12、肉类新鲜度预测与海上目标检测：深度学习模型的应用与比较

肉类新鲜度预测与海上目标检测：深度学习模型的应用与比较

肉类新鲜度预测

在肉类新鲜度预测领域，研究人员使用了包含新鲜肉、半新鲜肉和变质肉三个类别共 2269 张肉类图像的肉类新鲜度图像数据集。该数据集经过数据增强后达到 6000 张图像，并被划分为 4800 张训练图像、600 张验证图像和 600 张测试图像，具体划分情况如下表所示：
| 类别 ID | 类别名称 | 训练图像（原始） | 训练图像（增强） | 验证图像 | 测试图像 |
| ---- | ---- | ---- | ---- | ---- | ---- |
| 1 | 新鲜肉 | 757 | 1600 | 200 | 200 |
| 2 | 半新鲜肉 | 756 | 1600 | 200 | 200 |
| 3 | 变质肉 | 756 | 1600 | 200 | 200 |

数据集的图像经过归一化处理后提取特征，并将特征提取后的图像应用于 EfficientNet、DenseNet 和 ResNet 等 CNN 模型，同时也应用于提出的 15L - DCNN 模型。15L - DCNN 模型架构采用单输入和单输出层，包含 4 个卷积层、1 个连接到扁平化层的卷积层、4 个密集层，每个卷积层配备 1 个 dropout 层和 1 个最大池化层。其结构可表示为：
[
\begin{align }
15L - DCNN&=(1\times(InputLayer)+3\times(ConvLayer, Maxpoolinglayer)\
&+1\times(ConvLayer, Flattenlayer)+4\times