DOI: https://doi.org/10.1007/s12161-026-03083-y
تاريخ النشر: 2026-04-02
المؤلف: Khanh-Duy Cao-Phan وآخرون
الموضوع الرئيسي: تطبيقات الشبكات العصبية المتقدمة
نظرة عامة
تناقش هذه section تطوير DW-SPPFNet، وهو إطار عمل جديد خفيف الوزن للتعلم العميق يهدف إلى التصنيف السريع وغير المدمر لحداثة اللحوم باستخدام صور RGB. يتم تسليط الضوء على أهمية حداثة اللحوم فيما يتعلق بسلامة الغذاء، وثقة المستهلك، وتقليل الفاقد. الطرق التقليدية لتقييم حداثة اللحوم، على الرغم من موثوقيتها، غالبًا ما تكون مدمرة وتستغرق وقتًا طويلاً، مما يجعلها غير مناسبة للتطبيقات في الوقت الحقيقي.
يستخدم DW-SPPFNet الالتفاف القابل للفصل العمقي (DW) لتقليل الحسابات الزائدة وي incorporat ميزات التجميع الهرمي المكاني (SPPF-lite) لتحسين التمثيل المكاني متعدد المقاييس. يحقق هذا الهيكل المبتكر توازنًا ملحوظًا بين الدقة والكفاءة، مما يسهل نشره على الأجهزة الطرفية. تم تدريب النموذج وتقييمه على مجموعة بيانات تتكون من 10,372 صورة لحم خنزير مصنفة، محققًا دقة اختبار تبلغ 98.31%، ودرجة ماكرو-F1 تبلغ 98.32%، وκ من كوهين تبلغ 0.9747. ومن الجدير بالذكر أن DW-SPPFNet تفوق على النماذج الخفيفة الموجودة مثل MobileNetV4-S و EfficientViT، حيث يعمل بسرعة 2.72 مللي ثانية لكل صورة مع بصمة حسابية منخفضة تبلغ 0.213 GFLOPs و1.63 مليون معلمة، مما يمكّن الاستدلال في الوقت الحقيقي على الأجهزة ذات الموارد المحدودة.
مقدمة
تسلط مقدمة هذه الورقة البحثية الضوء على التحديات الملحة التي تواجهها صناعة الغذاء العالمية في الحفاظ على جودة وسلامة المنتجات القابلة للتلف، وخاصة اللحوم، التي تكون عرضة للتلف. يُفقد حوالي 3.45 مليار كيلوغرام من اللحوم سنويًا بسبب التلف، مما يؤدي إلى خسائر اقتصادية كبيرة وهدر الغذاء. الطرق التقليدية لتقييم حداثة اللحوم، مثل التحليلات الكيميائية والعد الميكروبي، غالبًا ما تكون مدمرة وتستغرق وقتًا طويلاً، مما يستدعي تطوير حلول غير مدمرة وسريعة وفعالة من حيث التكلفة للمراقبة في الوقت الحقيقي، خاصة للمنتجات عالية البروتين مثل الدجاج ولحم الخنزير والأسماك. أظهرت التقدمات الأخيرة في رؤية الكمبيوتر والتعلم الآلي وعودًا في هذا المجال، باستخدام تقنيات مثل التصوير الطيفي الفائق، والطيف المرئي/القريب من الأشعة تحت الحمراء، وأجهزة الاستشعار اللونية، والأنوف الإلكترونية، ونماذج التعلم العميق لتعزيز دقة تقييم الحداثة.
على الرغم من هذه التقدمات، غالبًا ما تتطلب الطرق الموجودة معدات باهظة الثمن وموارد حسابية عالية، مما يحد من قابليتها للتوسع للتطبيقات في الوقت الحقيقي. تبقى التحديات مثل تحقيق دقة الاستدلال في الوقت الحقيقي، والعمومية عبر أنواع اللحوم المختلفة، وتحقيق التوازن بين بساطة النموذج والصلابة ضد الضوضاء عقبات كبيرة. لمعالجة هذه القضايا، يقترح المؤلفون نموذج تعلم عميق خفيف الوزن، DW-SPPFNet، الذي يجمع بين كتل الالتفاف القابل للفصل العمقي مع وحدة دمج التجميع الهرمي المكاني (SPPF-lite). تم تصميم هذا النموذج للاستدلال السريع على الأجهزة ذات الموارد المحدودة مع الحفاظ على دقة عالية في تصنيف حداثة اللحوم. تفيد الدراسة بأن النموذج المقترح يحقق دقة تزيد عن 99% مع زمن استدلال بمستوى مللي ثانية ويؤكد على الشفافية من خلال جعل جميع الأكواد والنماذج المدربة ومجموعات البيانات متاحة للجمهور للبحث المستقبلي في مراقبة جودة الغذاء.
