CN103033512B - 一种基于高光谱识别种蛋孵化的方法 - Google Patents

Abstract

本发明公开了一种基于高光谱识别种蛋孵化的方法，属于农产品检测技术领域。通过高光谱成像仪，获取孵化全过程高光谱图像，分析不同类型种蛋图像和光谱之间的差别，提取相应的图像和光谱特征参数，在此基础上优化出反映种蛋孵化特征的变量集。根据实际生产状况，设计将一种基于决策树型的层次支持向量机分类器，构建种蛋孵化判别模型。本方法可以对无精蛋、前期胚胎发育不正常蛋、散黄蛋、中期死胚蛋、后期死胚蛋进行准确识别，达到监测孵化过程的效果，完全可以代替人工检测，对于提升我国家禽孵化品质检测的自动化水平具有重要的意义和应用价值。

Description

一种基于高光谱识别种蛋孵化的方法

技术领域

本发明是一种基于高光谱识别种蛋孵化的方法，属于农畜产品检测技术领域。

背景技术

禽蛋含有人体所需的蛋白质、脂肪、矿物质和多种维生素，易于消化和吸收，具有很高的营养价值，是人类已知最为理想的天然食品。我国禽蛋资源丰富、品种多样，是世界禽蛋生产和消费大国。据不完全统计，我国蛋品行业的总产值已经达到了1600-2000亿元，在国民经济中占有很高的比重。到2006年我国禽蛋产量达到了2960万吨以上，占世界总产量的46％左右，2007年我国禽蛋产量达到3100万吨左右，禽蛋总产量摇摇领先于第二名的美国，近些年来，禽蛋出口形势看好，呈持续增长态势，已成为我国重要的出口农产品，在国际市场享有较高声誉。随着对外贸易的发展以及国际市场的变化，对禽蛋及其加工品品质有了更高的要求，禽蛋的品质检测是禽蛋生产、经营、加工中的重要环节之一，直接影响到商品等级、市场竞争力、经济效益。而种蛋的品质直接关系到雏禽的孵化率、成活率及成禽质量。一般禽蛋的孵化过程大约需要21-30天(鸡蛋21天，鸭蛋28天，鹅蛋30天)，且对环境温度、湿度条件要求较高，是一个耗时、耗能的过程。种蛋孵化率的高低，直接影响养殖业的经济效益，而孵化率的高低很大程度上取决于种蛋的品质。佐治亚大学的研究数据表明，在孵化率低下的原因中，42％被归因于受精率问题，28％被归因于胚胎早期死亡，24％则是由于胚胎晚期死亡。这些数据表明，受精率和胚胎不正常发育是决定孵化成效的最重要的因素。

传统的方法是利用灯光透视种蛋来观察胚胎发育是否正常，及时将无精蛋、死胚蛋、破壳蛋等剔除。随着畜牧业的发展，虽然先进的科学技术改变了传统的孵化方式和生产操作，孵化生产已由微机控制的孵化器替代了老式的孵化器。但是，孵化生产过程中的无精蛋、死胚蛋的剔除，依然采用人工照蛋、人力敲击听音等非自动化手段，人工照蛋只能在上孵6d后将未受精的种蛋剔除，而且较费时费力，生产效率低，易于污染和交叉感染疫病、破损率较高，特别是机外停留时间较长，影响孵化率的提高。因此，开展种蛋孵化品质的无损检测技术研究非常必要，对于提升我国家禽孵化品质检测的自动化水平具有重要的意义和应用价值。

