《Foods》:Precise Recognition of Adulterated Sliced Mutton Using Machine Vision on Mobile Phone Images
编辑推荐:
近年来,由于非羊肉成分的掺入以及加工和重组肉制品使用增加,羊肉片的真实性日益受到关注。本研究开发了一种低成本、非破坏性的鉴别方法,整合了基于智能手机的图像采集与机器学习和深度学习技术,用于识别真实、加工和重组羊肉片。在标准化条件下共采集了600张图像,从中提取
近年来,由于非羊肉成分的掺入以及加工和重组肉制品使用增加,羊肉片的真实性日益受到关注。本研究开发了一种低成本、非破坏性的鉴别方法,整合了基于智能手机的图像采集与机器学习和深度学习技术,用于识别真实、加工和重组羊肉片。在标准化条件下共采集了600张图像,从中提取了RGB、HSV和Lab颜色空间中的颜色特征以及基于灰度共生矩阵(GLCM)的纹理特征。统计分析包括Kruskal–Wallis检验、Dunn事后检验和主成分分析,揭示了显著的类别间差异,并确认了提取特征的判别能力。随后开发并评估了四种机器学习模型(KNN、LDA、RF和SVM)以及三种基于迁移学习的卷积神经网络(VGG16、ResNet50和InceptionV3)。在机器学习模型中,SVM获得了最佳分类性能,而VGG16在深度学习性能上表现最佳,准确率为96.42 ± 0.51%。误分类分析表明,加工羊肉片是分类模糊的主要来源,因其视觉特征与真实和重组产品均存在重叠。此外,Grad-CAM可视化揭示CNN模型主要关注与肌肉和脂肪分布密切相关的纹理和结构区域,为分类结果提供了可解释性。这些发现表明,智能手机获取的RGB图像结合机器学习和深度学习方法可作为一种有前景的低成本筛查手段,用于市场监测和供应链检查中的羊肉片初步鉴别。
**研究背景与问题**
羊肉片因其高蛋白和适宜脂肪组成在人类营养中具有重要作用,近年来消费者对健康饮食的关注推动了羊肉需求持续增长。然而,羊肉价格高昂导致纯正产品(如真实羊肉片)生产成本高。部分商家利用羊肉碎肉结合食品添加剂生产加工羊肉片,或使用鸭肉等低价肉类掺入羊尾脂肪制成重组羊肉片。这些产品虽无直接健康风险,但成本显著低于真实羊肉片,将其冒充销售侵犯消费者权益并扰乱市场秩序。现有检测方法主要依赖基于核酸、脂肪和蛋白质的生物分子特征,如聚合酶链反应(PCR)、电泳、免疫分析和色谱技术,虽精度高但需昂贵仪器和繁琐样品制备,难以用于快速大规模供应链筛查。近期计算机视觉和深度学习的发展推动了基于机器视觉的食品检测,可见光成像系统因其低成本、便携和非破坏性被广泛用于肉类品质检测。本研究旨在开发一种基于智能手机图像的机器视觉框架,区分真实、加工和重组羊肉片,为市场监督和供应链检查提供快速、实用的筛查工具。本文发表在《Foods》。
**关键技术与方法**
研究人员构建了自定义机器视觉系统,使用iPhone 15后置双摄像头(IMX803传感器,光圈f/1.6,焦距6mm)在标准化照明条件(摄影箱内两个冷白LED灯,白色PP板置于黑色卡纸上的背景)下采集图像。样本来自9个在线平台品牌,依据包装执行标准和配料表分为真实(仅含羊肉,GB 2707-2016)、加工(羊肉、水、食品添加剂,SB/T 10379-2012或SB/T 10482-2008)和重组(鸭肉、羊脂肪、水和添加剂,同SB/T标准)三类,共600张图像(每类200张)。图像预处理包括手动提取圆形感兴趣区域(ROI),并采用分层抽样以70%、15%、15%比例划分训练、验证和测试集,仅对训练集进行数据增强(旋转、缩放、颜色扰动、噪声注入)。颜色特征提取使用RGB、HSV和Lab三个颜色空间的一阶矩(均值)和二阶矩(标准差);纹理特征通过灰度共生矩阵(GLCM)计算对比度、相关性、同质性、能量和熵。统计采用Kruskal–Wallis检验、Dunn事后检验(Bonferroni校正)和主成分分析(PCA)。机器学习模型包括K近邻(KNN)、线性判别分析(LDA)、支持向量机(SVM)和随机森林(RF),通过重复分层5折交叉验证(20次重复)评估,并选择前20个特征(基于Kruskal–Wallis统计量)经z-score标准化和PCA降维(保留95%累积方差)。深度学习采用基于迁移学习的VGG16、ResNet50和InceptionV3,使用ImageNet预训练权重,优化器为Adam,包括早停和学习率自适应调整,并采用Grad-CAM可视化。
**研究结果**
**3.1 颜色特征提取**
真实羊肉片在所有颜色通道中均值最高,呈更红更亮的外观,标准差最大,反映肌肉与脂肪组织的显著颜色对比;重组羊肉片R、G、B均值最低,外观暗淡,S、V、b均值最低,颜色饱和度和亮度弱,标准差最小,颜色分布均匀;加工羊肉片颜色特征介于二者之间,更接近重组类型。
**3.2 纹理特征提取**
真实羊肉片能量和熵最高,纹理信息丰富,内部结构复杂,对应天然肌肉纹理;重组羊肉片同质性和相关性最高,纹理平滑且方向一致,熵和能量最低,缺乏天然肌理;加工羊肉片多数纹理指标介于中间,表明部分天然纹理保留但被加工修饰。
