一种生咸鸭蛋蛋黄重量非破坏性预测方法及系统
本发明属于禽蛋无损检测,具体涉及一种生咸鸭蛋蛋黄重量非破坏性预测方法及系统。
背景技术:
1、蛋黄重量是生咸鸭蛋原料分级、加工配料和品质控制的重要指标。现有测量通常需要破壳、分离蛋黄并进行称量,检测后样品无法继续流转,且操作效率和测量一致性容易受到人员熟练程度影响,难以满足批量化、非破坏性检测需求。因此,如何在保持蛋壳完整的条件下准确获得蛋黄重量,已成为咸鸭蛋原料评价与加工质量控制中需要解决的问题。
2、在禽蛋无损检测方面,wang f等(2021)采用透射和反射近红外光谱结合多元分析方法对鸡蛋新鲜度进行评价,证明近红外信息能够用于禽蛋内部品质预测。其他机器视觉、近红外和高光谱研究也多集中于哈氏单位、气室高度、蛋黄指数及新鲜度等指标,对蛋黄重量进行直接定量预测的研究相对较少。此外,光学和视觉信号容易受到蛋壳颜色、表面污渍、光照条件和样品姿态影响,介电检测结果则对温度、含水量及蛋品组成较为敏感,导致相关模型在不同批次和不同工况下的稳定性仍然有限。
3、在核磁共振检测方面,cheng s等(2018)利用低场核磁共振和磁共振成像研究鸭蛋盐渍过程中水分、脂质、理化性质及微观结构的变化,表明t1、t2弛豫信息能够反映盐分扩散引起的水分迁移、脂质重分布和分子运动状态变化。该研究主要用于揭示盐渍过程中的组分迁移机理,并未直接建立面向生咸鸭蛋蛋黄重量的自动预测方法。
4、luo b等(2025)采用磁共振成像获取禽蛋内部图像,通过识别蛋黄区域并提取体积等几何特征,对蛋黄重量及蛋黄比例进行非破坏性测量,验证了mri用于禽蛋内部组分定量分析的可行性。然而,这类方法通常依赖蛋黄区域的阈值分割和人工或半自动轮廓修正。在生咸鸭蛋盐渍过程中,蛋黄脱水、凝胶化和油脂析出会降低蛋黄与蛋清界面的图像对比度;同时,低场mri的空间分辨率和信噪比相对有限,容易造成分割边界不清。在本技术人的前期试验中,mri分割体积与排水法真实体积的相关系数仅为0.268,基于分割几何特征建立的回归模型验证集r²仅为0.285±0.042,说明分割误差会进一步传递至特征提取和重量预测环节。
5、在多模态建模方面,baltrušaitis等(2019)对多模态机器学习方法进行了系统研究,指出不同模态的联合建模能够利用各信息源之间的互补关系。对于生咸鸭蛋,mri主要表征内部空间结构,nmr弛豫参数主要反映水分结合状态、脂质分布和分子运动特性,整蛋总重量则提供宏观体量约束;但现有简单拼接或固定权重融合方式难以根据样品差异动态调整各模态贡献。与此同时,食品检测的真实标签通常需要通过破坏性测量获得,有效样本数量有限,复杂三维网络容易发生过拟合;若在完整数据集上预先筛选特征或拟合标准化参数,还可能将验证信息带入训练过程,造成预测性能高估。
6、因此,现有技术仍缺少一种适用于低场核磁共振、小样本和盐渍界面不清场景的蛋黄重量预测方案:无需显式分割蛋黄区域,能够联合利用三维mri空间信息、一维nmr弛豫信息和整蛋总重量,并在训练折内完成特征筛选与参数拟合,从而实现可复现的端到端非破坏性预测。
技术实现思路
1、针对现有技术中的上述不足,本发明提供的一种生咸鸭蛋蛋黄重量非破坏性预测方法及系统解决了传统蛋黄重量测量必须破壳、分离和称量,检测后样品不可继续流转,人工操作效率低,无法兼顾样品完整性与批量检测需求的问题。
2、为了达到上述发明目的,本发明采用的技术方案为:一种生咸鸭蛋蛋黄重量非破坏性预测方法,包括以下步骤:
3、s1、通过低场核磁共振设备采集mri原始数据和nmr弛豫数据,并采集整蛋总重量,生成咸鸭蛋的多模态数据;
4、s2、对咸鸭蛋的多模态数据执行质量检查和预处理,生成预处理后的多模态数据;
5、s3、将预处理后的多模态数据输入多模态融合网络,对多模态融合网络进行训练,构建蛋黄重量预测模型;
6、s4、将待预测咸鸭蛋的多模态数据输入蛋黄重量预测模型,得到蛋黄重量预测值。
7、进一步地:s2包括以下分步骤:
8、s21、对mri原始数据和nmr弛豫数据执行质量检查,并采用四分位距法标记蛋黄重量候选异常值;
9、s22、对mri原始数据根据dicom切片空间位置完成排序和堆叠,并依据设备输出的重建规格生成尺寸为32×256×256的mri数据,采用样本内最小-最大归一化将体素强度映射至[0,1]区间,增加通道维度后得到尺寸为1×32×256×256的mri数据,作为预处理后的mri数据;
10、s23、对t1弛豫数据和 t2弛豫数据进行多组分反演,其中t1分布识别3个峰、t2分布识别4个峰,对每个有效峰提取峰起始时间、峰位置、峰结束时间、峰面积和峰面积占比,形成候选nmr特征集合;根据候选nmr特征集合在当前训练折内计算pearson相关系数,保留概率值p<0.05的候选特征,并按||排序选择前4维,作为预处理后的t1弛豫数据和 t2弛豫数据;
11、s24、整蛋总重量通过z-score标准化,得到预处理后的整蛋总重量,整合预处理后的整蛋总重量、mri数据、t1弛豫数据和 t2弛豫数据,得到预处理后的多模态数据。
