基于深度学习的B超生猪脂肪含量检测

重庆理工大学学报（自然科学） ›› 2019, Vol. 33 ›› Issue (6): 112-116.

基于深度学习的B超生猪脂肪含量检测

陈虹伶，张建勋，朱佳宝，郑集元

重庆理工大学计算机科学与工程学院

出版日期:2019-07-22 发布日期:2019-07-22
作者简介:陈虹伶，女，硕士，主要从事数字图像处理与分析；张建勋，男，博士，教授，主要从事计算机图形学和虚拟现实技术研究。

Online:2019-07-22 Published:2019-07-22

摘要/Abstract

摘要： 猪肉脂肪含量检测对猪种选育具有重要意义，常用的物理化学和计算机视觉等方法无法实现无损检测。通过分析猪肉的移动B超图像方法实现脂肪含量无损检测，主要采用深度学习方法来处理B超图像的生猪脂肪含量检测问题。使用CNN模型对135组猪眼肌B超图像数据集进行脂肪含量检测实验，其中采用GPU来加快网络训练，验证了卷积神经网络在猪眼肌B超图像脂肪含量检测领域的准确性及高效性。

关键词: B超图像, 脂肪含量检测, 无损检测, 深度学习, 卷积神经网络

中图分类号:

TP399

. 基于深度学习的B超生猪脂肪含量检测[J]. 重庆理工大学学报（自然科学）, 2019, 33(6): 112-116.

[1]	杨珍，王俊，辛春花. 利用ＤＣＥ-ＭＲＩ结合改进卷积神经网络的ＭＲ图像自动分割与分类方法[J]. 重庆理工大学学报（自然科学）, 2020, 34(2): 147-157.
[2]	马天翼１，苏素１，张宗２，马德良２，刘仕强１，韦振１，徐大鹏１. 计算机断层扫描技术在锂离子电池检测中的应用研究[J]. 重庆理工大学学报（自然科学）, 2020, 34(2): 133-139.
[3]	杨国亮，曾建尤，龚曼，祝靖宇. 基于卷积神经网络的衣物属性分类方法[J]. 重庆理工大学学报（自然科学）, 2020, 34(1): 77-85.
[4]	陈欣１，陈明逊２. 基于增强数据集卷积神经网络的ＳＡＲ目标识别方法[J]. 重庆理工大学学报（自然科学）, 2020, 34(1): 86-93.
[5]	陈乐, 童莹, 陈瑞, 曹雪虹. 端到端增强特征神经网络的视频表情识别[J]. 重庆理工大学学报（自然科学）, 2019, 33(9): 125-131.
[6]	. 深度学习下大学生资助管理模式创新研究[J]. 重庆理工大学学报（自然科学）, 2019, 33(7): 167-171.
[7]	. 基于亮度与色度信息的深度学习图像风格迁移算法研究[J]. 重庆理工大学学报（自然科学）, 2019, 33(7): 145-151,159.
[8]	. 基于深度学习的行人检测技术研究进展[J]. 重庆理工大学学报（自然科学）, 2019, 33(4): 98-109.
[9]	. 深度哈希卷积网络在图像检索中的应用[J]. 重庆理工大学学报（自然科学）, 2019, 33(3): 98-106.
[10]	胡远志ａ，刘俊生ｂ，肖佐仁ｂ，耿庄程ｂ. 基于数据融合的目标测距方法研究[J]. 重庆理工大学学报（自然科学）, 2019, 33(12): 18-25.
[11]	林倩瑜. 基于模糊卷积神经网络的大数据分类挖掘技术[J]. 重庆理工大学学报（自然科学）, 2019, 33(10): 121-126.
[12]	. 一种CNN与ELM相结合的船舶分类识别方法[J]. 重庆理工大学学报（自然科学）, 2019, 33(1): -.
[13]	. 一种基于双通道卷积神经网络的短文本分类方法[J]. 重庆理工大学学报（自然科学）, 2019, 33(1): -.
[14]	. 基于ＹＯＬＯ２和ＲｅｓＮｅｔ算法的监控视频中的人脸检测与识别[J]. 重庆理工大学学报（自然科学）, 2018, 32(8): -.
[15]	. 面向ＳＡＲ目标分类的卷积神经网络算法研究[J]. 重庆理工大学学报（自然科学）, 2018, 32(7): -.

基于深度学习的B超生猪脂肪含量检测

PDF (PC)

赞

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 15

Metrics

本文评价

推荐阅读 10