指标标准,对图片进行挥发性盐基氮标准值标注,包括对具体挥发性盐基氮标准值的预测值的标注和明虾是否属于新鲜样品的标注,从而得到带有新鲜度标签的明虾图片数据集,将图像数据集按照8:1:1的比例划分为训练集、验证集、测试集;
步骤S3、利用卷基层,批量标准化,最大池化层,平均池化层,全局平均池化,归一化,激活函数ReLu ,决策函数SoftMax来搭建卷积神经网络;
步骤S4、将步骤S2中处理好的图片集对应标签传输到步骤S3搭建的卷积神经网络中,通过不断地迭代训练,训练时通过有监督的方式进行训练,通过反向传播不断更新权重,在模型训练过程中使用交叉验证方法来保证模型具有普适性,从而得到可以有效提取特征并进行分类或者预测的卷积神经网络模型;
步骤S5、使用步骤S4中训练好的卷积神经网络模型,输入待测明虾图片,卷积神经网络模型提取特征之后,通过决策函数输出模型对明虾新鲜度及其类别的预测结果;其中,可以进行明虾新鲜与否的预测,也可以进行挥发性盐基氮标准值的指标预测。
实施例1:
(1)采用大量不同新鲜度的明虾样本,进行外观图片采集,使用手机拍摄照片,照片长宽比保持为1:1,按照国标GB5009.228—2016规定的理化指标对明虾进行挥发性盐基氮标准值测定;
(2)将收集到的图片信息(约22000张图片)进行预处理,将图片转化为448×448×3的矩阵格式,并将其做归一化处理。根据国标GB2733-2015的理化指标标准,对图片进行挥发性盐基氮标准值进行标注,对于新鲜度分类模型而言,理化指标挥发性盐基氮标准值小于20mg/100g的明虾样品标注为新鲜样品,挥发性盐基氮标准值大于等于20mg/100g的明虾样品标注为腐败样品;
(3)利用卷基层,批量标准化,最大池化层,平均池化层,全局平均池化,归一化,激活函数ReLu ,决策函数SoftMax来搭建卷积神经网络。其中每一个卷积层、池化层、批量标准化层算作一个模块,网络共由5个模块组合而成,之后再使用最大池化层平均池化层处理输出矩阵,使用全局平均池化层将矩阵转化为1维序列,再连接使用激活函数和决策函数的两个全连接层得到最终的预测模型结构。
(4)将处理好的图片集对应标签传输到网络中,通过不断地迭代训练,训练时通过有监督的方式进行训练,通过反向传播不断更新权重,在模型训练过程中使用验证集图片通过交叉验证方法来保证模型具有普适性。从而得到可以有效提取特征并进行分类任务的卷积神经网络模型。以预测准确度以及受试者工作特-曲线下面积(ROC-AUC)来衡量模型的性能。该模型的预测准确率可以达到0.93,模型ROC-AUC达0.98。通过Grad-Cam模型可视化方法验证模型注意力集中在图片的具体位置。从结果来看(如图2所示),模型能够有效识别出明虾腐败时变化最明显的关键特征部位,且具有良好的预测性能。
(5)使用(4)中训练好的卷积神经网络模型,输入明虾图片,模型提取特征之后,通过决策函数输出模型对明虾新鲜度类别的预测结果。
实施例2:
(1)采用大量不同新鲜度的明虾样本,进行外观图片采集,使用手机拍摄照片,照片长宽比保持为1:1,按照国标GB5009.228—2016规定的理化指标对明虾进行挥发性盐基氮标准值测定;
(2)将收集到的图片信息(约22000张图片)进行预处理,将图片转化为448×448×3的矩阵格式,并将其做归一化处理。根据国标GB2733-2015的理化指标标准,对图片进行挥发性盐基氮标准值进行标注,对于挥发性盐基氮标准值预测模型而言,使用理化指标挥发性盐基氮标准值作为标签值;
(3)利用卷基层,批量标准化,最大池化层,平均池化层,全局平均池化,归一化,激活函数ReLu ,决策函数SoftMax来搭建卷积神经网络。其中每一个卷积层、池化层、批量标准化层算作一个模块,网络共由5个模块组合而成,之后再使用最大池化层平均池化层处理输出矩阵,使用全局平均池化层将矩阵转化为1维序列,再连接使用激活函数和决策函数的两个全连接层得到最终的预测模型结构。
(4)将处理好的图片集对应标签传输到网络中,通过不断地迭代训练,训练时通过有监督的方式进行训练,通过反向传播不断更新权重,在模型训练过程中使用验证集图片通过交叉验证方法来保证模型具有普适性。从而得到可以有效提取特征并进行标准值预测的卷积神经网络模型。使用测试集图片,以损失函数均方根误差(RMSE)来衡量模型的性能。该模型对类别为新鲜的明虾的均方根误差为4.09 mg/100g,对新鲜和腐败综合样本的均方根误差为:7.04 mg/100g。通过Grad-Cam模型可视化方法验证模型注意力集中在图片的具体位置。从结果来看(如图2所示),模型能够有效识别出明虾腐败时变化最明显的关键特征部位,且具有良好的预测性能。
(5)使用(4)中训练好的卷积神经网络模型,输入明虾图片,模型提取特征之后,通过决策函数输出模型对明虾新鲜度类别的预测结果。
通过实施例1、2说明,本发明能够有效地通过明虾外观图片预测出明虾的新鲜程度。
以上是本发明的较佳实施例,凡依本发明技术方案所作的改变,所产生的功能作用未超出本发明技术方案的范围时,均属于本发明的保护范围。