12、进一步地:s3中,多模态融合网络包括依次连接的编码器模块、跨模态注意力融合模块和回归预测头,编码器模块包括3d空间特征编码器、1d成分特征编码器和重量特征编码器,3d空间特征编码器、1d成分特征编码器和重量特征编码器均与跨模态注意力融合模块连接。
13、进一步地:3d空间特征编码器包括相互连接的初始3d卷积层和三层残差块,其中,初始3d卷积层设置有初始卷积,三层残差块中,每层的残差块结构相同,均包括两层基本结构,每层基本结构均包括依次连接的3d卷积、批归一化层和第一relu激活函数层,在第二层基本结构的批归一化层与第一relu激活函数层之间设置se模块,se模块包括依次连接的全局最大池化层、第一全连接层、第二relu激活函数层、第二全连接层、sigmoid激活函数层和缩放层,缩放层的输出与全局最大池化层的输出拼接后,输入第一relu激活函数层,全局最大池化层的输入与批归一化层的输出连接。
14、进一步地:1d成分特征编码器和重量特征编码器的结构相同,均包括相互连接的第三全连接层、第三relu激活函数层、第一dropout层和第四全连接层。
15、进一步地:跨模态注意力融合模块包括两层transformer编码器层,每层transformer编码器层的结构相同,均包括依次连接的第一层归一化、多头注意力层、第二层归一化和前馈网络,其中,第一层归一化的输入通过残差连接多头注意力层,第二层归一化的输出通过残差连接前馈网络的输出,多头注意力层设置8个注意力头。
16、进一步地:s3中,对多模态融合网络进行训练的方法为:
17、根据蛋黄重量分位数将多模态数据划分为5份数据集,用于5折交叉验证,五折训练的每个训练周期采用adam优化器、预热与余弦退火组合学习率、huber损失和权重衰减,huber损失的切换阈值,初始学习率为,权重衰减系数为,当验证损失连续15个epoch未改善且改善量小于0.001时早停,并恢复最优权重;五折训练结束后,保存模型权重、特征清单、标准化参数和验证结果,构建蛋黄重量预测模型。
18、上述进一步方案的有益效果为:本发明通过训练折内特征筛选、蛋黄重量分位数划分多模态数据的五折交叉验证、轻量级3d空间特征编码器和早停策略,提高小样本条件下评价的可靠性与模型稳定性。
19、一种生咸鸭蛋蛋黄重量非破坏性预测系统,系统包括:
20、样品准备与多模态数据采集模块,采集mri原始数据、nmr弛豫数据和整蛋总重量,生成咸鸭蛋的多模态数据;
21、数据质量控制与预处理模块,对咸鸭蛋的多模态数据执行质量检查和预处理,生成预处理后的多模态数据;
22、多模态特征编码与融合模块,用于构建多模态融合网络,其包括依次连接的编码器模块、跨模态注意力融合模块和回归预测头;
23、模型训练与评价模块,采用5折交叉验证对多模态融合网络进行训练,训练过程保存模型权重、特征清单、标准化参数和验证结果,验证结果的评价指标包括决定系数、平均绝对误差、均方根误差和平均绝对百分比误差;
24、预测输出与追溯模块,待预测咸鸭蛋的多模态数据输入蛋黄重量预测模型,生成蛋黄重量预测值。
25、本发明的有益效果为:
26、(1)本发明研发并验证了一种生咸鸭蛋蛋黄重量非破坏性预测方法及系统,在低场条件下融合3d mri空间结构信息、1d nmr弛豫特征和样品总重量,构建了轻量级多模态融合网络(参数量2.78m),实现了在样品完整的条件下完成蛋黄重量预测,应用阶段无需破壳、分离和称量蛋黄,可减少样品损耗与人工操作,并为批量检测和原料分级提供基础。
27、(2)本发明不要求对低场mri中的蛋黄边界进行逐体素精确分割,而是通过多模态融合网络中轻量级编码器模块直接学习整体空间模式,避免了边界模糊和人工修正造成的误差累积。
28、(3)消融与对比实验揭示,1d nmr弛豫特征编码了盐渍引起的蛋黄水分状态、分子运动性和组分分布变化,是构成了蛋黄重量预测的主导信息源,而受盐渍过程中蛋黄-蛋清边界模糊及低场mri空间分辨率与信噪比限制的共同影响,基于分割的几何特征建模稳定性显著受限,进而凸显了端到端多模态融合方法的优势。本发明将mri嵌入、nmr嵌入和整蛋总重量嵌入进行叠加,将3d mri空间结构、1d nmr弛豫成分信息和整蛋总重量宏观约束统一映射到同一嵌入空间,并利用跨模态多头注意力自适应建模模态间关系,克服单一模态信息不完整的问题。
29、(4)本发明将特征筛选、标准化参数拟合严格限制在交叉验证训练折内,并基于蛋黄重量分位数划分多模态数据的分层五折验证,能够降低信息泄漏和随机划分分布偏差,提高性能结论的可信度。
30、(5)本发明采用约2.78m参数的轻量网络,在153个有效样本的验证集上取得r2为0.887±0.016、mae为0.31±0.03 g、rmse为0.40±0.03 g、mape为2.14±0.21%的结果,训练集与验证集差异较小,说明该方案在当前实验条件下具有可行性。
31、(7)本发明建立了从设备采集、数据质量门控、模型版本到预测结果的追溯链,可在模态缺失、图像伪影、反演异常或模型低置信度时触发复测,增强后续工程应用的可靠性。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com