Multi-Species Egg Morphometry and Weight Prediction Using Computer Vision
本研究表明，一种利用智能手机图像和机器学习（具体为用于检测的 YOLO11x-OBB 和用于预测的 Ridge 回归）的计算机视觉系统，能够高精度地测量鸡蛋尺寸并预测鸡蛋和鹅蛋的重量。
原始论文采用 CC BY 4.0 许可（https://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
在繁忙的家禽养殖世界中，鸡蛋不仅仅是早餐的主食；它是一个精确的生物指标。对于育种者和孵化场管理者而言，鸡蛋的大小和重量讲述着关于母鸡健康状况、血统质量以及下一代成功潜力的故事。传统上，收集这些信息是一项缓慢且耗费人力的任务。工人必须拿起每一枚鸡蛋，用游标卡尺测量其长度和宽度，并用秤进行称重。这种手动过程不仅耗时，而且容易产生人为错误和疲劳，在依赖速度和一致性的行业中造成了瓶颈。
挑战在于鸡蛋独特的形状。它不是一个完美的球体或简单的圆柱体；它是一个不对称的三维曲线，且因物种而异。使用扁平的二维相机来捕捉这种复杂的形态长期以来一直很困难，通常需要昂贵且专门的3D扫描仪或激光系统，而这些设备对于日常使用来说成本过高。然而，人工智能和计算机视觉的快速发展开启了一扇新的大门。这些技术允许机器以媲美人类观察的细节水平来“看见”并解读图像，为无需接触、自动测量这些脆弱物体提供了前景，且无需触碰它们。
喀什米尔谢尔-卡西姆尔农业科学技术大学的研究团队致力于测试一部简单的智能手机是否可以取代卡尺和秤。他们专注于两种不同类型的家禽：常见的鸡和体型较大的鹅。他们的目标是建立一个系统，能够拍摄鸡蛋照片，自动计算其尺寸，并高精度地预测其重量，且无需昂贵的硬件。他们收集了661枚鸡蛋，包括504枚鸡蛋和157枚鹅蛋，并使用标准手机相机拍摄了每一枚。为了确保数字测量结果准确，他们在每枚鸡蛋旁边放置了一个已知尺寸的笔记本，作为计算机参考的视觉标尺。
研究人员训练了一个复杂的计算机程序（一种被称为“检测器”的人工智能），用于识别照片中的鸡蛋和参考笔记本。该程序旨在为每个物体绘制一个精确的倾斜框，这种技术考虑到了鸡蛋在照片中很少能完美摆放正的实际情况。一旦程序识别出物体，它就会测量它们的像素长度和宽度，并利用笔记本作为指南将其转换为现实世界的厘米。为了确保计算机的测量结果可靠，团队将其与人工使用卡尺进行的实际测量进行了对比。他们发现，虽然计算机在寻找鸡蛋方面表现出色，但由于相机捕捉图像的方式，其初始测量值略有偏差。通过为鸡和鹅分别创建特定的数学修正方案，他们得以纠正这些微小的误差。
结果令人瞩目。计算机视觉系统成功识别了测试图像中的每一枚鸡蛋，实现了近乎完美的检测率。在应用了针对每个鸟种的特定修正后，计算机对蛋长的测量结果与人工测量结果变得极其接近。对于鸡蛋，计算机读数与人工读数之间的平均差异小于一毫米。对于鹅蛋，差异稍大，但仍然非常小。随后，系统利用这些修正后的测量数据来推测蛋的重量。对于鸡蛋，计算机的重量预测非常准确，其精度足以媲美最好的手动方法。对于鹅蛋，预测的精确度较低，这可能是因为鹅蛋的数据集较小，且其较宽的形状更难通过单张扁平照片进行准确捕捉。
这项研究表明，结合智能手机、简单的参考物体和智能软件，可以有效地测量和称量鸡蛋而无需物理接触。研究人员发现，虽然“一刀切”的方法并不适用于不同物种，但针对特定鸟种定制系统则非常有效。对于鸡蛋，最准确的重量预测来自于一个综合考虑蛋长、蛋宽和形状的模型，而非仅仅孤立地观察各项数值。这种方法表明，家禽业可以采用一种低成本、自动化的分级系统，这比目前的各种手动方法更快，且对禽鸟造成的压力更小。虽然该技术在鸡身上效果最好，但研究人员指出，仍需通过更大的数据集来完善针对鹅及其他物种的系统。最终，这项工作证明了高科技的精密性并不总是需要昂贵的设备；有时，它只需要一张清晰的图像和正确的观察方式。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。