A Method for Detecting Foreign Objects in Pastries Based on Deep Learning
-
摘要:
在面食工业的生产加工过程中，产品不慎被掺入塑料、橡胶等异物会严重影响消费者的健康安全，因此，检测面食产品中是否含有异物是一项非常重要的品控步骤。X射线计算机断层扫描（CT）是一种非接触、无损的产品检测方法，被广泛应用于面食工业生产线的检测步骤中。然而，由于面食工业生产线的高通量检测需求，对于单个产品的检测通常要求在1 s以内完成，不可能有充裕的成像时间获取大量投影图，限制了普通CT方法的使用。因此，本文提出一种基于U-Net网络的异物检测方法，通过对小样本CT重建数据进行精确分割，获得仅含有异物的虚拟投影图进行训练。验证结果表明本文的方法仅需数张投影图即可识别多个异物的数量，准确率较高，能够大幅提高面食工业生产线的异物检测效率。
Abstract:During the industrial production of pastries, foreign substances such as plastic and rubber can accidentally enter the processing chain, posing serious risks to consumer health and safety. Therefore, detecting foreign substances in pastries is a critical quality control step. X-ray computed tomography (CT) is a fast, non-contact, and non-destructive testing method that is widely used in quality inspection processes on of industrial pastry production lines. However, owing to the high-throughput detection requirements of such production lines, the analysis of a single product typically needs to be completed within 1 s. This limited time frame makes it impossible to capture a sufficient number of projection images, restricting the use of conventional CT methods. In this study, we propose a foreign-object detection method based on the U-Net network, which is trained using CT data from the same type of samples and foreign objects. The experimental results show that this method requires only a few projection images to accurately identify multiple foreign objects. It can quickly and efficiently detect foreign objects from CT data on industrial production lines, greatly improving detection efficiency in the pastry industry.
-
Keywords:
- deep learning /
- CT /
- foreign object detection
-
黏膜相关淋巴组织（mucosa associated lymphoid tissue lymphoma，MALT）是一种B细胞起源的恶性程度较低的惰性淋巴瘤，根据发病部位分为胃黏膜相关淋巴组织淋巴瘤和非胃黏膜相关淋巴组织淋巴瘤，胃黏膜相关淋巴组织淋巴瘤较为多见，后者可发生于眼附件、唾液腺、皮肤和甲状腺等[1]，其中肺MALT淋巴瘤较罕见，约占14％[2]。目前，国内外关于肺MALT淋巴瘤的大规模研究较少，以个案报道较为多见，该病确诊主要依靠病理检查。肺MALT淋巴瘤以中老年男性发病居多，起病隐匿、病程进展慢、缺乏典型的临床表现，影像学表现多种多样，故多因认识不足导致误诊或漏诊，准确鉴别肺MALT淋巴瘤与其他肺部病变对患者的治疗至关重要。
