肉類品質和安全是食品業的關鍵課題，以往人工評估肉類新鮮度的分類方法效率低且容易出錯，尤其是容易腐敗和摻假的牛肉和羊肉。

圖一、新鮮和腐爛的肉類樣本

肉類中的蛋白質和脂肪分解時會釋放氨氣（NH3）、甲烷（CH4）和硫化氫（H2S）等氣體，這些氣體是衡量肉類新鮮度的關鍵指標。

圖二、此文獻提出的方法的概念架構

因此，此篇文獻透過新型物聯網 (IoT) 系統，整合了用於氣體感測器：MQ135、MQ4和MQ136和先進的機器學習模型及深度學習模型，以有效解決這些問題，為牛肉和羊肉的品種和新鮮度分類提供全面、即時的解決方案。

圖三、肉質及品種分類系統工作流程

表一、自訂 CNN、Resnet-50、k-NN 和 SVM 模型對肉類種類和肉類新鮮度分類的評估

文獻對上述的自訂 CNN 與深度學習模型 ResNet-50 和兩個機器學習模型k-NN 和SVM 進行了比較。四個模型都使用了相同的訓練和驗證資料集：透過使用包含 9,928 張圖像的資料集進行訓練，其中 6,672 幅用於肉類新鮮度分類，3,256 幅用於肉類品種分類。數據顯示：客製化 CNN 表現優秀，在肉類新鮮度和物種分類的準確率均達到 99%。 ResNet-50 的表現也很好，在肉類新鮮度和物種分類達到 98% 的準確率，而k -NN 和 SVM 在物種分類中的準確率分別為 86% 和 97%，在新鮮度分類中的準確率分別為 83% 和 96%。從結果來看，客製化 CNN 和 ResNet-50 成為肉類品種分類最有效的模型。

結果顯示，這套設備提供了一個全面、可靠且可擴展的解決方案。若是未來能在網頁和行動應用程式中部署最佳效能的模型，食品業者讓透過設備遠端評估肉類質量，以確保肉類產品的安全性和真實性，有助於改善公共衛生並提高食品供應鏈的透明度。

參考文獻:
Z. W. Bhuiyan, S. A. R. Haider, A. Haque, M. R. Uddin and M. Hasan, "IoT Based Meat Freshness Classification Using Deep Learning," in IEEE Access, vol. 12, pp. 196047-196069, 2024, doi: 10.1109/ACCESS.2024.3520029.