Neue Publikation in Applied Food Research [19.11.25]
Daniel Einsiedel vom Fachgebiet für Lebensmittelinformatik ist Autor der Publikation "Poultry perfection — Comparison of computer vision models to detect and classify poultry products in a production setting" im Applied Food Research (Impact Factor 6.2).
Die Publikation "Poultry perfection — Comparison of computer vision models to detect and classify poultry products in a production setting" von Daniel Einsiedel (Fachgebiet Lebensmittelinformatik, Universität Hohenheim) mit den Co-Autoren Marco Vita, Dana Jox (beide Fachgebiet Lebensmittelinformatik, Universität Hohenheim), Bertus Dunnewind, Johan Meulendijks (beide Marel Further Processing B.V.) und Christian Krupitzer (Fachgebiet Lebensmittelinformatik, Universität Hohenheim) wurde in Elsevier's Applied Food Research (Impact Factor 6.2) veröffentlicht.
Diese Studie untersucht den Einsatz von Computer Vision, insbesondere der Objekterkennung, für die Qualitätskontrolle bei verzehrfertigen Fleischprodukten. Wir haben uns auf einen einzigen Prozessschritt konzentriert, nämlich die Kennzeichnung von Produkten als „gut“ oder „mangelhaft“. Ein „mangelhaftes Produkt“ ist ein Produkt, das hinsichtlich Form, Größe oder Farbe von der Norm abweicht (Löcher, fehlende Kanten, dunkle Partikel usw.). Mangelhaft bedeutet nicht, dass das Produkt ungenießbar ist oder ein Risiko für die Lebensmittelsicherheit darstellt, aber es beeinträchtigt die Gesamtqualität des Produkts. Verschiedene Objekterkennungssysteme, wie z. B. YOLO, einschließlich YOLO12, wurden anhand der Metrik mAP50-95 verglichen. Die meisten Modelle erreichten mAP-Werte über 0.9, wobei YOLO12 einen Spitzenwert von 0.9359 erreichte. Die Präzisions- und Recall-Kurven zeigten, dass das Modell die Klasse „mangelhaftes Produkt“ besser gelernt hatte, was höchstwahrscheinlich auf ihre höhere Repräsentation zurückzuführen ist. Dies unterstreicht die Bedeutung eines ausgewogenen Datensatzes, was in der Praxis jedoch schwierig zu erreichen ist. Die Confusion-Matrix zeigte Falsch Positive auf, was darauf hindeutet, dass eine Erhöhung des Datensatzvolumens oder eine Hyperparameter-Optimierung hilfreich sein könnte. Die Erhöhung des Datensatzvolumens ist jedoch in der Regel der schwierigere Weg, da die Datenerfassung und insbesondere die Kennzeichnung bei weitem die zeitaufwändigsten Schritte des gesamten Prozesses sind.
Insgesamt lassen sich aktuelle Modelle mit einer gewissen Fehlerquote auf Qualitätskontrollaufgaben anwenden. Unsere Experimente zeigen, dass hochwertige, konsistent gekennzeichnete Datensätze für das Erreichen guter Ergebnisse potenziell wichtiger sind als die Wahl des Modells. Die angewendete Hyperparameter-Optimierung des YOLO12-Modells hat in diesem Fall keine bessere Leistung als das Standardmodell erzielt. Zukünftige Arbeiten könnten das Training von Modellen auf einem Multi-Class-Datensatz mit Hyperparameter-Optimierung umfassen. Ein Multi-Class-Datensatz könnte spezifischere Klassen als nur „gut“ und „mangelhaft“ enthalten, wodurch trainierte Modelle in der Lage wären, tatsächlich spezifische Qualitätsabweichungen vorherzusagen.
Die Publikation ist unter https://doi.org/10.1016/j.afres.2025.101528 verfügbar.
