Ученые использовали смартфон для определения мраморности свинины
Китайские исследователи изучили возможность использования сети мелкого кодирования контекста (Marbling-Net) для точного сегментирования областей мраморности свинины на изображениях смартфонов.
Мраморность свинины – это наличие внутримышечного жира, который влияет на качество и вкус свинины. Визуальная оценка — это субъективный подход к оценке характеристик мраморности. Однако это может привести к ненадежным и противоречивым результатам. Поэтому для количественной оценки мраморности свинины необходимы разумные, неразрушающие и недорогие методы.
Исследователи препарировали длинную мышцу спины из только что забитой туши 215 свиней крупной белой породы и свиней Тунчэн. Затем они поместили кусочки этой мышцы на черный диск для получения изображений с помощью задней камеры iPhone 6. Наконец, они выбрали 173 высококачественных изображения, полученных от разных свиней, для создания набора данных.
Они измерили содержание внутримышечного жира в каждом срезе длиннейшей мышцы спины и зафиксировали степень мраморности. После обрезки изображений они применили к ним фильтр среднего сдвига, чтобы уменьшить отраженный шум и усилить края мраморных областей. Команда использовала систему обучения на основе патчей и Marbling-Net для точной сегментации мраморности свинины, принимая обрезанные участки изображения свинины в качестве входных данных и масштабируя входные фрагменты для увеличения разрешения изображения. Они также исследовали влияние размера патча на производительность модели.
Мраморность на изображениях выглядела как маленькие белые пятна или тонкие полосы, редко распределенные по розовому оттенку. Доля мраморности колебалась от 0,5% до 3% примерно на 90% изображений.
Пересечение через объединение — это отношение площади перекрытия к площади объединения между сегментированной картой и основной истиной. Точность указывает на долю выборок, которые, согласно прогнозам, являются правильными среди всех выборок. Отзыв определяется как процент всех прогнозируемых образцов с положительными метками. Показатель F1 — это среднее гармоническое значение точности и полноты.
Marbling-Net имел более высокий показатель пересечения по Union, отзыву и F1, чем другие методы сегментации. Кроме того, Marbling-Net смогла уловить на изображении мраморность разных масштабов и форм и более полно сегментировать области мраморности с относительно меньшим количеством параметров. Кроме того, Marbling-Net имеет приемлемые временные затраты 249,81 мс на изображение. Соотношение мраморности, содержание внутримышечного жира и баллы мраморности имели высокую корреляцию, что иллюстрирует надежность модели Marbling-Net при анализе особенностей мраморности свинины.
Обучение на основе патчей разбивает изображение на несколько подобластей или патчей и является эффективным методом обнаружения и сегментации небольших объектов. Обучение на основе патчей уменьшило потребление памяти и вычислений, а также увеличило размер набора обучающих данных.
Производительность сегментации Marbling-Net улучшалась по мере увеличения размера патча с 50 × 50 до 200 × 200, но снижалась, когда размер патча превышал 200, что позволяет предположить, что размер патча влияет на точность сегментации мраморности.
Авторы пришли к выводу, что Marbling-Net обеспечивает точные результаты сегментации изображений мраморности свинины. В дальнейшем его можно развивать как ценный инструмент для эффективного и результативного извлечения множества признаков мраморности из каждого изображения. У Marbling-Net действительно было долгое время для вывода; поэтому необходимы дальнейшие исследования для разработки нового конвейера сегментации мраморности свинины, чтобы улучшить производительность сегментации и сократить время вычислений в будущем.
Источник: www.pigprogress.net
