CN103472008B - 孵化前期近红外种蛋内鸡胚性别识别方法 - Google Patents

Abstract

孵化前期近红外种蛋内鸡胚性别识别方法属于种蛋检测技术；在暗室环境内通过光纤探头和傅立叶近红外光谱仪获得种蛋近红外光谱，应用总体均值经验模分解种蛋近红外光谱，去除高频特征模态分量，达到去噪，应用基于经验模态分解方法去除低频特征模态分量，达到基线校正，抽取光谱数据主成分作为神经网络输入变量，神经网络的输出为0或1，完成识别；本方法对孵化前期种鸡蛋雌雄识别效率和精确度高，降低了孵化作业成本，有利于蛋鸡和肉鸡饲养生产的发展。

Description

孵化前期近红外种蛋内鸡胚性别识别方法

技术领域

本发明属于种蛋孵化检测技术，主要涉及一种孵化前期种蛋性别识别方法。

背景技术

禽业生产中，由于公鸡生长速度快过母鸡，所以希望肉鸡种蛋均是雄性鸡胚；蛋业生产中，雌性鸡胚越多效益越好。因此研究出在孵化前期能预测鸡胚性别的方法，对降低人工分类和人工翻蛋的劳动强度，提高孵化器生产效率和降低孵化电费，具有十分重要的意义。一直以来鸡胚性别辨识依据生产经验，比如重量，长径比，表面光滑程度。吕志南，赵宗胜采用模糊方法，杨东风采用小波方法实现经验判别，该方法生产实现的时候需要称重、长径测量和机器视觉采集三个环节，测量环节多耗时长，增加种蛋破碎风险，且设备多。周振明公开了一种用PCR扩增引物进行鸡早期胚胎性别鉴定方法，其以鸡胚盘细胞为模板，通过PCR技术扩增目的基因，然后琼脂糖凝胶电泳检测PCR扩增产物，根据带型判断性别，雌性为两条带，雄性为一条带。PCR扩增引物法提供了鸡胚性别分子检测方法，然而需要提取鸡胚盘细胞。近红外光谱属于分子振动光谱的倍频和合频吸收光谱，主要是由于分子振动的非谐振性使分子振动从基态向高能级跃迁时产生的，具有较强的穿透能力。近年来，侯卓成、毕夏坤、刘燕德等多位学者分别利用近红外光谱测量出鸡蛋品质，说明近红外可以穿透炭酸钙并携带鸡蛋内部有效信息。因此，在此基础上研究一种采用近红外光谱实现种蛋雌雄识别方法十分必要，且成为可能。

发明内容

本发明的目的就是针对上述已有技术存在的问题，结合生产实际需要，研究一种孵化前期近红外种蛋内鸡胚性别识别方法，达到不需要性别种蛋剔除、雌雄识别准确率和识别效率高的目的。

本发明的目的是这样实现的：一种孵化前期近红外种蛋内鸡胚性别识别方法，该方法包括以下几个步骤：在暗室环境内通过光纤探头和傅立叶近红外光谱仪获得种蛋近红外光谱，应用总体均值经验模分解种蛋近红外光谱，去除高频特征模态分量，达到去噪；基于经验模态分解方法分解种蛋近红外光谱，去除低频特征模态分量，达到基线校正；利用SPSS11.0提取主成分，默认特征根数量值λ_c=1，提取5个主成分数量，神经网络分类采用具有1个隐藏层的3层BP神经网络，输入层神经元用5个主成分构成特征向量，输出层采用2个节点，用0、1来分别表示雌性鸡胚和雄性鸡胚，隐藏层节点数为4个，隐藏层神经元的激活函数选用logsig()函数，输出层的激活函数选pureline()函数，神经网络的系统参数设置：训练迭代次数为1000，每隔10步显示1次，网络训练的目标值为0.01，学习率为0.1，使用trainlm()函数作为训练网络，利用上述建立的神经网络进行识别，即完成种蛋孵化前期性别的筛选工作。

