《食品科学》：南京农业大学陈坤杰教授：基于EfficientNet网络模型的猪肉新鲜度智能识别方法

近年来，随着生活水平的逐年提高，消费者对肉类产品的质量、尤其是新鲜度的关注也越来越高。目前，我国对猪肉新鲜度的评价主要采用理化方法，但是检测过程复杂、繁琐、耗时较长，无法满足对猪肉新鲜度进行快速和在线检测的要求。 计算机视觉检测具有无损、快速、无害等特点，可对生产线上肉类产品质量进行安全、 无损的快速检测。卷积神经网络（CNN）可以将图像直接输入网络避免特征提取及分类过程中数据重建的复杂度，因此，用CNN进行图像分类与识别，具有传统机器视觉所不具有的巨大优势。 尽管存在某些不足，但已有研究表明，基于图像与CNN，可以对猪肉新鲜度进行快速检测。

南京农业大学工学院的刘超、张家瑜和陈坤杰*等人提出一种基于图像和EfficientNet框架的猪肉新鲜度测定方法，结合猪肉图像的特点，对网络进行改进。通过改进优化器算法，提高网络的泛化性。通过与目前最经典的AlexNet、ResNet50、VGG16等先进CNN架构的比较，对改进的EfficientNet预测模型性能进行评估，以期为将来开发快速无损的猪肉新鲜度检测系统提供理论和技术支持。

1 实验过程

为充分评估EfficientNet网络对猪肉新鲜度识别的优越性，本研究选取同类先进的深度CNN进行性能比较，其中包括AlexNet、VGG6、ResNet。实验均采用TensorFlow开源框架。

猪肉新鲜度检测是一个五分 类问题，为减少训练时间，提高识别精度，先将本研究采用的模型在CIFAR-10进行预训练，完成权值初始化。为使模型适用五分类问题，对模型进行改进，将最后一个全连接层更改为5输出，选择Softmaxt作为最后一层的激活函数，选择损失函数作为分类交叉熵。另外，对预训练后的模型采用与训练CIFAR-10数据集时相同的方法进行优化。除VGG16模型采用SGD优化方法外，其他模型均采用Adam优化方法。Adam方法的学习率设为0.001，SGD方法的学习率设为0.01。为使样本图片满足每个模型对输入图片分辨率的要求，通过TensorFlow函数对图片进行处理。各个模型的输入图像大小、优化器参数、学习率设置如表7、8所示。

用增强后的猪肉新鲜度图像数据集对所有模型进行总训练轮数为14个epoch的训练并验证，结果如表9所示。相较于其他3类模型，EfficientNet网络模型普遍具有较高的预测准确率，模型的训练时间呈现出随着输入图片的增大而明显增加的趋势。其中，B4网络模型准确率最高，达到99.40%，B2网络模型准确率虽然较B4略微逊色，但训练时间明显低于B4。B5、B6和B7模型的训练时间都高于300 min，但准确率并不是最高，说明输入图片的增大会造成训练时间的明显增加，但不会改善模型准确率。这也许可以说明，分辨率、网络深度及宽度这3个参数平衡且合理配比，才是决定网络模型的性能关键因素。

表9显示，AlexNet模型的训练集和验证集准确率均较低，但训练时间最短。实验显示VGG16网络的训练时间 相对较短，但是对训练集的准确率最低，仅有79.9%，说明卷积层和池化层的堆叠对于猪肉新鲜度特征的提取效果较差。相比于AlexNet和VGG16，ResNet50网络的训练时间虽然有了明显增长，但准确率显著提高。表明50层的网络能够提取更加准确的特征值，有利于提高训练集的准确率。EfficientNet模型的平均正确识别率高达98.62%，明显优于Alexnet、VGG16和ResNet50模型，其中，EfficientNetB2模型的正确识别率达到99.22%，训练时间仅需157 min，综合性能最佳，是一种最适合猪肉新鲜度识别的方法。

为考察预训练和迁移学习在建立预测模型过程中所起作用，在通过迁移学习确定各类模型结构和初始权值后，在利用猪肉新鲜度训练集对各个模型进行训练过程中，模型的准确率和损失函数值如图4所示。

由图4可知，在训练的初始阶段，AlexNet和VGG模型准确率较低，损失函数下降的较慢；而EfficientNet和R esNet模型的准确率在训练刚开始就较高，损失函数也是在训练刚开始就迅速下降。尤其是B2模型，在2 epoch以后，训练准确度就基本稳定，完成了4 epoch以后，就 基本达到了最大准确率。尽管AlexNet和VGG模型模型在 训练开始阶段准确率较低，但在完成14 epoch以后，也都 基本达到各自的最大值。说明通过预训练，可以使建模 实际所用时间大大减少，迁移学习对模型性能提升效果非常显著。上述分析显示，在所有模型中，EfficientNetB2展现出较高的识别准确度和较短的训练时间，综合性能最优。用测试集中的1 500张图片对该模型进行测试，考察模型对5种不同新鲜度猪肉预测能力，结果如表10所示。除特异性指标外，模型的其他性能指标都非常优异，证明EfficientNetB2是预测猪肉新鲜度等级的最佳模型。

