基于深度学习的分割与异常分布感知分类的肉类新鲜度检测
机器学习
2026-03-03 v1 计算机视觉与模式识别
图像与视频处理
摘要
本研究提出一种从红绿蓝 (RGB) 图像中进行肉类新鲜度分类的框架，支持包装和非包装肉类数据集。该系统对四类分布内 (ID) 肉类进行分类，并使用基于异常分布 (OOD) 的自主放弃机制，对置信度较低的样本标记为“无结果”。该流程将基于 U-Net 的分割与深度特征分类器相结合。分割用作预处理步骤，以隔离肉类区域并减少背景，从而为分类产生更一致的输入。分割模块实现了 75% 的交并比 (IoU) 和 82% 的 Dice 系数，为分类阶段生成标准化输入。对于分类，我们对比测试了五种主干网络：残差网络-50 (ResNet-50)、视觉转换器-基本/16 (ViT-B/16)、Swin 转换器-小型 (Swin-T)、EfficientNet-B0 和 MobileNetV3-小型。我们使用嵌套 5x3 交叉验证 (CV) 进行模型选择和超参数调优。在 held-out ID 测试集上，EfficientNet-B0 实现了最高的准确率 (98.10%)，随后是 ResNet-50 和 MobileNetV3-小型 (均为 97.63%) 和 Swin-T (97.51%)，而 ViT-B/16 的准确率较低 (94.42%)。我们还评估了基于标准 OOD 指标和对自主放弃阈值的敏感性分析的 OOD 评分和阈值化。最后，我们在智能手机上使用 TensorFlow Lite (TFLite) 报告了设备端延迟，凸显了未来部署中实际的准确率-延迟权衡。
关键词
引用
@article{arxiv.2603.00368,
title = {Deep Learning-Based Meat Freshness Detection with Segmentation and OOD-Aware Classification},
author = {Hutama Arif Bramantyo and Mukarram Ali Faridi and Rui Chen and Clarissa Harris and Yin Sun},
journal= {arXiv preprint arXiv:2603.00368},
year = {2026}
}