論文の概要: ELMF4EggQ: Ensemble Learning with Multimodal Feature Fusion for Non-Destructive Egg Quality Assessment
- arxiv url: http://arxiv.org/abs/2510.02876v1
- Date: Fri, 03 Oct 2025 10:34:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-06 16:35:52.347591
- Title: ELMF4EggQ: Ensemble Learning with Multimodal Feature Fusion for Non-Destructive Egg Quality Assessment
- Title（参考訳）: ELMF4EggQ:非破壊的卵品質評価のためのマルチモーダル特徴融合によるアンサンブル学習
- Authors: Md Zahim Hassan, Md. Osama, Muhammad Ashad Kabir, Md. Saiful Islam, Zannatul Naim,
- Abstract要約: 本稿では,卵のグレードと鮮度を分類するためにマルチモーダルな特徴融合を利用するアンサンブル学習フレームワークであるELMF4EggQを紹介する。
我々の知る限りでは、外的かつ非侵襲的な特徴のみを用いて、内部卵質評価に機械学習手法を適用した初めての研究である。
- 参考スコア（独自算出の注目度）: 2.2547659062865937
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Accurate, non-destructive assessment of egg quality is critical for ensuring food safety, maintaining product standards, and operational efficiency in commercial poultry production. This paper introduces ELMF4EggQ, an ensemble learning framework that employs multimodal feature fusion to classify egg grade and freshness using only external attributes - image, shape, and weight. A novel, publicly available dataset of 186 brown-shelled eggs was constructed, with egg grade and freshness levels determined through laboratory-based expert assessments involving internal quality measurements, such as yolk index and Haugh unit. To the best of our knowledge, this is the first study to apply machine learning methods for internal egg quality assessment using only external, non-invasive features, and the first to release a corresponding labeled dataset. The proposed framework integrates deep features extracted from external egg images with structural characteristics such as egg shape and weight, enabling a comprehensive representation of each egg. Image feature extraction is performed using top-performing pre-trained CNN models (ResNet152, DenseNet169, and ResNet152V2), followed by PCA-based dimensionality reduction, SMOTE augmentation, and classification using multiple machine learning algorithms. An ensemble voting mechanism combines predictions from the best-performing classifiers to enhance overall accuracy. Experimental results demonstrate that the multimodal approach significantly outperforms image-only and tabular (shape and weight) only baselines, with the multimodal ensemble approach achieving 86.57% accuracy in grade classification and 70.83% in freshness prediction. All code and data are publicly available at https://github.com/Kenshin-Keeps/Egg_Quality_Prediction_ELMF4EggQ, promoting transparency, reproducibility, and further research in this domain.
- Abstract（参考訳）: 卵質の正確で非破壊的な評価は、食品の安全性、製品標準の維持、商業的な養鶏生産における運用効率の確保に不可欠である。
ELMF4EggQは,外的属性(画像,形状,重量)のみを用いて,卵のグレードと鮮度を分類するマルチモーダル特徴融合を用いたアンサンブル学習フレームワークである。
卵の粒度と鮮度は、卵黄指数やヒュー単位などの内部品質測定を含む実験室による評価によって決定された。
我々の知る限りでは、外的かつ非侵襲的な特徴のみを用いた内部卵質評価に機械学習手法を適用した最初の研究であり、対応するラベル付きデータセットを最初にリリースする。
提案フレームワークは, 卵の形状や重量などの構造特性を外部の卵像から抽出した深い特徴を統合し, 各卵の包括的表現を可能にする。
画像の特徴抽出は、トップパフォーマンスの事前学習CNNモデル(ResNet152、DenseNet169、ResNet152V2)を用いて行われ、続いてPCAベースの次元削減、SMOTE拡張、複数の機械学習アルゴリズムを用いた分類が行われる。
アンサンブル投票機構は、最高の性能の分類器からの予測を組み合わせることで、全体的な精度を高める。
実験結果から,マルチモーダル・アンサンブル・アプローチは画像のみおよび表層(形状と重量)のみのベースラインを著しく上回り,グレード分類では86.57%,鮮度予測では70.83%の精度を達成した。