近年来国内外有一些专家学者对种蛋孵化进行了相关研究，[周维忠.基于机器视觉的孵化生产质量检测技术研究[D].西安交通大学，2000][郁志宏，王春光，张晓芳，等.改进的粒子群神经网络检测种蛋成活性[J].计算机工程与设计，2007，28(2)：427-429][于景滨，张欣艳，赵达，等.孵化早期用光电法剔除无精蛋的两种方法[J].黑龙江八一农垦大学学报，2002，14(6)：111-113][Smith D P，Mauldin J M，Heitschmidt G W.Fertility and embryo development of broiler hatching eggsevaluated with a hyoersoectral imaging and predictive modeling system[J].Interanational Journal of Poultry Science，2008，7(10)：1001-1004.]。检测孵化成活性的研究虽然多，但这些研究大多数仅涉及了前期(4-6天)，对于整个孵化阶段的种蛋胚胎成活性的进行研究的很少，很少利用高光谱成像技术进行全面研究；并且研究主要集中在白壳种蛋，对研究难点褐壳种蛋孵化前期的检测少有涉及，同时存在褐壳种蛋前期孵化检测识别准确率低等问题。因此，进一步开展种蛋孵化品质的检测，研究种蛋孵化品质的高光谱检测研究是十分必要的，填补了褐壳种蛋孵化研究的空白。

发明内容

技术问题

本发明主要针对现有无损检测方法对种蛋孵化全过程的检测存在空白，以及检测率低等现状。利用高光谱成像技术，分析不同阶段出现不同类型种蛋图像和光谱信息，提取响应的特征参数，并提出一种基于决策树的支持向量机分类方法，构建种蛋孵化前、中、后期的胚胎未发育、无精蛋、散黄蛋、中期死胚蛋以及后期死胚蛋的识别模型。该方法，对于提升我国家禽孵化品质检测的自动化水平具有重要的意义和应用价值。

技术方案

一种基于高光谱识别种蛋孵化的方法(本研究技术路线见图1)，其特征在于包括：(一)高光谱图像采集装置的搭建、(二)特征参数的提取、(三)判别模型的设计，其中：

(一)高光谱图像采集装置的搭建

1)光学系统

高光谱光学系统主要由高光谱图像单元、直流可调光源、计算机和图像采集软件组成。其中高光谱图像单元由CCD摄像头(7)，有效波段范围为400～1000nm，光谱分辨率为2.8nm的图像光谱仪(8)和焦距可变透镜构成(9)。直流可调光源由150w的卤素钨灯及控制器(5)构成，线光源(2)。计算机型号为CPUE5800，3.2GHz，内存2G，显卡256M GeForce GT240(6)。图像采集软件为Spectral Image。为了避免外界光源的干扰，整个装置放置在密闭黑箱中。

2)传送装置及支架

传送装置为电控平移台(1)。支架为长14cm宽18cm高15cm的，长方体，顶端有直径1.5cm的圆孔(3)，线光源(2)距离支架顶端2cm。整个支架为黑色。

3)采集系统

由于种蛋发育前期胚胎发育小，受蛋壳颜色影响大，采用传统的方式不能很好的辨别，本专利开发一种减少蛋壳颜色影响的检测种蛋孵化的图像采集系统。光谱摄像头在距离种蛋30cm的水平平行位置上采集光谱图像，采集曝光时间55ms，采集速度2.5mm/s，图像分辨率440×804。采集时，种蛋(4)小头朝下，竖直放置在支架圆孔(3)上，在线光源(2)上水平移动，线阵的探测器在种蛋前进方向的垂直方向作横向扫描，获取条状空间中每个像素在各个波长处的图像信息；同时，随着种蛋的前进，探测器扫出整个平面完成整幅图像数据的采集，最终得到波长范围400～1000nm图像分辨率为440×804的高光谱图像三维数据块。(装置如图2所示)

(二)特征参数的提取

1)图像特征参数提取

取种蛋大头处50*10的矩形框中的光谱平均值为阈值，对最大特征波长处的图像进行阈值分割，提取胚胎发育形态图像。计算胚胎形态图像包含的像素个数X₁，以及单独除去背景的图像包含的像素个数X₂。由于种蛋存在个体差异，提取像素比W作为参数(如图3所示，白色部分代表分割后的种蛋胚胎)。

$W=\frac{X_1}{X_2}$

2)光谱特征参数提取

根据不同孵化阶段种蛋图像特性，设计不同的ROI区域(感兴趣区域)，从ROI区域中提取光谱平均值μ和标准偏差σ作为光谱特征参数(如图4所示，红色框代表ROI区域，由于篇幅有限，只在一张图中给出不同ROI区域)。

