Smartphone-Based Deep Learning System for Detecting Ractopamine-Fed Pork Using Visual Classification Techniques
Notice bibliographique
Résumé
Ractopamine, a beta-agonist used to enhance lean meat yield, poses health risks with excessive consumption. To comply with global trade policies, Taiwan permits imports of North American (USA. and Canadian) pork containing ractopamine, raising concerns over unclear labeling and potential misidentification as Taiwan pork. Given the high demand for pork, consumers need a reliable way to verify meat authenticity. To address this issue, this study proposes a smartphone-based visual detection system for meat cut and pork origin classification, extending to ractopamine detection. Consumers can use mobile devices in retail settings to analyze pork images and make informed decisions. The system employs a three-stage process: first, applying a black elliptical mask to extract the outer ROI (region of interest) for meat cut classification; then, using a black square mask to obtain the inner ROI for pork origin classification; and finally, determining ractopamine presence in North American pork. Experimental results demonstrate MobileNet's superior accuracy and efficiency, achieving a 96% CR (classification rate) for meat cut classification, a 79.11% average CR and 90.25% F1 score for pork origin classification, and an 80.67% average CR and 80.56% F1 score for ractopamine detection. These findings confirm the system's effectiveness in enhancing meat authenticity verification and market transparency.
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 | 0,000 |
| 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 | 0,000 |
| Science ouverte | 0,001 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
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 ».