本文搜集8例经手术或CT引导下穿刺病理证实的肺MALT淋巴瘤，结合有关文献，分析肺MALT淋巴瘤的MSCT影像学特点及误诊的原因，旨为诊断和鉴别该类疾病提供思路。
1. 资料与方法
1.1 一般资料
收集恩施土家族苗族自治州中心医院2014年2月至2022年7月经病理证实的8例肺MALT淋巴瘤的临床、影像及病理资料。其中男5例，女3例，年龄范围46～85岁，平均年龄为67.5岁。咳嗽、咳痰5例，气促3例，胸痛1例，咯血1例，2例无症状，有吸烟史4人，均为男性，合并双肺慢性炎症2例，甲状腺结节1例，痛风1例。
8例肺MALT淋巴瘤中2例经手术切除病理证实，6例经皮CT引导下肺穿刺活检证实。2例术后患者定期复查胸部CT，随诊2年无复发；另6例接受对症支持治疗，观察随访病情稳定。患者术前或穿刺活检前MSCT影像诊断情况：1例感染并实变，3例诊断为炎症与肿瘤相鉴别，3例肿瘤可疑，1例诊断肺黏膜相关淋巴瘤可能，均无肺外侵犯。
1.2 影像检查方法
8例均行胸部多层螺旋CT检查，采用PHILIPS Core 128 CT或GE Lightspeed CT扫描仪，患者取仰卧位，双手上举，从胸廓入口至肺底连续屏气扫描。采用管电压120 kV，自动调整管电流，层厚5 mm，重组层厚1 mm。其中5例行增强CT扫描，增强扫描采用经肘静脉高压注射器注射对比剂（碘必乐注射液300 mgI/mL）80 mL，流率为3.0 mL/s，注射后延迟30～35 s、75～80 s分别行动脉期、静脉期扫描。以层厚2.5 mm、层间距2.5 mm肺窗及纵隔窗重建。
1.3 图像分析
由两位长期从事胸部影像的放射诊断主治医师独立对图像多平面重建，对病灶进行影像学分析，主要包括病灶部位、形态、大小、边缘、相邻气道关系、强化特征、胸膜改变、纵隔淋巴结有无肿大和其他征象，如诊断不一致的经协商得出一致意见。
2. 结果
2.1 影像表现
肺MALT淋巴瘤8例，单发病灶4例，其中左肺上叶2例，右肺中叶1例，右肺下叶1例，多发病灶4例。8例肺MALT淋巴瘤中7例见大片肺实变影，其内均见支气管充气征，部分支气管远段局限性扩张（图1（a）和图2（a）），病灶边缘伴磨玻璃影或晕征5例；1例单发肺病变者中表现为混杂密度团片影，其内可见支气管穿行（图2（b））；3例合并患侧少量胸腔积液，2例伴胸膜增厚。5例行CT增强扫描，中度强化4例，轻度强化1例，均未见局灶性囊变及坏死区域，其中4例见血管造影征（图1（c）和图2（c））。
![]()
图 1 男性，85岁，双肺多发肺MALT淋巴瘤CT及病理表现（a）～（c）分别为CT平扫肺窗、纵隔窗及增强动脉期示右肺中叶、左肺上叶及双肺下叶多发大片状高密度影，其内可见“空气支气管征”，直达病灶边缘，部分支气管远段扩张，左侧少量胸腔积液，右侧胸膜增厚，双肺病灶明显强化，可见“血管造影征”。（d）～（f）病检见细胞大小较一致，瘤细胞间可见薄壁的分支小血管，高倍镜下部分肿瘤细胞可呈现浆细胞样分化，肿瘤细胞CD20细胞膜阳性表达。Figure 1. Male, 85 years old, CT and pathological findings of multiple mucosa-associated lymphoma![]()
图 2 男性，54岁 右肺下叶肺MALT淋巴瘤CT及病理表现（a）～（c）分别为CT平扫肺窗、纵隔窗及增强动脉期示右下肺见团片状高密度影，密度不均匀，可见“空气支气管征”，部分病灶内见多发空泡，右侧少量胸腔积液，右侧胸膜增厚，右下肺肿块明显强化，可见“血管造影征”。（d）～（f）病检见淋巴样细胞浸润，细小支气管壁和肺泡上皮破坏，形成淋巴上皮病变，血管管腔及管壁可见少量肿瘤细胞，肿瘤细胞细胞膜Bcl-2阳性表达。Figure 2. Male, 54 years old, CT and pathological findings of right lower lung mucosa-associated lymphoma本组1例术前正确诊断，另7例病人误诊，其中3例诊断为肺癌可能，4例诊断为感染性病变可能。
