基于CNN迁移学习算法的非破坏性鸡蛋受精检测
计算机视觉与模式识别
2023-09-29 v1 人工智能
图像与视频处理
摘要
本研究探讨了CNN-迁移学习在非破坏性鸡蛋受精检测中的应用，以服务于精准家禽孵化实践。在包含200张单枚鸡蛋图像的数据集上，利用增强图像（旋转、翻转、缩放、平移和反射）对VGG16、ResNet50、InceptionNet和MobileNet四种模型进行训练与评估。尽管训练结果表明所有模型均取得了高准确率，表明它们能够准确学习与分类鸡蛋的受精状态，但在测试集上评估时观察到准确率与性能存在差异。InceptionNet表现出最佳的整体性能，能够准确分类受精卵与非受精卵，在训练集与测试集的所有评估指标参数上均表现优异。在测试集中，其准确率达0.98，检测受精卵的灵敏度为1，识别非受精卵的特异度为0.96。其较高性能归因于其独特架构能有效捕捉不同尺度的特征，从而提升准确率与鲁棒性。针对其他模型在准确检测受精卵与非受精卵方面的局限，可能还需进一步的优化与微调。本研究凸显了CNN-迁移学习在非破坏性受精检测中的潜力，并强调需开展进一步研究以增强模型能力并确保准确分类。
引用
@article{arxiv.2309.16257,
title = {Nondestructive chicken egg fertility detection using CNN-transfer learning algorithms},
author = {Shoffan Saifullah and Rafal Drezewski and Anton Yudhana and Andri Pranolo and Wilis Kaswijanti and Andiko Putro Suryotomo and Seno Aji Putra and Alin Khaliduzzaman and Anton Satria Prabuwono and Nathalie Japkowicz},
journal= {arXiv preprint arXiv:2309.16257},
year = {2023}
}
备注
18 pages, 9 figures, 1 table, journal article published