基于EfficientNet網(wǎng)絡(luò)模型的豬肉新鮮度智能識別方法

劉 超，張家瑜，戚 超，黃繼超，陳坤杰,

（1.南京農(nóng)業(yè)大學(xué)工學(xué)院，江蘇 南京 210031；2.南京理工大學(xué)泰州科技學(xué)院智能制造學(xué)院，江蘇 泰州 225300）

近年來，隨著生活水平的逐年提高，我國居民的人均肉類產(chǎn)品消費(fèi)量不斷增加，消費(fèi)者對肉類產(chǎn)品的質(zhì)量、尤其是新鮮度的關(guān)注也越來越高[1]。

目前，我國對豬肉新鮮度的評價主要采用理化方法，包括微生物濃度檢測、總揮發(fā)性氨基氮（total volatile basic nitrogen，TVB-N）含量檢測[2]、電導(dǎo)率檢測[3]、pH值檢測等[4]。盡管理化檢測方法準(zhǔn)確、可靠，但檢測時，需要對樣品進(jìn)行破壞處理，檢測過程復(fù)雜、繁瑣、耗時較長，無法滿足對豬肉新鮮度進(jìn)行快速和在線檢測的要求[5]。在豬肉銷售以及豬肉制品的加工過程中，如果能快速確定豬肉的新鮮度，對增加豬肉的商品價值，提高豬肉制品的品質(zhì)，乃至保障豬肉產(chǎn)品的安全非常重要，因此，研究開發(fā)無損、快速、在線的豬肉新鮮度檢測方法和技術(shù)，具有十分重要的實際意義。

計算機(jī)視覺檢測具有無損、快速、無害等特點(diǎn)[6]，可對生產(chǎn)線上肉類產(chǎn)品質(zhì)量進(jìn)行安全、無損的快速檢測[7]。因此，近些年來，通過獲取豬肉圖像，再根據(jù)豬肉顏色、形狀以及表面紋理特征，進(jìn)行豬肉品質(zhì)的評估和測定獲得了廣泛的研究及應(yīng)用[8-10]。

由于卷積神經(jīng)網(wǎng)絡(luò)（convolution neural network，CNN）可以將圖像直接輸入網(wǎng)絡(luò)避免特征提取及分類過程中數(shù)據(jù)重建的復(fù)雜度，因此，用CNN進(jìn)行圖像分類與識別，具有傳統(tǒng)機(jī)器視覺所不具有的巨大優(yōu)勢?；趫D像的豬肉新鮮度評估和測定，可視為一個圖像分類問題。通過CNN對豬肉圖像進(jìn)行分類，就可能實現(xiàn)對豬肉新鮮的快速無損測定。Hu Jun等[11]用AlexNet、VggNet、GoogleNet、ResNet以及改進(jìn)的區(qū)域CNN網(wǎng)絡(luò)框架對魷魚的種類和新鮮度進(jìn)行分類預(yù)測，發(fā)現(xiàn)與人工識別比較，自動識別的精度大于80%。邱洪濤等[12]采用ResNet50模型對豬肉新鮮度進(jìn)行分級，對采集的約2 000 張圖片進(jìn)行1 000 次網(wǎng)絡(luò)訓(xùn)練迭代后，驗證結(jié)果的準(zhǔn)確率達(dá)到了96.90%。焦俊等[13]同樣也提出了一種基于改進(jìn)殘差網(wǎng)絡(luò)的黑毛豬肉新鮮度識別方法，獲得了94.5%的準(zhǔn)確率。但二者的研究都由于豬肉樣本數(shù)量不足以及未通過預(yù)訓(xùn)練確定模型基本結(jié)構(gòu)等原因，存在模型訓(xùn)練耗時過長、模型的穩(wěn)定性不足等問題。盡管存在某些不足，但上述研究表明，基于圖像與CNN，可以對豬肉新鮮度進(jìn)行快速檢測。