2.2 病理特点
2例行手术切除获取病理标本，6例经皮CT引导下肺穿刺活检取得病理标本。肺MALT淋巴瘤的病理诊断符合世界卫生组织的标准。2例手术切除大体标本多呈灰白色，切面灰白实性肿物。显微镜下示小圆形淋巴细胞，大小一致，胞质淡染，未见核分裂象，偶见浆细胞、淋巴上皮样变（图1（e）和图2（d））。免疫组化检查：8例肿瘤淋巴细胞CD20、CD79 a及Bcl-2均阳性表达（图1（f）和图2（f）），不表达CD5、CD10、CD23，Ki-67增殖指数≤20％。
3. 讨论
3.1 肺MALT淋巴瘤概述
MALT淋巴瘤是一种来源于黏膜相关淋巴组织边缘带的低度恶性非霍奇金B细胞淋巴瘤。1984年至1988年期间，Isaacson和Wright以及Isaacson小组的其他人研究了发生在黏膜器官（包括唾液腺、甲状腺和肺）的其他低级别结外淋巴瘤[3]，2001年世界卫生组织淋巴瘤分类中将该淋巴瘤命名为“黏膜相关淋巴组织结外边缘区B细胞淋巴瘤（MALT淋巴瘤）。该类淋巴瘤最常发生于胃肠道，肺为原发部位较少见。
肺MALT淋巴瘤因起源于支气管MALT，故又称为支气管MALT淋巴瘤[4]。该病是原发性肺淋巴瘤最常见类型，约占肺淋巴瘤的0.4％[5]。虽已有研究证实慢性抗原刺激是肺MALT淋巴瘤的发生高危因素，但目前并没有找到具体的致病抗原，更缺乏证据证实MALTL与自身抗原和微生物病原体有关，Adam等[6]研究表明木糖氧化无色杆菌感染可导致肺MALT淋巴瘤。
肺MALT淋巴瘤的患者多有一个长期慢性炎症的背景，肺MALT淋巴瘤发病年龄在65岁左右[7]，男女发病率无明显差异，本组病例中男性稍多。该病起病较隐匿，恶性程度低，大部分病例缺乏典型临床表现，这与本组病例较为符合，8例患者平均年龄为67.5岁，均无特征性临床表现，部分咳嗽、咳痰、喘气，有2例伴胸痛，仅1例肺部大片实变并气胸者出现呼吸困难；往往确诊该病病灶多发或范围较大。
3.2 肺MALT淋巴瘤CT影像学特征
肺MALT淋巴瘤缺乏特异性影像学征象，病灶既可表现为单发结节或肿块，也可表现为多发的片状实变影，以后者较多见，本组实变发生率87.5％（7/8），其中最突出的特征是形态不规则实变灶内伴空气支气管征，且扩张支气管可达病灶远端边缘，部分病灶边界模糊，周围可见磨玻璃密度影[2,8]。肺MALT淋巴瘤的影像学表现与其生长浸润方式相关，可能是在长期慢性抗原刺激下，肺MALT淋巴瘤肿瘤细胞沿着支气管黏膜下、支气管血管束及小叶间隔生长，未破坏支气管的固有解剖结构，很少伴发支气管阻塞，而表现为较为特征性的“空气支气管征”。
肿瘤细胞进一步浸润肺泡壁，最后肺泡腔被瘤细胞填充，便形成影像学上的结节、肿块或实变影[2,9]。若小叶间隔及肺泡间隔被肿瘤细胞浸润就会呈现出磨玻璃样密度影[10]，本组发生率62.5％（5/8）。从肺MALT淋巴瘤病理特点见肿瘤细胞往往密集而单一、均匀，含液体的间质成分较少，故CT上病灶密度稍高且均匀，可与胸壁肌肉相仿，少见钙化。此外，肿瘤细胞亦经血管外周淋巴窦道扩散，血管管腔及管壁可见少量肿瘤细胞，但底层结构几乎无破坏，血供丰富，CT增强扫描后肿瘤多呈现中等、均匀的强化特点，其强化的肺血管形态及走行正常，无增粗及扭曲，可见“血管造影征”，本组行5例增强扫描血管造影征发生率80.0％（4/5）。肿瘤细胞在扩散的同时产生丰富的纤维组织，牵拉支气管壁，导致牵拉性支气管扩张，便形成影像学上不规则空泡影[11]，此类支气管扩张经治疗后可以改善或消失。
肺MALT与淋巴结内淋巴组织存在明显差异，肺MALT淋巴瘤很少累及纵隔和肺门淋巴结，若伴有淋巴结肿大需考虑非肺原发淋巴瘤。此外，也较少累及邻近胸膜，因此胸腔积液及胸膜增厚少见。本组出现患侧少量胸腔积液3例（37.5％），明显与肺内大面积实变病灶不匹配；本组患侧胸膜增厚3例（37.5％），1例与病灶相邻，2例与病灶无关。因此，胸膜下见清晰脂肪或少许积液可能具有一定特征性，此征象有助于二者的鉴别。
3.3 鉴别诊断及误诊分析
肺MALT淋巴瘤起病隐匿，缺乏典型临床表现及影像学特征，极易误诊。本组8例术前影像误诊7例（87.5％），容易与大叶性肺炎、肺结核、肺癌及继发性淋巴瘤等疾病混淆，应从临床表现、实验室结果及影像学表现等方面予以鉴别。
