[论文解读] Nondestructive chicken egg fertility detection using CNN-transfer learning algorithms

Shoffan Saifullah, Rafał Dreżewski+8 more|arXiv (Cornell University)|Sep 28, 2023

Animal Nutrition and Physiology被引用 4

一句话总结

本研究提出了一种基于预训练卷积神经网络（VGG16、ResNet50、InceptionNet、MobileNet）迁移学习的非破坏性鸡蛋受精状态检测方法，使用了200张增强后的蛋图数据集。InceptionNet在分类受精与非受精蛋方面表现最佳，准确率达到98%，敏感度达100%，特异性为96%，证明其在多尺度特征提取方面在精准家禽孵化应用中的有效性。

ABSTRACT

This study explored the application of CNN-Transfer Learning for nondestructive chicken egg fertility detection for precision poultry hatchery practices. Four models, VGG16, ResNet50, InceptionNet, and MobileNet, were trained and evaluated on a dataset (200 single egg images) using augmented images (rotation, flip, scale, translation, and reflection). Although the training results demonstrated that all models achieved high accuracy, indicating their ability to accurately learn and classify chicken eggs' fertility state, when evaluated on the testing set, variations in accuracy and performance were observed. InceptionNet exhibited the best overall performance, accurately classifying fertile and non-fertile eggs. It demonstrated excellent performance in both training and testing sets in all parameters of the evaluation metrics. In testing set, it achieved an accuracy of 0.98, a sensitivity of 1 for detecting fertile eggs, and a specificity of 0.96 for identifying non-fertile eggs. The higher performance is attributed to its unique architecture efficiently capturing features at different scales leading to improved accuracy and robustness. Further optimization and fine-tuning of the models might necessary to address the limitations in accurately detecting fertile and non-fertile eggs in case of other models. This study highlighted the potential of CNN-Transfer Learning for nondestructive fertility detection and emphasizes the need for further research to enhance the models' capabilities and ensure accurate classification.

研究动机与目标

• 开发一种非侵入性方法，利用深度学习支持精准家禽孵化实践中的鸡蛋受精状态检测。
• 评估多种基于迁移学习的CNN架构在有限蛋图数据集上的性能表现。
• 识别在图像增强和迁移学习基础上，最有效的模型以区分受精与非受精蛋。
• 评估预训练模型在小型专业化数据集上的鲁棒性与泛化能力，应用于农业图像识别任务。
• 为商业家禽生产中可扩展的自动化受精状态筛查提供基础。

提出的方法

• 采用四种预训练的CNN模型（VGG16、ResNet50、InceptionNet、MobileNet）进行迁移学习。
• 使用旋转、翻转、缩放、平移和反射对200张单个鸡蛋图像数据集进行增强，以提高泛化能力。
• 利用迁移学习在增强数据集上微调模型，以适应蛋受精状态分类任务。
• 评估指标包括准确率、敏感度和特异性，用于评估模型在训练集和测试集上的性能表现。
• 选择InceptionNet架构，因其通过其Inception模块能够有效捕捉多尺度特征。
• 使用保留的测试集对各模型的性能进行标准分类指标比较。

实验结果

研究问题

• RQ1 在使用迁移学习对鸡蛋进行非破坏性受精状态分类时，哪种预训练CNN架构表现最佳？
• RQ2 数据增强在小型蛋图数据集上对迁移学习模型的泛化能力和准确率有何影响？
• RQ3 迁移学习模型在区分受精与非受精蛋方面，能在多大程度上实现高敏感度与高特异性？
• RQ4 多尺度特征提取在提升蛋受精状态检测分类性能方面起到何种作用？
• RQ5 在通用图像数据上预训练的迁移学习模型，能否有效泛化到如蛋受精状态检测等专业农业图像识别任务？

主要发现

• InceptionNet在测试集上取得了最高的准确率98%，在蛋受精状态分类任务中优于VGG16、ResNet50和MobileNet。
• InceptionNet在检测受精蛋方面表现出完美的敏感度（1.0），表明在测试集中未出现假阴性结果。
• 该模型的特异性达到0.96，正确识别了96%的非受精蛋。
• 所有模型在训练集上均达到高准确率，表明学习效果良好，但在测试集上的表现存在显著差异。
• InceptionNet的优越性能归因于其通过Inception模块实现的高效多尺度特征提取能力。
• 建议对其他模型进行进一步微调与优化，以提升其在该特定任务上的性能。