Claims (2)
1.一种基于深度学习的明虾新鲜度无损检测方法,其特征在于,通过深度学习模型提取大量不同新鲜度明虾图片的特征结构,在不断地迭代训练模型之后,通过待测明虾图片来对明虾的新鲜度进行预测。
2.根据权利要求1所述的一种基于深度学习的明虾新鲜度无损检测方法,其特征在于,该方法具体实现步骤如下:
步骤S1、对不同新鲜度的明虾样本,进行外观图片采集之后,按照理化指标标准对明虾进行挥发性盐基氮标准值测定;
步骤S2、步骤S1收集到的图片信息进行预处理:根据理化指标标准,对图片进行挥发性盐基氮标准值标注,包括对具体挥发性盐基氮标准值的预测值的标注和明虾是否属于新鲜样品的标注,从而得到带有新鲜度标签的明虾图片数据集,将图像数据集按照8:1:1的比例划分为训练集、验证集、测试集;
步骤S3、利用卷基层,批量标准化,最大池化层,平均池化层,全局平均池化,归一化,激活函数ReLu ,决策函数SoftMax来搭建卷积神经网络;
步骤S4、将步骤S2中处理好的图片集对应标签传输到步骤S3搭建的卷积神经网络中,通过不断地迭代训练,训练时通过有监督的方式进行训练,通过反向传播不断更新权重,在模型训练过程中使用交叉验证方法来保证模型具有普适性,从而得到可以有效提取特征并进行分类或者预测的卷积神经网络模型;
步骤S5、使用步骤S4中训练好的卷积神经网络模型,输入待测明虾图片,卷积神经网络模型提取特征之后,通过决策函数输出模型对明虾新鲜度及其类别的预测结果;其中,可以进行明虾新鲜与否的预测,也可以进行挥发性盐基氮标准值的指标预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010983635.3A CN112070761B (zh) | 2020-09-18 | 2020-09-18 | 一种基于深度学习的明虾新鲜度无损检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010983635.3A CN112070761B (zh) | 2020-09-18 | 2020-09-18 | 一种基于深度学习的明虾新鲜度无损检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112070761A true CN112070761A (zh) | 2020-12-11 |
CN112070761B CN112070761B (zh) | 2022-09-16 |
Family
ID=73681028
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010983635.3A Active CN112070761B (zh) | 2020-09-18 | 2020-09-18 | 一种基于深度学习的明虾新鲜度无损检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112070761B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102297930A (zh) * | 2011-07-20 | 2011-12-28 | 浙江大学 | 一种识别与预测肉新鲜度的方法 |
CN103424394A (zh) * | 2013-08-23 | 2013-12-04 | 江苏大学 | 一种冷冻南美白对虾品质的拉曼无损检测方法 |
CN107451602A (zh) * | 2017-07-06 | 2017-12-08 | 浙江工业大学 | 一种基于深度学习的果蔬检测方法 |
CN108875913A (zh) * | 2018-05-30 | 2018-11-23 | 江苏大学 | 一种基于卷积神经网络的松茸快速无损检测系统及方法 |
CN108921057A (zh) * | 2018-06-19 | 2018-11-30 | 厦门大学 | 基于卷积神经网络的对虾形态测量方法、介质、终端设备及装置 |
CN110674736A (zh) * | 2019-09-23 | 2020-01-10 | 珠海格力电器股份有限公司 | 一种识别食材新鲜度的方法、装置、服务器及存储介质 |
AU2020100953A4 (en) * | 2020-06-05 | 2020-07-16 | D, Vijayakumar DR | Automated food freshness detection using feature deep learning |
CN111666986A (zh) * | 2020-05-22 | 2020-09-15 | 南京邮电大学 | 基于机器学习的小龙虾分级方法 |
-
2020
- 2020-09-18 CN CN202010983635.3A patent/CN112070761B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102297930A (zh) * | 2011-07-20 | 2011-12-28 | 浙江大学 | 一种识别与预测肉新鲜度的方法 |
