本研究将谷物外观检查 (Grain Appearance Inspection，GAI) 定义为细粒度识别、域自适应和识别方法的三个计算机视觉任务，开发出大规模公开的谷物数据集 GrainSpace，有助于检测谷物质量。

Mar, 2022

此研究旨在评估SAM在代表性的鸡分割任务（包括基于部件的分割和红外热成像的使用）中的零样本分割效果，并探索使用SAM作为分割工具的鸡追踪任务。研究结果表明，与SegFormer和SETR相比，在整体和基于部件的鸡分割方面，SAM具有卓越的性能。基于SAM的对象跟踪还为肉禽鸟的行为和移动模式提供了有价值的数据。

May, 2023

本文研究了食物图像分割的困难，提供了一个鲁棒的基准数据集FoodSeg103，采用卷积神经网络和双向编码器表示图像转换器（BEiT）进行对比，并证明 BEiT 在食物图像分割中的表现优于其他模型，表明转移学习可以提高图像分割性能。

Jun, 2023

我们呈现了一个名为'CongNaMul'的综合数据集，旨在进行大豆芽图像分析的各种任务。该数据集包含用于图像分类、语义分割、分解和长度重量测量等任务的图像和标签，为AI辅助自动质量检测技术的开发提供了四个用于确定大豆芽质量的类别，以及包含各种复杂度的图像和标签，等等。此外，数据集还提供了大豆芽图像分解和基于图像的物理特征测量任务所需的图像和标签。该数据集预计将成为图像高级分析领域中各种研究和应用的宝贵资源，并希望能够协助其他产业领域对分类、语义分割、分解和物理特征测量进行研究的研究人员评估其模型。该数据集可在作者的存储库（链接：https://此处为URL）上获得。

Aug, 2023

我们提出了一个名为GrainSet的基于机器视觉的数据库，用于谷物颗粒的视觉质量检测，其中包含超过350K个带有专家注释的单颗粒图像。我们还采用了常用的深度学习模型作为基准提供分类结果，相信我们的GrainSet将促进谷物质量检测的辅助、谷物存储和贸易的指导以及智能农业应用的发展。

Nov, 2023

本文提出了一种用于分析禽舍中鸡类行为以检测异常行为的新型实时框架，具体研究了两种显著异常行为：不活跃的肉鸡和聚集行为。该提出的框架包括三个关键步骤：利用先进的深度学习模型进行鸡类检测，使用快速追踪模块跟踪相继帧中的个体鸡，以及在视频流中检测异常行为。实验研究被进行以评估所提出算法在准确评估鸡类行为方面的有效性。结果表明，我们的框架提供了一种精确高效的解决方案，可实时检测异常，有助于及时干预以维持鸡类健康并提高养禽场的总体生产能力。

Jan, 2024

当代社会中，运用人工智能进行自动食品识别在营养追踪、减少食物浪费以及提升食品生产和消费效率等方面具有巨大的潜力。该研究使用预训练的MobileNetV2模型，结合多种技术手段，提高了食品识别的性能和鲁棒性，从而可应用于实际应用中。

May, 2024

使用机器学习应用程序 Semmeldetector，可以利用目标检测模型在图像中检测、分类和计数烘焙食品。我们的应用程序允许商业烘焙师跟踪未售出的烘焙食品，从而优化生产并提高资源效率。通过编制包含1151张图像的数据集，可以区分出18种不同类型的烘焙食品来训练我们的检测模型。为了促进模型训练，我们使用了一个复制粘贴的增强流水线来扩展我们的数据集。我们在检测任务中使用了最先进的目标检测模型 YOLOv8 进行训练。我们测试了不同训练数据、模型规模和在线图像增强流水线对模型性能的影响。我们最佳的模型在测试集上达到了89.1%的[email protected]。基于我们的结果，我们得出结论，机器学习即使在像烘焙行业这样的未预见行业中，也可以成为有价值的工具，即使数据集非常有限。

Jun, 2024

使用卷积神经网络和Transformer模型，在对象检测任务中通过ROI区域分割和蒙版，结合全局上下文，成功实现准确分类食物图片，同时提高模型的鲁棒性。

Jul, 2024

该研究介绍了一种用于在视频中高质量、准实时地分割和跟踪食物项目的稳健框架，使用最少的硬件资源。该框架在食物分割和追踪方面表现出优越的性能，并通过引入一个新的食物数据集，提供了比先前的基准测试更具挑战性的场景。

Jul, 2024