本发明对孵化前期种鸡蛋雌雄识别效率和精确度高，高效快捷，降低孵化作业成本，有利于蛋鸡和肉鸡生产的发展。

附图说明

图1是孵化前期近红外种蛋内鸡胚性别识别方法流程示意图；

图2是神经网络分类示意图。

具体实施方式

下面结合附图对本发明实施方案进行详细描述。一种孵化前期近红外种蛋内鸡胚性别识别方法，该方法包括以下几个步骤：在暗室环境内通过光纤探头和傅立叶近红外光谱仪获得种蛋近红外光谱，应用总体均值经验模分解种蛋近红外光谱，去除高频特征模态分量，达到去噪；基于经验模态分解方法分解种蛋近红外光谱，去除低频特征模态分量，达到基线校正；利用SPSS11.0提取主成分，默认特征根数量值λ_c=1，提取5个主成分数量，神经网络分类采用具有1个隐藏层的3层BP神经网络，输入层神经元用5个主成分构成特征向量，输出层采用2个节点，用0、1来分别表示雌性鸡胚和雄性鸡胚，隐藏层节点数为4个，隐藏层神经元的激活函数选用logsig()函数，输出层的激活函数选pureline()函数，神经网络的系统参数设置：训练迭代次数为1000，每隔10步显示1次，网络训练的目标值为0.01，学习率为0.1，使用trainlm()函数作为训练网络，利用上述建立的神经网络进行识别，即完成种蛋孵化前期性别的筛选工作。

关键技术

1、光谱预处理

1.1、EEMD去噪

近红外光谱中噪声有两类，来自仪器的电子热运动噪声和外部通信系统干扰。噪声的存在极大影响了光谱真实信息的解读，所以信号降噪在光谱解析中有着举足轻重的作用。光谱去噪方法有傅立叶变换、小波变换、经验模态分解(EmpiricalModeDecomposition，简称EMD)方法。EMD方法能将信号按照不同频率自适应分解，通过对分量高通、低通、带通或阈值滤波实现降噪。但是对高频信号去噪时出现模态混叠，影响包含异常事件的非平稳信号滤波效果。为了解决模态混叠问题，文中提出用总体均值经验模分解(EnsembleEmpiricalModeDecomposition，简称EEMD)处理近红外光谱。EEMD方法利用高斯白噪声零均值以及频率均匀分布特性，使信号特征尺度均匀分布，异常事件得以平滑处理，从而获得优于EMD的去噪效果，并且处理过程是自适应的，较小波滤波简便。

EEMD筛分步骤：

步骤1：待处理信号中加入等长度不等幅高斯白噪声，对复合信号EMD分解，重复操作k次，得到IMF分量C_ik和余项r_ik。

EMD分解步骤：

步骤a：通过三次样条函数求取信号x(t)极大值包络线u(t)和极小值包络线v(t)，其均值记作m(t)：

$m\left(t\right)=\frac{1}{2}[u\left(t\right)+v\left(t\right)]---\left(1\right)$

步骤b：令R(t)=x(t)-m(t)，如R(t)不满足IMF条件，则将其赋值给x(t)。返回步骤1，循环计算

R_lk(t)=h_lk-1(t)-m_lk(t)(2)

直至标准差0.2≤S_D≤0.3可以停止筛分过程。其中

$S_D=\underset{n=0}{\overset{N}{\mathrm{\Σ}}}{\left[\frac{R_{1\left(k\right)}\left(n\right)-R_{1(k-1)}\left(n\right)}{R_{1(k-1)}\left(n\right)}\right]}^2---\left(3\right)$

步骤c：得到第1个IMF分量c₁=R_lk(t)及余项r₁(t)=x(t)-C₁。

步骤d：返回步骤1继续筛分r₁(t)，依次得到C₂(t)，C₃(t)，...，C_k(t)。判断余项r_k(t)很小或基本呈单调趋势时筛分过程停止。

步骤2：对IMF分量整体平均，

$C_i=\frac{1}{n}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{C}_{\mathrm{ik}}---\left(4\right)$

$r_i=\frac{1}{n}\underset{k=1}{\overset{n}{\mathrm{\Σ}}}{r}_{\mathrm{ik}}---\left(5\right)$

