Deep Learning erkennt Frische von Fleisch – Segmentierung & OOD-Filter
Ein neues Deep‑Learning‑Framework kann die Frische von Fleisch anhand von RGB‑Bildern zuverlässig bestimmen. Dabei werden sowohl verpackte als auch unverpackte Fleischproben berücksichtigt und vier Fleischklassen unters…
- Ein neues Deep‑Learning‑Framework kann die Frische von Fleisch anhand von RGB‑Bildern zuverlässig bestimmen.
- Dabei werden sowohl verpackte als auch unverpackte Fleischproben berücksichtigt und vier Fleischklassen unterschieden.
- Das System nutzt einen OOD‑bewussten Abstentionsmechanismus, der bei niedriger Klassifikationszuversicht ein „Kein Ergebnis“ meldet.
Ein neues Deep‑Learning‑Framework kann die Frische von Fleisch anhand von RGB‑Bildern zuverlässig bestimmen. Dabei werden sowohl verpackte als auch unverpackte Fleischproben berücksichtigt und vier Fleischklassen unterschieden. Das System nutzt einen OOD‑bewussten Abstentionsmechanismus, der bei niedriger Klassifikationszuversicht ein „Kein Ergebnis“ meldet.
Im ersten Schritt wird die Fleischregion mit einem U‑Net‑Segmentierungsnetz isoliert. Die Segmentierung erzielt einen Intersection‑over‑Union‑Wert von 75 % und einen Dice‑Koeffizienten von 82 %, wodurch Hintergrundrauschen reduziert und die Eingaben für die Klassifikation standardisiert werden.
Für die Klassifikation wurden fünf Architekturen getestet: ResNet‑50, ViT‑B/16, Swin‑T, EfficientNet‑B0 und MobileNetV3‑Small. Durch nested 5×3‑Cross‑Validation wurde die beste Modellkonfiguration bestimmt. EfficientNet‑B0 erzielte die höchste Genauigkeit von 98,10 % auf dem Test‑Set, gefolgt von ResNet‑50 und MobileNetV3‑Small (jeweils 97,63 %) sowie Swin‑T (97,51 %). ViT‑B/16 erreichte 94,42 %. Zusätzlich wurden OOD‑Metriken und Schwellenwerte für die Abstention analysiert. Die Laufzeit auf einem Smartphone mit TensorFlow Lite wurde gemessen, um die Genauigkeit‑Latenz‑Trade‑offs für eine zukünftige mobile Anwendung zu verdeutlichen.
Welche Linse du auf diese Meldung legen solltest
Dieses Thema ist relevant, weil es zeigt, wie sich KI-Produkte, Modelle oder Rahmenbedingungen in der Praxis verschieben.
Achte zuerst darauf, was sich fuer Nutzer, Builder oder Unternehmen konkret veraendert und ob daraus ein nachhaltiger Trend entsteht.