1. AI新视界首页
  2. AI食品

一种基于机器视觉系统和深度学习的检测姜黄粉中掺假的新方法

今天介绍一篇最近由伊朗阿达比大学生物系统工程系Ahmad Jahanbakhshi等人发表在COMPUT BIOL MED (Q1, IF: 4.589)期刊上的文章。文章研究中,采用改进的卷积神经网络(CNN)对姜黄粉末图像进行分类,以检测参假。结果表明,计算机视觉,特别是与深度学习(DL)相结合,可以成为评价姜黄粉质量和检测参假的一种有价值的方法。

摘要

今天介绍一篇最近由伊朗ardabili大学生物系统工程系Ahmad Jahanbakhshi等人发表在COMPUT BIOL MED (Q1, IF: 4.589)期刊上的文章。文章研究中,采用改进的卷积神经网络(CNN)对姜黄粉末图像进行分类,以检测掺假。结果表明,计算机视觉,特别是与深度学习(DL)相结合,可以成为评价姜黄粉质量和检测掺假的一种有价值的方法。

1. 介绍

由于人口的增长以及最近农产品和香料价格的上涨、美元的升值和许多西方国家的经济放缓,粮食短缺问题是一个复杂而重要的问题。除了粮食短缺、农产品和香料价格上涨之外,食品掺假等因素也造成了问题。鉴于食品在人们日常生活中的重要作用,以及由于工具和设备成本高和分析方法耗时,食品掺假检测措施不充分,创建简单、快速和廉价的方法来确定食品质量至关重要。快速、准确、自动地测定食品属性是日常生活中的实际需求。计算机视觉、电子鼻、光谱学和光谱成像等现代技术已被广泛应用于食物属性的检测。

深度学习(Deep learning, DL)作为一种有效的机器学习算法得到了广泛的研究,目前受到了遥感、农业生产、医学、机器人、医疗保健、人体动作识别、语音识别等各个领域的越来越多的关注。DL在自动学习数据表示(即使是多域特征提取)、迁移学习、处理大量数据、获得更好的性能和更高的精度等方面都显示出了显著的优势。因此,本研究旨在评价视觉系统作为一种无损技术来鉴别消费者市场上的姜黄真假。

2. 材料和方法

2.1 样品的制备

根据本研究的目的,鹰嘴豆粉(CP)被用作掺假的例子。同时,为了更好地评价所采用的分类方法,将一次纯鹰嘴豆粉作为不同百分比10%-50%的假冒样品,再次将鹰嘴豆粉与食用色素(FC)作为掺假样品(不同百分比10%-50%),并与姜黄粉混合。本研究测试的样本如图1所示。

一种基于机器视觉系统和深度学习的检测姜黄粉中掺假的新方法

Fig. 1.研究样本:1)纯鹰嘴豆粉,2)纯姜黄粉,3)10%掺假,4)20%掺假,5)30%掺假,6)40%掺假,7)姜黄粉与鹰嘴豆粉掺假,8)鹰嘴豆粉与食用色素混合,9)10%掺假,10)20%掺假,11)30%掺假,12)40%掺假,以及13)姜黄粉与CP+FC掺假。

2.2 成像

在本研究中,样本被分为13类(图1)。然后,使用成像系统(图2)从每个类别获得120个分辨率为72 dpi的图像。然后,在Matlab R2020b软件中对图像进行编码处理。

一种基于机器视觉系统和深度学习的检测姜黄粉中掺假的新方法

Fig.2. 成像系统(1个支架,摄像头高度调节器,2个摄像头,3-26瓦灯,4个LED灯,5个姜黄样品)。

2.3 图像预处理

将姜黄样品大小为400×400像素的图像分成四个独立的部分,没有重叠,每个类中的原始图像数量达到480个图像(120×4=480),这样做还可以增强数据,防止CNN中的过度拟合问题。

2.4 数据增强

CNN学习分类对象需要大量的注释数据,DA技术用于扩展现有数据集,以提高拟议CNN网络的准确性。在本研究中,DA进行旋转、翻转和颜色处理操作。致使13个类别的样本总数已达到6240个原始图像。

2.5 基于改进的CNN模型的实现

该方法利用CNN对姜黄粉图像进行分类。在训练阶段,姜黄粉的图像被调用到网络。然后,通过误差函数(soft max)计算CNN网络的输出。为了调整网络参数,将网络输出与正确响应进行比较,并计算错误率。基于随机梯度下降(SGD),根据其对网络误差的影响修改所有参数(图3)。


一种基于机器视觉系统和深度学习的检测姜黄粉中掺假的新方法

Fig.3. 用于样本分类的CNN结构

 在卷积层卷积输入图像,CNN网络使用不同的内核。典型的CNN由池层和卷积层组成。每个卷积层的功能是创建反映局部空间结构方面的表示,同时考虑多个通道。池层一次仅在一个信道中起作用,并且在给定信道中的每个空间局部区域中“压缩”激活值。池操作在现代视觉识别系统中具有重要作用,因为它们产生的“下游”表示对数据变化的影响更具有说服力,同时仍保留重要的图案。

2.6 量词的评价

在这项研究中,评估了所提出的模型(CNN)的性能,并与用于姜黄图像的其他分类方法的性能进行了比较。为此,首先通过HOG和LBP从6240张姜黄粉彩色图像(无数据增强)中提取所需的特性。然后采用MLP、模糊、KNN、SVM、GBT和EDT算法对提取的图像进行分类。

2.7 统计分析

网络培训期间评估CNN的最常见标准是损失和MAE。损失函数是训练深度学习模型的关键,影响神经网络的有效性和准确性。

Loss= -(Xlog(p)+(1-X)Log(1-p))

3. 结果与讨论

根据表1,姜黄粉图像的分类性能分13步进行评估。在评估的每个步骤中,一个类被视为阳性,其他类被视为阴性。使用准确度、损耗和MAE标准对建议的CNN方法的性能进行评估。

Table 1 通过对阳性和阴性分级的选择,对灵敏度、特异性和测量值进行评价一种基于机器视觉系统和深度学习的检测姜黄粉中掺假的新方法

图4示出了与姜黄图像(具有不同掺假百分比)在测试阶段的分级相关的混淆矩阵,所述测试阶段使用针对大小为50×50像素的图像的基于门控池的CNN方法。结果表明,所提出的基于门控池的CNN模型能够以准确率99.36%对不同类别的姜黄图像进行分类。一种基于机器视觉系统和深度学习的检测姜黄粉中掺假的新方法

Fig.4. 混淆矩阵与大小为50×50像素的不同粉末的图像分级有关

姜黄粉图像分级的不同模型的分类精度如图5所示。图5还显示了在MLP、Fuzzy、SVM、GBT和EDT分类技术中提取特征的HOG方法比LBP产生更好的结果。

一种基于机器视觉系统和深度学习的检测姜黄粉中掺假的新方法

Fig.5. 各种分类器在姜黄粉图像分级中的性能

本研究结果表明,CNN作为一种简单、快速和无损的方法,可用于管理和控制姜黄粉掺假。图像处理技术和深度学习在实现研究目标方面是有效和有用的。这些研究结果的实际应用可以非常有效地提高香料(如姜黄)的适销性和消费者的健康安全性。

4. 结论

研究人员、立法者和食品行业最近将重点放在食品掺假的预防和缓解上。在这项研究中,为了防止掺假和增加适销性,根据姜黄粉的颜色和质地,对其进行了不同比例的掺假分级(分为13个不同类别)。在该方法中,采用基于批量处理归一化的配置来提高网络速度。研究结果表明,改进的CNN方法和图像处理技术对于改进传统的姜黄粉掺假检测方法是非常有效的。使用这种方法还可以提高姜黄粉的市场性,防止姜黄粉掺假。

参考文献

  • Jahanbakhshi Ahmad, et al.”A novel method based on machine vision system and deep learning to detect fraud in turmeric powder.” Computers in Biology and Medicine 136.(2021): doi:10.1016/J.COMPBIOMED.2021.104728.

一种基于机器视觉系统和深度学习的检测姜黄粉中掺假的新方法

长按关注我们

微信号|FoodAI

合作/投稿|biomed@csu.edu.cn

原创文章,作者:ifyoung,如若转载,请注明出处:https://www.drugfoodai.com/cnn-turmeric.html

注意:本站原创指的是原创编译,并不主张对所介绍的工作的版权,如有侵权,请联系删除!

发表评论

邮箱地址不会被公开。 必填项已用*标注