基于残差网络模型的速溶全脂奶粉分散性与堆积密度检测方法

• Published in: 食品科学 Vol. 45; no. 10; pp. 9 - 18
• Main Authors: 丁浩晗, 沈嵩, 谢祯奇, 崔晓晖, 王震宇
• Format: Magazine Article
• Language: Chinese
• Published: 江南大学人工智能与计算机学院,江苏无锡 214122%江南大学人工智能与计算机学院,江苏无锡 214122%江南大学未来食品科学中心,江苏无锡 214122 25.05.2024; 武汉大学国家网络安全学院,湖北武汉 430072%嘉兴未来食品研究院,浙江嘉兴 314005; 江南大学未来食品科学中心,江苏无锡 214122
• Subjects: 堆积密度; deep learning; instant whole milk powder; bulk density; 深度学习; dispersibility; 速溶全脂奶粉; 分散性; residual network; 残差网络
• ISSN: 1002-6630
• DOI: 10.7506/spkx1002-6630-20240129-262

TS207.3; 针对传统的奶粉品质国际标准检测方法中存在的主观性和滞后性等问题,本研究提出了一种基于残差网络(residual network,ResNet)的奶粉分散性和堆积密度的快速分类检测方法.在本研究中,使用的数据集包括499张在10倍光学显微镜下拍摄的速溶全脂奶粉颗粒微观分布图像,这些图像来自10个不同的样本组.首先,按照国际标准方法检测这10组样本的分散性和堆积密度,进而基于测试结果划分不同的分散性和堆积密度级别.随后,利用这些微观图像对ResNet模型进行训练,以实现对不同样本的有效分类.最终,通过分类结果预测速溶全脂奶粉的分散性、松散密度和振实密度.此外,本研究还对比了ResNet、EfficientNetV2和Swin Transformer等不同深度学习模型的预测效果.结果表明,基于ResNet 152的深度学习模型在预测速溶全脂奶粉的分散性、松散密度和振实密度方面表现最佳,其在测试集上的准确率分别达到97.50％、98.75％和95.00％.这些深度学习模型在奶粉品质检测中的出色性能不仅证明了该方法能够实时、准确地预测奶粉的分散性和堆积密度,同时也为奶粉品质的在线检测提供了新的技术途径.