基于深度学习的非破坏性模具检测技术，用于烘焙食品的质量控制

《Journal of Food Measurement and Characterization》：Deep learning-based non-destructive mold detection for baked food quality control

本研究构建MNBF数据集，包含14,936张中西式面包图像，用于非破坏性表面检测。针对颜色、纹理及复杂环境挑战，提出抑制干扰的多尺度自适应优化YOLOv11模型，集成特征增强层、多尺度注意力机制和自适应融合模块。实验表明，优化模型在MNBF数据集上精度达82.3%，较基线提升3.6%，平均检测时间31ms，有效支持智能质检，降低食源性疾病风险并提升消费者信任。

　　

摘要

在预包装食品时代，准确检测烘焙食品中的霉菌对于食品安全和公共健康至关重要。为了解决专门数据集的缺乏问题，本研究构建了MNBF数据集，该数据集包含14,936张中国和西方烘焙产品的图像，以支持高效且无损的表面检测方法。然而，颜色、质地的差异以及复杂的生产环境仍然是主要挑战。为了克服这些难题，我们提出了一种新颖的检测模型——抑制干扰的多尺度自适应优化YOLOv11。该模型包含一个增强特征的层，用于减少背景干扰；一个多尺度注意力机制，用于提高对不同大小物体的检测能力；以及一个自适应融合模块，用于加强空间信息的整合。这些改进共同提升了模型在目标部分被遮挡或尺寸差异较大时的检测性能。实验结果表明，优化后的模型性能优于五种主流检测器，在MNBF数据集上的准确率达到82.3%，比基线模型提高了3.6%。同时，该模型在3,734个测试样本中的平均检测时间约为每张图像31毫秒。研究结果证实了该模型在检测不同类别烘焙食品中的霉菌污染方面的有效性，为智能质量检测提供了技术支持，减少了因食品变质造成的损失，降低了食源性疾病的风险，并增强了消费者的信任。

图形摘要