基于改进ResNet模型的食品新鲜度识别方法

摘要：

目的:解决现有食品新鲜度识别方法存在的检测效率低和精度差等问题.方法:基于食品生产线图像采集系统,提出一种改进的残差神经网络模型用于生产线食品新鲜度识别.引入改进的 LRELU 激活函数提高模型的识别性能,引入批量归一化层提高模型的训练效率,引入Dropout层丢弃一定比例的神经元降低过拟合的影响.结果:与常规食品新鲜度识别方法相比,试验方法能够较为准确、高效地实现食品新鲜度识别,总体新鲜度识别准确率>97%,平均识别时间为 9.8 ms,满足食品生产线对新鲜度识别的需要.结论:基于深度学习的检测方法是一种无损、高效、高精度的食品图像新鲜度识别方法.

关键词：食品生产线、新鲜度识别、ResNet模型、LReLU激活函数、归一化层

所属期刊栏目：39

分类号：TP391.41;TP751.1;TP181

资助基金：江西省科技厅基础研究科学项目2201102HX03

在线出版日期：2023-10-31（万方平台首次上网日期，不代表论文的发表时间）

页数：共5页

页码：123-127