基于透光成像与深度学习在受控成像条件下对蜂蜜样品进行分类的研究

《Applied Food Research》:Light Transmittance-Based Classification of Honey Samples Using Deep Learning Under Controlled Imaging Conditions

【字体: 大 中 小 】 时间:2026年07月27日 来源:Applied Food Research 5.4

编辑推荐:

  全球蜂蜜市场面临真实性验证与欺诈方面的重大挑战,具体表现为天然蜂蜜被廉价糖浆掺假。传统检测方法(如光谱法与色谱法)往往耗时且对经济性造成负担,难以满足工业常规分析需求。所提出的框架在受控实验室条件下结合YOLOv11s深度学习架构,成功区分了三类制备蜂蜜。研究

  
全球蜂蜜市场面临真实性验证与欺诈方面的重大挑战,具体表现为天然蜂蜜被廉价糖浆掺假。传统检测方法(如光谱法与色谱法)往往耗时且对经济性造成负担,难以满足工业常规分析需求。所提出的框架在受控实验室条件下结合YOLOv11s深度学习架构,成功区分了三类制备蜂蜜。研究在受控光照下获取300张高分辨率图像,以捕捉天然蜂蜜、饲喂糖蜂蜜及掺假蜂蜜的独特光学散射特性。所提出的YOLOv11s模型表现出卓越性能,平均精度均值(mAP@0.5)达99.5%,精确率与召回率分别为98.6%与99.7%。该方法在受控实验室条件下实现了高性能分类,证明了将透光成像与深度学习结合用于基于图像的蜂蜜类别分类的可行性。然而,本研究使用固定成像条件下获取的有限数据集完成,在经广泛外部验证与理化验证后部署前,还需采用更大数据集与理化表征进一步验证。
研究背景方面,蜂蜜作为高价值天然食品被广泛用于营养与医药领域,但全球蜂蜜供应链中普遍存在以甘蔗、玉米、大米或高果糖浆等低成本糖浆掺假的行为,传统理化认证方法(Raman光谱、傅里叶变换红外光谱(FTIR)、核磁共振(NMR)、色谱法、同位素比分析)虽准确却耗时、昂贵,难以支撑产线级例行筛查。现有AI辅助方案多依赖近红外(NIR)光谱或视频序列,基于透光图像的目标检测研究尚不充分。为此,研究人员搭建标准透光成像平台,探索YOLOv11s在天然蜂蜜、饲喂糖蜂蜜、转化糖浆(Invert Sugar Syrup, ISS)掺假蜂蜜三类样本上的分类能力,以验证受控透光图像是否承载足够视觉判别信息,并为后续多容器自动巡检系统奠定框架基础。论文发表于《Applied Food Research》。
关键技术方法上,研究人员使用来自伊朗Lorestan省Aligudarz养蜂场的黄芪(Astragalus)蜜作天然组,合规供应商提供饲喂糖蜂蜜与ISS掺假蜂蜜,每类100张、共300张透光图;成像端采用8000 K白光LED自下方垂直照明,样品置于3 mm厚玻璃容器(充90 g蜂蜜),Xiaomi Redmi Note 12手机(5000万像素CMOS)在距样15 cm、光轴偏差<5°、手动定参(快门1/80 s、ISO 200、白平衡8000 K)下拍摄,整体封于哑黑暗箱消除环境光;标注用AnyLabeling框出蜂蜜区并转YOLO格式,仅对训练集做水平翻转与微亮度增强以防光电线索失真;计算端为AMD Ryzen 5 8645HS+RTX 4050,Ultralytics YOLOv8.3.112框架下训YOLOv11s(800×800、30 epoch、batch 8、SGD、lr 0.001)并与YOLOv8s同协议三随机种子复现。
研究结果部分,在“3. Results and Discussion”中,YOLOv11s测试集全类精确率98.7%±0.2、召回99.6%±0.2、mAP@0.5 99.5%±0.0、mAP@0.5:0.95 96.1%±0.2,单图推理约0.02 s;训练损失在epoch 10后收拢,epoch 15达最优mAP@0.5 99.5%,证明网络在受控条件下学到了透光强度与散射形态的空间特征。在“4.1. Comparative Performance Analysis”中,同条件对比YOLOv8s,YOLOv11s以C3k2替代C2f、引入并行空间注意力(C2PSA)与SPPF,测试集Precision 98.34%±0.12、Recall 99.21%±0.14、F1 99.27%±0.13、mAP@0.5 99.52%±0.08、mAP@0.5:0.95 95.73%±0.17,均优于YOLOv8s且标准差更小,显示架构改进带来稳定增益。讨论部分指出,分类机制可能源于天然蜜组分复杂致散射强、掺假蜜低黏度高通光,但此光学假说未做理化验证;由于全程固定照明/容器/几何,模型部分性能可归因于受控环境而非纯样品本征属性,不能直接替代FTIR/Raman/NMR认证。结论部分翻译为:本研究开发并评估了基于透光成像与YOLOv11s深度学习的蜂蜜类别非破坏性分类框架,在受控实验室条件下成功区分天然、饲喂糖与掺假蜂蜜,mAP@0.5达99.5%,精确率98.6%、召回率99.7%;相较YOLOv8s,YOLOv11s检测性能略优且三跑稳定。该结果提示透光成像融合深度学习可作为标准成像条件下快速、低成本、非破坏的图像分类途径,但单场景300图仍受限,需更大多源数据与理化互证方可工业落地。
相关新闻
生物通微信公众号
微信
新浪微博
  • 搜索
  • 国际
  • 国内
  • 人物
  • 产业
  • 热点
  • 科普

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号