すべてのコードとデータはhttps://github.com/Kenshin-Keeps/Egg_Quality_Prediction_ELMF4EggQで公開されている。
関連論文リスト
- CRIA: A Cross-View Interaction and Instance-Adapted Pre-training Framework for Generalizable EEG Representations [52.251569042852815]
CRIAは、可変長および可変チャネルコーディングを使用して、異なるデータセット間でEEGデータの統一表現を実現する適応フレームワークである。
このモデルでは、時間的、スペクトル的、空間的特徴を効果的に融合させるクロスアテンション機構を採用している。
テンプル大学脳波コーパスとCHB-MITデータセットによる実験結果から、CRIAは既存の方法よりも、同じ事前学習条件で優れていることが示された。
論文 参考訳（メタデータ） (2025-06-19T06:31:08Z) - A Hybrid Framework for Statistical Feature Selection and Image-Based Noise-Defect Detection [55.2480439325792]
本稿では,統計的特徴選択と分類技術を統合し,欠陥検出精度を向上させるハイブリッドフレームワークを提案する。
工業画像から抽出した55個の特徴を統計的手法を用いて解析した。
これらの手法をフレキシブルな機械学習アプリケーションに統合することにより、検出精度を改善し、偽陽性や誤分類を減らす。
論文 参考訳（メタデータ） (2024-12-11T22:12:21Z) - Self-DenseMobileNet: A Robust Framework for Lung Nodule Classification using Self-ONN and Stacking-based Meta-Classifier [1.2300841481611335]
Self-DenseMobileNetは胸部X線写真(CXR)における結節と非結節の分類を強化するように設計されている
我々のフレームワークは、入力品質を最適化するために高度な画像標準化と拡張技術を統合している。
外部データセットでテストすると、このフレームワークは89.40%の精度で強力な一般化性を維持した。
論文 参考訳（メタデータ） (2024-10-16T14:04:06Z) - Nondestructive chicken egg fertility detection using CNN-transfer
learning algorithms [2.140665055308364]
本研究ではCNN-Transfer Learningの非破壊鶏卵受精検出への応用について検討した。
VGG16、ResNet50、InceptionNet、MobileNetの4つのモデルがトレーニングされ、データセット(200個のシングルエッグイメージ)で評価された。
InceptionNetは、受精卵と不受精卵を正確に分類し、全体的なパフォーマンスを最高のものにした。
論文 参考訳（メタデータ） (2023-09-28T08:50:19Z) - Beyond Images: Adaptive Fusion of Visual and Textual Data for Food Classification [40.87887112206404]
このフレームワークはUPMC Food-101データセットで厳格に評価され、画像の73.60%、テキストの88.84%の単調な分類精度を達成した。
両方のモダリティが融合されたとき、このモデルは97.84%の精度を達成し、いくつかの最先端の手法を上回った。
論文 参考訳（メタデータ） (2023-08-03T04:03:46Z) - FaFCNN: A General Disease Classification Framework Based on Feature
Fusion Neural Networks [4.097623533226476]
本稿では,機能認識型統合相関ニューラルネットワーク (FaFCNN) を提案する。
実験結果から,事前学習による強化特徴を用いた訓練により,無作為森林法よりも高い性能向上が得られた。
論文 参考訳（メタデータ） (2023-07-24T04:23:08Z) - Task-Specific Normalization for Continual Learning of Blind Image
Quality Models [105.03239956378465]
視覚的画像品質評価(BIQA)のための簡易かつ効果的な連続学習法を提案する。
このアプローチの重要なステップは、トレーニング済みのディープニューラルネットワーク(DNN)のすべての畳み込みフィルタを凍結して、安定性を明示的に保証することです。
我々は、各新しいIQAデータセット(タスク)に予測ヘッドを割り当て、対応する正規化パラメータをロードして品質スコアを生成する。
最終的な品質推定は、軽量な$K$-meansゲーティング機構で、すべての頭からの予測の重み付け総和によって計算される。
論文 参考訳（メタデータ） (2021-07-28T15:21:01Z) - No Fear of Heterogeneity: Classifier Calibration for Federated Learning
with Non-IID Data [78.69828864672978]
実世界のフェデレーションシステムにおける分類モデルのトレーニングにおける中心的な課題は、非IIDデータによる学習である。
このアルゴリズムは, 近似されたssian混合モデルからサンプリングした仮想表現を用いて分類器を調整する。
実験の結果,CIFAR-10,CIFAR-100,CINIC-10など,一般的なフェデレーション学習ベンチマークにおけるCCVRの現状が示された。
論文 参考訳（メタデータ） (2021-06-09T12:02:29Z) - Causal Feature Selection for Algorithmic Fairness [61.767399505764736]
データ管理の統合コンポーネントにおける公平性について検討する。
本稿では,データセットの公平性を保証する特徴のサブコレクションを同定する手法を提案する。
論文 参考訳（メタデータ） (2020-06-10T20:20:10Z) - Omni-supervised Facial Expression Recognition via Distilled Data [120.11782405714234]
ネットワークトレーニングにおいて,信頼度の高いサンプルを多量のラベルのないデータで活用するためのオムニ教師付き学習を提案する。
我々は,新しいデータセットが学習したFERモデルの能力を大幅に向上させることができることを実験的に検証した。
そこで本研究では,生成したデータセットを複数のクラスワイド画像に圧縮するために,データセット蒸留戦略を適用することを提案する。
論文 参考訳（メタデータ） (2020-05-18T09:36:51Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。