为探索对EfficientNet优化器算法改进效果，对于EfficientNetB2模型，分别采用SGD、均方根传播（RMSProp）、Adam、RAdam 4 种优化器，用测试集和验证集对模型的模型性能进行测试和验证，结果如表11所示。

由表11可 知，总体而言，模型EfficientNetB2采用Adam优化器是较为适合的算法。改用RMSProp和SGD优化器后，模型的性能显著下降，采用SGD优化器的EfficientNetB2在公共数据集上完成图像识别任务的准确率较高（ImageNet数据集中准确率达到94%），但对于猪肉新鲜度识别任务，表现的准确率明显低于Adam优化器性能，说明这两类优化器并不适用于EfficientNet模型识别猪肉新鲜度任务。采用RAdam优化器后，训练集准确率虽然没有提高，甚至还比Adam低了0.1%，但是其验证集准确率出现了明显的提升，可见RAdam优化器较好的提升了模型的泛化性，对工程应用有实际意义。

2 误差分析

为了分析模型识别错误的情况，本研究提取EfficientNetB2（Adam）模型和EfficientNetB2（RAdam）模型中识别错误的图片。并对识别错误图片的特点做了分析。其中，EfficientNetB2（Adam）模型识别错误图像中2.3%为原始图像，97.7%为数据增强后图像，而EfficientNetB2（RAdam）模型识别错误图像中，100%为数据增强后图像。

由表12可知，两种模型对原始图像识别的准确率较高，EfficientNetB2（RAdam）模型对原始图像识别准确率为100%，证明该模型的泛化性较强。两种模型对随机缩放后的图像识别错误率较高，其原因主要是随机缩放后图像特征产生了变化，尤其是颜色分布的改变，影响了模型判断的结果。角度旋转并没有改变猪肉的颜色分布，模型对该类型图像识别正确率为100%。

结论

采用EfficientNet网络模型对猪肉的新鲜度进行识别，可以获得很高的准确率。尤其是EfficientNetB2模型，正确识别率高（99.22 %），训练时间适中（157 min），综合性能最佳，是一种最适合猪肉新鲜度识别的方法。

采用迁移学习后，在进行建模训练时，只 经过14个epoch，各类模型的正确识别率即达到稳定的最大值，模型的训练时间显著缩短。因此，迁移学习和深度学习结合，是一种高效的CNN建模方法。

采用RAdam优化器代替原有的SGD优化器，虽然不能提高模型识别的准确率，但提升了模型的泛化性，对工程应用有实际意义。

本文《 基于 EfficientNet 网络模型的猪肉新鲜度智能识别方法 》来源于《食品科学》2023年44卷第24期369-377页，作者： 刘超, 张家瑜, 戚超, 黄继 超, 陈坤杰 。 DOI: 10.7506/spkx1 002-6630-20221218-182 。 点击下方 阅读原文 即可查看文章相关信息。

责任编辑：张睿梅。点击下方阅读原文即可查看全文。图片来源于文章原文及摄图网。

为了帮助食品及生物学科科技人员掌握英文科技论文的撰写技巧、提高SCI期刊收录的命中率，综合提升我国食品及生物学科科技人员的高质量科技论文写作能力。《食品科学》编辑部拟定于2024年8月1—2日在武汉举办“第11届食品与生物学科高水平SCI论文撰写与投稿技巧研修班”，为期两天。

长按或微信扫码了解详情

为提高我国食品营养与安全科技自主创新和食品科技产业支撑能力，推动食品产业升级，助力‘健康中国’战略，北京食品科学研究院、中国食品杂志社、国际谷物科技学会（ICC）将与湖北省食品科学技术学会、华中农业大学、武汉轻工大学、湖北工业大学、中国农业科学院油料作物研究所、中南民族大学、湖北省农业科学院农产品加工与核农技术研究所、湖北民族大学、江汉大学、湖北工程学院、果蔬加工与品质调控湖北省重点实验室、武汉食品化妆品检验所、国家市场监管实验室（食用油质量与安全）、环境食品学教育部重点实验室共同举办“第五届食品科学与人类健康国际研讨会”。会议时间：2024年8月3—4日，会议地点：中国 湖北 武汉。

长按或微信扫码了解详情

研讨会招商招展

联系人：杨红；电话：010-83152138；手机：13522179918（微信同号）