الطرق
ت outlines هذه section قيود الطرق التقليدية لتقييم حداثة اللحوم، التي غالبًا ما تعتمد على التحليلات المخبرية المدمرة، بما في ذلك التقييمات الكيميائية والبيوكيميائية والميكروبيولوجية. على سبيل المثال، أظهرت دراسات مثل تلك التي أجراها لوبيز-جوفن وآخرون (2025) وأوكاني-هيغيرا وآخرون (2011) مؤشرات موثوقة للتلف ولكن كانت مقيدة بأحجام عينات صغيرة وتقييمات ذاتية. حققت طرق أخرى، مثل تلك التي أجراها كوشكي وآخرون (2025) ويمنو وآخرون (2019)، دقة تنبؤية عالية في ظل ظروف محكومة ولكنها لا تزال تواجه قيودًا من حيث حجم العينة وقابلية التطبيق في الوقت الحقيقي. تسلط هذه الطرق الضوء على الحاجة إلى تقنيات غير مدمرة يمكن أن توفر تقييمات سريعة دون عيوب الاعتماد على المختبرات التقليدية.
لمعالجة هذه التحديات، يقترح المؤلفون نموذج تعلم عميق خفيف الوزن لتصنيف حداثة اللحوم، كما هو موضح في قسم المنهجية. تضمنت الإعدادات التجريبية استخدام بيئة كاجل مع وحدة معالجة الرسوميات NVIDIA Tesla P100، باستخدام مُحسِّن آدم مع إيقاف مبكر لتقليل الإفراط في التكيف. كانت مجموعة البيانات تتكون من 10,372 صورة، والتي خضعت لتقاطع ثلاثي الطبقات مع الحفاظ على تقييم قوي. حافظ كل طي على نسب الفئات، حيث تم التدريب على حوالي 66.7% من البيانات والتقييم على الـ 33.3% المتبقية. بالإضافة إلى ذلك، تم الحفاظ على تقسيم 80/20 للمقارنة مع الدراسات السابقة، مما يسمح بتقييم شامل لأداء النموذج عبر تكوينات مختلفة.
المناقشة
تسلط قسم المناقشة في الورقة البحثية الضوء على التقدمات في منهجيات تقييم حداثة اللحوم، مصنفة إياها إلى طرق تقليدية مدمرة، وتقنيات قائمة على المستشعرات غير المدمرة، ونهج رؤية الكمبيوتر/التعلم العميق. بينما تُظهر الطرق الحالية، مثل التصوير الطيفي الفائق وتقنيات المستشعرات المختلفة، قدرات تنبؤية قوية، إلا أنها غالبًا ما تتطلب معدات باهظة الثمن أو تقتصر على أنواع معينة من اللحوم. في المقابل، يعالج نموذج التعلم العميق الخفيف المقترح، DW-SPPFNet، هذه التحديات من خلال تقديم حل فعال من حيث التكلفة يعمل بكفاءة على الأجهزة ذات الموارد المحدودة، محققًا دقة عالية (98.31%) على مجموعة بيانات كبيرة من 10,823 صورة لحم خنزير.
تؤكد الورقة على هيكل النموذج، الذي يدمج كتل الالتفاف القابل للفصل العمقي (DW) ووحدات التجميع الهرمي السريع (SPPF)، مما يمكّن من استخراج الميزات بشكل فعال مع تقليل الحمل الحسابي. يتم التحقق من أداء النموذج من خلال مقاييس مختلفة، بما في ذلك الدقة، ودرجة ماكرو F1، وKappa من كوهين، مما يظهر قوته وعموميته في التطبيقات الواقعية. بالإضافة إلى ذلك، تكشف دراسات الإزالة أن الجمع بين مكونات DW وSPPF يوازن بشكل مثالي بين الدقة والكفاءة، مما يجعل DW-SPPFNet تقدمًا كبيرًا في مجال تصنيف حداثة اللحوم، وخاصة للنشر على الأجهزة في سياقات سلامة الغذاء.
DOI: https://doi.org/10.1007/s12161-026-03083-y
Publication Date: 2026-04-02
Author(s): Khanh-Duy Cao-Phan et al.
Primary Topic: Advanced Neural Network Applications
Overview
This section discusses the development of DW-SPPFNet, a novel lightweight deep learning framework aimed at the rapid, non-destructive classification of meat freshness using RGB images. The importance of meat freshness is highlighted in relation to food safety, consumer trust, and waste reduction. Traditional methods for assessing meat freshness, while reliable, are often destructive and time-consuming, making them unsuitable for real-time applications.