（1）肺炎：患者在疾病初期即可出现发热、咳嗽、咳痰等典型症状，白细胞总数和/或中性粒细胞绝对值增高，C反应蛋白升高，胸片或胸部CT可见单个肺叶实变影，但很少跨叶分布，充气支气管管径及形态正常。病原学检查可找到特定的病原微生物，抗生素治疗有效；肺MALT淋巴瘤无典型临床症状，胸部CT实变病灶内扩张的支气管常常达病灶边缘，甚至局限性牵拉扩张成呈空泡状，增强多呈中等均匀强化，与炎症不均匀性或均匀性明显强化不符。
（2）肺结核：患者多有结核分支杆菌感染的典型中毒症状，肺部好发部位为上叶尖后段或下叶背段，最重要的是抗结核治疗有效，肺MALT淋巴瘤常多发，密度较均匀，较少出现结核的增殖、纤维化及钙化灶并存，且增强均匀强化明显不同于结核病灶不强化或边缘强化。
（3）肺癌：患者年龄多在40岁以上，多数患者有吸烟、职业暴露等高危因素，伴有咳嗽、痰中带血或咯血、胸痛的等症状，经抗生素治疗后症状不能完全缓解，影像学检查可发现有结节影或肿状影并阻塞性肺炎，病灶多可见分叶征、毛刺征、胸膜牵拉或凹陷等，同时肺门及纵隔淋巴结明显增大，胸部CT增强扫描多呈不均匀轻-中度强化，其内的支气管、血管常扭曲。
（4）恶性淋巴瘤肺浸润：其肺部浸润是从淋巴结区域开始蔓延，若患者仅表现肺部肿状影或结节影，而无肺门或纵隔淋巴结增大，则暂时可以排除此诊断。因此，综合分析肺MALT淋巴瘤的临床、影像的一些相对特征性征象，进行排他性诊断及治疗后，应可与上述疾病相鉴别，从而提高术前诊断符合率，但最终确诊仍依赖于病理学检查。
3.4 预后及治疗
肺MALT淋巴瘤病情进展缓慢，预后相对较好，5年总生存率超过80％，中位生存时间超过10年[12]，有文献报道首程疗效未达完全缓解是胃外MALT淋巴瘤总生存率唯一的不良预后因素[13]。虽然目前已有较多关于肺MALT淋巴瘤的报道，但仍缺乏标准的治疗方案或指南。其主要的治疗方法包括手术、化疗、免疫治疗和放疗，为了保护肺功能和降低手术风险，免疫治疗或毒性较低的化疗联合免疫治疗可能是目前治疗肺MALT淋巴瘤的最佳方案[14]；如无症状，尤其是老年患者或有合并症的患者，可建议定期监测。
总之，肺原发性MALT淋巴瘤是一种低度恶性的惰性肿瘤，中老年人群多发，起病隐匿，病情进展缓慢，临床表现缺乏特异性。影像表现以肺实变样改变多见，其内见多发不规则空泡、特征性的“空气支气管征”，增强扫描多呈中度均匀强化，可见“血管造影征”，具有一定的特征性。经抗菌及相关治疗不能完全缓解时，需考虑肺MALT淋巴瘤可能，确诊主要依靠病理及免疫组化。本组病例资料有限，本研究结论有待多中心、大宗病例进一步证实。
-
![]()
图 2 基于U-Net网络模型的异物检测方法的具体工作流程
Figure 2. Specific workflow of the proposed foreign-object detection method based on the U-Net network model
![]()
图 3 蓝框内为训练集中每套包含样品与异物的CT数据的0° 投影图，红框内为验证集中每套包含样品与异物的CT数据的0° 投影图
Figure 3. The blue box represents the 0° projection of CT data containing samples and foreign objects in each training set, whereas the red box represents the 0° projection of CT data containing samples and foreign objects in each validation set
![]()
图 4 蓝框内为训练集中每套CT数据生成的仅含有异物的0° 虚拟投影图，红框内为验证集中每套CT数据生成的仅含有异物的0° 虚拟投影图
Figure 4. The blue box represents the 0° virtual projection generated from the training set containing only foreign objects, whereas the red box represents the 0° virtual projection generated from the validation set containing only foreign objects
![]()
图 5 本文使用的U-Net网络模型的结构示意图