CN103424394A (zh) * | 2013-08-23 | 2013-12-04 | 江苏大学 | 一种冷冻南美白对虾品质的拉曼无损检测方法 |
CN107451602A (zh) * | 2017-07-06 | 2017-12-08 | 浙江工业大学 | 一种基于深度学习的果蔬检测方法 |
CN108875913A (zh) * | 2018-05-30 | 2018-11-23 | 江苏大学 | 一种基于卷积神经网络的松茸快速无损检测系统及方法 |
CN108921057A (zh) * | 2018-06-19 | 2018-11-30 | 厦门大学 | 基于卷积神经网络的对虾形态测量方法、介质、终端设备及装置 |
CN110674736A (zh) * | 2019-09-23 | 2020-01-10 | 珠海格力电器股份有限公司 | 一种识别食材新鲜度的方法、装置、服务器及存储介质 |
CN111666986A (zh) * | 2020-05-22 | 2020-09-15 | 南京邮电大学 | 基于机器学习的小龙虾分级方法 |
AU2020100953A4 (en) * | 2020-06-05 | 2020-07-16 | D, Vijayakumar DR | Automated food freshness detection using feature deep learning |
Also Published As
Publication number | Publication date |
---|---|
CN112070761B (zh) | 2022-09-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110533631B (zh) | 基于金字塔池化孪生网络的sar图像变化检测方法 | |
CN108846835B (zh) | 基于深度可分离卷积网络的图像变化检测方法 | |
CN108875913B (zh) | 一种基于卷积神经网络的松茸快速无损检测系统及方法 | |
CN112802484B (zh) | 一种混合音频下的大熊猫声音事件检测方法及系统 | |
CN109766936B (zh) | 基于信息传递和注意力机制的图像变化检测方法 | |
CN113516228B (zh) | 一种基于深度神经网络的网络异常检测方法 | |
CN105486655A (zh) | 基于红外光谱智能鉴定模型的土壤有机质快速检测方法 | |
CN111343147A (zh) | 一种基于深度学习的网络攻击检测装置及方法 | |
CN111551888A (zh) | 一种改进型AdaBoost算法的电能表计量数据故障分析方法 | |
CN113139594A (zh) | 一种机载图像无人机目标自适应检测方法 | |
CN114217025B (zh) | 评估空气质量浓度预测中气象数据对其影响的分析方法 | |
CN115115940A (zh) | 一种蓝藻水华监测方法及该方法的监测预警系统 | |
CN111879709B (zh) | 湖泊水体光谱反射率检验方法及装置 | |
CN112070761B (zh) | 一种基于深度学习的明虾新鲜度无损检测方法 | |
CN110321528B (zh) | 一种基于半监督地理空间回归分析的高光谱影像土壤重金属浓度评估方法 | |
CN115184054B (zh) | 机械设备半监督故障检测分析方法、装置、终端及介质 | |
CN115078327A (zh) | 一种基于神经网络架构搜索的危险化学品快速检测方法 | |
CN115219472A (zh) | 一种定量识别混合水体多污染源的方法及系统 | |
CN111898314B (zh) | 湖泊水体参数检验方法、装置、电子设备及存储介质 | |
CN112183459B (zh) | 一种基于进化多目标优化的遥感水质图像分类方法 | |
Wang et al. | A Research of Neural Network Optimization Technology for Apple Freshness Recognition Based on Gas Sensor Array | |
CN112131354A (zh) | 答案筛选方法、装置、终端设备和计算机可读存储介质 | |
CN112465821A (zh) | 一种基于边界关键点感知的多尺度害虫图像检测方法 | |
CN115326722B (zh) | 基于高光谱遥感数据的海洋赤潮预警方法 | |
CN114387523B (zh) | 基于dcnn边界引导的遥感图像建筑物提取方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |