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。
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。
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）。
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
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。
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。
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.
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！
微信扫一扫 
支付宝扫一扫 相关推荐
-
基于输入修正卷积神经网络的电子鼻和高光谱图像融合羊肉新鲜度检测
今天介绍一篇来自安徽大学翁士状副教授课题组于2022年3月发表在Food Chemistry上的文章。该研究采用电子鼻和高光谱图像相结合的方法对羊肉总挥发性盐基氮(TVB-N)进行综合评价。为准确分析羊肉新鲜度提供了一种途径，并为其他肉类品质的研究提供了技术依据。
-
混合计算智能算法及其在食品质量检测中的应用
今天介绍一篇由Lavika Goel等人近期发表在Artificial Intelligence Review上的论文。作者介绍了各种用于发现食物变质的图像分割技术，并开发了新颖的混合算法并进行了验证和比较，最后展望了今后的应用场景。
-
多元素分析与化学计量学相结合的食品质量评价
这篇综述概述了2011年至2021年发表的关于食品认证和多元素成分质量控制的报告，以评估该领域的最新进展。并确定允许实现准确鉴别/分类模型的应用分析技术和化学计量学数据处理的主要特征，强调了这些方法的优缺点。
-
Food Chem|衰减全反射-傅立叶变换红外光谱结合化学计量学快速检测椰子水掺假
该文研究了衰减全反射-傅立叶变换红外光谱(ATR-FTIR)与化学计量学相结合，作为一种快速检测椰子水中掺糖的方法。
-
系统综述(2013-2020年)：分析技术结合化学计量学鉴别食用油地理来源
过去十年，随着消费者对来自世界各地的食品有了更多的认识，全球高质量的进口食品市场急剧增长。许多国家要求食品贴上原产地标签，以保护消费者对食品真实特征和原产地的需求。本文介绍了利用各种分析工具结合多元分析对油品地理来源的验证所作的努力。对流行的分析工具进行了讨论，并指出了强调地理认证研究趋势和用于传播的首选期刊的科学计量评估。
-
我的食物安全吗？ – 基于人工智能的含有微量的麸质或坚果的小扁豆粉样品分类
今天介绍一篇由Sandra Pradana-López等人于2022年8月发表在Food Chemistry上的文章。本文提出了一种基于人工智能的实时快速检测掺杂扁豆粉的方法。将“无麸质”小扁豆粉与小麦粉或开心果粉混合，然后，拍摄纯的和受污染的小扁豆粉的数字图像，并用于训练基于转移学习的模型（即ResNet34），该模型旨在根据小麦和开心果含量对图像进行分类。本文获得的结果旨在作为概念验证，以评估数字成像与深度学习技术相结合的食物过敏原检测的真正潜力。
-
机器学习在食品安全中的新兴应用
今天分享一篇最近由美国乔治亚大学的Xiangyu Deng发表在Annual Review of Food Science and Technology上的综述。文章对食品安全和公共卫生特定领域下的机器学习进行了介绍，回顾近期和显著的进展，并讨论挑战和潜在的缺陷。
-
基于非靶向 HPLC-MS 的代谢组学方法揭示可可粉掺假
今天给大家介绍一篇由西班牙阿尔卡拉大学Maider Greño等人在Food Chemistry（IF=9.231）上在线发表的一篇的研究性文章。该文章提出了一种非靶向代谢组学方法，该方法基于反相液相色谱与高分辨率质谱联用来检测可可粉与一些最常用的可可掺假剂。
-
基于质谱-机器学习技术的番茄分类:一个食品安全增强平台
今天介绍一篇由Arthur Noin de Oliveira等人于2022年8月发表在Food Chemistry（IF=9.231）上的文章。该研究旨在开发一个使用机器学习算法的平台，分析质谱数据，对番茄进行有机和非有机的分类。决策树算法被定制用于数据分析，该模型在确定每种水果属于哪个组时达到了92%的准确度、94%的灵敏度和90%的精确度。