Figure 5. Schematic diagram of the structure of the U-Net network model used in this study
![]()
图 6 测试集实验所使用的样品和异物
Figure 6. Samples and foreign objects used in the test set experiment
![]()
图 7 采用训练出的U-Net模型对测试集数据进行处理
Figure 7. Trained U-Net model used to process the test set data
表 1 验证集数据用训练出的U-Net网络模型的处理结果
Table 1 The processing results of the U-Net network model trained on the validation set data
投影图角度 原始数据 经U-Net模型处理后 识别异物数量 0° 
6 15° 
5 30° 
5 45° 
6 60° 
5 75° 
5 90° 
6 
下载: 导出CSV
表 2
1800 个投影图的U-Net模型处理结果的识别异物数量统计Table 2 Statistics on the number of foreign objects identified by the U-Net model obtained by processing results from
1800 projection images识别异物数量/个 4 5 6 7 8 9 10 对应的投影图数量/张 22 1070 573 111 19 4 1
下载: 导出CSV
表 3 经过腐蚀算法处理后的识别异物数量统计
Table 3 Statistics for the number of identified foreign objects processed using the corrosion algorithm
识别异物数量/个 4 5 6 7 对应的投影图数量/张 11 1154 633 2
下载: 导出CSV
表 4
1350 组相差15° 的7个投影图识别出的异物数量Table 4 Number of foreign objects identified by seven projection images with a difference of 15° in
1350 sets识别异物数量/个 5 6 7 对应的投影图数量/张 29 1307 14
下载: 导出CSV
表 5 不同投影图数量下CT重建方法的耗时
Table 5 Time consumption of the CT reconstruction algorithm for different numbers of projection images
投影图数量/张 360 90 60 45 30 20 15 12 导入数据耗时/s 1.08 0.71 0.59 0.39 0.13 0.09 0.078 0.076 CT重建耗时/s 7.79 3.78 3.06 2.90 2.68 2.53 2.48 2.43 曝光耗时/s 7.20 1.80 1.20 0.90 0.60 0.40 0.30 0.24 总耗时/s 16.10 6.29 4.85 4.19 3.41 3.02 2.86 2.75
下载: 导出CSV
表 6 不同投影图数量下CT重建切片图效果
Table 6 CT reconstruction slice effects for different projection image quantities
投影图数量/张 第484层切片图 投影图数量/张 第484层切片图 360 
30 
90 
15 
45 
12 
下载: 导出CSV
-
[1] 马敬军, 李东鑫, 曹岩, 等. 食品加工中异物及其控制措施探讨[J]. 质量与认证, 2024, 1: 38-42. [2] 李娟. 食品生产过程的异物来源与预防控制[J]. 现代食品, 2019, 11: 107-111. LI J. Foreign matter source and prevention and control in food production[J]. XIANDAISHIPIN, 2019, 11: 107-111. (in Chinese).
