摘要
鸡蛋作为一种日常生活中必不可少的食物，几乎含有人体必需的所有营养物质，如蛋白质、脂肪、卵黄素、卵磷脂和维生素等，被人们称作“理想的营养库”。中国鸡蛋产业每年的规模约为3000多亿元，在全球鸡蛋产业规模中占比40%，世界排名第一。但是中国鸡蛋产业建设相对滞后，无论是鸡蛋生产加工、贮藏、流通、市场分析等方面均落后于发达国家。随着国内蛋鸡养殖行业竞争加剧，利用信息处理的手段对鸡蛋品牌建设成为鸡蛋产业发展的重中之重。本论文分析、归纳和总结了国内外关于鸡蛋产量预测和新鲜度检测的研究现状以及存在的不足，将机器学习算法应用于鸡蛋产量预测和新鲜度无损检测，主要完成了以下三个方面的研究工作： （1）基于多参数的LSSVM产蛋率预测模型研究 本文选择了产蛋率及其主要的五项影响参数--最高鸡舍温度、最低鸡舍温度、饲料消耗量、蛋鸡体重和鸡龄进行了主成分分析，通过分析得到影响参数的强弱相关性。基于上述主成分分析结果，提出了参数的权重函数，并对每项参数赋予相应的权重，得到含权重的新数据集。以新数据集作为输入，产蛋率作为输出，并用粒子群算法优化LSSVM模型中的惩罚系数c和核参数g，建立了基于多参数的LSSVM产蛋率预测模型，并对其进行了仿真实验。同时与现有的产蛋率预测模型进行了对比实验，实验结果表明，本文提出的基于LSSVM回归的预测模型，在MSE，MAE和RMSE三种指标中综合表现最好，曲线拟合度最高，MSE提高了7.3%,可以更好地预测产蛋率。为了进一步验证模型的预测效果，本文使用蛋鸡开始产蛋时的第15天、第30天、第60天和第120天作为观测点，分别对未来3天、5天和7天的鸡蛋产量进行预测。实验结果表明，本文提出的模型平均预测精度达到95.1%，最高预测精度达到99.68%，高于现有其他模型，能更好地预测鸡蛋产量。 （2）基于多参数的LSTM产蛋率预测模型研究 在上述影响产蛋率的五项参数基础上引入时序特征，构建了9层神经网络结构，建立了基于多参数的LSTM产蛋率预测模型，并对其进行了仿真实验。同时与现有的同类预测模型进行对比实验。实验结果表明，该模型的MSE达到2.568*10-4，在所有模型中精度最高。为了进一步验证模型的预测效果，本文使用蛋鸡开始产蛋时的第15天、第30天、第60天和第120天作为观测点，分别对未来3天、5天和7天的鸡蛋产量进行预测。实验结果表明，本文提出的模型平均预测精度达到94.66%，最高预测精度达到99.70%，高于现有其他模型，能更好地预测鸡蛋产量。 （3）基于GoogLeNet-A的鸡蛋新鲜度无损检测研究 本文将Inception模块和注意力机制相结合设计了ICBAM模块，并基于该模块构建了15层的GoogLeNet-A模型，对鸡蛋新鲜度无损检测进行了研究。本文首先通过鸡蛋透光图采集装置采集图片建立了鸡蛋新鲜度检测数据集。该数据集通过处理后送入本文设计的GoogLeNet-A模型中进行训练，建立了鸡蛋新鲜度无损检测模型，并对模型检测精度进行测试。实验结果表明，GoogLeNet-A模型平均测试精度达到94.05%，最高测试精度达到98.46%，高于现有其他模型。
NETL