-
生物通官微
陪你抓住生命科技
跳动的脉搏
生物通官微
陪你抓住生命科技
跳动的脉搏
八种谷物品种真实性验证——基于实例分割与机器学习特征优化的淀粉颗粒图像识别
《Journal of Food Measurement and Characterization》：Trials authentication of eight cereal grains varieties via instance segmentation and machine learning feature-optimized starch granule image recognition
【字体： 大 中 小 】 时间：2026年09月25日 来源：Journal of Food Measurement and Characterization 3.6
编辑推荐：
摘要食品来源真实性的鉴定是保障食品安全和防控掺假的关键环节。为克服现有方法在识别效率、成本和自动化方面的局限性，本研究提出了一种融合实例分割与特征优化的多类别淀粉粒图像识别方法。为评估所提框架的有效性，构建了包含106张显微图像的数据集，覆盖八大主要谷物品种。该方法首先采用基
食品来源真实性的鉴定是保障食品安全和防控掺假的关键环节。为克服现有方法在识别效率、成本和自动化方面的局限性，本研究提出了一种融合实例分割与特征优化的多类别淀粉粒图像识别方法。为评估所提框架的有效性，构建了包含106张显微图像的数据集，覆盖八大主要谷物品种。该方法首先采用基于掩码区域的卷积神经网络（Mask R-CNN）对淀粉粒区域进行分割。通过严格的基准测试和5折交叉验证确保了统计稳健性。随后，从分割结果中提取了168维图像特征，涵盖形态、纹理和光谱信息，并利用逐步前向特征选择（SFS）算法筛选出最具判别力的18维特征子集。实验结果表明，Mask R-CNN的边界定位精度较高，平均交并比（IoU）达到0.858，为特征提取提供了稳定的空间基础。此外，SFS算法仅保留前18个特征即将Macro-F1值提升至0.82。在分类建模阶段，MLP模型表现最优，平均识别准确率达87.15%，整体性能优于RF和SVM模型。在分类建模阶段，MLP模型表现最优，平均识别准确率达87.15%，整体性能优于RF和SVM模型。本研究证明了基于实例分割与特征优化的图像识别策略在谷物品种鉴别中的可行性和实用性，为谷物食品溯源和掺假防控提供了新的技术途径。
食品来源真实性的鉴定是保障食品安全和防控掺假的关键环节。为克服现有方法在识别效率、成本和自动化方面的局限性，本研究提出了一种融合实例分割与特征优化的多类别淀粉粒图像识别方法。为评估所提框架的有效性，构建了包含106张显微图像的数据集，覆盖八大主要谷物品种。该方法首先采用基于掩码区域的卷积神经网络（Mask R-CNN）对淀粉粒区域进行分割。通过严格的基准测试和5折交叉验证确保了统计稳健性。随后，从分割结果中提取了168维图像特征，涵盖形态、纹理和光谱信息，并利用逐步前向特征选择（SFS）算法筛选出最具判别力的18维特征子集。实验结果表明，Mask R-CNN的边界定位精度较高，平均交并比（IoU）达到0.858，为特征提取提供了稳定的空间基础。此外，SFS算法仅保留前18个特征即将Macro-F1值提升至0.82。在分类建模阶段，MLP模型表现最优，平均识别准确率达87.15%，整体性能优于RF和SVM模型。在分类建模阶段，MLP模型表现最优，平均识别准确率达87.15%，整体性能优于RF和SVM模型。本研究证明了基于实例分割与特征优化的图像识别策略在谷物品种鉴别中的可行性和实用性，为谷物食品溯源和掺假防控提供了新的技术途径。
