前言

食品加工屬於不可逆之製造流程，一旦進入製程即無法返修，僅能報廢或轉作其他產品使用。因此，如何在兼顧食品安全與保存期限的條件下，確保製程穩定與品質一致性，為食品加工技術之核心課題，蛋品加工亦不例外。

相同原料雞蛋，經不同加工技術處理，可轉製為滷蛋、鐵蛋、溏心蛋等多樣化產品。其中，溏心蛋於殼蛋加工產品中屬高附加價值品項，然其製程控制難度亦相對較高，對原料品質與製程精準度要求甚為嚴格，故能在市場上維持較高售價與產品價值。

穩定且高品質之鮮蛋供應為提升製成率之關鍵因素。然而，雞蛋屬生物性產品，其產量與品質易受氣候、飼養條件及環境因素影響，供應穩定性存在一定變數。溏心蛋之製成率主要取決於兩項核心條件：其一為準確辨識原料蛋之新鮮度，其二為精準掌握煮製過程之製程參數。唯有同時有效控管原料端與製程端，方能確保產品品質穩定並提升整體良率。

基於上述需求，開發生蛋鮮度預測模型，透過科學化評估方法預測原料蛋之新鮮程度，進而幫助蛋品加工業者強化製程穩定性，提升成品良率與品質一致性。

傳統製程中的蛋品鮮度辨識

牧場將雞蛋運送至加工業者收料端後，品管單位通常會進行抽樣檢驗，以確認原料品質。傳統雞蛋鮮度判別多仰賴感官與物理特性觀察，包括外觀檢視、氣味辨識，以及輕微搖晃後聲音變化等方式，作為初步判斷依據。常見檢測方法說明如下：

1. 浮水測試法

雞蛋於儲存期間，內部水分會逐漸經由蛋殼孔隙蒸發，同時外部空氣進入，使氣室體積增加。氣室擴大將改變雞蛋整體密度，進而影響其在水中的浮沉狀態。

實務上使用濃度約 6% 的食鹽水進行檢驗測試。由於鹽水密度高於純水，可提高浮力差異，使雞蛋浮沉變化更為明顯。

• 新鮮雞蛋：密度較高，多半平躺於容器底部。
• 存放較久雞蛋：因氣室增大，呈現傾斜或半浮狀態。
• 鮮度不佳雞蛋：浮至水面。

2. 破蛋檢測法

破蛋檢測屬於直觀且依賴目視經驗確認的判別方式。操作時，將雞蛋打入乾淨平盤，觀察蛋黃與蛋白之形態、結構與流動性。

(1) 新鮮雞蛋特徵

• 蛋黃圓潤飽滿、隆起明顯，不易破裂。
• 濃蛋白厚實集中，具良好黏稠度與彈性。
• 稀蛋白分布於外圍，但不過度擴散。
• 整體呈現蛋黃、濃蛋白與稀蛋白之明顯分層結構。

(2) 鮮度降低或過期雞蛋特徵

• 蛋黃扁平、結構鬆散，易破裂或下沉。
• 蛋白流動性增加，迅速攤開成薄層，黏稠度下降。
• 分層結構不明顯。

(圖片來源：https://www.chicken.tw/card/egg-knowledge/eggs/no_45)

霍氏單位（Haugh Unit, HU）

雞蛋品質評估常採用 1937 年由 Raymond Haugh 所提出之霍氏單位（Haugh Unit, HU）作為客觀指標。該方法係透過量測濃蛋白高度與雞蛋重量，計算蛋品新鮮度與內部品質。其計算公式如下:

其中：HU：霍氏單位（Haugh Unit），H：濃蛋白高度（mm），W：蛋重（g）。

霍氏單位數值愈高，表示濃蛋白厚實、結構完整，雞蛋品質愈佳。依一般分級標準：

稀蛋白與品質影響

稀蛋白是指雞蛋在儲存過程中，因蛋白質結構逐漸劣化及水分重新分布，使原本濃稠的濃蛋白轉變為流動性較高的水狀蛋白。隨著儲存時間增加，濃蛋白比例下降，稀蛋白比例相對提高，此現象通常可作為雞蛋鮮度下降的指標之一。

當整顆雞蛋中稀蛋白比例過高時，代表內部結構穩定性已明顯降低。在溏心蛋加工中，過量稀蛋白可能導致加熱時蛋白凝固力不足，影響成型完整性；例如在水煮製程中，易造成脫殼困難或蛋白破損，進而引發成品外觀不良及原料浪費，降低整體製成率。

雖然霍氏單位（HU）可反映濃蛋白高度及雞蛋整體品質，但其量測主要針對濃蛋白，無法直接掌握稀蛋白比例。基於此，本技術提出透過體積資訊分析，建立雞蛋鮮度判別模型，將生蛋鮮度以數據化形式量化，補足傳統 HU 指標的不足。