近十年來，CNN發(fā)展迅速，模型迭代層出不窮，其中的EfficientNet模型在2019年一經(jīng)提出，便在Imagenet top-1達(dá)到當(dāng)年最高的圖像識別準(zhǔn)確率84.3%。不僅如此，與之前準(zhǔn)確率最高的GPipe相比，EfficientNet模型在參數(shù)數(shù)量僅為其1/8.4的情況下，速率提升了6.1 倍[14]，是目前圖像分類與識別表現(xiàn)最優(yōu)秀的模型之一。為此，本實驗提出一種基于圖像和EfficientNet框架的豬肉新鮮度測定方法，結(jié)合豬肉圖像的特點(diǎn)，對網(wǎng)絡(luò)進(jìn)行改進(jìn)。通過改進(jìn)優(yōu)化器算法，提高網(wǎng)絡(luò)的泛化性。通過與目前最經(jīng)典的AlexNet、ResNet50、VGG16等先進(jìn)CNN架構(gòu)的比較，對改進(jìn)的EfficientNet預(yù)測模型性能進(jìn)行評估，以期為將來開發(fā)快速無損的豬肉新鮮度檢測系統(tǒng)提供理論和技術(shù)支持。

1 材料與方法

1.1 材料與試劑

新鮮豬后腿肉購自江蘇泰州大潤發(fā)超市，購買之后利用蓄冷裝置迅速運(yùn)至實驗室。切片大小約為50 mm×80 mm，厚度為10 mm，取30 片。每個樣本單獨(dú)包裝滅菌自封袋中，在4 ℃的環(huán)境下分別放置0、24、48、72、96 h。待測定微生物菌體濃度、大腸菌菌體濃度和pH值。

平板計數(shù)瓊脂培養(yǎng)基（純度99%）廣東環(huán)凱微生物科技有限公司；Aliz-gal瓊脂（純度100%）上海弘順生物科技有限公司。

1.2 儀器與設(shè)備

SW-CJ-2D型雙人單面凈化工作臺 蘇州凈化設(shè)備有限公司；M2 CCD攝像頭 深圳市微星電科技有限公司；拯救者刃9000-25ICZ計算機(jī) 聯(lián)想集團(tuán)股份有限公司。

1.3 方法

1.3.1 豬肉新鮮度分級依據(jù)

豬肉新鮮度分級的主要依據(jù)TVB-N含量、微生物菌體濃度、大腸菌菌體濃度和pH值等參數(shù)，基于機(jī)器視覺的豬肉新鮮度檢測主要以豬肉的顏色、紋理、色澤等特征作為判斷依據(jù)。通過數(shù)字圖像處理將上述特征轉(zhuǎn)換成特征向量。豬肉pH值能夠較好地反映肉品新鮮度的變化，色差分析符合一定的規(guī)律[15]，微生物會加快豬肉在冷藏過程中蛋白質(zhì)的氧化，微生物的生長繁殖會促進(jìn)豬肉的腐敗變質(zhì)，菌落數(shù)與豬肉色澤都存在正相關(guān)[16]。大腸桿菌來源于人和動物的腸道，廣泛存在水、土壤、空氣等生活環(huán)境中，是冷鮮豬肉中的一類主要腐敗菌，也是食品必須檢測的細(xì)菌指標(biāo)[17]。根據(jù)GB/T 9959.2—2008《分割鮮、凍豬瘦肉》，本研究采用pH值、微生物菌體濃度、大腸桿菌菌體濃度作為豬肉新鮮度的判斷依據(jù)。

將1.1節(jié)處理樣品分別放置0、24、48、72、96 h后取出。進(jìn)行微生物菌體濃度、大腸菌菌體濃度和pH值的檢測。微生物菌落總數(shù)計數(shù)：根據(jù)GB 47892—2010《食品微生物學(xué)檢驗 菌落總數(shù)測定》進(jìn)行測定；大腸菌群的計數(shù)：根據(jù)GB/T 4789.32—2002《食品衛(wèi)生微生物學(xué)檢驗 大腸菌群的快速檢測》測定；pH值：根據(jù)GB 5009.237—2016《食品pH值的測定》測定，并記錄所有樣本3 項測試數(shù)據(jù)的范圍。

