高光谱图像结合特征变量筛选定量检测羊肉中狐狸肉掺假

为了探讨快速无损检测羊肉糜中狐狸肉掺假含量的可行性,该研究利用高光谱技术结合特征变量筛选方法开展了其定量检测研究。利用遗传算法、竞争性自适应重加权算法和二维相关光谱分析（Two-Dimensional Correlation Spectroscopy,2D-COS）3种方法分别对代表性样品全部846个波长进行特征波长筛选,得到207、34和14个特征波长;基于全部波长和特征波长建立羊肉糜中狐狸肉掺假含量的偏最小二乘回归（Partial Least Squares Regression,PLSR）和支持向量回归（Support Vector Regression,SVR）模型并进行比较。研究结果表明,基于全部波长和特征波长建立的SVR模型性能均优于PLSR模型。其中,利用2D-COS方法提取的14个特征波长建立的SVR模型（即2D-COS-SVR模型）性能最优,其预测集决定系数和均方根误差分别为0.928和3.00%,相对分析误差为4.85,表明高光谱结合2D-COS-SVR模型可以有效实现羊肉糜中狐狸肉掺假的定量检测。该研究结果为开发低成本肉类掺假检测系统提供技术支持和参考依据。     

我国肉牛产业地理聚集时空特征及变化趋势分析

运用空间基尼系数、赫芬达尔指数、空间聚集指数等方法,对1996—2014年中国肉牛地理聚集的时空特征和变化趋势进行分析。结果表明,我国肉牛产业呈现较明显的地理聚集特征,主要的地理聚集区域是中原和东北地区。从空间分布变化趋势来看,我国肉牛产业呈现向中原和东北地区聚集的趋势;从时间分布变化趋势来看,河南省、河北省的肉牛总产值呈下降趋势,但优势仍然明显;内蒙古自治区的肉牛产业逐渐成为我国肉牛产业新的增长点。     

改进ResNet18网络模型的羊肉部位分类与移动端应用

针对传统图像分类模型泛化性不强、准确率不高以及耗时等问题,该研究构建了一种用于识别不同部位羊肉的改进ResNet18网络模型,并基于智能手机开发了一款可快速识别不同部位羊肉的应用软件。首先,使用数据增强方式对采集到的羊背脊、羊前腿和羊后腿肉的原始手机图像进行数据扩充;其次,在ResNet18网络结构中引入附加角裕度损失函数（ArcFace）作为特征优化层参与训练,通过优化类别的特征以增强不同部位羊肉之间的类内紧度和类间差异,同时将ResNet18网络残差结构中的传统卷积用深度可分离卷积替换以减少网络参数量,提高网络运行速度;再次,探究了不同优化器、学习率和权重衰减系数对网络收敛速度和准确率的影响并确定模型参数;最后,将该网络模型移植到安卓（Android）手机以实现不同部位羊肉的移动端检测。研究结果表明,改进ResNet18网络模型测试集的准确率高达97.92%,相比ResNet18网络模型提高了5.92%;把改进ResNet18网络模型部署到移动端后,每张图片的检测时间约为0.3 s。该研究利用改进ResNet18网络模型结合智能手机图像实现了不同部位羊肉的移动端快速准确分类,为促进羊肉的智能化检测及羊肉市场按质论价提供了技术支持。     

倒置残差网络结合注意力机制的掺假羊肉分类检测系统构建

针对羊肉精和染色剂作用下的猪肉掺假羊肉分类检测问题,该研究提出并建立了一种检测速度较快、精度较高的注意力机制结合倒置残差网络模型,同时基于智能手机开发了对应的快速、准确检测应用软件。首先,对羊肉、不同部位猪肉、不同掺假比例下的猪肉掺假羊肉的原始手机图像,使用数据增强方式进行数据扩充;其次,用倒置残差结构替换残差网络框架中的原有残差结构,以减少网络参数量并加快模型收敛速度,同时,引入注意力机制（Convolutional Block Attention Module,CBAM）,利用空间和通道特征对特征权重再分配,以强化掺假羊肉和羊肉之间的特征差异;然后,利用提出的注意力机制结合倒置残差网络（CBAM-Invert-ResNet）对样本进行训练并确定模型参数;最后,将训练好的网络模型移植到智能手机,以实现掺假羊肉的移动端检测。研究结果表明：与ResNet50和CBAM-ResNet50相比,Invert-ResNet50、CBAM-Invert-ResNet50模型的参数量分别减少了58.25%和61.64%,模型大小分别减小了58.43%和61.59%;针对背脊、前腿、后腿和混合部位数据集,CBAM-Invert-ResNet50模型验证集的分类准确率分别为95.19%、94.29%、95.81%、92.96%;把建立的网络模型部署到移动端后,每张图片的检测时间约为 0.3 s。该研究可实现对羊肉精和染色剂作用下的不同部位猪肉掺假羊肉的移动端快速、准确分类检测,可为维护市场秩序和保护食品安全提供技术支持。