3)特征变量集确定

不同的类型种蛋，其透射图像存在一些差异，提取的特征参数，存在冗余信息，如果全部输入模型，导致模型训练时间长，适用性差。因此，选择合适的参数作为各类别种蛋的特征变量很有必要。经综合分析，最终确定各类型种蛋判别特征变量集V为：

W表示X₁/X₂的比值，X₁表示胚胎形态图像包含的像素个数，X₂表示单独除去背景的图像包含的像素个数。μ₁，σ₁表示从种蛋大头到小头线型ROI区域提取的光谱平均值和标准偏差。μ₂，σ₂表示从种蛋大头30*30的矩形框ROI区域提取的光谱平均值和标准偏差。μ₃，σ₃表示从种蛋小头30*30的矩形框ROI区域提取的光谱平均值和标准偏差。

(三)判别模型的设计

种蛋孵化实际生产中，通常进行3次人工检测，分别检测无精蛋、前期胚胎发育不正常蛋、中期死胚蛋、后期死胚蛋。为了便于本研究的应用，本文设计了一组基于决策树型的层次支持向量机分类器(H-SVMs)，包括SVM1，SVM2，SVM3，SVM4四个支持向量机，其设计图如图5所示。其工作原理如下：首先根据SVM1对孵化前期种蛋胚胎发育情况进行识别，剔除未受精的以及发育不正常的种蛋。在孵化中期，根据SVM2对于出现的散黄蛋进行剔除，SVM3对中期死胚蛋进行识别。最后在孵化后期根据SVM4对后期死胚蛋进行识别。最终达到通过筛选，及时剔除孵化不正常的种蛋，保证孵化品质。

有益效果

1.本方法充分发挥高光谱图像和光谱的特征，解决长期以来褐壳种蛋受蛋壳因素影响在前期无法准确判别孵化的问题。

2.本方法搭建的采集平台和采集方法，以及后期特征建模，可以对整个种蛋的孵化过程进行监测，及时剔除不正常孵化种蛋。

3.本研究中提出的基于决策树型支持向量机分类器，是根据实际生产中的人工检测点，进行分类器设计，应用前景大。

4.本方法具有较强的适用性，由于直接揭示孵化中胚胎发育特征，受蛋壳因素影响较小，对于鸡蛋、鸭蛋、鹅蛋等种蛋，只需调整响应的参数，都能进行孵化检测。

5.本方法的提出对于提升我国家禽孵化品质检测的自动化水平具有重要的意义和应用价值。

四、附图说明

图1本发明的技术路线以及数据分析流程

图2本发明装置总体结构和原理示意图

图2中：1.传送电机 2.线光源 3.支架 4.种蛋 5.可控光源 6.计算机7.CCD摄像头 8.光谱仪 9.焦距可变透镜

图3不同类型种蛋阈值分割效果

图4不同ROI区域示意图以及光谱曲线

图5决策树型层次支持向量机逻辑图

图6支持向量机模型最优参数C、G寻找曲线

五、具体实施方式

针对本发明是基于高光谱识别种蛋孵化的方法。样品选择褐壳种鸡蛋为代表，进行分析。具体实施过程包括4个部分：

1高光谱图像的获取

在前期实验确定的合适的参数和采集方式(如图2所示)的情况下，在孵化第4天，采集高光谱图像，打开正常3枚正常孵化种蛋，检测胚胎发育情况。在孵化7、8、9、10天，每天取出5个正常孵化的种蛋，放入室温中，作为死胚蛋。在孵化第11天时，采集所有种蛋高光谱图像，打开正常发育种蛋，检测胚胎发育情况。在孵化第12，14，16，18天，每天取出5枚种蛋作为死胚蛋，第19天时，采集所以种蛋高光谱图像，打开正常发育种蛋，检测胚胎发育情况。

2特征变量集的提取

种蛋孵化前期(1-6天)，由孵化的第一天开始，蛋白中的水分通过半透性卵黄膜向卵黄中移动，导致卵黄体积持续增大，由于初期胚胎血管发育特征不明显，加上受褐壳蛋壳颜色影响较大，光谱信息不能很好的反应发育特征，选择提取像素比W作为判别无精蛋、胚胎发育是否正常的指标，如图4所示。