為了更細(xì)致研究豬肉新鮮度分級，以GB/T 9959.2—2008規(guī)定為基礎(chǔ)，配合感官評價，本研究將新鮮豬肉在4 ℃環(huán)境下放置時間與相應(yīng)理化參數(shù)進(jìn)行對應(yīng)數(shù)據(jù)處理，將豬肉新鮮度分為新鮮肉、次新鮮肉一級、次新鮮肉二級、腐敗肉一級、腐敗肉二級共5 級。不同豬肉新鮮度等級主要理化參數(shù)和放置時間關(guān)系如表1所示，該分級參數(shù)與張婷[18]、胡云峰等[19]研究結(jié)果基本一致。

表1 豬肉新鮮度分級主要參數(shù)Table 1 Major parameters used for pork freshness grading

1.3.2 數(shù)據(jù)集制作與數(shù)據(jù)增強(qiáng)

1.3.2.1 原始數(shù)據(jù)集制作

取550 片作為豬肉圖像樣本，在4 ℃的環(huán)境下分別放置0、24、48、72、96 h后，在自然光下，采用CCD攝像頭進(jìn)行圖像采集，通過USB上傳到計算機(jī)保存。采用1.3.1節(jié)方法進(jìn)行微生物菌體濃度、大腸菌菌體濃度和pH值的檢測，對比設(shè)定的豬肉新鮮度參數(shù)范圍，將不在范圍內(nèi)的豬肉圖片刪除，每一個放置時間取500 張符合表1分級參數(shù)的圖像作為原始數(shù)據(jù)集樣本。每一個等級的圖片如圖1所示。

圖1 各等級肉圖片F(xiàn)ig.1 Pictures of pork of different grades

1.3.2.2 數(shù)據(jù)集增強(qiáng)

采用數(shù)據(jù)增強(qiáng)函數(shù)[20]，通過45 度旋轉(zhuǎn)、寬度偏移、高度偏移、水平翻轉(zhuǎn)和隨機(jī)縮放等方法將2 500 張不同新鮮度的原始圖片數(shù)據(jù)集擴(kuò)展為60 000 張，每個等級圖片12 000 張。對60 000 張圖像對應(yīng)新鮮度等級標(biāo)注，然后采用隨機(jī)抽取的方式，將圖像數(shù)據(jù)集分成訓(xùn)練集83%、測試集12%、驗證集5%，如表2所示。

表2 數(shù)據(jù)集總覽Table 2 Dataset overview

1.3.3 EfficientNet預(yù)測模型的構(gòu)建及改進(jìn)

1.3.3.1 EfficientNet預(yù)測模型構(gòu)建

EfficientNet通過對網(wǎng)絡(luò)深度、寬度和輸入分辨率的綜合調(diào)整，獲得對特定需求的最優(yōu)網(wǎng)絡(luò)參數(shù)，使網(wǎng)絡(luò)同時具備了網(wǎng)絡(luò)大小與識別準(zhǔn)確率的雙重優(yōu)勢。圖片輸入后，經(jīng)過3×3卷積核進(jìn)行卷積操作，后經(jīng)過多個MB卷積模塊，最后通過1×1卷積池化全連接層輸出。

EfficientNet網(wǎng)絡(luò)的基本框架如圖2所示，其中，圖2b～d分別是對網(wǎng)絡(luò)的寬度、深度以及輸入圖像分辨率的擴(kuò)展。圖2e是對網(wǎng)絡(luò)的寬度、深度以及輸入分辨率的復(fù)合擴(kuò)展。

圖2 EfficientNet網(wǎng)絡(luò)結(jié)構(gòu)示意圖Fig.2 Schematic diagram of EfficientNet architecture

