用计算机视觉图像对蛋的形态测量进行估计的替代非破坏性方法

科学领域:

• 农业科学 农业科学
• 生物医学工程 生物医学工程
• 计算机视觉 计算机视觉

背景情况:

• 蛋具有对微生物污染的自然防御能力,对食品安全至关重要.
• 传统的卵子形态分析方法具有侵入性,并且可能效率较低.
• 非破坏性技术为准确和高效的蛋质量评估提供了一个有希望的替代方案.

研究的目的:

• 为了证明非侵入性3D计算机断层扫描 (CT) 图像分析与卵子形态测量常规破坏性方法的可比性.
• 评估深度学习模型在细分和分析蛋3DCT图像中的有效性.
• 建立一个可扩展和可靠的非侵入性卵子质量评估方法.

主要方法:

• 开发和应用两个深度学习架构:U-Net 3D和完全卷积网络 (FCN) 3D.
• 创建和标记一个包含蛋真实3DCT图像的数据集.
• 从细分图像中提取形态参数,如高度,宽度,外厚度和体积.

主要成果:

• 深度学习模型在细分和分析3DCT蛋图像方面实现了高精度 (高达98.69%).
• 获得的形态测量结果与传统的手动测量结果相似.
• 证明了非侵入性方法在捕获关键蛋特征方面的有效性.

结论:

• 3D CT图像分析与深度学习相结合,为卵子质量评估提供了可行的非侵入性替代方案.
• 这种方法尽量减少了在工业和研究环境中进行破坏性测试的需要.
• 提供一种可扩展,准确和可靠的方法来评估蛋的形态学和质量.