Pesquisadores chineses investigaram o uso de uma rede de codificação de contexto raso (Marbling-Net) para segmentar com precisão as regiões de marmorização da carne suína em imagens de smartphones. A marmorização da carne suína é a representação da gordura intramuscular, que contribui para a qualidade e o sabor da carne suína. A avaliação visual é uma abordagem subjetiva para avaliar as características de marmorização. No entanto, ela pode produzir resultados pouco confiáveis e inconsistentes. Portanto, técnicas inteligentes, não destrutivas e de baixo custo são necessárias para avaliar quantitativamente as características de marmorização da carne suína.
Coleta de dados
Os pesquisadores dissecaram o músculo longissimus dorsi de carcaças recém-sacrificadas de 215 porcos Large White e Tongcheng. Em seguida, colocaram fatias desse músculo em um disco preto para aquisição de imagens usando a câmera traseira de um iPhone 6. Por fim, selecionaram 173 imagens de alta qualidade de diferentes porcos para construir o conjunto de dados.
Notícias Relacionadas
Eles mediram o teor de gordura intramuscular para cada fatia do músculo longissimus dorsi e registraram a pontuação de marmorização. Depois de recortar as imagens, eles aplicaram a operação de filtro de deslocamento médio para reduzir o ruído reflexivo e realçar a borda das regiões de marmorização. A equipe utilizou um quadro de treinamento baseado em patches e a Marbling-Net para segmentação precisa da marmorização da carne suína, tomando os patches recortados da imagem da carne como entrada e ampliando os patches de entrada para aumentar a resolução da imagem. Eles também investigaram a influência do tamanho do patch no desempenho do modelo. Caracterização do conjunto de dados
A marmorização nas imagens apareceu como pequenas manchas brancas ou listras finas esparsamente distribuídas dentro da carne magra rosa. A proporção de marmorização variou de 0,5% a 3% em aproximadamente 90% das imagens. Métricas de avaliação para segmentação de imagem
A Interseção sobre a União é a razão da área de sobreposição para a área de união entre o mapa segmentado e a verdade absoluta. A Precisão indica a proporção de amostras que são previstas como corretas entre todas as amostras. A Recuperação é definida como a porcentagem de todas as amostras com rótulos positivos que são previstas. O F1-score é a média harmônica da precisão e da recuperação. Resultados de segmentação da Marbling-Net
A Marbling-Net teve uma Interseção sobre a União, recuperação e F1-score mais altos do que outros métodos de segmentação. Além disso, a Marbling-Net foi capaz de capturar a marmorização de diferentes escalas e formas na imagem e segmentar as áreas de marmorização de forma mais completa com relativamente menos parâmetros. Além disso, a Marbling-Net tem um custo de tempo aceitável de 249,81 ms por imagem. A relação de marmorização, o teor de gordura intramuscular e as pontuações de marmorização apresentaram uma alta correlação, o que ilustra a confiabilidade do modelo Marbling-Net na análise das características de marmorização da carne suína. Treinamento baseado em patches
O treinamento baseado em patches divide a imagem em várias sub-regiões ou patches, sendo um método eficaz para detecção e segmentação de objetos pequenos. O treinamento baseado em patches reduziu o consumo de memória e cálculo e aumentou o tamanho do conjunto de dados de treinamento. Comparação de diferentes tamanhos de patches
O desempenho de segmentação da Marbling-Net melhorou à medida que o tamanho do patch aumentou de 50 × 50 para 200 × 200, mas diminuiu quando o tamanho do patch ultrapassou 200, sugerindo que o tamanho do patch afetou a precisão da segmentação de marmorização. Conclusões
Os autores concluíram que a Marbling-Net fornece resultados de segmentação precisos de imagens de marmorização de carne suína. Ela pode ser ainda mais desenvolvida como uma ferramenta valiosa para extrair de forma eficaz e eficiente múltiplos traços de marmorização de cada imagem. A Marbling-Net teve um tempo de inferência longo; portanto, pesquisas adicionais são necessárias para desenvolver um novo fluxo de trabalho de segmentação de marmorização de carne suína para melhorar o desempenho de segmentação e reduzir o tempo computacional no futuro.