EfficientNet使用MobileNet V2中的MBConv作為模型的主干網(wǎng)絡(luò)。MBConv主要由一個1×1的普通卷積（升維作用，包含BN和Swish），一個k×k的Depthwise Conv卷積（包含BN和Swish），一個SE模塊，一個1×1的普通卷積（降維作用，包含BN），一個Droupout層構(gòu)成。SE模塊由一個全局平均池化，兩個全連接層組成。第1個全連接層的節(jié)點(diǎn)個數(shù)是輸入該MBConv特征矩陣channels的個數(shù)，使用Swish為激活函數(shù)。第2個全連接層的節(jié)點(diǎn)個數(shù)等于Depthwise Conv層輸出的特征矩陣channels，使用Sigmoid為激活函數(shù)。EfficientNet 網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。所建立的EfficientNet baseline結(jié)構(gòu)如表3所示。

圖3 EfficientNet網(wǎng)絡(luò)結(jié)構(gòu)示意圖Fig.3 Structural diagram of EfficientNet network

表3 EfficientNet baseline結(jié)構(gòu)Table 3 EfficientNet baseline structure

輸入圖像的分辨率、網(wǎng)絡(luò)深度及寬度的交互作用，顯著影響EfficientNet模型的預(yù)測精度和效率，對這3 個參數(shù)平衡且合理配比的探索，才能獲得最優(yōu)EfficientNet模型結(jié)構(gòu)。因此，EfficientNet通常由B0和B7之間的8 個模型組成，B0和B7之間的參數(shù)如表4所示。

表4 EfficientNet B0與B7之間的參數(shù)Table 4 EfficientNet parameters in the range of B0 to B7

1.3.3.2 EfficientNet優(yōu)化算法改進(jìn)

EfficientNet網(wǎng)絡(luò)中采用了傳統(tǒng)的隨機(jī)梯度下降（stochastic gradient descent，SGD）算法。由于隨機(jī)SGD算法中每個參數(shù)的學(xué)習(xí)速率一致，較難選擇合適的學(xué)習(xí)率，會導(dǎo)致反向求導(dǎo)過程中產(chǎn)生局部最優(yōu)解，使豬肉新鮮度識別準(zhǔn)確率降低。

為加快模型訓(xùn)練的收斂速率，本研究首先采用自適應(yīng)矩估計（adptive moment estimation，Adam）[21]優(yōu)化算法以代替原網(wǎng)絡(luò)中的SGD算法，通過自適應(yīng)隨機(jī)優(yōu)化算法，可避免訓(xùn)練初始階段梯度消失的情況，并達(dá)到穩(wěn)定訓(xùn)練、加速收斂的目的。Adam算法結(jié)合了自適應(yīng)梯度算法和均方根傳遞算法的有點(diǎn)，經(jīng)過偏置的矯正，每一次迭代的學(xué)習(xí)率都有一個確定的范圍，減少了超參數(shù)更新的波動。在反向傳播過程中，參數(shù)更新過程如表5所示。

表5中，ωt和ωt-1分別代表第t和t-1次更新參數(shù)值，參數(shù)α是更新學(xué)習(xí)率，α越高，模型收斂速率越快，但得到的解有可能是局部最優(yōu)解，學(xué)習(xí)率低，會導(dǎo)致模型收斂速率慢，計算量大。

mt表示梯度的指數(shù)加權(quán)移動平均，是求過往梯度與當(dāng)前梯度的均值，β1初值取0.9，當(dāng)t＝1，修正系數(shù)放大10 倍。當(dāng)t＞30時，此時修正系數(shù)可以忽略。這相當(dāng)于對原始梯度進(jìn)行了平滑處理，使更新過程更加平穩(wěn)，同時，更多地考慮近期數(shù)據(jù)，使更新過程更加靈敏。

vt表示梯度平方的指數(shù)加權(quán)平均，是求過往梯度的平滑與當(dāng)前梯度平方的均值。β2初值取0.999，當(dāng)t＝1，修正系數(shù)放大1 000 倍，t＞3 000時，此時修正系數(shù)可以忽略?？梢苑从忱塾嬏荻鹊拇笮『筒▌有畔ⅰ＆?越大，梯度平方效果越明顯。