生蛋鮮度實驗規劃

為取得蛋液體積之實際數值，進行蛋液抽取與分離量測實驗。首先，使用寶特瓶容器完整抽取蛋黃，倒入有刻度之量筒中，將蛋黃充分攪拌均勻後靜置10至15秒，記錄刻度以獲得蛋黃體積數據。接著，將剩餘蛋液透過鋼柄濾網過濾，分離濃蛋白與稀蛋白，過濾時間約2分鐘，並將稀蛋白收集於碗中。

最後，將濾網上的濃蛋白及碗中的稀蛋白分別倒入量筒量測並記錄刻度，完成後依序進行下一顆雞蛋之破蛋檢測，以累積完整實驗數據。

除物理量測外，實驗亦結合影像分析技術進行體積推估。透過雷射相機拍攝蛋液表面影像，取得蛋液之三維圖像資料（XYZ 座標），其中 X 與 Y 為平面座標，Z 為高度資訊，用以反映蛋黃與蛋白之立體形貌差異。

依據高度分布特性進行區域分割。由於蛋黃通常具有較高之 Z 值，濃蛋白次之，稀蛋白最低，因此可透過高度閾值設定進行分群，區分蛋黃、濃蛋白與稀蛋白之邊界範圍。為提升區域辨識準確度，進一步搭配標準化（Normalization）與顏色映射（Color Mapping）等前處理程序，將不同高度區間轉換為對應色階，以強化各區域之視覺差異。本研究採用最小–最大標準化（Min–Max Normalization），其計算式如下：

完成區域分割後，將三維點雲資料採用網格積分法（Mesh Integration Method）進行體積計算。其原理為將不規則曲面離散為微小網格單元，對各單元進行體積累加，以求得各區域之總體積。最終可分別取得蛋黃體積、濃蛋白體積與稀蛋白體積，作為後續鮮度判別模型建構之量化依據。

生蛋鮮度模型建立

由於影像分析所得之體積預測值與實際量測數值之間仍存在一定程度誤差，可能來源包括影像解析度限制、點雲高度差異、區域分割閾值設定偏差，以及曲面離散化過程所產生之積分誤差。因此，為提升體積推估之準確度與穩定性，導入人工神經網路（Artificial Neural Network, ANN）模型進行數值優化與誤差修正。

模型建構概念

影像分析所取得之特徵參數作為模型輸入變數，包括：體積預測數值、各區域劃分面積。實際量測之體積數值則作為模型訓練之目標輸出值。透過監督式學習（Supervised Learning），使 ANN 模型學習影像體積與真實體積之間的非線性關係，建立誤差修正映射模型。

模型訓練流程

本研究針對不同批號蛋品共蒐集 39 筆數據資料，並將資料集劃分為訓練集與測試集，以評估模型之泛化能力。其中 31 筆資料用於模型訓練，8 筆資料用於測試驗證。模型架構採用多層前饋式神經網路（Multilayer Perceptron, MLP），並透過反向傳播法（Backpropagation）進行權重更新，使預測誤差最小化。模型設計包含 5 層隱藏層，每層 128 個神經元，以提升非線性特徵擬合能力。

模型訓練結果

各蛋液體積模型的訓練與測試結果顯示，蛋黃模型表現最佳，訓練準確度 94.98%，測試準確度 96.34%，平均誤差僅 4.7%，顯示模型能有效擬合蛋黃體積的非線性特徵。

濃蛋白模型訓練準確度 89.88%，測試準確度 91.07%，平均誤差 9.8%，表現略低於蛋黃模型，但仍具有良好的預測能力。

稀蛋白模型以扣除法取得，平均誤差為 10.4%，較高的誤差反映其體積受蛋黃與濃蛋白變化影響較大。

整體而言，各模型對不同蛋液組分的預測均達到可用精度，尤其蛋黃模型表現穩定。隨著資料量增加及模型持續優化，預期各組預測誤差可進一步縮小。

結論

針對生蛋鮮度判別問題，整合傳統物理量測方法與三維影像分析技術，建立一套具量化基礎之鮮度評估流程。首先透過蛋黃、濃蛋白與稀蛋白之分離量測，取得實際體積數據，作為後續模型建構之標準參考值；同時導入雷射三維影像擷取技術，利用高度資訊進行區域分割，並透過標準化與顏色映射強化邊界辨識能力，再以網格積分法計算各區域體積，完成影像體積推估。

針對影像預測值與實際量測值間之誤差問題，進一步導入人工神經網路（ANN）模型進行誤差修正。經訓練與測試驗證結果顯示，蛋黃體積預測平均誤差可控制於 5% 以內，濃蛋白與稀蛋白之誤差亦維持於合理範圍，顯示所建構之模型具良好之穩定性與泛化能力。結合稀蛋白比例分析，可進一步作為判斷生蛋鮮度的重要指標，對蛋品加工業者提供可靠的品質控制依據。

綜合而言，將傳統依賴感官判斷與破壞式量測之鮮度評估方式，轉化為結合影像技術與機器學習之數據化分析流程，未來可透過擴充資料樣本數及優化模型架構，進一步提升模型穩定度與實務應用價值。