基于Mask R-CNN的实时无损咀嚼过程分析：花生颗粒破碎与食团形成的AI量化研究

【编辑推荐】本研究首次将Mask R-CNN（掩膜区域卷积神经网络）应用于咀嚼过程分析，通过ResNet101等四种骨干网络对比，实现了食团形成三阶段（初始破碎-渐进整合-最终成型）的实时无损监测，突破传统粒径分析（PSD/X50）的破坏性局限，为机器人体外咀嚼模拟器开发奠定技术基础。

　　

Highlight

本研究首次将深度学习技术应用于咀嚼过程的实时无损分析，通过对比四种骨干网络（ResNet50/101、ResNeXt101、Panoptic ResNet101），建立了一套能追踪花生颗粒破碎动态与食团形成规律的AI系统，为消化健康研究提供了创新工具。

咀嚼实验与数据集采集

作为机器人体外咀嚼模拟器开发的前期基础，本研究虽采用人体咀嚼样本，但实验设计严格标准化：通过12个咀嚼周期（每周期30次重复）获取360张高清图像，系统记录花生从离散颗粒（1-3周期）到整合食团（9-12周期）的完整转变过程。

颗粒检测结果

如图5所示（P=颗粒，B=食团），ResNet101在追踪咀嚼相关变化时展现出最优准确性与一致性：前3周期颗粒数达峰值（>15个），4-8周期表面积递减，9-12周期食团占比达100%。传统PSD检测验证了AI结果，中值粒径X₅₀从0.47 mm降至0.27 mm。

结论

Mask R-CNN结合ResNet101的方案成功量化了咀嚼三阶段特征，其非破坏性优势保留了食团空间结构信息，为开发能模拟人类咀嚼模式的智能机器人系统提供了关键技术支撑。