ELMF4EggQ: Ensemble Learning with Multimodal Feature Fusion for Non-Destructive Egg Quality Assessment

📄 arXiv: 2510.02876v1 📥 PDF

作者: Md Zahim Hassan, Md. Osama, Muhammad Ashad Kabir, Md. Saiful Islam, Zannatul Naim

分类: cs.CV, cs.LG

发布日期: 2025-10-03

备注: 30 pages

🔗 代码/项目: GITHUB

💡 一句话要点

ELMF4EggQ：多模态特征融合的集成学习用于鸡蛋无损质量评估

🎯 匹配领域: 支柱九：具身大模型 (Embodied Foundation Models)

关键词: 鸡蛋质量评估 无损检测 多模态融合 集成学习 计算机视觉 机器学习 食品安全

📋 核心要点

  1. 现有鸡蛋质量评估方法依赖破坏性检测，效率低且成本高，缺乏快速无损的评估手段。
  2. ELMF4EggQ框架融合鸡蛋图像、形状和重量等多模态特征，利用集成学习提升评估准确性。
  3. 实验表明，该方法在鸡蛋等级分类和新鲜度预测上显著优于单模态方法，准确率分别达到86.57%和70.83%。

📝 摘要（中文）

本文提出了一种名为ELMF4EggQ的集成学习框架，该框架采用多模态特征融合，仅使用鸡蛋的外部属性（图像、形状和重量）来对鸡蛋的等级和新鲜度进行分类。构建了一个包含186个棕壳鸡蛋的新型公开数据集，鸡蛋的等级和新鲜度通过基于实验室的专家评估确定，包括蛋黄指数和豪格单位等内部质量测量。据我们所知，这是第一项仅使用外部、非侵入性特征应用机器学习方法进行内部鸡蛋质量评估的研究，也是第一个发布相应标记数据集的研究。该框架集成了从外部鸡蛋图像中提取的深度特征与鸡蛋形状和重量等结构特征，从而实现了对每个鸡蛋的全面表示。图像特征提取使用性能最佳的预训练CNN模型（ResNet152、DenseNet169和ResNet152V2）进行，然后进行基于PCA的降维、SMOTE数据增强以及使用多种机器学习算法进行分类。一种集成投票机制结合了性能最佳的分类器的预测，以提高整体准确性。实验结果表明，多模态方法明显优于仅图像和仅表格（形状和重量）的基线方法，其中多模态集成方法在等级分类中实现了86.57%的准确率，在新鲜度预测中实现了70.83%的准确率。所有代码和数据均可在https://github.com/Kenshin-Keeps/Egg_Quality_Prediction_ELMF4EggQ上公开获取，从而提高了透明度、可重复性以及该领域进一步研究。

🔬 方法详解

问题定义：论文旨在解决鸡蛋质量的快速、无损评估问题。传统的鸡蛋质量评估方法通常需要破坏鸡蛋进行内部质量检测，这既耗时又昂贵，并且无法应用于大规模的商业生产中。因此，需要一种仅通过外部特征就能准确评估鸡蛋内部质量的方法。

核心思路：论文的核心思路是利用多模态特征融合和集成学习来提高鸡蛋质量评估的准确性。通过结合鸡蛋的图像特征（反映鸡蛋表面的纹理和颜色）、形状特征（长短轴比例等）和重量特征，可以更全面地描述鸡蛋的质量。集成学习则通过结合多个分类器的预测结果，进一步提高评估的鲁棒性和准确性。

技术框架：ELMF4EggQ框架主要包含以下几个阶段：1) 数据集构建：收集包含鸡蛋图像、形状和重量信息的数据集，并进行人工标注，确定鸡蛋的等级和新鲜度。2) 特征提取：使用预训练的CNN模型（ResNet152、DenseNet169和ResNet152V2）从鸡蛋图像中提取深度特征；计算鸡蛋的形状特征（如长短轴比例）；直接使用鸡蛋的重量作为特征。3) 特征融合：将图像特征、形状特征和重量特征进行融合，形成一个多模态特征向量。4) 数据增强：使用SMOTE算法对数据进行增强，解决数据不平衡问题。5) 分类：使用多种机器学习算法（如支持向量机、随机森林等）对融合后的特征进行分类，预测鸡蛋的等级和新鲜度。6) 集成学习：使用投票机制将多个分类器的预测结果进行集成，得到最终的预测结果。

关键创新：该论文的关键创新在于：1) 首次提出使用多模态特征融合的方法进行鸡蛋内部质量的无损评估。2) 构建并公开了一个包含鸡蛋图像、形状和重量信息的数据集，为该领域的研究提供了基础。3) 提出了一种基于集成学习的分类框架，能够有效地提高鸡蛋质量评估的准确性。

关键设计：在特征提取阶段，使用了多个预训练的CNN模型，并进行了PCA降维，以减少特征维度和计算复杂度。在数据增强阶段，使用了SMOTE算法来解决数据不平衡问题。在集成学习阶段，使用了投票机制，根据每个分类器的性能赋予不同的权重。具体参数设置（如PCA降维的维度、SMOTE算法的参数、分类器的参数等）通过实验进行优化。

📊 实验亮点

实验结果表明，ELMF4EggQ框架在鸡蛋等级分类中达到了86.57%的准确率，在新鲜度预测中达到了70.83%的准确率。与仅使用图像特征或仅使用形状和重量特征的基线方法相比，多模态特征融合显著提高了评估的准确性。集成学习进一步提升了模型的鲁棒性和泛化能力。

🎯 应用场景

该研究成果可应用于商业家禽养殖业，实现对鸡蛋质量的快速、无损评估，提高生产效率和产品质量。通过自动化检测，可以减少人工检测的成本和误差，确保食品安全，并为消费者提供更高质量的鸡蛋产品。未来，该技术还可扩展到其他农产品的质量评估中。

📄 摘要（原文）

Accurate, non-destructive assessment of egg quality is critical for ensuring food safety, maintaining product standards, and operational efficiency in commercial poultry production. This paper introduces ELMF4EggQ, an ensemble learning framework that employs multimodal feature fusion to classify egg grade and freshness using only external attributes - image, shape, and weight. A novel, publicly available dataset of 186 brown-shelled eggs was constructed, with egg grade and freshness levels determined through laboratory-based expert assessments involving internal quality measurements, such as yolk index and Haugh unit. To the best of our knowledge, this is the first study to apply machine learning methods for internal egg quality assessment using only external, non-invasive features, and the first to release a corresponding labeled dataset. The proposed framework integrates deep features extracted from external egg images with structural characteristics such as egg shape and weight, enabling a comprehensive representation of each egg. Image feature extraction is performed using top-performing pre-trained CNN models (ResNet152, DenseNet169, and ResNet152V2), followed by PCA-based dimensionality reduction, SMOTE augmentation, and classification using multiple machine learning algorithms. An ensemble voting mechanism combines predictions from the best-performing classifiers to enhance overall accuracy. Experimental results demonstrate that the multimodal approach significantly outperforms image-only and tabular (shape and weight) only baselines, with the multimodal ensemble approach achieving 86.57% accuracy in grade classification and 70.83% in freshness prediction. All code and data are publicly available at https://github.com/Kenshin-Keeps/Egg_Quality_Prediction_ELMF4EggQ, promoting transparency, reproducibility, and further research in this domain.