孵化中期(7-11天)，由于散黄蛋的蛋黄散开，从形态学角度看，与正常发育的种蛋有些相似，因此采用分割图像方法不能产生很好效果。考虑到孵化中期，胚胎发育比较成熟，与未发育种蛋(散黄蛋)在光谱值上有比较大的差异，因此，从种蛋大头到小头选取线型感兴趣区域，计算感兴趣区域所包含像素的光谱平均值和标准偏差μ₁，σ₁再加上分割像素比W作为判定指标。而种蛋发育到11天时，由于尿囊完全包围了卵黄、胚体和蛋白、尿囊血管已在小端吻合，导致种蛋透光值下降明显，因此在种蛋孵化大头取30*30的矩形框感兴趣区域，提取感兴趣区域光谱平均值μ₂，σ₂作为指标。

孵化后期(12-19天)，胚胎发育较完全，尿囊的合拢导致胎儿可以完全吞食蛋白，照视胚蛋，全部为胎儿和卵黄的黑影。种蛋透光性差，图像大头的形态，以及光谱值，每天没有太多变化，不易于反应孵化特征。而从小头部分可以看出种蛋中凝块，向小头移动，最终填满整个种蛋，因此可以以小头的特征变化来检测孵化后期死胚蛋，提取小头30*30的矩形框感兴趣区域，提取感兴趣区域光谱平均值μ₃，σ₃作为指标。最终，确定识别种蛋孵化类别的特征变量集V为：

3基于决策树型的支持向量机分类器的设计

最初支持向量机(SVM)是用以解决两类分类问题，不能直接用于多类分类，如何有效地将其推广到多类分类问题还是一个正在研究的问题。当前已经有许多算法将SVM推广到多类分类问题，这些算法统称为“多类支持向量机”(Multi-category Support Vector Machine，M-SVMs)。它们可以大致分为两大类：(1)通过某种方式构造一系列的两类分类器并将它们组合在一起来实现多类分类；(2)将多个分类面的参数求解合并到一个最优化问题中，通过求解该最优化问题“一次性”地实现多类分类。第二类方法尽管看起来简洁，但是在最优化问题求解过程中的变量远远多于第一类方法，训练速度不及第一类方法，而且在分类精度上也不占优。当训练样本数非常大时，这一问题更加突出。正因如此，第一类方法更为常用。[刘志刚，李德仁，秦前清，史中文。支持向量机在多分类中的推广[J]计算机工程与应用，2004，7：10～13]

本研究中，根据种蛋孵化过程中胚胎发育情况，可以将种蛋孵化类别分为无精蛋、前期胚胎发育不正常蛋、中期散黄蛋、中期死胚蛋、后期死胚蛋。本研究中根据“多类支持向量机”中方法一，结合实际检测过程，设计构建一对多式决策树型层次支持向量机分类器(H-SVMs)，包括SVM1，SVM2，SVM3，SVM4四个支持向量机，其设计图如图3所示。其工作原理如下：首先根据SVM1对孵化前期种蛋胚胎发育情况进行识别，剔除未受精的以及发育不正常的种蛋。在孵化中期，根据SVM2对于出现的散黄蛋进行剔除，SVM3对中期死胚蛋进行识别。最后在孵化后期根据SVM4对后期死胚蛋进行识别。最终达到通过筛选，及时剔除孵化不正常的种蛋，保证孵化品质。

4模型构建及应用实例

将80枚褐壳种鸡蛋样品按上述步骤1孵化分类，提取高光谱图像。根据步骤2，提取各类型种蛋的特征参数，筛选组合成特征变量集V。将特征变量集代入基于决策树型的支持向量机分类器中(H-SVMs)，对每一类种蛋类型，采用单一SVM分类器分类，每一类样品的分类准确率单独给出。支持向量机采用径向基核函数，将数据进行归一化处理消除量纲影响，归一化范围为[-1，1]；然后进行主成分(PCA)降维处理，消除变量间的冗余信息；通过网格寻优的方法，寻找模型最佳参数C和G(如图5所示)，最终利用训练好的模型进行验证，结果如下表所示。

