台灣為目前東亞唯一的豬瘟、口蹄疫及非洲豬瘟非疫國(沒有上述豬隻疾病疫情的國家)，保護豬豬由你我做起，不要帶豬肉製品到台灣，肉乾、肉鬆都不行喔~
前幾天(9/19)有中國人帶肉鬆麵包從金門小三通水頭碼頭欲入境台灣，遭海關移送檢疫單位開罰新台幣20萬元並遣返，不良示範，不要學他!!!

肉質評估主要透過評估肉類的各種屬性(顏色、質地、pH 值、嫩度和新鮮度)來判定，一旦在運輸和銷售過程中暴露在光線、灰塵和微生物下，將導致其容易變質。在這些因素中，新鮮度被認為是決定肉類品質和安全性的重要因素 。肉品外觀通常是消費者主要的選擇標準，肉品的色澤直觀地反映了新鮮度，另一個重要的品質因素是嫩度。

此篇文獻提出一種基於平均整合技術的深度整合框架，用於肉類影像的二分類和多分類。透過兩個公開資料庫（例如MEAT2C和MEAT3C），開發兩個緊湊型CNN模型（ConvNet-18和ConvNet-24）。

圖一、來自 MEAT2C 資料庫的樣本肉類圖像：（a – c）表示樣本新鮮紅肉圖像，而（d – f）表示樣本變質紅肉圖像

圖二、兩類肉品分類任務的 ConvNet-18 的架構細節

ConvNet-18透過MEAT2C 資料庫訓練，分辨肉品為新鮮還是變質(二分類)，最終整合模型的準確率為 99.43%，靈敏度為 99.8%，特異性為 99%，精確率為 99%，F1 分數為 99.4%。

圖三、MEAT3C 資料庫中的肉類圖像樣本：（a – c）新鮮肉類圖像樣本，（d – f）半新鮮肉類圖像樣本，以及（g – i）變質肉類圖像樣本

圖四、用於多類肉品分類任務的 ConvNet-24 的架構細節

ConvNet-24透過MEAT3C 資料庫訓練用於多類別肉品分類：新鮮、半新鮮(沒那麼新鮮)、變質，最終的集成模型總體準確度為 96.6%。

表一、不同 CNN 模型的詳細資訊

EnsemConvNet-18 和 EnsemConvNet-24 分別代表 ConvNet-18 和 ConvNet-24 的整合。結果顯示：此文獻開發的兩種模型與其他最先進的模型：Alexnet、Mobilenet-V2、Resnet-50、VGG-16、VGG-19、Densenet-201 和 Efficientnet-b0相比的所提出的淺層CNN模型能夠有效地對肉類圖像進行分類，並且計算量更小。除此之外，內文建議的整合框架可以大大提高肉類分類任務的整體性能。