更新公式與學(xué)習(xí)率α和超參數(shù)β1、β2關(guān)系如下式：

隨著迭代次數(shù)的增加，當(dāng)gt較小時，更新計算就會放大學(xué)習(xí)率，提高運(yùn)算速率，當(dāng)gt較大時，更新計算就會縮小學(xué)習(xí)率，使計算精細(xì)，準(zhǔn)確尋找到梯度最小值，進(jìn)而提高模型的泛化性和魯棒性。初始值α＝0.001、β1＝0.09、β2＝0.999、ε＝10-8在CIFAR-10數(shù)據(jù)集上實驗[21]，預(yù)測效果較SGD優(yōu)化算法有顯著提高。本研究在應(yīng)用遷移學(xué)習(xí)預(yù)訓(xùn)練也采用了CIFAR-10數(shù)據(jù)集，因此，本研究學(xué)習(xí)率和超參數(shù)初值與文獻(xiàn)[21]一致。

Adam優(yōu)化器算法是用是用指數(shù)滑動平均去估計梯度每個分量的一階矩和二階矩，得到每步的更新量，繼而提供自適應(yīng)學(xué)習(xí)率。但是，自適應(yīng)學(xué)習(xí)率在訓(xùn)練早期因樣本數(shù)量有限會有很大方差的問題，從而可能收斂到局部最優(yōu)，為了解決該問題，有學(xué)者提出了Adam的一個新變體校正自適應(yīng)矩估計（rectified adaptive moment estimation，RAdam）[22]，通過修正自適應(yīng)學(xué)習(xí)率的方差項緩解收斂問題。由于該算法能夠動態(tài)的打開和關(guān)閉自適應(yīng)學(xué)習(xí)率，會帶來更快的收斂速率。在反向傳播中過程中，參數(shù)更新如表6所示。

表6 RAdam算法參數(shù)更新步驟Table 6 Updated steps of RAdam algorithm parameters

由表6可以看出，根據(jù)SMA最大值[23-24]可以控制自適應(yīng)學(xué)習(xí)率的開斷，這有利于提升模型的收斂速率。RAdam使用一個動態(tài)整流器調(diào)整Adam算法中基于方差自適應(yīng)動量，并有效地提供了一個基于當(dāng)前的數(shù)據(jù)集的自動熱身可定制機(jī)制，保證了訓(xùn)練前期數(shù)據(jù)更新效率。初始值設(shè)置為α＝0.001、β1＝0.9、β2＝0.999，設(shè)置原理與Adam優(yōu)化器一致。

本研究首先采用Adam優(yōu)化器對EfficientNet模型進(jìn)行改進(jìn)優(yōu)化，并在EfficientNetB0到B7模型中選取應(yīng)用于豬肉新鮮度識別效果最好的模型。再采用RAdam優(yōu)化器對模型進(jìn)一步優(yōu)化，并對比識別效果。

1.3.4 遷移學(xué)習(xí)

為了提高網(wǎng)絡(luò)模型對豬肉新鮮度圖像識別精度和泛化能力，減少后期建模的訓(xùn)練時間，采用遷移學(xué)習(xí)方法[25]，先利用CIFAR-10數(shù)據(jù)集對網(wǎng)絡(luò)進(jìn)行預(yù)訓(xùn)練，將訓(xùn)練好的網(wǎng)絡(luò)參數(shù)作為待建模型的初始參數(shù)完成權(quán)值初始化。然后，對CNN模型進(jìn)行改進(jìn)，將最后一個全連接層更改為5輸出，使模型適用五分類問題。另外，選擇Softmaxt作為最后一層的激活函數(shù)，選擇損失函數(shù)為分類交叉熵。

對預(yù)訓(xùn)練后的模型采用與訓(xùn)練CIFAR-10數(shù)據(jù)集時相同的方法進(jìn)行優(yōu)化。除了VGG16模型采用SGD優(yōu)化方法外，而其他模型均采用Adam優(yōu)化方法。Adam方法的學(xué)習(xí)率設(shè)為0.001，SGD方法的學(xué)習(xí)率設(shè)為0.01。

1.3.5 模型評價指標(biāo)

