A Two-Pass Deep Learning System for Monitoring Visual Attributes of Food in Real-time during Fluidized Bed Drying
Notice bibliographique
Résumé
Abstract Consumers rely on visual attributes when purchasing dried foods. If the product is unattractive, they walk away, leading to increase in global food waste. Attempts have been made to develop computer vision (CV) systems to monitor visual attributes of foods during the drying process. Unfortunately, figure-ground separation challenges such as overlapping, clustering, and variation in color and texture prevented the development of effective solutions for monitoring visual attributes of food during fluidized bed drying. To resolve this problem, we investigated the use of “Unet-Xception”, a novel real-time deep learning solution for monitoring the color, texture, and size of green peas, during fluidized bed drying. “Unet-Xception” combined modified U-Net and Xception architectures. U-Net segmented images of the peas, while Xception predicted visual attributes using the segmented output. Unet-Xception achieved a Mean Intersection-Over-Union of 0.9464 for segmentation quality, surpassing a classical CV solution. The AI-solution also detected additional objects of interest and outperformed the classical CV model in predicting visual attributes. It was found that a* and b* indices were the best predictors of color during drying. Homogeneity was the best parameter for monitoring texture. As expected, with improved segmentation and the detection of additional objects of interest, Unet-Xception produced far smoother trends than the classical model during deployment. This adaptable and novel solution is therefore able to monitor real-time changes in visual attributes of food, during fluidized bed drying. Incorporating this solution into current food dryers could lead to consistent product quality and significant reduction in global food waste.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,001 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».