[3] 周振华, 朱鹏, 幸波. 食品的异物管理与检测[J]. 食品安全导刊, 2023, 22: 82-85. DOI: 10.3969/j.issn.1674-0270.spaqdk202326033. [4] 张文英, 林乾洋. 韩国食品异物报告制度对我国的启示[J]. 福建轻纺, 2022, 8: 24-27. DOI: 10.3969/j.issn.1007-550X.2022.04.007. [5] 孙军. 食品原材料中异物的有效检测[J]. 食品安全导刊, 2018, 36: 98. DOI: 10.3969/j.issn.1674-0270.2018.03.074. [6] 靳欣欣, 潘立刚, 王冬. 食品中异物种类来源及检测技术评述[J]. 食品安全质量检测学报, 2016, 7(7): 2803-2808. JIN X X, PAN L G, WANG D. Review on the source and detection technology of foreign bodies in food[J]. Journal of Food Safety and Quality, 2016, 7(7): 2803-2808. (in Chinese).
[7] 张文建, 邵华. 基于 X射线的食品异物检测系统设计[J]. 机电一体化, 2016, 22(8): 44-47. ZHANG W J, SHAO H. Design of food foreign obiect detection system based on X-ray[J]. Mechatronics, 2016, 22(8): 44-47. (in Chinese).
[8] DANICLA V. 如何用异物检测技术避免食品安全问题[J]. 食品安全导刊, 2016, 7: 42-43. [9] 安立工业自动化(上海)有限公司. 食品原材料的异物检测方案[J]. 食品安全导刊, 2011, 4: 32-33. [10] 冯琼丹. 食品异物检测技术研究现状[J]. 江苏调味副食品, 2009, 26(3): 25-27. DOI: 10.3969/j.issn.1006-8481.2009.03.007. FENG Q D. Research on the detecting technology of foreign body in food[J]. Jiangsu Condiment and Subsidiary Food, 2009, 26(3): 25-27. DOI: 10.3969/j.issn.1006-8481.2009.03.007. (in Chinese).
[11] 虞伟晨, 蔡云升. 食品中异物的在线检测和控制[J]. 食品工业, 2002, 5: 33-35. [12] DOMINGO M, IVAN L, HANS L, et al. Automated fish bone detection using X-ray imaging[J]. Journal of Food Engineering, 2011, 105: 485-492. DOI: 10.1016/j.jfoodeng.2011.03.007.
[13] HEMAMALINI V, RAJARAJESWARI S, NACHIYAPPAN S, et al. Food quality inspection and grading using efficient image segmentation and machine learning-based system[J]. Journal of Food Quality, 2022: 5262294.
[14] ZHU L L, PETROS S, ERICA P, et al. Deep learning and machine vision for food processing: A survey[J]. Current Research in Food Science, 2021, 4: 233-249. DOI: 10.1016/j.crfs.2021.03.009.
[15] DENG Z W, WANG T, ZHENG Y, et al. Deep learning in food authenticity: Recent advances and future trends[J]. Trends in Food Science & Technology, 2024, 144: 104344.
[16] JANMENJOY N, KANITHI V, PAIDI D, et al. Intelligent food processing: Journey from artificial neural network to deep learning[J]. Computer Science Review, 2020, 38: 110297.
[17] BEATRIZ E MOLINA P. Deep learning: The great challenge to innovate: Highlighting Colombia’s food industry[C]//12th International Conference on Intellectual Capital, Knowledge Management and Organisational Learning, 2015: 429-436.
[18] WANG Y, WU J B, DENG H, et al. Food image recognition and food safety detection method based on deep learning[J]. Computational Intelligence and Neuroscience, 2021, 13: 126845.
[19] VIJAY K, VAN H N, BASIVI P K, et al. A critical review on computer vision and artificial intelligence in food industry[J]. Journal of Agriculture and Food Research, 2020, 2: 100033. DOI: 10.1016/j.jafr.2020.100033.
[20] DENG Z W, WANG Y, ZHENG Y, et al. Hyperspectral imaging and deep learning for quantification of Clostridium sporogenes spores in food products using 1D-convolutional neural networks and random forest model[J]. Food Research International, 2021, 147: 110577. DOI: 10.1016/j.foodres.2021.110577.
