基于YOLOv8n_CA_DSC3算法的鸡胸肉无损新鲜度智能分级技术研究

本研究针对传统禽肉新鲜度检测方法成本高、效率低的问题，开发了基于改进YOLOv8算法的鸡胸肉新鲜度无损识别系统。研究人员通过构建包含7个新鲜度等级的增强数据集（34,380样本），引入可变形卷积DCNv3模块和坐标注意力机制CA，显著提升模型在复杂场景下的识别性能。实验表明，改进后的YOLOv8n_CA_DSC3算法平均精度（mAP50）达97.5%，较原模型提升5.1%，为禽肉食品安全监测提供了高效技术方案。

　　

随着禽肉消费量持续增长（2023年我国禽肉产量达2563万吨），鸡肉新鲜度检测成为食品安全领域的关键课题。传统检测方法如感官评价存在主观偏差，微生物检测耗时耗力，难以满足现代食品工业实时监测需求。针对这一痛点，淮北理工学院电子与信息工程学院联合陆军工程大学指挥控制工程学院的研究团队，在《Scientific Reports》发表了一项突破性研究，通过深度学习技术实现了鸡胸肉新鲜度的智能无损识别。

研究采用三大关键技术：1）构建多场景样本库，采集不同光照强度、密度和角度的鸡胸肉图像，基于微生物总数（TAC）、大肠菌群数（ANC）和pH值划分7级新鲜度标准；2）采用数据增强技术（旋转、噪声添加等）将样本量扩展至34,380张；3）改进YOLOv8n算法架构，用可变形卷积DCNv3（Deformable Convolution Network v3）替代常规卷积层增强特征提取能力，引入坐标注意力机制CA（Coordinate Attention）强化多通道特征融合。

【方法与结果】
样本制备与分类：从安徽宣城天成农场获取144只肉鸡的288份鸡胸肉样本，在-20°C至4°C条件下进行7天梯度储存，依据国家标准GB/4789.2-2022等建立新鲜（pH 5.5-6.2）、次级新鲜1-3级（pH 6.1-6.7）和腐败1-3级（pH>6.7）的7级分类体系。

算法优化：DCNv3模块通过长程依赖和自适应空间聚合特性，将采样点调制标量mk的sigmoid归一化改为softmax，使模型在重度遮挡场景下仍保持71.4%识别率；CA机制通过双向特征编码（式3-4）实现位置感知，使侧视拍摄条件下的误检率降低42%。

性能验证：在8种环境测试中，改进算法的平均精度（mAP50:95）达77.5%，较原YOLOv8n提升6.1%。特别在强光/弱光环境下，对腐败2级（carrion_2）的识别准确率仍保持89.3%，显著优于Faster R-CNN（68.5%）和YOLOv7（70.9%）。

【结论与意义】
该研究首次将DCNv3与CA机制协同应用于禽肉检测领域，创建的7级新鲜度分类体系较传统3级分类更精细。改进算法在保持较低计算量（FLOPs 8.2×10⁹）的同时，实现了复杂场景下的鲁棒性检测，为智能屠宰线质量监控和零售端实时检测提供了可靠工具。未来通过对接肉类溯源平台，该技术可形成从农场到餐桌的全链条安全保障，对推动食品工业智能化转型具有重要实践价值。