1. AI新视界首页
  2. AI食品

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。

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。

1. 概述

粮食安全是当今面临的主要问题。使用原始的存储设施,尤其是在发展中国家,经常导致大量损失。这项工作旨在开发基于视觉数据的算法,以评估食品质量并将其部署在食品存储设施中,以检测变质的早期迹象。论文介绍了各种用于发现变质食物的图像分割技术。本文开发和实施了新颖的优化技术,以改善K-均值聚类和多级阈值化。飞蛾火焰优化(MFO)和重力搜索算法(GSA)的混合模式已被开发出来。同样,在另一个混合系统中,粒子群优化(PSO)也与MFO和GSA结合在一起。在基准功能上,这两种混合算法的性能均优于单个算法,MFO-GSA-PSO混合算法的性能优于MFO-GSA混合算法。

使用优化的K均值分割图像,后使用局部二进制模式(LBP)进行特征提取。使用多类支持向量机进行分类,使用MFO-GSA混合图像获得的分割图像的特征,模型准确度为81%,使用MFO-GSA-PSO混合图像获得的特征,模型准确度为83.33%。作者还讨论了用于分割的简单线性迭代聚类超像素的结果。然后将分割的簇用于判断食物的腐烂度。使用LBP和Haralick特征对使用超像素图形获得的分割图像进行分类的准确度分别为81.7%和78%。使用优化的K均值的分割图像用于使用局部二进制模式(LBP)进行特征提取。使用多类支持向量机进行分类,使用MFO-GSA混合图像获得的分割图像的特征准确度为81%,使用MFO-GSA-PSO混合图像获得的准确度为83.33%。还讨论了用于分割的简单线性迭代聚类超像素的结果。然后将分割的簇用于判断食物的腐烂度。使用LBP和Haralick特征对使用超像素图形获得的分割图像进行分类的准确度分别为81.7%和78%。

2. 主要内容

基于群体智能的算法在优化问题上表现良好。蚁群算法、引力搜索算法(GSA)和蛾焰优化算法(MFO)已成功地应用于优化问题。GSA是一种受牛顿引力定律启发的优化算法。飞蛾火焰算法是另一种优化算法,灵感来自飞蛾向光的运动。这两种方法都有缺点。论文所提出的算法旨在通过补充其他方法的优点来解决这些方法的缺点。粒子群优化算法也可以被合并,这样搜索代理就可以通过一个全局最优解相互通信他们的结果。在第一个混合中只使用MFO和GSA,在第二个混合中使用MFO、GSA和PSO。优化方法的目标是以较少的迭代次数将最优值收敛到可接受的误差范围,从而提高优化效率。论文提出的混合算法是高级元启发式算法。它们由按顺序执行的自包含元启发式算法组成。根据Talbi(2002)讨论的分类法,在平面上,它们是同质的、全局的和一般的。它们由不同的元启发式算法组成,这些算法在整个搜索空间中工作,所有的算法都解决相同的优化问题。

混合计算智能算法及其在食品质量检测中的应用
图1. 描述用于MFO–GSA Hybrid的基准函数F1,F2,F3,F4,F5,F7的收敛曲线,用于单峰函数
混合计算智能算法及其在食品质量检测中的应用
图2. 描绘用于多模式功能的MFO–GSA–PSO混合的基准功能F8,F9,F10,F11,F12,F13的收敛曲线

作者的研究使用这些混合算法来检测不同食品的质量。食品质量自动检测可以帮助食品储存设施检测腐烂的食品,并在疾病传播到其他食品之前将其清除(本文疾病指的是食物变质导致“病态”)。这些混合方式用于改善分割结果。混合优化算法已成功地应用于K均值和多级阈值分割算法中。目的是利用该算法改进K-均值聚类。K-means算法随机初始化K-means点,因此每次应用该算法时,结果(即每个数据点与指定给它的聚类点的均方误差)都会发生变化。利用混合算法优化K均值,每次得到的结果都是一致的。

使用蛮力方法进行多级阈值分割是一个计算开销很大的过程,因为它可以找到多个阈值,每个阈值的值可以从0到255不等。论文提出的优化技术使用一个搜索代理群体来寻找最佳阈值。搜索代理单独寻找最优值,在MFO–GSA–PSO混合的情况下,与其他代理进行通信,从而产生群体行为,从而快速找到最优值。另外,当颜色空间增加时,这些可以相对更好地执行。随着颜色空间数量的增加,这些技术可以分别应用于每个维度。

另一种方法是在超像素上构造图,利用不同超像素之间的颜色距离边来分离疾病簇。简单线性迭代聚类(SLIC)被用来将图像分割成不同的超像素。使用SLIC,所有的超像素都可以被分成若干组,每组代表一个完整的图形。分割后利用局部二值模式(LBP)和灰度共生矩阵(GCLM)进行特征提取。每个簇都根据疾病进行标记,并使用该疾病生成模型。这样创建的模型在测试图像上进行测试。

该综述主体部分主要包括:

1) 回顾相关文献综述。

2)描述了用于构造混合的算法。

3)介绍了这两种算法在K均值和多级阈值分割中的应用。

4)描述了如何使用超级像素实现分割。

5)给出了两种混合算法在基准函数上的结果,以及优化K均值和多级阈值的结果,也给出了分类结果。

6)简要分析了所有算法。

7)总结了本文的工作,并描述了未来的相关应用范围。

混合计算智能算法及其在食品质量检测中的应用
图3. 使用MFO-GSA在“斑点”,“腐烂”和“结ab”上分别进行K均值分割。在所有情况下,都可以将患病的群体识别出来。
混合计算智能算法及其在食品质量检测中的应用
图4. 使用MFO-GSA-PSO在“斑点”,“腐烂”和“结ab”上分别进行K均值分割。在所有情况下,都可以将患病的集群识别出来。
混合计算智能算法及其在食品质量检测中的应用
图5. 使用MFO-GSA通过多级阈值分割。

3. 结论和展望

作者提出了几种基于分割算法的食品质量检测方法。这两种混合算法(MFO-GSA和MFO-GSA-PSO)在开发中都被证明是有用的。所有的算法,优化的K均值,优化的多级阈值分割,基于Lab的分割和SLIC超像素算法都给出了很好的结果。目前,MFO、GSA和PSO三种算法都在不断发展。一旦建立了更好的版本,就可以用它们代替原来的版本来构建混合。超像素方法可以进一步发展,其他算法,如图切割也可以纳入和测试。特别是对于食品,气味在鉴别腐烂程度上起着重要作用,就像水果腐烂时释放出特定气体一样。尽管目前的工作提出了一个仅基于视觉数据的模型,但是在建立模型时加入气味数据可以改进模型。从长期来看,实时应用作者提出的概念方法可以达到减少食品储存设施腐败损失、提高食品安全性的目的。

参考文献

  • Goel L , Raman S , Dora S S , et al. Hybrid computational intelligence algorithms and their applications to detect food quality[J]. Artificial Intelligence Review, 2020, 53(1).

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