科技是第一生产力、人才是第一资源、创新是第一动力 加快建设科技强国,实现高水平科技自立自强
氢能科技 沙蓬绿色种养产业模式 联源科技 超联科技 园区 园区 园区 园区 园区

云南农业大学、浙江大学科研团队联合发表学术论文 为茶产业安全检测提供解决方案

   2024-11-21 省科技厅科技宣传教育中心
76
核心提示:近日,云南农业大学茶学院王白娟教授团队联合浙江大学王岳飞教授团队在中科院一区TOP期刊《Food Control》(影响因子5.6)上发表

近日,云南农业大学茶学院王白娟教授团队联合浙江大学王岳飞教授团队在中科院一区TOP期刊《Food Control》(影响因子5.6)上发表题为《晒青茶(普洱茶原料)小目标异物检测:基于深度学习的改进型YOLOv8神经网络模型》的研究论文。

发表论文

该研究得到了云南省科技厅基础研究专项、云南省茶产业人工智能与大数据应用创新团队和云南省勐海县智慧茶产业科技特派团的支持,通过采用深度学习技术,构建并优化了一个基于深度学习的茶叶中的小目标异物检测模型,为普洱晒青毛茶小目标异物检测提供了切实可行的研究方法和重要参考,为食品行业提供了更为全面和高效的异物检测解决方案。

 

样品制备和异物分析 

研究创新性地提出了一种基于深度学习的改进型YOLOv8神经网络。针对传统YOLOv8网络的缺点,为进一步增强模型对异物靶点的识别能力,提升特征提取的深度和广度,赋予模型更好地理解图像各部分之间的上下文联系,强化对全局特征的捕捉与聚焦,提升图像的感知性能,该研究采用Shape-IoU对原损失函数进行了优化,通过Receptive-Field Attention Convolution技术对部分网络结构进行替换,并嵌入Double Attention Networks优化网络。

研究结果显示,改进型YOLOv8神经网络模型对普洱晒青毛茶异物检测的精确率达到了98.35%,相较于原始YOLOv8网络提升了3.93%,与YOLOv7、YOLOv5、Faster RCNN、CornerNet和SSD主流检测模型相比,改进型YOLOv8网络模型的mAP值分别实现了4.48%、6.66%、13.63%、13.20%和9.84%的显著提升。

 

准确高效自动化异物检测 

基于深度学习网络,该项研究完成了对茶叶中的小目标异物检测模型的开发,对茶叶生产和产品安全监管具有重要意义。在食品行业领域,该研究技术成果提升了异物检测的准确性和效率,有助于保障消费者健康和提升产品质量,为食品安全和质量控制的现代化、智慧化奠定了基础。


免责声明:本网转载自其它媒体的文章及图片,目的在于弘扬科技创新精神,传递更多科技创新信息,宣传国家科技政策,展示国家科技形象,增强国家科技软实力,参与国际科技舆论竞争,推广科技企业品牌和产品,并不代表本网赞同其观点和对其真实性负责,在此我们谨向原作者和原媒体致以崇高敬意。如果您认为本网文章及图片侵犯了您的版权,请与我们联系,我们将第一时间删除。
 
 
更多>同类资讯
推荐图文
推荐资讯
点击排行
网站首页  |  关于我们  |  联系方式  |  使用说明  |  隐私政策  |  免责声明  |  网站地图  |   |  粤ICP备05102027号

粤公网安备 44040202001358号