0
Il colore della carne suina è fondamentale per valutarne la sicurezza e la freschezza, ed i metodi tradizionali di osservazione attraverso gli occhi umani sono inefficienti e soggettivi. Negli ultimi anni, sono stati proposti diversi metodi basati sulla visione artificiale e sul deep learning, che possono fornire valutazioni oggettive e stabili. Tuttavia, questi metodi soffrono di una mancanza di metodi di raccolta dati standardizzati e di set di dati su larga scala per l'addestramento, il che porta a scarse prestazioni del modello e limitate capacità di generalizzazione. Inoltre, l'accuratezza del modello era limitata dall'assenza di un'efficace pre-elaborazione delle immagini di fondo.
Materiali e Metodi: Per affrontare questi problemi, abbiamo progettato un dispositivo di raccolta di immagini di carni suine standardizzato e raccolto 1707 immagini di carni suina ad alta qualità. Sulla base dei dati, abbiamo proposto un nuovo modello di deep learning per prevedere il colore. Il framework è costituito da due moduli: modulo di preelaborazione delle immagini e modulo di classificazione del colore della carne. Il modulo di preelaborazione delle immagini utilizza il modello Segment Anything (SAM-Segment Anything Model) per selezionare l'area della carne e rimuovere imprecisioni di fondo, migliorando così l'accuratezza e la stabilità del modello.
Risultati: Il modulo di classificazione del colore della carne suina utilizza il modello ResNet-101 addestrato con una strategia di addestramento basata su patch come struttura portante. Di conseguenza, il modello ha raggiunto un'accuratezza di classificazione del 91,50% sul nostro dataset di alta qualità e dell'89,00% sul dataset di convalida esterno. L'applicazione online Porkolor è disponibile gratuitamente sulla piattaforma Biomedical AI...(https://bio-web1.nscc-gz.cn/app/Porkolor.)
Yuxian Pang, Chuchu Chen, Yuedong Yang, Delin Mo, Porkolor: A deep learning framework for pork color classification, Meat Science, 2024, 109731, ISSN 0309-1740, https://doi.org/10.1016/j.meatsci.2024.109731. (https://www.sciencedirect.com/science/article/pii/S0309174024003085)
