鸡蛋作为一种高蛋白质、低脂肪的营养食品,是人们最重要的营养来源之一。我国虽然鸡蛋资源丰富,但鸡蛋产业化发展较慢,水平较低,无论是鸡蛋生产、加工还是贮藏、流通水平均落后于发达国家,具体表现在鸡蛋供应不准确,鸡蛋加工水平低和缺少产业链配套的检测设备等,因此对鸡蛋产量进行可靠预测,对鸡蛋品质进行检测具有现实意义。本论文总结并分析了国内外关于鸡蛋产量预测和品质检测的研究现状以及存在的不足,将机器学习算法应用于鸡蛋产量预测和品质检测,具体完成了以下三个方面的研究工作:(1)基于机器学习的鸡蛋产量预测模型研究。本文对鸡蛋产量预测模型进行了研究,以产蛋率为预测指标,提出了两类基于机器学习的不同的产蛋率预测模型,分别为基于极限学习机的产蛋率时间序列预测模型和基于支持向量机回归的产蛋率多参数预测模型。其中,极限学习机预测模型是选取多批海兰褐蛋鸡产蛋率历史数据来构建时间序列模型,将第一批数据样本用于该网络训练,完成极限学习机预测模型,其他批次数据用于产蛋率模型的预测。而基于支持向量机回归的产蛋率预测模型是将蛋鸡采食量、蛋鸡鸡龄、体重、温度、光照时长、以及是否应激等六类影响因子进行处理,作为支持向量机的输入数据,对蛋鸡的产蛋率进行建模预测。实验结果表明,所建立的极限学习机时间序列的预测模型和支持向量机回归的多参数预测模型都能够准确地预测产蛋率,预测结果符合蛋鸡的实际产蛋率。(2)基于卷积神经网络的鸡蛋暗斑检测方法研究。本文提出了一种基于卷积神经网络GoogLeNet模型的鸡蛋暗斑检测方法,以实现对暗斑鸡蛋检测目的。该方法利用Inception模块重复堆叠构建神经网络架构,利用多尺度卷积核提取鸡蛋暗斑特征并进行级联融合。为了获得足够图片样本验证模型的有效性,设计了鸡蛋透光图片采集装置,共得到1200张暗斑鸡蛋图像和8850张正常鸡蛋图像,选取两类样本各1200张用于网络建模。实验结果表明,基于GoogLeNet模型的暗斑鸡蛋的检测准确率为98.19%。为更进一步验证GoogLeNet模型,本文利用CNN模型中的VGG16和VGG19模型重复上述实验,进行精度比较,结果表明,以上CNN模型均有较高的检测准确率,GoogLeNet模型效果更优。本文同时与HOG-SVM方法加以比对,结果表明,不管是单类型样本还是测试集总检测准确率,基于GoogLeNet模型均高于HOG-SVM模型10个以上百分点。基于GoogLeNet模型的检测方法具有可行性,并有很高的检测精度,为鸡蛋品质检测提供了新的方法。(3)基于卷积神经网络的鸡蛋新鲜度检测方法研究。本文对鸡蛋内部品质检测方法进行了研究,以鸡蛋的哈夫值为指标,提出了基于卷积神经网络的鸡蛋新鲜度检测方法。针对以往鸡蛋新鲜度检测的研究存在样本数过少、样本分布不均、模型精度低等问题,设计了“个体反映总体”和多角度图像样本采集的思路,扩充了样本数量,并平衡不同类别鸡蛋样本数目,共获得6444张总样本。为能够实现新鲜度分级,本文利用4个卷积层、4个池化层、2个全连接层、6个激活层、2个Dropout层和一个分类器堆叠而成的卷积神经网络进行鸡蛋内部特征自主学习并实现分类,整个检测过程无过多预处理步骤。实验结果表明本文建立的检测方法准确率较高,检测准确率为94.63%,与以往的检测方法比较,模型检测精度更高,泛化能力更强。