食品行业中的深度学习

在食品行业，深度学习确实可以提高生产效率。只有高产出的生产线，才能降低单个产品的成本，因此自动化质控检测能帮助诸如坚果、水果、蔬菜等食品公司节省大量时间和物质成本。

机器视觉同深度学习技术结合，能为食品行业提供一条创新、高效的发展之路。它基于深度学习的核心优势：分类、识别、读取、发现。所有的这些任务都相当地适用于食品行业，例如将食物分类分拣，食品的常见缺陷检测，读取食品标签、发现食品的破损。

深度学习需要大量的数据进行支撑，可能需要几千张图像信息。这些图片信息区别的不仅仅是食品的类型，它包括应用里每种食品可能出现的各种情况，形状的不同，大小的不同，颜色的不同，以及别的可能出现的状态。比如未完全成熟的橙子可能是黄色的，颜色不同于完全成熟的颜色红润的橙子，积卷神经网络需要依靠形状、质地来识别，而不仅仅是通过颜色。

同种食品的每个个体之间存在着不小的差异，因此深度学习系统需要经过大量学培训才能正确识别食品的每一个可被识别的方面。每一种食品都需要提供大量不同个体的样本，而不仅仅是最“完美”那一个，如上图的橙子。

当搜集到足够多的样本数据，将这些图像进行标注（例如“橙子，合格”），然后分别放入数据子集(~60% training set, ~30% evaluation set, and ~10% validation set)。通过不断的练习、实践来增强数据，以便在训练模式下填充数据集并提高推理能力。

深度学习在工业化食品生产线方面表现出色，因为它在识别食品类型、检测缺陷、根据视觉线索进行分类、分级方面非常优秀。

水果分类中的深度学习

深度学习识别功能可用于通过 pass 或fail 具体的一个食物

以水果分类举例，全方位的自动深度学习机器视觉系统首先会“PASS”或“FAIL”具体的一个样品，将它与别的水果进行区分，然后进行瑕疵检测并根据质量对行进行分级，例如下面的橙子。

深度学习视觉系统对食物进行精准的分级

鸡蛋分级中的深度学习

进行分级通常需要主观视觉，但是客观视觉线索不仅可以助于食物样本的“pass”和Fail，还可以准确算出其质量的高低。

花生的外观对价格几乎没有影响，但是鸡蛋的品相却能决定其价格的高低。鸡蛋外壳脆弱容易开裂，这意味着如果破损检测系统不够严谨，那么可能会导致时间和金钱上的巨大损失。

深度学习用于发现裂损（左）和污渍（右）

还好，深度学习在识别蛋壳裂纹方面表现得非常优秀，它依赖于大小、颜色、斑点等视觉线索对瑕疵进行分级，以判断其是裂纹还是污渍。

肉质评估中的深度学习

深度学习还可以在其他动特产品（如肉类、鱼类和家禽）上寻找视觉线索——只要在数据训练阶段被教导识别毛发、羽毛和血斑（内出血）等，它就会识别生产线上这些不合需要之物的存在与否。

披萨馅分级中的深度学习

这里的关键要点是，深度学习对不同种类的食物的适应性。从下图，可以看到深度学习被用来识别分布不均或缺失的披萨馅儿。不合格的样本能被识别然后“Fail”，能帮生产者避免包装材料的浪费或产品召回。

深度学习可以发现批萨馅的缺失（左）

深度学习不仅适用于肉类、水果、鸡蛋和披萨，它的适应性使其成为解决食品生产线以及各种食品相关问题的高效解决方案。

深度学习可用于识别烘焙食品（如面包）的合格与失败

贻贝分级的深度学习案例

以下案例研究了深度学习如何根据对贻贝表面进行检测对其进行分级。

使用X光对贻贝进行成像，通过图像处理，并进行合格与不合格的判断。

准备贻贝的各种样本数据花了4个小时，通过实践将数据增强至6倍。整个训练过程消耗了3个小时，共涉及12000张样本图像。最终测试结果：每个贻贝的识别速度<5ms，准确率达到了99%。