多色彩空间特征工程结合深度学习用于石榴汁掺水的快速无损检测

《Scientific Reports》：Multi-color space feature engineering combined with deep learning for rapid non-destructive detection of added water in pomegranate juice

　　

摘要

确保果汁的真实性是现代农业和食品供应链中的一个关键挑战，其中出于经济动机的掺假行为损害了产品质量、消费者安全和市场透明度。尽管光谱和基于实验室的技术已广泛用于果汁鉴真，但它们通常成本高、耗时长，且需要专用设备。因此，本研究提出了一种新颖的基于机器视觉的特征提取框架，该框架集成了多颜色空间特征提取与深度学习分类，利用从可见图像中提取的图像派生颜色和纹理特征，对石榴汁中的掺水进行快速、无损检测。在受控成像条件下获取了一个包含 625 个石榴汁样本的数据集，这些样本代表五个级别的掺水程度。为了增强模型的鲁棒性和泛化能力，应用了数据增强技术，将数据集扩展了 16 倍。获取的图像被转换为 19 个颜色通道，以捕捉与不同掺假水平相关的全面颜色信息。开发了一种增强的卷积神经网络架构，包含一维卷积 (Conv1D)、最大池化 (MaxPooling)、批归一化 (BatchNormalization) 和全连接 (Dense) 层，以从图像派生特征向量中学习判别模式。卷积神经网络模型实现了 99.45% 的分类准确率，其精确率、召回率和 F1 分数值接近 1.00，优于传统的机器学习模型，包括多层感知机（87.75%）、支持向量机（96.95%）和随机森林（92.45%）。结果表明，多颜色空间分析与深度学习的结合为石榴汁掺假检测提供了一个高精度且鲁棒的框架。与传统的 spectroscopic 方法相比，所用方法提供了一种快速、成本低廉、无损且自动化的解决方案，具有强大的潜力，可集成到用于果汁质量控制和真实性评估的实时机器视觉系统中。