式中n为加噪EMD分解次数。

分解得到的IMF分量频率按照2的指数降幂排列，通常嗓声频率高于信号频率，构造抵通滤波器，重构信号即可以达到滤波效果。

1.2、EMD基线校正

由于冲击电压存在，即使暗室环境，对同一被测物体连续采集光谱也存在基线漂移现象。光谱基线校正方法有多元散射校正、去趋势和线性拟合等方法。EMD分解的过程是按照光谱自身的频率特性尺度自适应进行的，IMF频率按照2的指数级降幂排列，最后得到的残余项也即信号中最低频率分量，表达信号变化趋势。应用EMD分解光谱，扣除信号趋势，从而达到基线校正目的，可以提高辨识精度。实现过程见上文EMD步骤中a～d。

2、光谱数据主成分分析

利用主成分回归方法将原始光谱数据的特征值抽取重新线性组合，以达到降维的目的。所得主成分相互垂直，这样在不减少光谱信息的情况下消除共线性，以减少神经网络输入神经元。利用SPSS11.0提取主成分，默认特征根数量值λ_c=1，提取的主成分数量是5个，累积贡献率达到94.36％。累积贡献率反映了主成分对原始数据信息的表达能力，用这5个变量很好的表征了原数据的信息，这样近红外光谱数据得到了最大程度不失真简化。

3、神经网络分类设计

本研究的分类主要功能是把区分雌性种蛋和雄性种蛋。采用经典的BP神经网络，设计如下：

(1)神经网络结构设计。多层网络在处理模式识别领域的问题时的优点是较容易完成学习目标，更能适应平移、旋转或其他变换的不变性。缺点是：存在着较多的神经元节点和连接权值，因而需要更多的调整与运算，计算量较大，易于陷入局部极小值中。雌雄种蛋识别的主要任务是根据光谱特征区分雌性和雄性种蛋，属于小类别的分类问题，因此采用具有1个隐藏层的3层BP神经网络。

(2)输入层神经元的个数由主成分的维数决定。本研究中，主成分有5个，构成输入特征向量。输出层采用2个节点，用0、1来分别表示雌性种蛋和雄性种蛋。

(3)BP神经网络中，隐藏层节点数的选择对网络的性能影响很大。若隐藏层节点数过少，则局部极小值多，不能达到网络训练的效果；若隐含节点数过多，网络拟合函数复杂，容易过拟合，使得网络泛化能力变差。根据公式：

$n_1=\sqrt{m+n}+a---\left[6\right]$

式中m为输入节点数，n为输出节点数，n₁为隐藏层节点数，a为1～10之间的常数。

计算出3.6≤n₁≤12.6，另外理论上隐藏层节点数不大于输入层节点数，确定隐藏层节点数4或5，分别采用4和5作为隐藏层节点个数，实验表明隐藏层节点数为4的时候，模型预测效果最好。

(4)激活函数的选择。S型函数是激活函数Φ(·)的最佳选择，如logsig函数、双曲正切函数等。S型函数一般具有光滑、可微、非线性和饱和等特性，而且导函数Φ(·)容易用Φ(·)本身来表达，计算简单。本研究中，隐藏层神经元的激活函数选用logsig()函数，输出层的激活函数选pureline()函数。

(5)神经网络的参数设置。经过多次试验，设置迭代次数1000，每隔10步显示1次，网络训练的目标值为0.01，学习率为0.1，使用trainlm()函数作为训练网络。

Claims (1)

1.一种孵化前期近红外种蛋内鸡胚性别识别方法，其特征在于该方法包括以下几个步骤：在暗室环境内通过光纤探头和傅立叶近红外光谱仪获得种蛋近红外光谱，应用总体均值经验模分解方法分解种蛋近红外光谱，去除高频特征模态分量，达到去噪的目的；基于经验模态分解方法分解种蛋近红外光谱，去除低频特征模态分量，达到基线校正的目的；利用SPSS11.0提取主成分，默认特征根数量值λ_c＝1，提取主成分的数量为5个，神经网络分类采用具有1个隐含层的3层BP神经网络，输入层神经元用5个主成分构成特征向量，输出层采用2个节点，用0、1来分别表示雌性鸡胚和雄性鸡胚，隐藏层节点数为4个，隐藏层神经元的激活函数选用logsig()函数，输出层的激活函数选pureline()函数，神经网络的系统参数设置：训练迭代次数为1000，每隔10步显示1次，网络训练的目标值为0.01，学习率为0.1，使用trainlm()函数作为训练网络，利用上述建立的神经网络进行识别，即完成种蛋孵化前期性别的筛选工作。