基于计算机断层扫描图像与三维卷积神经网络的鸡蛋新鲜度无损检测研究

《Poultry Science》：Non-destructive evaluation of chicken egg freshness using tomographic images and computer vision

　　

摘要专业翻译 鸡蛋新鲜度直接影响其食用品质与安全性。传统评价方法具有破坏性、耗时、劳动密集且会造成产品损耗。本研究旨在开发一种无损检测方法，利用计算机断层扫描（computed tomography, CT）图像结合三维卷积神经网络（three-dimensional convolutional neural network, 3D-CNN），以鸡蛋存储时间分类作为新鲜度的代理指标。研究人员收集了来自Dekalb White品系蛋鸡的鸡蛋（n=998），并在26.42 ± 1.31 °C条件下分别储存1天（n=200）、7天（n=200）、14天（n=200）、21天（n=198）和28天（n=200），以存储天数作为类别标签。鸡蛋接受CT扫描，生成使用软组织、空气和骨骼三种重建滤波器的三维图像。图像按分层标签比例随机划分为训练集（60%）、验证集（20%）和测试集（20%）。针对每种滤波器分别训练独立的3D-CNN模型，网络架构通过贝叶斯优化确定。模型性能采用准确率、精确率、召回率和F1分数进行评估。研究人员将Respond-Cam应用于最后一个卷积层以实现模型可解释性。基于软组织和骨骼滤波器训练的模型在所有指标上表现相同，准确率、精确率、召回率和F1分数分别为0.83和0.84。空气滤波器模型取得了更高的准确率、召回率、精确率和F1分数，均为0.86。Respond-Cam表明模型预测依赖于形态学相关区域，尤其是气室——这一结构与新鲜度丧失密切相关。上述结果表明，CT成像结合3D-CNN是一种有效的无损方法，可用于鸡蛋存储时间分类，作为新鲜度的代理指标。

论文解读

一、研究背景与意义

鸡蛋品质是食品安全、产品接受度以及家禽业经济效益的关键决定因素。作为一种高度易腐产品，鸡蛋在产出后即开始持续劣变过程，其新鲜度直接反映内部组分的保存状态，是决定货架期和食用安全性的主要因素之一。在整个生产链条中，包括储存、运输、加工和销售环节，鸡蛋暴露于多种内外部环境因素，导致品质劣变。外部因素包括温度、湿度、储存时间、气流、光照、处理方式以及生产和分销系统；内部因素则包括蛋壳结构特性、初始品质以及天然保护屏障的完整性。这些因素的交互作用加速了理化和微生物过程，如通过蛋壳的水分和气体损失、蛋白黏度降低、气室增大以及保护屏障减弱，从而促进劣变并可能助长微生物增殖，最终损害鸡蛋的新鲜度和品质。

传统鸡蛋新鲜度评价方法复杂且耗时，包括蛋壳强度和厚度评估、蛋白高度测定及哈夫单位（Haugh unit, HU）计算、蛋黄指数分析以及蛋白和蛋黄pH值测定等。这些方法需要打破鸡蛋分析内部组分，不适用于商业化流通，并造成经济损失和食物浪费。

已有无损检测技术包括热成像、光谱学和高光谱成像结合机器学习方法，但这些方法多从表面或光谱响应间接推断新鲜度，或需要严格控制环境条件，无法捕获鸡蛋内部三维结构，难以直接可视化和量化与储存相关的体积变化，且可解释性不足，难以确定哪些特征或区域决定模型预测。

计算机断层扫描（CT）结合三维卷积神经网络（3D-CNN）为捕获和分析鸡蛋内部结构的空间分辨三维图像提供了无损途径。CT能够获取高密度对比度和内部结构细节的图像，已在食品内部参数评估和动物科学领域得到应用。然而，不同CT重建滤波器对模型性能的影响仍鲜有探索，构成重要的研究空白。此外，可解释性技术有助于识别对模型预测贡献最大的图像区域，为专家评估模型可靠性和生物学相关性提供有价值的信息。

二、研究内容与结论

本研究旨在开发一种无损方法，利用基于软组织、空气和骨骼滤波器重建的CT图像训练的3D-CNN模型对鸡蛋存储时间进行分类，作为新鲜度指标，并应用可解释性技术研究对模型预测影响最大的图像区域。研究结果表明，CT成像结合3D-CNN是有效的无损鸡蛋新鲜度分类方法，其中空气滤波器模型表现最佳，且模型预测依赖于气室等形态学相关区域。

三、主要关键技术方法

研究人员采用了以下关键技术方法：利用螺旋CT扫描仪（Siemens Spirit）获取鸡蛋断层图像，使用软组织、骨骼和空气三种重建滤波器；通过MicroDicom软件将DICOM格式图像转换为PNG格式，使用计算机视觉标注工具（CVAT）手动分割单个鸡蛋并裁剪，对21天存储组应用5/6缩放因子标准化蛋体尺寸，采用零填充或边缘复制填充统一图像空间尺寸（102 × 165像素）和深度维度；构建3D-CNN模型，包含卷积、最大池化和批归一化模块，后接全局平均池化和全连接层；使用Keras框架和Kera-Tuner进行贝叶斯超参数优化；采用Dropout、学习率优化和早停策略防止过拟合；使用Respond-Cam对最后一个卷积层进行可解释性分析。样本来源为巴西伯南布哥联邦农村大学动物科学系家禽研究实验室饲养的336只Dekalb White蛋鸡，共采集998枚鸡蛋。

四、研究结果

数据采集与预处理结果： 鸡蛋按存储天数分为五组（1、7、14、21、28天），破坏性基准分析证实了储存期间新鲜度的显著退化。CT图像经转换、分割、裁剪和标准化后，软组织滤波器最终深度为37层，骨骼滤波器为66层，空气滤波器为68层。

模型训练与超参数优化结果： 数据集按60%、20%、20%划分为训练、验证和测试子集。针对每种滤波器独立优化3D-CNN架构，超参数搜索空间包括滤波器数量（16至256）、卷积层数（1至6）、全连接层数（1至5）、Dropout（0.2至0.5）、学习率（10??至10?3）、min_delta（10??至10?2）和patience（3至10）。优化过程配置最多30次试验，每次试验独立训练三次取平均验证准确率。

模型性能评估结果： 软组织滤波器模型和骨骼滤波器模型在所有指标上表现相同，准确率、精确率、召回率和F1分数分别为0.83和0.84。空气滤波器模型表现最佳，准确率、召回率、精确率和F1分数均达到0.86。

可解释性分析结果： Respond-Cam应用于最后一个卷积层，表明模型预测依赖于形态学相关区域，尤其是气室——这一结构与新鲜度丧失密切相关。

五、讨论与结论

讨论部分指出，空气滤波器模型性能优于软组织和骨骼滤波器模型，这可能与空气滤波器能够更清晰地呈现气室结构有关。可解释性分析证实模型关注生物学相关区域，增强了模型的可靠性。研究结论表明，CT成像结合3D-CNN是一种有效的无损方法，可用于鸡蛋存储时间分类，作为新鲜度的代理指标，为鸡蛋品质评估提供了新的技术途径。