CN107643255A - 一种无损检测种蛋中后期死胚蛋的方法 - Google Patents
一种无损检测种蛋中后期死胚蛋的方法 Download PDFInfo
- Publication number
- CN107643255A CN107643255A CN201710843020.9A CN201710843020A CN107643255A CN 107643255 A CN107643255 A CN 107643255A CN 201710843020 A CN201710843020 A CN 201710843020A CN 107643255 A CN107643255 A CN 107643255A
- Authority
- CN
- China
- Prior art keywords
- egg
- hatching egg
- image
- hatching
- addled
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Landscapes
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明公开了一种无损检测种蛋中后期死胚蛋的方法，高光谱图像采集，图像校正；种蛋发育中期，在种蛋大头区域选择感兴趣ROI区域；种蛋发育后期在小头选取ROI区域；并用连续投影算法进行光谱波长优化，选取400‑1000nm波段的种蛋样本光谱数据；分别将特征波段和全波段作为模型输入变量，胚胎死亡时间作为模型输出变量，建立中期死胚时间预测支持向量机回归模型进行对比；利用灰度共生矩阵提取种蛋图像的特征参数；将孵化光谱曲线特征和孵化图像发育特征，作为SVC模型的输入变量，进行判断。本发明的有益效果是检测结果准确且不会造成种蛋损伤。
Description
技术领域
本发明属于种蛋检测技术领域，涉及一种无损检测种蛋中后期死胚蛋的方法。
背景技术
种蛋的孵化是个连续的过程，包含了早期和中后期的胚胎发育特征，在孵化率低下的原因中，50％是由于种蛋中后期死亡造成的。种蛋保存不好、早期温度变化过大、翻蛋不足及种鸡患病等原因都有可能导致种蛋孵化中后期死胚。现实中，在11d左右时，进行照蛋，检测胚胎是否按时“合拢”，中途捡出死胚蛋，以免孵化时变质炸裂；第三次一般在18d左右，检查是否“封门”，剔出后期死胚蛋。胚胎中期死亡原因是由于种鸡的营养水平及健康状况不良，营养因素有：缺少维生素B、硒，缺维生素时多出现水肿现象；疾病因素有：感染白痢，伤寒，副伤寒，沙门氏菌等；孵化环境因素有：污蛋未消毒、孵化温度过高、通风不良。后期死亡原因主要是种鸡的营养水平差，如缺乏维生素B12、D、E、叶酸或泛酸、钙、磷、锰、锌或硒缺乏；蛋贮放太久；细菌污染；小头朝上孵化；翻蛋次数不够；温度、湿度不当；通风不足；转蛋时种蛋受寒；细菌污染。
种蛋发育是受精卵发育成雏鸡的过程，死胚种蛋由于胚胎停止发育造成的，透光性上以及胚胎发育形态上与正常发育的种蛋存在一定的差别。目前的检测手段容易对种蛋造成损害。还有的检测方法，如郁志宏利用计算机视觉对鸡种蛋中和后期的种蛋孵化死胚蛋进行了检测，取得了一定的效果，但研究样本较少，研究中并没有考虑蛋壳颜色的影响，需要进一步的研究。
发明内容
本发明的目的在于提供一种无损检测种蛋中后期死胚蛋的方法，解决了目前种蛋检测容易造成种蛋损伤，且检测准确性不高的问题。
本发明所采用的技术方案是按照以下步骤进行：
步骤1：高光谱图像采集；
高光谱图像采集前需要对采集曝光时间、镜头到种蛋表面的距离、光源强度、图像分辨率和传送装置的速度进行设置；
步骤2：图像校正；
试验前根据样品特征，选择合适厚度的标准白色校正板，放置在光源正上方，扫描透射白板得到全白的标定图像；然后盖上镜头盖，采集全黑的标定图像；最后根据式计算出校正后的相对图像；
式中，Iλ为原始高光谱透射图像；Bλ为全黑的标定图像；Wλ为全白的标定图像；Rλ为标定后高光谱透射图像；
步骤3：中、后期孵化光谱曲线特征提取；
种蛋发育中期，在种蛋大头区域选择感兴趣ROI区域；种蛋发育后期在小头选取ROI区域；并用连续投影算法进行光谱波长优化，选取400-1000nm波段的种蛋样本光谱数据；分别将特征波段和全波段作为模型输入变量，胚胎死亡时间作为模型输出变量，建立中期死胚时间预测支持向量机回归模型进行对比；
步骤4：中、后期孵化图像发育特征提取；
利用灰度共生矩阵提取种蛋图像的能量、对比度、相关性、逆差距和熵5个特征参数；
步骤5：将孵化光谱曲线特征和孵化图像发育特征，作为SVC模型的输入变量，进行判断，模型参数优选：g＝10-2，nu＝10-0.78；
进一步，步骤1中，采集曝光时间为55ms，镜头到种蛋表面的距离(即物距)为320mm，传送装置的速度2.5mm/s，图像分辨率440×804，载物台背景为黑色材料。