模型評價參數(shù)包括真陽性（true positives，TP）、真陰性（ture negatives，TN）、假陽性（false positeves，F(xiàn)P）和假陰性（false negatives，F(xiàn)N）[26]。其中本實驗采用準(zhǔn)確性、靈敏度、特異性和精度作為模型評價指標(biāo)。準(zhǔn)確性表示在所有樣本中正確分類樣本的比率，敏感度是正確預(yù)測的陽性與所有真陽性的比率，特異性是指正確預(yù)測的陰性與所有真陰性的比率，精度是所有陽性識別中正確預(yù)測陽性的比例，具體計算公式如下：

式中：TP表示每個類別中正確分類的圖像數(shù)量；TN表示除相關(guān)類別外的所有其他類別中正確分類的圖像的數(shù)量；FP表示除相關(guān)類別外所有其他類別中錯誤分類圖像的數(shù)量；FN表示從相關(guān)類別中被錯誤分類的圖像的數(shù)量。l為樣本的總類別數(shù)，i為每個類別的評價指標(biāo)。

1.4 數(shù)據(jù)分析

模型在Windows環(huán)境下編譯，CPU為I7-8700，內(nèi)存8 G，顯卡為NVIDIA GTX1060 6 G。所有代碼基于TensorFlow 2.0版本，用Keras框架實現(xiàn)。數(shù)據(jù)處理采用Excel 2019版本。

2 結(jié)果與分析

2.1 實驗過程

為充分評估EfficientNet網(wǎng)絡(luò)對豬肉新鮮度識別的優(yōu)越性，本研究選取同類先進(jìn)的深度CNN進(jìn)行性能比較，其中包括AlexNet[27]、VGG6[28]、ResNet[29]。實驗均采用TensorFlow開源框架。

豬肉新鮮度檢測是一個五分類問題，為減少訓(xùn)練時間，提高識別精度，先將本研究采用的模型在CIFAR-10進(jìn)行預(yù)訓(xùn)練，完成權(quán)值初始化。為使模型適用五分類問題，對模型進(jìn)行改進(jìn)，將最后一個全連接層更改為5輸出，選擇Softmaxt作為最后一層的激活函數(shù)，選擇損失函數(shù)作為分類交叉熵。另外，對預(yù)訓(xùn)練后的模型采用與訓(xùn)練CIFAR-10數(shù)據(jù)集時相同的方法進(jìn)行優(yōu)化。除VGG16模型采用SGD優(yōu)化方法外，其他模型均采用Adam優(yōu)化方法。Adam方法的學(xué)習(xí)率設(shè)為0.001，SGD方法的學(xué)習(xí)率設(shè)為0.01。為使樣本圖片滿足每個模型對輸入圖片分辨率的要求，通過TensorFlow函數(shù)對圖片進(jìn)行處理。各個模型的輸入圖像大小、優(yōu)化器參數(shù)、學(xué)習(xí)率設(shè)置如表7、8所示。

表7 深度學(xué)習(xí)模型的默認(rèn)輸入圖像大小Table 7 Sizes of default input images used for deep learning models

表8 深度學(xué)習(xí)模型優(yōu)化器和學(xué)習(xí)率參數(shù)Table 8 Deep learning model optimizers and learning rate parameters

用增強(qiáng)后的豬肉新鮮度圖像數(shù)據(jù)集對所有模型進(jìn)行總訓(xùn)練輪數(shù)為14 個epoch的訓(xùn)練并驗證，結(jié)果如表9所示。相較于其他3 類模型，EfficientNet網(wǎng)絡(luò)模型普遍具有較高的預(yù)測準(zhǔn)確率，模型的訓(xùn)練時間呈現(xiàn)出隨著輸入圖片的增大而明顯增加的趨勢。其中，B4網(wǎng)絡(luò)模型準(zhǔn)確率最高，達(dá)到99.40%，B2網(wǎng)絡(luò)模型準(zhǔn)確率雖然較B4略微遜色，但訓(xùn)練時間明顯低于B4。B5、B6和B7模型的訓(xùn)練時間都高于300 min，但準(zhǔn)確率并不是最高，說明輸入圖片的增大會造成訓(xùn)練時間的明顯增加，但不會改善模型準(zhǔn)確率。這也許可以說明，分辨率、網(wǎng)絡(luò)深度及寬度這3 個參數(shù)平衡且合理配比，才是決定網(wǎng)絡(luò)模型的性能關(guān)鍵因素。

