雞蛋作為一種高蛋白質、低脂肪的營養(yǎng)食品,是人們最重要的營養(yǎng)來源之一。我國雖然雞蛋資源豐富,但雞蛋產業(yè)化發(fā)展較慢,水平較低,無論是雞蛋生產、加工還是貯藏、流通水平均落后于發(fā)達國家,具體表現(xiàn)在雞蛋供應不準確,雞蛋加工水平低和缺少產業(yè)鏈配套的檢測設備等,因此對雞蛋產量進行可靠預測,對雞蛋品質進行檢測具有現(xiàn)實意義。本論文總結并分析了國內外關于雞蛋產量預測和品質檢測的研究現(xiàn)狀以及存在的不足,將機器學習算法應用于雞蛋產量預測和品質檢測,具體完成了以下三個方面的研究工作:(1)基于機器學習的雞蛋產量預測模型研究。本文對雞蛋產量預測模型進行了研究,以產蛋率為預測指標,提出了兩類基于機器學習的不同的產蛋率預測模型,分別為基于極限學習機的產蛋率時間序列預測模型和基于支持向量機回歸的產蛋率多參數預測模型。其中,極限學習機預測模型是選取多批海蘭褐蛋雞產蛋率歷史數據來構建時間序列模型,將第一批數據樣本用于該網絡訓練,完成極限學習機預測模型,其他批次數據用于產蛋率模型的預測。而基于支持向量機回歸的產蛋率預測模型是將蛋雞采食量、蛋雞雞齡、體重、溫度、光照時長、以及是否應激等六類影響因子進行處理,作為支持向量機的輸入數據,對蛋雞的產蛋率進行建模預測。實驗結果表明,所建立的極限學習機時間序列的預測模型和支持向量機回歸的多參數預測模型都能夠準確地預測產蛋率,預測結果符合蛋雞的實際產蛋率。(2)基于卷積神經網絡的雞蛋暗斑檢測方法研究。本文提出了一種基于卷積神經網絡GoogLeNet模型的雞蛋暗斑檢測方法,以實現(xiàn)對暗斑雞蛋檢測目的。該方法利用Inception模塊重復堆疊構建神經網絡架構,利用多尺度卷積核提取雞蛋暗斑特征并進行級聯(lián)融合。為了獲得足夠圖片樣本驗證模型的有效性,設計了雞蛋透光圖片采集裝置,共得到1200張暗斑雞蛋圖像和8850張正常雞蛋圖像,選取兩類樣本各1200張用于網絡建模。實驗結果表明,基于GoogLeNet模型的暗斑雞蛋的檢測準確率為98.19%。為更進一步驗證GoogLeNet模型,本文利用CNN模型中的VGG16和VGG19模型重復上述實驗,進行精度比較,結果表明,以上CNN模型均有較高的檢測準確率,GoogLeNet模型效果更優(yōu)。本文同時與HOG-SVM方法加以比對,結果表明,不管是單類型樣本還是測試集總檢測準確率,基于GoogLeNet模型均高于HOG-SVM模型10個以上百分點�；贕oogLeNet模型的檢測方法具有可行性,并有很高的檢測精度,為雞蛋品質檢測提供了新的方法。(3)基于卷積神經網絡的雞蛋新鮮度檢測方法研究。本文對雞蛋內部品質檢測方法進行了研究,以雞蛋的哈夫值為指標,提出了基于卷積神經網絡的雞蛋新鮮度檢測方法。針對以往雞蛋新鮮度檢測的研究存在樣本數過少、樣本分布不均、模型精度低等問題,設計了“個體反映總體”和多角度圖像樣本采集的思路,擴充了樣本數量,并平衡不同類別雞蛋樣本數目,共獲得6444張總樣本。為能夠實現(xiàn)新鮮度分級,本文利用4個卷積層、4個池化層、2個全連接層、6個激活層、2個Dropout層和一個分類器堆疊而成的卷積神經網絡進行雞蛋內部特征自主學習并實現(xiàn)分類,整個檢測過程無過多預處理步驟。實驗結果表明本文建立的檢測方法準確率較高,檢測準確率為94.63%,與以往的檢測方法比較,模型檢測精度更高,泛化能力更強。
【學位單位】：浙江師范大學
【學位級別】：碩士
【學位年份】：2019
【中圖分類】：S831;TP181;S879.3
【部分圖文】：

相關系數為 0.991、0.991、0.990。結合圖2.1 可以看出，預測模型能夠預測產蛋率的變化規(guī)律，擬合度高；指標前期預測略有波動，但仍在接受范圍內。

圖 2.2 “京紅一號”產蛋率預測結果 圖 2.3 “豫粉一號”產蛋率預測結果 2.2、2.3 可以看出，ELM 時間序列預測模型能夠預測“京紅一號”和“豫率的變化規(guī)律，走勢完全符合實際產蛋率的變化趨勢�！熬┘t一號”的均方.090、0.911，“豫粉一號的均方差和相關系數為 0.965、0.995，表明針對不LM 網絡均能準確地預測產蛋率，該預測模型具有可信度和良好的泛化能力估 ELM 時間序列預測模型的預測精度，本文選擇第一批海蘭褐、“京紅一蛋雞產蛋率樣本建立 SVM 預測模型進行對比。所使用的 SVM 工具箱為最（LS-SVM）工具箱，核函數采用 RBF 核函數： 2K( x,x)expxx/2ii 法和交差驗證結合的方法來尋找最佳的核函數參數。對比結果如圖 2.4 所表 2.1 SVM 核函數尋優(yōu)結果產蛋率樣本 懲罰因子/C 核函數寬度/ 海蘭褐京紅一號2.92935.88015.47124.009

