11、基于新型十五层深度卷积神经网络的肉类新鲜度状态预测

基于新型十五层深度卷积神经网络的肉类新鲜度状态预测

1 引言

随着人们对肉类营养价值的认知不断提高，以肉类消费为主的饮食方式日益流行。因此，肉类行业和消费者愈发关注肉类的质量和新鲜度。然而，传统的肉类新鲜度检测方法往往成本高昂且具有破坏性，而且这些方法所需的专业知识通常掌握在少数专家手中，普通消费者难以获取相关信息。

为了解决这些问题，基于计算机视觉（CV）的自动化检测方法应运而生。食用新鲜的食物有助于我们摄取完整的营养和矿物质，避免不必要的健康问题。目前，检测食物新鲜度的方法多种多样，包括传统的实验室检测、利用机器学习和深度学习算法分析食物照片，甚至通过检测食物气味来判断。不过，现有的机器学习模型在快速准确检测食物新鲜度方面仍存在不足。而肉类的颜色能直观反映其新鲜度和成分组成。

2 文献综述

2.1 肉类检测相关研究

• CNN 图像识别模型 ：为实现对掺假羊肉末的实时自动检测，有研究创建了基于 CNN 的图像识别模型。该模型通过实验室自制的图像采集设备，采集羊肉、鸭肉、猪肉、鸡肉以及掺有不同比例其他肉类的加工羊肉图像。利用深度卷积神经网络（DCNN）进行图像学习，能够区分不同的牛肉部位和掺假羊肉，为快速无损检测羊肉完整性提供了技术支持。
• 漫反射光谱法（DRS） ：研究发现，利用 DRS 可以检测到完全干燥的肉类在储存过程中高铁肌红蛋白成分的变化。DRS 是一种简单的光学方法，能在不损坏材料的情况下确定色素成分。但该方法在移动环境中的应用较为困难，因为它需要高分辨率和复杂的改装过程。