表1显示出，在褐壳种鸡蛋孵化全过程中进行的3次检测(第4、11、19天)，对前期发育不正常、未受精、中期、后期死胚蛋的识别率都达到了100％。对于中期出现的的散黄蛋的的识别率为95％，主要由于散黄蛋与中期死胚蛋存在一些误判，但对于正常孵化的种蛋没有影响。

表1模型构建过程与结果

Claims (2)

1.一种基于高光谱识别种蛋孵化的方法，其特征在于包括：(一)高光谱图像采集装置的搭建、(二)特征参数的提取、(三)判别模型的设计，其中：

(一)高光谱图像采集装置的搭建

1)光学系统

高光谱光学系统主要由高光谱图像单元、直流可调光源、计算机和图像采集软件组成，其中高光谱图像单元由CCD摄像头(7)，有效波段范围为400～1000nm，光谱分辨率为2.8nm的图像光谱仪(8)和焦距可变透镜构成(9)；直流可调光源由150w的卤素钨灯及控制器(5)构成，线光源(2)；计算机型号为CPUE5800，3.2GHz，内存2G，显卡256M GeForce GT240(6)；图像采集软件为Spectral Image；为了避免外界光源的干扰，整个装置放置在密闭黑箱中；

2)传送装置及支架

传送装置为电控平移台(1)，支架为长14cm宽18cm高15cm的长方体，顶端有直径1.5cm的圆孔(3)，线光源(2)距离支架顶端2cm，整个支架为黑色；

3)采集系统

光谱摄像头在距离种蛋30cm的水平平行位置上采集光谱图像，采集曝光时间55ms，采集速度2.5mm/s，图像分辨率440×804，采集时，种蛋(4)小头朝下，竖直放置在支架圆孔(3)上，在线光源(2)上水平移动，最终得到波长范围400～1000nm图像分辨率为440×804的高光谱图像三维数据块；

(二)特征参数的提取

1)图像特征参数提取

对最大特征波长处的图像进行阈值分割，提取胚胎发育形态图像，计算胚胎形态图像包含的像素个数与单独除去背景的图像包含的像素个数的比值W；

2)光谱特征参数提取

选取的感兴趣区域包括：散黄蛋从大头到小头选取线型感兴趣区域，中期死胚蛋选取大头30*30感兴趣区域，后期死胚蛋选取小头30*30感兴趣区域，分别提取感兴趣区域中的光谱平均值μ和标准偏差σ作为光谱特征参数；

3)特征变量集确定

选择光谱和图像特征参数作为各类别种蛋的特征变量，光谱参数为μ₁，σ₁，μ₂，σ₂，μ₃，σ₃，图像参数为W，W表示X₁/X₂的比值，X₁表示胚胎形态图像包含的像素个数，X₂表示单独除去背景的图像包含的像素个数，μ₁，σ₁表示从种蛋大头到小头线型ROI区域提取的光谱平均值和标准偏差，μ₂，σ₂表示从种蛋大头30*30的矩形框ROI区域提取的光谱平均值和标准偏差，μ₃，σ₃表示从种蛋小头30*30的矩形框ROI区域提取的光谱平均值和标准偏差，经综合分析，最终确定各类型种蛋判别特征变量集V；

(三)判别模型的设计

设计了一组基于决策树型的层次支持向量机分类器(H-SVMs)，包括SVM1，SVM2，SVM3，SVM4四个支持向量机。

2.根据权利要求1所述的一种基于高光谱识别种蛋孵化的方法，其特征在于：

所采用的光谱仪设备为台湾五菱光学公司提供的Imaging Spectrograph(V10E)以及设备；寻求不同类型种蛋间的图像和光谱的差异，分析提取区别不同类型种蛋的特征参数；在Matlab中调用LIBSVM软件包，设计步骤(三)中模型，将上述得到的特征参数带入模型中：首先根据SVM1对孵化前期种蛋胚胎发育情况进行识别，剔除未受精的以及发育不正常的种蛋；在孵化中期，根据SVM2对于出现的散黄蛋进行剔除，SVM3对中期死胚蛋进行识别；最后在孵化后期根据SVM4对后期死胚蛋进行识别；最终达到通过筛选，及时剔除孵化不正常的种蛋，对种蛋孵化过程实行监测。