ELMF4EggQ：基于多模态特征融合的集成学习用于非破坏性鸡蛋质量评估
计算机视觉与模式识别
2025-10-06 v1 机器学习
摘要
准确、非破坏性地评估鸡蛋质量对于确保食品安全、维持产品标准和商业鸡养生产的运营效率至关重要。本文引入了 ELMF4EggQ，一个采用多模态特征融合的集成学习框架，用于仅使用外部属性 (图像、形状和重量) 对鸡蛋等级和新鲜度进行分类。构建了一个包含 186 个棕壳鸡蛋的全新、公开的数据集，鸡蛋等级和新鲜度通过实验室-based 的专家评估确定，涉及内部质量测量，如蛋黄指数和 Haugh 单位。迄今为止，这是首个应用机器学习方法仅使用外部、非侵入性特征进行内部鸡蛋质量评估的研究，也是首个发布相应标记数据集的研究。该框架整合了从外部鸡蛋图像中提取的深度特征与结构特征（如鸡蛋形状和重量），以全面代表每个鸡蛋。图像特征提取使用表现最佳的预训练 CNN 模型 (ResNet152、DenseNet169 和 ResNet152V2)，随后进行 PCA 降维、SMOTE 数据增强和多种机器学习算法分类。集成投票机制将来自最佳分类器的预测结果组合，以提高整体准确率。实验结果表明，多模态方法显著优于仅使用图像或仅使用表格数据 (形状和重量) 的基线方法，实现的多模态集成方法在等级分类和新鲜度预测准确率分别达到 86.57\% 和 70.83\%。所有代码和数据均公开于 https://github.com/Kenshin-Keeps/Egg_Quality_Prediction_ELMF4EggQ，旨在促进透明度、可重复性以及该领域进一步研究。
引用
@article{arxiv.2510.02876,
title = {ELMF4EggQ: Ensemble Learning with Multimodal Feature Fusion for Non-Destructive Egg Quality Assessment},
author = {Md Zahim Hassan and Md. Osama and Muhammad Ashad Kabir and Md. Saiful Islam and Zannatul Naim},
journal= {arXiv preprint arXiv:2510.02876},
year = {2025}
}
备注
30 pages