圖 2.2 “京紅一號”產蛋率預測結果 圖 2.3 “豫粉一號”產蛋率預測結果 2.2、2.3 可以看出，ELM 時間序列預測模型能夠預測“京紅一號”和“豫率的變化規(guī)律，走勢完全符合實際產蛋率的變化趨勢�！熬┘t一號”的均方.090、0.911，“豫粉一號的均方差和相關系數為 0.965、0.995，表明針對不LM 網絡均能準確地預測產蛋率，該預測模型具有可信度和良好的泛化能力估 ELM 時間序列預測模型的預測精度，本文選擇第一批海蘭褐、“京紅一蛋雞產蛋率樣本建立 SVM 預測模型進行對比。所使用的 SVM 工具箱為最（LS-SVM）工具箱，核函數采用 RBF 核函數： 2K( x,x)expxx/2ii 法和交差驗證結合的方法來尋找最佳的核函數參數。對比結果如圖 2.4 所表 2.1 SVM 核函數尋優(yōu)結果產蛋率樣本 懲罰因子/C 核函數寬度/ 海蘭褐京紅一號2.92935.88015.47124.009

【相似文獻】

相關期刊論文 前10條

1 志強;;全球雞蛋產量預計因主產區(qū)美國和亞洲而上漲[J];獸醫(yī)導刊;2015年05期

2 魏藍;;只為多下幾個蛋[J];創(chuàng)新作文(小學版);2017年09期

3 ;歐盟蛋雞籠養(yǎng)禁令預計不影響其雞蛋產量[J];中國家禽;2012年23期

4 ;世界雞蛋產量持續(xù)增加[J];中國禽業(yè)導刊;2000年01期

5 ;美提高雞蛋產量和質量的新技術[J];四川畜禽;1997年03期

6 龍習才;臺灣省的養(yǎng)雞業(yè)[J];世界農業(yè);1989年10期

7 梅高紀;;1981年世界雞蛋產量將達3450億個[J];家禽;1982年01期

8 ;馬國雞蛋產量過剩蛋農嚴重虧損[J];東南亞南亞信息;1995年12期

9 ;復活節(jié)將至 瑞士雞蛋產量創(chuàng)紀錄[J];中國禽業(yè)導刊;2009年07期

10 ;畜禽產品[J];飼料廣角;2015年15期

相關會議論文 前7條

1 趙一夫;薛莉;秦富;;2010年中國蛋雞行業(yè)發(fā)展形勢分析[A];第五屆（2011）中國蛋雞行業(yè)發(fā)展大會會刊[C];2011年

2 ;前言[A];第五屆（2011）中國蛋雞行業(yè)發(fā)展大會會刊[C];2011年

3 鄭長山;魏忠華;孫風莉;王景順;;河北蛋雞生產狀況及發(fā)展方向探討[A];冀農杯2008“綠色奧運”科技論文集[C];2008年

4 孫皓;;中國蛋雞行業(yè)風險防控——智慧蛋雞在中國[A];第八屆（2017）中國蛋雞行業(yè)發(fā)展大會論文集[C];2017年

5 王進圣;;我國蛋雞行業(yè)發(fā)展的回顧與展望[A];中國禽業(yè)發(fā)展大會暨中國畜牧業(yè)協(xié)會禽業(yè)分會第二屆會員代表大會論文集[C];2007年

6 宮桂芬;;2008我國蛋雞生產狀況及2009年發(fā)展趨勢分析[A];2009中國蛋雞行業(yè)發(fā)展大會論文集[C];2009年

7 李茜;鄭長山;侯海鋒;魯虹;;當前小規(guī)模蛋雞養(yǎng)殖面臨的主要問題與出路[A];“科技進步推進畜牧業(yè)現(xiàn)代化”科技論文集[C];2011年

相關重要報紙文章 前10條

1 本報記者 郭少雅;“菜籃子”量足價穩(wěn) 春節(jié)市場供應有保障[N];農民日報;2017年

2 記者 李丹超 實習生 徐菽苑 通訊員 馮英玲;我省近期菜價不會大幅上漲[N];浙江日報;2017年

3 ;美國二月份雞蛋產量上升[N];中國畜牧獸醫(yī)報;2006年

4 記者　韓勛;十一五我市雞蛋產量達13萬噸[N];西安日報;2006年

5 實習生 譚香萍;蛋價開始正常回歸[N];農民日報;2003年

6 記者楊雨亭;我國蛋品產業(yè)亟待升級[N];中國食品報;2010年

7 本報記者 官平;供應偏緊 蛋價有望繼續(xù)上漲[N];中國證券報;2015年

8 時報記者 張漢龍　實習記者 吳小蓉;高蛋價壓榨食品企業(yè)[N];福建工商時報;2009年

9 河北省蛋雞體系創(chuàng)新團隊 程志利 劉文科;今年蛋價將先降后漲 總體好去年[N];河北農民報;2016年

10 通訊員 王峰　游海林 孔祥保 陳仁春;浠水萬余農民抱團創(chuàng)業(yè)闖市場[N];黃岡日報;2008年

相關碩士學位論文 前2條

1 李飛;機器學習在雞蛋產量預測與品質檢測中的應用[D];浙江師范大學;2019年

2 王盛威;中國蛋雞產業(yè)國際競爭力研究[D];中國農業(yè)科學院;2011年

本文編號：2826921