构建一款基于深度学习的智能手机应用程序，用于在烹饪过程中智能识别牛排的熟度

《Meat Science》：Constructing a deep learning-assisted smartphone application for intelligent recognition of steak doneness during cooking

　　非破坏性牛排熟度评估的深度学习框架构建与验证|摘要：本文构建了基于深度学习的非破坏性牛排熟度评估框架，整合了物化性质确保数据库可靠性，通过比较8类模型筛选出DenseNet121 CNN模型，实现95.3%的图像识别准确率，并开发移动端边缘计算应用验证实时性能达91.93%。

　　

王汉|林元东|程俊虎

华南理工大学食品科学与工程学院，中国广州510641

摘要

在烹饪过程中判断牛排的熟度对消费者来说是一个挑战。本研究构建了一个基于深度学习的非破坏性牛排熟度评估框架。此外，还整合了物理化学特性以确保熟度评估方法和数据库的可靠性，从而提高了模型的准确性和说服力。基于此，创建了包含1803张图片和153个样本物理化学特性的可靠数据库。这些数据分别来自601块和51块不同的牛排。通过比较8种模型（包括线性模型、机器学习模型和深度学习模型），发现卷积神经网络（CNN）模型DenseNet121的识别准确率为95.30 ± 1.48%。随后，梯度加权类激活映射（Grad-CAM）和其他可视化方法证实了该模型的可行性和原理。最后，开发了一个针对移动设备的优化边缘计算定制应用程序，展示了所提模型的实时性能，准确率达到91.93%。这些结果证明了CNN模型在预测牛排熟度方面的可靠性，并为智能烹饪设备提供了理论基础。

引言

牛排因其烹饪时间短、口感好和味道佳而受到消费者的广泛喜爱。然而，牛排的高温和快速烹饪过程往往使得熟度控制变得困难，这可能导致营养成分降解和有害物质的形成（Li等人，2025年）。目前，大多数厨师和研究人员仍然通过内部温度（Wang等人，2024年）或感官评估（Zhang等人，2025年）来确定牛排的熟度。基于探针的内部温度测量方法较为客观且被广泛接受，但其准确性可能受到测量位置的影响。此外，美国肉类科学协会（AMSA）制定的熟度判断标准最初是为牛肉制定的，有时也被应用于猪肉（Jo等人，2022年）和鸡肉（Cano等人，2022年），这对烹饪研究的准确性带来了挑战。此外，其他新兴的熟度判断方法，如比色卡（Akinwunmi等人，2010年）、光谱技术（Huang等人，2024年）和物理化学测试（Gil等人，2022年）也存在局限性，例如设备要求高、需要破坏性采样以及检测时间较长。这些缺点使得它们不适用于实际生活或科学研究场景。因此，迫切需要一种快速、非破坏性和准确的牛排熟度判断方法。

计算能力和深度学习的进步简化了代码要求，并消除了复杂的预处理步骤（Naik等人，2024年）。深度神经网络还提供了预验证的迁移学习库，降低了使用门槛（Zhou等人，2021年）。这些发展推动了食品领域的相关研究，应用于蔬菜和肉类检测（Ukwuoma等人，2022年）、食谱推荐（Miyazawa等人，2022年）以及烹饪机器人操控（Xu等人，2023年）。然而，关于熟度判断的深度学习研究仍然较少，相关研究主要集中在传统的机器学习方法上（Liu等人，2018年）。此外，大多数现有的食品科学深度学习研究要么使用现有的数据集，要么采用单一因素的数据收集方式，导致模型的适用性和鲁棒性较差，这与新鲜食品质量的多样性相矛盾，降低了研究结果的可信度。此外，尽管内部温度被广泛认为是判断牛排熟度的金标准，但权威机构设定的标准仍存在细微差异。内部温度测量的准确性还受到加热均匀性和检测设备性能的影响，这可能会影响数据库的准确性。因此，有必要找到一种相对可靠的方法来验证内部温度的结果。此外，还需要一种可靠、客观且易于操作的熟度数据库构建方法。

在烹饪过程中，牛排的微观结构和成分会因热量而发生变化，从而导致牛排本身的物理化学特性发生变化。肌红蛋白的变性和氧化会改变牛排的颜色（Pujol等人，2023年）。同时，肌原纤维蛋白的变性和脂肪细胞的破裂会改变牛排的质地并加速其烹饪过程中的营养损失（Ren等人，2023年）。主观的感官评估可以通过客观的物理化学指标来反映（Lee等人，2024年）。结合物理化学指标可以提高熟度判断的准确性和鲁棒性。例如，可以利用力、振动和声音来判断食物的酥脆度（Nakamoto等人，2024年）。此外，代谢组学被证明可以提高识别高阈值和低浓度风味化学物质的灵敏度（Shu等人，2023年）。物理化学特性的变化趋势在一定程度上也能反映牛排的熟度过程。将这些趋势纳入深度学习数据库的构建中可以提高数据库的可靠性和说服力。

因此，提出了一种基于卷积神经网络（CNN）的牛排熟度判断方法，并开发了一个从数据库到实时移动应用程序的优化框架，包括物理化学验证和边缘计算。数据来源基于内部温度进行了筛选，进一步提高了模型的鲁棒性。

材料

实验中使用的牛排来自安格斯牛（Angus Cattle）的腰肉（longissimus lumborum）。根据AUS-MEAT标准，牛排的大理石评分值为3（McPhee等人，2020年）。牛排的厚度设置为2厘米。从当地超市连锁店（中国资源 Vanguard有限公司，广州）随机购买了652块冷冻牛排。为了确保采样的独立性和随机性，所有牛排均来自不同的胴体。

热成像分析

随机选取了同一牛排样本在不同时间烹饪后的热成像图片，并展示在图2A中。右侧的刻度表示不同位置像素点的颜色所代表的温度，范围从30°C到100°C，蓝色对应较低温度（30°C），红色对应较高温度（100°C）。处理后，捕获了20多张图片，每张图片都显示出牛排上不均匀的温度分布。

结论

总之，通过整合不同烹饪时间牛排的内部温度和物理化学特性，建立并验证了一种比传统熟度判断方法更准确和方便的牛排熟度数据库构建方法。基于此，构建了一个包含1803张图片和153组物理化学特性的数据库。在比较了包括线性模型、CNN和ANN在内的8种模型后，选择DenseNet121作为最佳模型。

CRediT作者贡献声明

王汉：撰写 – 原稿撰写、验证、方法论研究、实验设计。林元东：软件开发、资源获取、实验设计、数据分析、数据整理。程俊虎：撰写 – 文稿审阅与编辑、项目监督、资金申请。

利益冲突声明

作者声明他们没有已知的可能会影响本文工作的财务利益或个人关系。

致谢

本工作得到了国家重点研发计划（2023YFD2101000、2023YFD2101002）、广东省科技创新优秀青年人才资助（NYQN2024003）、TCL青年学者基金和广东省基础与应用基础研究基金（2024A1515011498）的支持。