表9 不同模型運(yùn)行的數(shù)據(jù)結(jié)果Table 9 Operation results of different models

表9顯示，AlexNet模型的訓(xùn)練集和驗證集準(zhǔn)確率均較低，但訓(xùn)練時間最短。這可能是因為AlexNet采用Relu作為激活函數(shù)，解決了Sigmoid激活函數(shù)在網(wǎng)絡(luò)較深時的梯度彌散問題；另外，其全連接層采用了50%的舍棄忽略了一部分神經(jīng)元，減少了網(wǎng)絡(luò)的過擬合情況。雖然采用了較高的分辨率，但是并沒有顯著提高預(yù)測的準(zhǔn)確率。VGG16模型是由若干卷積層和池化層堆疊的方式構(gòu)成，比較容易形成較深的網(wǎng)絡(luò)結(jié)構(gòu)，具有很高的擬合能力。實驗顯示VGG16網(wǎng)絡(luò)的訓(xùn)練時間相對較短，但是對訓(xùn)練集的準(zhǔn)確率最低，僅有79.9%，說明卷積層和池化層的堆疊對于豬肉新鮮度特征的提取效果較差。相比于AlexNet和VGG16，ResNet50網(wǎng)絡(luò)的訓(xùn)練時間雖然有了明顯增長，但準(zhǔn)確率顯著提高。表明50 層的網(wǎng)絡(luò)能夠提取更加準(zhǔn)確的特征值，有利于提高訓(xùn)練集的準(zhǔn)確率。這可能是因為ResNet50網(wǎng)絡(luò)模型采用residual模塊成功解決了梯度消失和梯度爆炸問題，使50 層的神經(jīng)網(wǎng)絡(luò)能夠保證持續(xù)優(yōu)化。EfficientNet模型的平均正確識別率高達(dá)98.62%，明顯優(yōu)于Alexnet、VGG16和ResNet50模型，其中，EfficientNetB2模型的正確識別率達(dá)到99.22%，訓(xùn)練時間僅需157 min，綜合性能最佳，是一種最適合豬肉新鮮度識別的方法。

為考察預(yù)訓(xùn)練和遷移學(xué)習(xí)在建立預(yù)測模型過程中所起作用，在通過遷移學(xué)習(xí)確定各類模型結(jié)構(gòu)和初始權(quán)值后，在利用豬肉新鮮度訓(xùn)練集對各個模型進(jìn)行訓(xùn)練過程中，模型的準(zhǔn)確率和損失函數(shù)值如圖4所示。

圖4 模型的準(zhǔn)確率曲線（A）和損失曲線（B）Fig.4 Accuracy curves (A) and loss curves (B) of all models

由圖4可知，在訓(xùn)練的初始階段，AlexNet和VGG模型準(zhǔn)確率較低，損失函數(shù)下降的較慢；而EfficientNet和ResNet模型的準(zhǔn)確率在訓(xùn)練剛開始就較高，損失函數(shù)也是在訓(xùn)練剛開始就迅速下降。尤其是B2模型，在2 epoch以后，訓(xùn)練準(zhǔn)確度就基本穩(wěn)定，完成了4 epoch以后，就基本達(dá)到了最大準(zhǔn)確率。盡管AlexNet和VGG模型模型在訓(xùn)練開始階段準(zhǔn)確率較低，但在完成14 epoch以后，也都基本達(dá)到各自的最大值。說明通過預(yù)訓(xùn)練，可以使建模實際所用時間大大減少，遷移學(xué)習(xí)對模型性能提升效果非常顯著。上述分析顯示，在所有模型中，EfficientNetB2展現(xiàn)出較高的識別準(zhǔn)確度和較短的訓(xùn)練時間，綜合性能最優(yōu)。用測試集中的1 500 張圖片對該模型進(jìn)行測試，考察模型對5 種不同新鮮度豬肉預(yù)測能力，結(jié)果如表10所示。除特異性指標(biāo)外，模型的其他性能指標(biāo)都非常優(yōu)異，證明EfficientNetB2是預(yù)測豬肉新鮮度等級的最佳模型。