**3.3 统计特征评估与主成分分析**
Kruskal–Wallis检验显示大多数手工特征在类别间差异显著,其中H_mean、H_std、a_std、Energy和Correlation的显著性最高;a_mean和V_std判别能力相对有限。Dunn事后检验显示重组羊肉片与另两类间差异数量最多,加工与真实羊肉片间对多个描述符(尤其是Lab空间和部分纹理特征)可分离性较弱。PCA前两个主成分解释79.9%方差,五个主成分保留97.0%累积方差,表明特征间存在强相关性。
**3.4 机器学习分类性能**
**3.4.1 模型比较与选择**
重复5×20交叉验证中,SVM取得最高平均准确率(87.48±3.05%)和验证准确率(85.56%),RF次之(86.79±3.12%,验证84.44%),KNN(84.44±3.30%)和LDA(82.14±2.98%)较低。SVM的非线性决策边界优于LDA的线性假设。
**3.4.2 独立测试评估**
SVM在独立测试集(n=90)上准确率94.44%,加权精确率94.73%、召回率94.44%、F1-score 94.43%;RF准确率91.11%,加权指标分别为91.72%、91.11%、91.15%。SVM对重组羊肉片的精确率、召回率和F1-score均达100%,对加工羊肉片提升显著(精确率88%,召回率97%,F1-score 92%)。混淆矩阵显示SVM仅5个样本误分类(均为加工与真实之间),RF额外涉及重组类别。
**3.4.3 误分类分析**
SVM误分类率5.56%,所有错误发生在加工与真实羊肉片之间。代表性误分类样本的概率接近决策边界,特征偏差分析显示误分类样本的纹理特征(对比度、同质性等)偏离同类正确分类样本的分布,导致特征表示向邻近类别偏移。四类描述符(Entropy、Contrast、Homogeneity、H_mean)在正确与误分类样本间差异显著(p<0.01)。
**3.5 深度学习模型结果**
**3.5.1 模型训练动态与收敛性**
VGG16、ResNet50和InceptionV3在早期训练阶段均快速提升训练准确率并降低损失。VGG16验证准确率最高且损失最低,收敛稳定;ResNet50验证性能有适度波动;InceptionV3波动稍大但均收敛。数据增强消融实验显示VGG16准确率从94.34±1.34%提升至96.42±0.51%,标准差降低。
**3.5.2 深度学习分类性能**
VGG16在独立测试集上准确率96.42±0.51%,精确率96.56±0.43%,召回率96.42±0.51%,F1-score 96.42±0.50%,标准差最小;ResNet50居中;InceptionV3最低且变异最大。混淆矩阵显示VGG16仅3个误分类样本(加工与真实间少量混淆),ResNet50和InceptionV3误分类主要集中在加工与真实之间。VGG16参数量14.88百万,训练时间较长;InceptionV3模型最小、训练最快;所有模型推理速度均<0.011s/张。
**3.5.3 Grad-CAM可视化与特征解释**
VGG16的Grad-CAM激活区域主要集中于羊肉片组织而非背景:重组羊肉片激活区位于不均匀脂肪分布和不规则组织区域;加工羊肉片集中于重建的肌肉-脂肪界面;真实羊肉片沿天然肌纤维边界和雪花纹理分布。表明模型关注与肌肉和脂肪分布相关的形态学结构。
**讨论与结论**
讨论部分指出,智能手机RGB图像结合机器学习与深度学习可成功区分三类羊肉片。统计分析证实颜色和纹理描述符的显著差异,纹理特征判别能力优于颜色。PCA显示特征空间中存在部分重叠(尤其加工与真实),加工羊肉片因保留部分天然形态同时具有加工诱导结构变化,处于中间位置导致分类模糊。SVM在机器学习中表现最优,误分类分析揭示纹理特征偏差是主要原因。深度学习模型优于传统方法,VGG16架构简单更适合当前数据集规模,Grad-CAM增强可解释性。研究局限性包括:样本分类基于制造商标签而非独立分子验证;仅使用iPhone 15在标准化条件下采集;光照受控;品牌和品种有限。未来需扩充数据多样性、评估不同设备鲁棒性、探索多模态方法。
**结论**
本研究开发了一种低成本、非破坏性的基于智能手机的图像识别框架,用于真实、加工和重组羊肉片的鉴别。共分析600张图像,整合了图像预处理、手工特征提取、统计分析、机器学习和深度学习。统计分析显示多个颜色和纹理描述符在类别间存在显著差异,主成分分析证实了利用图像特征区分三类羊肉片的可行性。在机器学习模型中,支持向量机(SVM)取得了最佳分类性能。在深度学习中,基于迁移学习的VGG16、ResNet50和InceptionV3模型中,VGG16获得了最高分类准确率(96.42±0.51%)和最稳定的训练性能。结果表明纹理和结构特征在羊肉片区分中起重要作用,加工羊肉片与真实羊肉片的相似性高于与重组羊肉片,导致分类困难。Grad-CAM可视化进一步表明深度学习模型主要关注与肌肉和脂肪分布相关的形态学组织区域,支持分类结果的可解释性。总体而言,该框架在不需专用实验室设备或破坏性样品制备的情况下,展现了快速便携的肉类鉴别潜力。智能手机成像与人工智能的结合为肉类供应链和零售市场的初步筛查及现场检查提供了实用解决方案。未来研究应扩大样本多样性,评估在更多样成像条件下的模型鲁棒性,并探索结合机器视觉与光谱或成分信息的多模态方法,以进一步提高鉴别可靠性和实际适用性。