藉由機器學習模型改善雞胸肉質檢測
2025/07/01 @國際
摘要
隨著家禽育種朝高成長、高換肉率的肉雞發展，木質化胸肉問題日益嚴重，研究人員利用高光譜影像結合機器學習演算法，開發非侵入性、客觀且高通量的木質胸肉辨識方法，透過導入神經網路架構搜尋模型（NAS-WD），使模型辨識準確率達95%，有望未來能應用於產業，協助快速及精準的檢測肉質。
示意圖
隨著家禽育種往高成長、高換肉率的肉雞進行選育，相關業者開始面臨木質化胸肉(woody breast)的問題，以重量約8-9磅的家禽中較容易出現此問題，其發生率高達20%，更硬且韌的雞胸肉造成每年高達2億美元的損失，而背後成因尚不明確。目前業者大多以人工篩選木質化胸肉，然而過程耗時且不夠客觀，因此美國阿肯色州農業研究站(Arkansas Agricultural Experiment Station)研究人員利用高光譜影像結合機器學習演算法，建立非侵入性、客觀且高通量的方法辨識木質化胸肉。
高光譜影像結合機器學習演算法
研究人員採樣了250個生雞胸肉片，針對肉片不同位置測量硬度並擷取其高光譜影像，有別於傳統每30毫秒針對單一物體照一張影像的快照式(snapshot)方法，試驗中利用每40秒一次擷取多個物體影像的掃描式方法，有效提升影像的解析度，隨後結合硬度及高光譜資訊進行關聯性分析並建立回歸模型，期望能利用光譜影像辨別肉質硬度。為了優化模型分類的精準度，研究團隊開發一個神經網路架構搜尋(neural network architecture search)模型名為NAS-WD，能夠自動優化網路架構，結果顯示此模型對於三種硬度雞胸肉的辨識及分類準確率達95%，優於支援向量機(support vector machine)及多層感知器(Multilayer Perceptron)兩種傳統模型，兩者準確率分別為80%及73%。
藉由分析複雜的高光譜影像數據並結合機器學習協助辨識木質化胸肉，研究團隊正積極將技術實際應用於檢測系統中，有望加速且精準的檢測劣質品以減少經濟損失並提升消費者信心。
資料來源
文章摘譯