DW-SPPFNet employs Depthwise Separable Convolution (DW) to reduce redundant computations and incorporates Spatial Pyramid Pooling Feature-lite (SPPF-lite) to improve multi-scale spatial representation. This innovative architecture achieves a remarkable balance between accuracy and efficiency, facilitating deployment on edge devices. The model was trained and evaluated on a dataset comprising 10,372 labeled pork images, achieving a test accuracy of 98.31%, a macro-F1 score of 98.32%, and a Cohen’s κ of 0.9747. Notably, DW-SPPFNet outperformed existing lightweight models such as MobileNetV4-S and EfficientViT, operating at a speed of 2.72 ms per image with a low computational footprint of 0.213 GFLOPs and 1.63 million parameters, thus enabling real-time inference on devices with limited resources.
Introduction
The introduction of this research paper highlights the pressing challenges faced by the global food industry in maintaining the quality and safety of perishable products, particularly meat, which is prone to spoilage. An estimated 3.45 billion kilograms of meat are lost annually due to spoilage, leading to significant economic losses and food waste. Traditional methods for assessing meat freshness, such as chemical analyses and microbial counts, are often destructive and time-consuming, necessitating the development of non-destructive, rapid, and cost-effective solutions for real-time monitoring, especially for high-protein products like chicken, pork, and fish. Recent advancements in computer vision and machine learning have shown promise in this area, utilizing techniques such as hyperspectral imaging, visible/near-infrared spectroscopy, colorimetric sensors, electronic noses, and deep learning models to enhance freshness assessment accuracy.
Despite these advancements, existing methods often require expensive equipment and high computational resources, limiting their scalability for real-time applications. Challenges such as achieving real-time inference accuracy, generalizability across different meat types, and balancing model simplicity with robustness against noise remain significant hurdles. To address these issues, the authors propose a lightweight deep learning model, DW-SPPFNet, which combines Depthwise Separable Convolution blocks with a Spatial Pyramid Pooling Fusion (SPPF-lite) module. This model is designed for rapid inference on resource-constrained devices while maintaining high accuracy in classifying meat freshness. The study reports that the proposed model achieves over 99% accuracy with millisecond-level inference latency and emphasizes transparency by making all code, trained models, and datasets publicly available for future research in food quality monitoring.
Methods
The section outlines the limitations of traditional methods for assessing meat freshness, which often rely on destructive laboratory analyses, including chemical, biochemical, and microbiological evaluations. For instance, studies such as those by Lopez-Joven et al. (2025) and Ocaño-Higuera et al. (2011) demonstrated reliable spoilage indicators but were constrained by small sample sizes and subjective evaluations. Other approaches, like those by Koushki et al. (2025) and Yimenu et al. (2019), achieved high predictive accuracy under controlled conditions but still faced limitations in terms of sample size and real-time applicability. These methods highlight the need for non-destructive techniques that can provide rapid assessments without the drawbacks of traditional laboratory dependencies.
To address these challenges, the authors propose a lightweight deep learning model for meat freshness classification, detailed in the methodology section. The experimental setup involved using a Kaggle environment with an NVIDIA Tesla P100 GPU, employing the Adam optimizer with early stopping to mitigate overfitting. The dataset consisted of 10,372 images, which were subjected to stratified 3-fold cross-validation to ensure robust evaluation. Each fold maintained class ratios, with training conducted on approximately 66.7% of the data and evaluation on the remaining 33.3%. Additionally, an 80/20 split was maintained for comparison with previous studies, allowing for a comprehensive assessment of the model’s performance across different configurations.
Discussion
The discussion section of the research paper highlights the advancements in meat freshness assessment methodologies, categorizing them into traditional destructive methods, non-destructive sensor-based techniques, and computer vision/deep learning approaches. While existing methods, such as hyperspectral imaging and various sensor technologies, demonstrate strong predictive capabilities, they often require expensive equipment or are limited to specific meat types. In contrast, the proposed lightweight deep learning model, DW-SPPFNet, addresses these challenges by offering a cost-effective solution that operates efficiently on resource-constrained devices, achieving high accuracy (98.31%) on a large dataset of 10,823 pork images.
The paper emphasizes the model’s architecture, which integrates Depthwise Separable Convolution (DW) and Spatial Pyramid Pooling-Fast (SPPF) modules, enabling effective feature extraction while minimizing computational overhead. The model’s performance is validated through various metrics, including accuracy, macro F1-score, and Cohen’s Kappa, demonstrating its robustness and generalizability in real-world applications. Additionally, the ablation studies reveal that the combination of DW and SPPF components optimally balances accuracy and efficiency, making DW-SPPFNet a significant advancement in the field of meat freshness classification, particularly for on-device deployment in food safety contexts.