表10 EfficientNetB2對每個類的測試集的分類性能Table 10 Classification performance of EfficientNetB2 for test sets of five freshness levels

為探索對EfficientNet優(yōu)化器算法改進(jìn)效果，對于EfficientNetB2模型，分別采用SGD、均方根傳播（root mean square propagation，RMSProp）[30]、Adam[21]、RAdam[22]4 種優(yōu)化器，用測試集和驗證集對模型的模型性能進(jìn)行測試和驗證，結(jié)果如表11所示。

表11 應(yīng)用不同優(yōu)化器的EfficientNetB2模型性能Table 11 Model performances of EfficientNetB2 using different optimizers

由表11可知，總體而言，模型EfficientNetB2采用Adam優(yōu)化器是較為適合的算法。改用RMSProp和SGD優(yōu)化器后，模型的性能顯著下降，采用SGD優(yōu)化器的EfficientNetB2在公共數(shù)據(jù)集上完成圖像識別任務(wù)的準(zhǔn)確率較高（ImageNet數(shù)據(jù)集中準(zhǔn)確率達(dá)到94%），但對于豬肉新鮮度識別任務(wù)，表現(xiàn)的準(zhǔn)確率明顯低于Adam優(yōu)化器性能，說明這兩類優(yōu)化器并不適用于EfficientNet模型識別豬肉新鮮度任務(wù)。采用RAdam優(yōu)化器后，訓(xùn)練集準(zhǔn)確率雖然沒有提高，甚至還比Adam低了0.1%，但是其驗證集準(zhǔn)確率出現(xiàn)了明顯的提升，可見RAdam優(yōu)化器較好的提升了模型的泛化性，對工程應(yīng)用有實際意義。

2.2 誤差分析

為了分析模型識別錯誤的情況，本研究提取EfficientNetB2（Adam）模型和EfficientNetB2（RAdam）模型中識別錯誤的圖片。并對識別錯誤圖片的特點(diǎn)做了分析。其中，EfficientNetB2（Adam）模型識別錯誤圖像中2.3%為原始圖像，97.7%為數(shù)據(jù)增強(qiáng)后圖像，而EfficientNetB2（RAdam）模型識別錯誤圖像中，100%為數(shù)據(jù)增強(qiáng)后圖像。

由表12可知，兩種模型對原始圖像識別的準(zhǔn)確率較高，EfficientNetB2（RAdam）模型對原始圖像識別準(zhǔn)確率為100%，證明該模型的泛化性較強(qiáng)。兩種模型對隨機(jī)縮放后的圖像識別錯誤率較高，其原因主要是隨機(jī)縮放后圖像特征產(chǎn)生了變化，尤其是顏色分布的改變，影響了模型判斷的結(jié)果。角度旋轉(zhuǎn)并沒有改變豬肉的顏色分布，模型對該類型圖像識別正確率為100%。

表12 模型錯誤識別圖像分布Table 12 Distribution of errors in image recognition by models

3 結(jié)論

采用EfficientNet網(wǎng)絡(luò)模型對豬肉的新鮮度進(jìn)行識別，可以獲得很高的準(zhǔn)確率。尤其是EfficientNetB2模型，正確識別率高（9 9.2 2%），訓(xùn)練時間適中（157 min），綜合性能最佳，是一種最適合豬肉新鮮度識別的方法。

采用遷移學(xué)習(xí)后，在進(jìn)行建模訓(xùn)練時，只經(jīng)過14 個epoch，各類模型的正確識別率即達(dá)到穩(wěn)定的最大值，模型的訓(xùn)練時間顯著縮短。因此，遷移學(xué)習(xí)和深度學(xué)習(xí)結(jié)合，是一種高效的CNN建模方法。

采用RAdam優(yōu)化器代替原有的SGD優(yōu)化器，雖然不能提高模型識別的準(zhǔn)確率，但提升了模型的泛化性，對工程應(yīng)用有實際意義。