[INPA论文] 鸡蛋表面积和体积的数字分析：纵轴、最大宽度和重量的影响
文摘
科学
2024-10-24 10:33
北京
Digital analysis of egg
surface area and volume: Effects of longitudinal axis, maximum breadth and
weight
| Mohammad Sedghia, Mahdi GhaderibaDepartment of Animal
Sciences, College of Agriculture, Isfahan University of TechnologybDepartment of Biosystems
Engineering, College of Agriculture, Isfahan University of Technology |
https://doi.org/10.1016/j.inpa.2022.01.003
在以往的研究中，已经建立了测量鸡蛋体积和表面积的数学方程，但以前测量这两项数据的方法总有几个百分点的误差，一些已发表的方程可能导致较差的结果。因此，找到一种准确的S和V测量方法，并开发一个简单的方程来预测这两个因素可能会有所帮助。图像分析(IA)是最近在家禽业中考虑的一种非破坏性方法。本文利用数字图像分析系统对几个鸡蛋尺寸参数进行了精确测量，包括鸡蛋体积和表面积。1.可以找到一些简单的方程式来计算鸡蛋样品中的S和V；2.新开发的模型可以准确地用于预测鸡蛋中的S和V。本研究采用多元线性回归(MLR)、多项式回归(PR)和人工神经网络(ANN)模型分析了鸡蛋体积和表面积与L、B、W的关系。作者使用L和B来预测鸡蛋样品中的S和V。将177条数据随机分为两组，120条用于训练，57条用于测试。提出了一种前馈多层感知器算法来构建人工神经网络模型。计算平均绝对偏差(MAD)、R2、平均绝对百分比误差(MAPE)和偏差来评估模型的性能。作者使用177个数据集来评估之前发表的方程预测鸡蛋V和S的准确性和精度，见表1。另一方面，作者使用177个鸡蛋的L、B和W通过不同的方程来预测每个鸡蛋的V和S。然后，将方程得到的S和V与数字图像分析得到的S和V进行比较。结果表明，Paganelli和Narushin提出的方程给出了合理的R2，可以根据L和B预测S。![]()
通过反复试验，作者发现将W参数作为自变量并没有显著提高模型性能，因此，从输入变量中去除了鸡蛋W。图1显示了不同作者根据鸡蛋重量预测的S（作为方程开发的单一输入）与通过图像分析获得的实际S的比较。实际数据与已发表方程预测的数据之间的差异表明，使用鸡蛋重量构建模型可能会导致较低的S值;另一方面，鸡蛋重量不是预测鸡蛋S的良好指标。
![]()
图1 在一些作者提出的不同方程中，实际表面积(S)与以鸡蛋重量作为输入预测的S的对比
ANN、MLR和PR模型对鸡蛋S和V的预测效率如表2所示。基于L和B来计算鸡蛋V预测值的R2表明，MLR、PR和ANN模型的预测值与实测值具有良好的相关性(R2为0.97)。本研究报道了最简单的MLR方程(表1)。相比之下，基于L和B预测S时，MLR(全数据)、PR(全数据)和ANN(检验数据)模型得到的R2分别为0.82、0.85和0.81。基于V的S预测，MLR、ANN和PR模型的R2分别为0.83、0.80和0.94。总的来说，与MLR和ANN模型相比，PR模型在预测S的所选输入变量(L、B或V)中产生了更高的R2和更低的误差参数。
表2 ANN、MLR和PR模型对鸡蛋S和V的预测效率![]()
本研究的目的是开发一种测量鸡蛋样品体积和表面积的图像分析方法，并探索一些数学模型基于L和B预测这些参数的能力。可以得出结论，图像分析可以作为预测S和V的准确和精确的方法。此外，Carter (1975)、Paganelli(1974)和 Narushin (1997) 开发的方程提供了合理的精度(R2>0.839)根据长度(L)和最大宽度(B)预测鸡蛋S。此外，Carter(1975)、Ayupov(1976)和Narushin(1994，1997，2005)的方程通过使用L和B作为输入，为V提供了准确的预测。我们发现L和B可能是预测鸡蛋体积和表面的最佳参数。此外，我们可以得出结论，基于鸡蛋重量开发的方程导致预测S和V的准确性较低。最后，本研究中新引入的方程准确、精确；因此，它们可用于计算S和V。
引用格式：
Sedghi M M , Ghaderi M . Digital analysis of eggsurface area and volume: effects of longitudinal axis, maximum breadth and
weight. Information Processing in Agriculture,
2023, 10(2): 229-239.
《农业信息处理(英文)》，创刊于2014年，由中国农业大学主办，李道亮教授主编，已被ESCI、EI、Scopus、DOAJ、中国科学引文数据库(CSCD)等数据库检索。2019年入选《中国科技期刊卓越行动计划》之高起点新刊项目，2020年入选中国农林核心期刊（A类）目录，2023年正式被ESCI(Emerging Sources Citation Index)收录，2023年度首个影响因子7.7，Q1区。《WJCI报告》学科排名位居全球TOP5%或学科排名TOP3，影响因子7.908。2023年Citescore为21.1，在林学领域排名第2，在水生科学领域排名第3，在农学作物科学领域排名第3，在动物科学与动物学领域排名第4，在计算机科学及应用领域排名第15。主要刊载最新信息技术在农业的应用，包括：农业物联网、农业人工智能和大数据、农业机器人、农业能源与控制、农业供应链与管理、空间信息技术、信息技术在现代农业工程的应用和其他农信息化技术。推文投稿：欢迎INPA作者/农业信息领域学者，撰写发表的/感兴趣的INPA论文公众号推文，一同打造INPA微信公众号精彩内容。纪尚一，s20233081809@cau.edu.cn鲁娜，B20233080715@cau.edu.cn
