基于人工神经网络的禽类屠宰场胴体废弃率预测模型构建与经济效益分析

【编辑推荐】本研究创新性应用人工神经网络（ANN）分析巴西禽类屠宰场3370批肉鸡数据，构建16个预测模型，其中56.25%模型表现优异（R2>0.93），尤其对"部分/全胴体废弃"预测精准（相关系数≈0.96），为降低经济损失、优化联邦检验服务（SIF）提供AI决策支持。

　　

Highlight

禽类养殖场采用人工神经网络（ANN）需依赖持续数据采集，以建立可靠的卫生与经济管理标准。该技术不仅能优化流程，还可提升可追溯性、标准化水平和整体生产效率，同时支持循证决策、增强预测能力，最终提高禽类产业竞争力。

Results and discussion

尽管固定参考标准在传统检验中占主导地位，但本研究开发的ANN模型展现出显著优势。在建模的16个输出变量中，9个（56.25%）达到优良等级。其中"部分与全胴体废弃"模型表现尤为突出，决定系数（R²）>0.93，相关系数接近0.96，表明预测值与实际值高度吻合。不过，涉及复杂视觉诊断的病症（如恶病质、腹水、蜂窝织炎）模型精度较低，这与其病理特征的多变性直接相关。

Conclusion

绝大多数生成的模型被评为优秀或良好，证实ANN可作为禽类宰后检验的有效辅助工具。该技术在卫生风险管理决策中的应用，有助于减少诊断失误并降低禽类产业经济损失。