你是否曾经站在杂货店的苹果展台前，想要挑出最好的苹果，然后想:“有没有专门的应用程序?”
目前用于预测食品质量的基于机器学习的计算机模型不像人类适应环境条件的能力那样一致。尽管如此，阿肯色州农业实验站(Arkansas Agricultural Experiment Station)的一项研究收集的信息可能有一天会被用于开发这款应用程序，同时为杂货店提供以更吸引人的方式展示食物的见解，并优化加工设施中使用的机器视觉系统的软件设计。
该研究由生物与农业工程系和食品科学系智能农业与食品制造助理教授王东义领导，最近发表在《食品工程杂志》上。
尽管人类对食品质量的感知可以通过照明来操纵，但研究表明，经过人类对食品质量感知数据训练的计算机在不同的照明条件下做出了更一致的食品质量预测。
“在研究机器学习模型的可靠性时，你需要做的第一件事就是评估人类的可靠性，”王说。“但人类的感知是不同的。我们试图做的是训练我们的机器学习模型，使其更加可靠和一致。”
研究表明，利用人类在不同光照条件下对照片的感知数据，计算机预测的误差可以减少约20%。它的性能优于使用图片训练计算机而不考虑人类感知可变性的既定模型。
尽管机器视觉技术在食品工程领域得到了广泛的研究和应用，但该研究指出，目前大多数算法都是基于“人类标记的真实情况或简单的颜色信息”进行训练的。作者说，没有研究考虑到照明变化对人类感知的影响，以及这些偏差如何影响食品质量评估的机器视觉模型的训练。
研究人员用生菜来评估人类在不同光照条件下的感知，这些感知反过来又用于训练计算机模型。感官评估在实验站的感官科学中心进行。该研究的共同作者是食品科学系教授兼感官科学中心主任徐汉锡。
在109名年龄范围广泛的参与者中，89人完成了研究中人类感知可靠性阶段的所有9个感官环节。没有参与者是色盲或有视力问题。在连续五天的时间里，小组成员每天评估75张长叶莴苣的图片。他们把莴苣的新鲜度按0到100分进行分级。
感官小组分级的生菜图像是在8天的过程中拍摄的样品，以提供不同程度的褐变。他们在不同的照明亮度和色温下拍摄，从蓝色的“冷”色调到橙色的“暖”色调，以获得675张图像的数据集。
该研究指出，几个成熟的机器学习模型被应用于评估与感官面板相同的图像。不同的神经网络模型使用样本图像作为输入，并进行训练以预测相应的平均人类评分，以更好地模拟人类感知。
从感官科学中心的其他实验中可以看到，人类对食品质量的感知可以通过照明来操纵。例如，温暖的环境颜色可以掩盖生菜的褐变，王解释说。
王说，在不同的照明条件下，利用人类感知来训练基于机器视觉的计算机的方法可以应用于从食品到珠宝等许多事物。
阿肯色大学这项研究的其他共同作者包括工程学院工业工程副教授张生凡;Swarna Sethu，密苏里南州立大学生物与农业工程系前博士后研究员，现任计算机信息科学助理教授;以及食品科学系项目助理维多利亚·j·霍根。
更多资料:Dongyi Wang et al, Is human perception reliable?面向照明的食品外观鲁棒性食品新鲜度预测——以生菜新鲜度评价为例，食品工程学报(2024)。DOI: 10.1016/j.jfoodeng.2024.112179由阿肯色大学提供引文:研究为食品质量计算机预测提供了改进(2024年，9月24日)检索自2024年9月24日https://techxplore.com/news/2024-09-food-quality.html本文受版权保护。除为私人学习或研究目的而进行的任何公平交易外，未经书面许可，不得转载任何部分。内容仅供参考之用。
本文来自作者[凝风]投稿，不代表谷锐号立场，如若转载，请注明出处：https://www.guray.com.cn/wiki/202507-189.html
评论列表（4条）
我是谷锐号的签约作者“凝风”！
希望本篇文章《利用计算机预测技术提升食品质量的研究》能对你有所帮助！
本站[谷锐号]内容主要涵盖：国足,欧洲杯,世界杯,篮球,欧冠,亚冠,英超,足球,综合体育
本文概览： 你是否曾经站在杂货店的苹果展台前，想要挑出最好的苹果，然后想:“有没有专门的应用程序?” 目前用于预测食品质量的基于机器学习的计算机模型不像人类适应环境条件的...