MobileMold

MobileMold是由柏林工业大学、雷根斯堡大学等机构联合创建的智能手机显微图像数据集，专注于食品霉菌检测与分类。该数据集包含4,941张手持显微镜图像，涵盖11种食品类型、4款智能手机和3种显微镜设备，数据来源于真实环境下的食品样本。数据集通过系统采集新鲜与霉变食品的显微图像，并采用标准化预处理流程（裁剪至224×224像素）。该数据集旨在推动食品安全传感、移动成像及智能手机附件增强技术的研究，为解决食品变质快速检测问题提供开源资源。

MobileMold is a smartphone microscopic image dataset jointly created by institutions including the Technical University of Berlin and the University of Regensburg, focusing on food mold detection and classification. This dataset contains 4,941 handheld microscopic images, covering 11 food categories, 4 smartphone models and 3 types of microscopic devices, with data sourced from food samples collected in real-world environments. The dataset systematically collects microscopic images of both fresh and moldy food samples, and adopts a standardized preprocessing pipeline (cropped to 224×224 pixels). This dataset aims to promote research on food safety sensing, mobile imaging and smartphone accessory enhancement technologies, and provides open-source resources for solving the problem of rapid detection of food spoilage.

搜集汇总

数据集介绍

构建方式

在移动健康与食品安全交叉领域，MobileMold数据集通过创新的数据采集方法构建而成。研究团队选用了三种市售智能手机夹式显微镜，分别与四款不同型号的手机配对，在手持条件下模拟真实用户操作场景。数据涵盖面包、水果蔬菜及乳制品等三大类共十一种食物，通过自然霉变与人工接种两种方式诱导霉变，并采用纵向采集策略，对同一样本在新鲜与霉变后分别成像，以获取对比数据。成像过程严格遵循反射光照明配置，确保对不透明食物的无损检测，所有图像均经过裁剪以消除镜头暗角，并统一缩放至224×224像素，最终形成了包含4941张标注图像的标准化数据集。

特点

MobileMold数据集的核心特点在于其高度的真实性与多样性。数据集全部图像均在手持状态下采集，涵盖了多种环境光照条件，真实反映了消费者日常使用场景。其样本覆盖了11种易霉变食物，并平衡了霉变与未霉变样本的比例，确保了数据的代表性与实用性。此外，数据集整合了来自不同品牌智能手机与显微镜组合的图像，在设备层面引入了硬件多样性，有助于提升模型的泛化能力。所有图像均提供了原始与预处理后两种格式，并附有详细的元数据，包括霉变标签、食物类别、手机及显微镜型号，为多任务学习与可解释性研究提供了坚实基础。

使用方法

该数据集主要服务于基于深度学习的食品霉变检测与食物分类研究。研究者可利用其进行二元霉变检测、多类食物识别，或探索同时预测两种属性的多任务学习模型。数据集已预设训练、验证与测试划分，便于模型训练与性能基准测试。通过集成预训练模型如Swin Transformer或MobileNet，并应用翻转、旋转或AugMix等数据增强策略，可有效提升模型性能。此外，数据集支持利用显著性图等可视化工具进行模型决策解释分析，其图像亦可用于微观纹理分析或作为迁移学习的源数据。配套发布的Flutter应用程序代码，进一步展示了将训练模型部署至移动端、实现实时食品安全评估的完整技术路径。

背景与挑战

背景概述

在食品微生物安全领域，传统检测方法如微生物培养耗时且依赖专业设备，难以满足日常快速检测需求。随着智能手机的普及与移动成像技术的进步，低成本显微附件为食品霉菌检测提供了便捷的解决方案。MobileMold数据集由柏林工业大学、雷根斯堡大学、苏黎世联邦理工学院和图宾根大学的研究人员于2026年共同创建，旨在通过智能手机显微图像构建一个开放资源，用于食品霉菌检测与分类。该数据集包含11种食物类型、4款智能手机及3种显微附件在真实环境下采集的4941张图像，推动了移动传感与食品安全交叉领域的研究，为开发普惠性食品检测工具奠定了数据基础。

当前挑战

MobileMold数据集致力于解决食品霉菌早期视觉检测的挑战，其核心在于通过显微图像识别肉眼难以察觉的霉菌结构，以替代传统耗时方法。在构建过程中，研究团队面临多重挑战：首先，需在手持拍摄条件下控制图像质量，避免因环境光、设备抖动或镜头污渍引入噪声；其次，需平衡不同食物样本的霉菌生长条件与采集协议，防止模型过拟合于特定纹理或背景伪影；此外，数据采集需模拟真实用户场景，涵盖多种智能手机与显微附件组合，以确保模型的泛化能力与实用性。

常用场景

经典使用场景

在食品安全与移动感知的交叉领域，MobileMold数据集为基于智能手机显微镜的图像分析提供了标准化基准。该数据集最经典的使用场景是训练和评估深度学习模型，以实现食品表面霉菌的自动化检测。通过整合多种食物类型、智能手机型号及显微镜附件，研究者能够在此数据集上验证模型在微观尺度下的泛化能力与鲁棒性，为移动端食品安全监测系统的开发奠定基础。

实际应用

在实际应用层面，MobileMold数据集支撑了面向消费者的食品安全评估工具的开发。例如，基于该数据集训练的模型可集成至智能手机应用程序，用户通过搭配便携式显微镜附件即可快速拍摄食品表面图像并获取霉菌污染概率。这种方案适用于家庭厨房、食品零售场所以及资源有限地区，为实现日常化的食品安全自主监测提供了可行路径。

衍生相关工作

MobileMold数据集衍生了一系列围绕移动显微成像与食品安全检测的经典研究工作。例如，基于该数据集的基准实验比较了Swin Transformer、MobileNet等多种架构在霉菌检测任务上的性能；同时，研究还探索了多任务学习框架，同步实现食品分类与霉菌识别。这些工作不仅验证了数据集的实用性，也为后续在显微纹理分析、领域自适应及实时移动端推理等方面的研究提供了参考范式。