基于深度学习的种鸭蛋孵化早期受精信息无损检测

针对我国鸭蛋孵化行业剔除无精蛋的方法效率低、剔除的无精蛋已丧失食用价值、造成资源巨大浪费的问题,运用机器视觉技术,以孵化至第3天的种鸭蛋为研究对象,运用深度卷积神经网络(Convolutional neural networks,CNN)端对端的特点,在Alexnet神经网络基础上进行改进,将孵化第3天的种鸭蛋透射图像直接输入到深度卷积神经网络。用卷积层代替全连接层,改变卷积核的尺寸,搭建了种鸭蛋受精信息识别网络(Eggnet)模型,实现了对种鸭蛋孵化早期受精信息的无损判别。试验结果表明,该方法对孵化第3天的种鸭蛋图像测试集分类准确率高达98.87%,验证集分类准确率为97.97%,平均单枚蛋检测时间仅为0.24 s。     

鸡蛋蛋白质组学研究现状与展望

鸡蛋以及含有鸡蛋成分的各类食品是为人体提供营养的重要蛋白质来源之一.此外,鸡蛋中还蕴藏着大量生物活性物质,在医药、食品、化工领域具有极高的经济价值.然而,经过半个多世纪的研究,鸡蛋中仍只有一些主要的蛋白质被鉴定出来,那些微量的蛋白质还不为人们所知.随着基因组学的发展和高通量蛋白质组学研究方法的不断进步,使得从整体上系统地研究鸡蛋各部位的全套蛋白质以及其相互作用成为可能.本文综述了近年来鸡蛋蛋白质组学研究上的技术突破和进展情况并展望了未来该领域研究的发展趋势和应用前景.     

蛋壳综合开发利用研究进展

综述禽蛋的生产现状及壳资源在国内外的研究现状与发展趋势,探讨了蛋壳综合开发利用的目的和意义,通过分析市场前景与效益,为蛋品的深加工与副产物的开发利用提供思路。     

基于改进YOLOv7模型的复杂环境下鸭蛋识别定位

在干扰、遮挡等复杂环境下,对鸭蛋进行快速、准确识别定位是开发鸭蛋拾取机器人的关键技术,该研究提出一种基于改进YOLOv7（you only look once）模型的复杂环境鸭蛋检测方法,在主干网络加入卷积注意力模块（CBAM,convolutional block attention module）,加强网络信息传递,提高模型对特征的敏感程度,减少复杂环境对鸭蛋识别干扰;利用深度可分离卷积(DSC,depthwise separable convolution)、调整空间金字塔池化结构（SPP,spatial pyramid pooling）,降低模型参数数量和运算成本。试验结果表明,与SSD、YOLOv4、YOLOv5_M以及YOLOv7相比,改进YOLOv7模型的F1分数（F1 score）分别提高了8.3、10.1、8.7和7.6个百分点,F1分数达95.5%,占内存空间68.7 M,单张图片检测平均用时0.022 s。与不同模型在复杂环境的检测对比试验表明,改进的YOLOv7模型,在遮挡、簇拥、昏暗等复杂环境下,均能对鸭蛋进行准确快速的识别定位,具有较强鲁棒性和适用性。该研究可为后续开发鸭蛋拾取机器人提供技术支撑。     

我国禽蛋加工标准体系工作的现状与建议

我国禽蛋产量位居世界第一,产业总产值近3000亿元。同时,整个禽蛋业发展呈现出规模化、自动化、绿色化和深加工化的发展趋势。但是,我国禽蛋品相关标准缺乏、标准体系不健全、标准不配套、检验检测方法和技术薄弱,制约了禽蛋及其制品质量安全水平的提高。本文在我国禽蛋加工标准体系现状研究的基础上,提出了建立适合我国国情的禽蛋加工标准体系的建议。     

基于深度学习的群体种鸭蛋受精信息检测方法

针对我国禽蛋孵化行业以人工方式剔除无精蛋自动化程度低的问题,以孵化5 d的群体种鸭蛋为研究对象,利用图像采集装置采集群体种鸭蛋图像,在常用单步多框检测器(Single shot multibox detector,SSD)网络的基础上提出一种改进SSD目标检测算法,并采用该方法对孵化早期整盘群体种鸭蛋中的受精蛋与无精蛋进行识别。利用MobileNetV3轻量化网络作为模型的特征提取网络,可快速高效提取图像特征。结果表明:本文建立的模型对孵化早期群体种鸭蛋中受精蛋与无精蛋的平均识别精度为98.09%、召回率为97.32%、漏检率为0,优于改进前网络模型的96.88%、96.17%、1.04%。本文方法可为种鸭蛋孵化产业相关智能机器人或机械手的研发提供技术支撑。     

荧光量子点快速检测禽蛋中致病菌的应用

近年来,纳米技术已经成为人们广泛关注的前沿领域之一,引起国际上的普遍重视.而量子点(quan-tum dots,QDs)又称半导体纳米微晶体,是能够接受激发光产生荧光的半导体纳米颗粒.