Journal of Information Systems and Informatics·10月24日 · 周六论文农业人工智能与决策模型阅读 0
A Computer Vision-Based Framework for Multilevel Egg Fertility Classification Using L*a*b* Color Segmentation, Wavelet Texture Features, and Support Vector Machine
Sriyadi · Jufriadif Na’am · Mochamad Wahyudi 等 4 人
论文解读
67接近精选线
速览
提出基于计算机视觉的种蛋三级受精分类框架，区分高受精、受精与未受精。
方法
L*a*b*色彩空间与K-Means分割，LL子带小波纹理特征，多类SVM分类。
发现
测试集准确率89.7%、F1值89.4%，训练与测试仅差1.2%，泛化良好。
机会点
可扩展到更多物种与孵化日龄，并结合深度学习与在线分拣设备实现实时检测。
影响力10
信息增量20
专业深度16
信源权威12
时效性9
方法组合有新意、数据规模与验证较扎实，但属细分技术论文，产业影响有限，可作为智慧农业技术前沿收录。
原文摘要
蛋受精性评估对于提高孵化场效率、降低孵化成本以及减少因无精蛋造成的资源浪费至关重要。本研究旨在开发一个基于计算机视觉的蛋受精性三级分类框架，即高受精性、受精性和未受精性。由三位家禽专家验证了一个由1500张人工收集的照蛋图像（每类500张图像）组成的平衡数据集。所提出的方法包括L*a*b*色彩空间变换、用于感兴趣区域分割的K-Means聚类、利用LL子带进行纹理特征提取的离散小波变换（DWT），以及多类支持向量机（SVM）分类。实验结果表明，所提出的模型达到了90.9%的训练准确率，精确率、召回率和F1分数分别为92.0%、90.9%和90.5%。对于独立测试数据集，该模型达到了89.7%的准确率和89.4%的F1分数，表明其具有良好的泛化能力，训练与测试准确率之间仅相差1.2%。本研究的新颖之处在于开发了一个三级蛋受精性分类框架，通过整合基于L*a*b*的分割、LL小波统计纹理特征和多类SVM分类，扩展了传统的二元受精性检测。