一种基于YOLO深度学习模型的淀粉糊化实时检测新型无损方法

《Sustainable Food Technology》：A novel, non-destructive approach for real-time detection of starch gelatinization using YOLO-based deep learning models

　　

该研究提出了一种基于最先进的YOLO（You Only Look Once）深度学习模型的新型视觉化无损方法，用于实时检测与确认淀粉糊化过程，以解决传统方法在工业生产控制中依赖人工操作且主观性强的问题。本研究的主要贡献包括两方面：首次引入一种基于图像的淀粉糊化检测框架，并在受控实验室条件下验证了YOLO模型作为自动化非接触过程监测工具的潜力。研究人员通过采集加热过程中马铃薯淀粉溶液的时间序列图像构建了自定义数据集，并将每帧标注为“未糊化”或“已糊化”。四种YOLO架构（v8、v9、v11、v12）在该数据集上进行训练与评估，所有模型均表现出优异且相近的性能，精确率、召回率和F1分数均达到最大值（1.0），平均精度均值（mAP@0.5）高达0.995。同时，在反应区域定位任务中，各模型均实现了100%的召回率，并在训练结束时收敛至极低损失值（约0.1）。尽管所有模型表现卓越，YOLOv8在精确率（99.97%）和训练速度方面最优，而YOLOv12在前20个训练周期中表现出更佳的学习稳定性。该模型在连续视频流验证中成功实现实时识别糊化起始点。

研究背景方面，淀粉作为天然可再生生物聚合物，广泛应用于食品及材料科学领域，其糊化程度直接影响产品质地、消化性及功能特性。传统检测方法如偏光显微镜（PLM）、差示扫描量热法（DSC）、快速粘度分析仪（RVA）等多为离线操作，依赖人工采样与专业设备，难以满足工业连续生产的实时监控需求。现有光学或传感器方法易受污染、校准频繁，且无法捕捉空间异质性。因此，开发一种非侵入式、实时、基于图像的监测技术具有重要科学与产业价值。

研究人员在受控实验室环境中，以5%（w/w）马铃薯淀粉溶液为对象，构建了一个包含“未糊化”和“已糊化”两类状态的时间序列图像数据集，并采用YOLOv8、v9、v11及v12四种单阶段目标检测架构进行训练与比较。结果表明，所有模型均达到近完美性能，其中YOLOv8精确率最高（99.97%），YOLOv12初始学习更稳定。研究进一步通过连续视频流验证，证实该方法可在实际动态过程中可靠识别糊化起始点。此项成果发表于《Sustainable Food Technology》，为食品制造过程提供了高效、低能耗、零废弃的智能监测方案。

关键技术方法方面，研究采用固定相机每5秒采集一次加热过程中的淀粉溶液图像，共获得1987张标注数据，并按实验运行级别划分训练集（75%）、验证集（10%）和测试集（15%）以防止数据泄漏。图像预处理统一缩放至640×640像素，并通过在线数据增强（马赛克、混合）扩充特征空间。模型训练基于Ultralytics YOLO框架，使用预训练权重，配置随机种子以确保可重复性，训练周期为20个epoch，批量大小为32。推理阶段设置置信度阈值0.25与交并比（IoU）阈值0.7。

研究结果部分，首先，图像与标签数据库分析显示目标位置分布均匀，有利于模型泛化，虽存在类别不平衡，但未影响最终检测性能。其次，训练动态与收敛性分析表明，所有模型损失均稳定下降，YOLOv12初始框损失最低且收敛更平滑。第三，性能指标评估显示各模型在精确率-召回率曲线、精确率-置信度曲线、F1-置信度曲线及召回率-置信度曲线上均接近满分，混淆矩阵验证分类完全正确。第四，训练时间比较发现YOLOv8最快（207.52秒），YOLOv9最慢（312.44秒）。第五，模型比较显示YOLOv8在边界框预测精确率上略优，其余模型表现相近。第六，实时应用可视化与验证证明，模型在连续视频流中可稳定识别糊化起始，显微验证进一步确认检测对应真实物理化学变化。

讨论与结论部分，研究人员指出，该方法在受控环境下可实现高精度淀粉糊化实时监测，减少人工干预与原料浪费，优化能源使用，推动食品工业向自动化、零废弃转型。虽然当前结果在单一淀粉类型与固定浓度下取得，仍需在多来源、多条件场景中进一步验证。总体而言，基于YOLO的检测框架为食品加工过程监控提供了一种可扩展、低成本、高可靠性的技术路径。