[21] JONATHAN L, EVAN S, TREVOR D. Fully convolutional networks for semantic segmentation[C]//Processing of the IEEE Conference on Computer Vision and Pattern Recognition, 2015: 3431-3440.
[22] HE K M, ZHANG X Y, REN S Q, et al. Deep residual learning for image recognition[C]//IEEE Conference on Computer Vision and Pattern Recognition, 2016: 770-778.
[23] CHEN L C, PAPANDREOU G, KOKKINOS I, et al. DeepLab: Semantic image segmentation with deep convolutional nets, atrous convolution, and fully connected CRFs[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2017, 40(4): 834-848.
[24] WANG X, GIRSHICK R, GUPTA A, et al. Proceedings of the IEEE neural conference on computer vision and pattern recognition[C]//IEEE Conference on Computer Vision and Pattern Recognition, 2018: 7794-7803.
[25] WANG J, LIU X P. Medical image recognition and segmentation of pathological slices of gastric cancer based on deeplab v3+ neural network[J]. Comput Methods Programs Biomed, 2021, 207: 106210. DOI: 10.1016/j.cmpb.2021.106210.
[26] OLAF R, PHILIPP F, THOMAS B, et al. U-Net: Convolutional networks for biomedical image segmentation[C]//International Conference on Medical Image Computing and Computer-Assisted Intervention, 2015: 234-241.
[27] TIM V D L, ELLEN R, PIETER V, et al. Non-destructive internal disorder detection of Conference pears by semantic segmentation of X-ray CT scans using deep learning[J]. Expert Systems with Applications, 2021, 176: 114925. DOI: 10.1016/j.eswa.2021.114925.
[28] KAZUYA U, NOBUTAKA K, AKIHIRO M, et al. Automated fish bone detection in X-ray images with convolutional neural network and synthetic image generation[J]. IEEJ Transactions on Electrical and Electronic Engineering, 2021, 16: 1510-1517. DOI: 10.1002/tee.23448.
[29] LEE D H, KIM E S, CHO J S, et al. A two-stage automatic labeling method for detecting abnormal food items in X-ray images[J]. Journal of Food Measurement and Characterization, 2022, 16: 2999-3009. DOI: 10.1007/s11694-022-01387-1.
[30] MICHAEL A, SIAMAK K, FOROUZANDEH S, et al. Novel models to predict stored melon fruit marketability using convolutional neural networks[J]. Journal of Ambient Intelligence and Humanized Computing, 2023, 14: 11863-11871. DOI: 10.1007/s12652-022-03741-z.
[31] VLADYSLAV A, ROBERT V L, TRISTAN V L, et al. CT-based data generation for foreign object detection on a single X-ray projection[J]. Scientificreports, 2023, 13: 1881.
[32] WU Z Y, XUE Q L, MIAO P Q, et al. Deep learning network of amomum villosum quality classification and origin identification based on X-ray technology[J]. Foods, 2023, 12: 1775. DOI: 10.3390/foods12091775.
[33] VLADYSLAV A, ROBERT V L, TRISTAN V L, et al. X-ray image generation as a method of performance prediction for real-time inspection: A case study[J]. Journal of Nondestructive Evaluation, 2024, 43: 79. DOI: 10.1007/s10921-024-01091-8.
[34] MIROSLAV Y, THOMAS L, VIRGINIA F, et al. Degradation detection in rice products via shape variations in XCT simulation-empowered AI[J]. Journal of Nondestructive Evaluation, 2025, 44: 10. DOI: 10.1007/s10921-024-01147-9.
[35] MATHE T Z, TRISTAN V L, DANIEL M P, et al. A tomographic workflow to enable deep learning for X-ray based foreign object detection[J]. Expert Systems with Applications, 2022, 206: 117768. DOI: 10.1016/j.eswa.2022.117768.
计量
- 文章访问数: 48
- HTML全文浏览量: 9
- PDF下载量: 2