进一步，步骤3中种蛋发育中期时间为5-11d；种蛋发育后期时间为12-18d。
进一步，步骤3中筛选出白壳种蛋孵化后期死胚蛋检测的特征波长为：620、643、674、682、702、706、715、737、782和799nm；褐壳种蛋为：643、670、686、712、717、737、743、753、790、801和812nm。
进一步，步骤3中中期死胚时间预测支持向量机回归模型参数c＝102，g＝10-1，交叉决定系数R2 cv为0.93，交叉均方根误差RMSECV为0.60％。
进一步，步骤4中在种蛋图像提取在0°、45°、90°、135°四个方向上。
本发明的有益效果是检测结果准确且不会造成种蛋损伤。
附图说明
图1是种蛋发育中期特征示意图；
图2是种蛋发育中期不同天数死亡的种蛋和正常发育的种蛋大头区域提取ROI区域平均光谱曲线示意图；
图3是种蛋发育后期特征示意图；
图4是种蛋发育后期不同天数死亡的种蛋和正常发育的种蛋小头区域提取ROI区域平均光谱曲线示意图；
图5是SPA选择波长的RMSECV示意图；
图6是选择的波长示意图。
具体实施方式
下面结合具体实施方式对本发明进行详细说明。
步骤1：高光谱图像采集；
为保证采集到清晰、不失真以及后期处理图像准确，高光谱图像采集前需要对采集曝光时间、镜头到种蛋表面的距离、光源强度、图像分辨率和传送装置的速度等参数进行相关设置。经试验，确定最优参数为：采集曝光时间为55ms，镜头到种蛋表面的距离(即物距)为320mm，传送装置的速度2.5mm/s，图像分辨率440×804，载物台背景为黑色材料。
步骤2：图像校正；
由于摄像头中暗电流存在以及外界因素的影响，导致图像存在一定的噪声，因此必须对高光谱图像进行校正，以消除部分噪声影响。具体步骤如下：试验前根据样品特征，选择合适厚度的标准白色校正板，放置在光源正上方，扫描透射白板得到全白的标定图像；然后盖上镜头盖，采集全黑的标定图像；最后根据式计算出校正后的相对图像。
式中，Iλ为原始高光谱透射图像；Bλ为全黑的标定图像；Wλ为全白的标定图像；Rλ为标定后高光谱透射图像。
步骤3：中、后期孵化光谱曲线特征提取；
种蛋发育中期(5-11d)特征如图1所示，为了采集种蛋发育形态特征，种蛋竖直放置。可以看出在孵化的5-11d之间，种蛋形态上变化较小，不能很好的区分；而种蛋大头位置，图像灰度值逐渐降低，对应的种蛋光谱值存在差异。因此，种蛋大头位置的光谱值可以区分种蛋发育的天数，同时也就能判断死胚蛋的死亡天数。
在不同天数死亡的种蛋和正常发育的种蛋大头区域选择感兴趣ROI(representativeregionofinterest)区域，作为种蛋代表，提取ROI区域平均光谱曲线，如图2所示。种蛋正常发育，由于胚胎长大，血管增多，大头区域光谱值逐渐下降；死亡的胚胎，由于胚胎死亡，停止发育，光谱值在后面的孵化过程中几乎没有变化。可以看出，死亡时间越早，光谱值越高，而正常发育的种蛋光谱值在第11d时最低。各个类型种蛋光谱之间存在一定的差异，说明他们可以被区分开。
种蛋发育后期(12-18d)特征如图3和图4所示。可以看出在孵化的12-18d之间，种蛋大头光谱特征较低，信噪比不高，包含较多噪音，不适合分析。种蛋形态变化主要集中在种蛋小头，因此，在小头选取ROI区域，提取ROI区域平均光谱，如图所示，可以看出，后期光谱特征与前期死胚光谱特征呈现的类似的趋势，死亡时间越早，光谱值越高，而正常发育的种蛋光谱值在第18d时最低。在第18d时，不同时间死亡的胚胎其光谱之间存在差异，与正常发育的之间也有一定的差异，这说明不同死亡时间的种蛋可以被区分开，正常发育的种蛋与死胚蛋同样可以被区分开。
步骤4：特征波长筛选；
提取的光谱数据是一组多个变量(波长)，包含重叠的信息。波长的优化是一个重要的过程，以减少从高光谱图像，得到的信息的数量和设计一个最优的多光谱成像检测系统。因为变量(波长)选择或特征选择是一个关键的步骤，消除不相关的变量可以提高准确性和鲁棒性。选用连续投影算法(Successive projectionsalgorithm,SPA)进行光谱波长优化。
选取400-1000nm波段的种蛋样本光谱数据带入SPA软件中，进行特征波长选择，处理前指定最终选取结果的最小变量数为1，最大变量数为20。基于SPA选取的不同特征波长组合建立的模型的交叉验证均方根误差RMSECV见图5和图6，RMSECV越小说明模型的检测效果越好。可以发现当特征波长数量小于8时，随着波长数量的增加，RMSECV值呈明显下降趋势；而当特征波长数量继续增大时，RMSECV值的变化则不再明显。最终在光谱检测种蛋孵化后期死胚蛋的研究中，通过利用连续投影算法筛选法，筛选出白壳种蛋孵化后期死胚蛋检测的特征波长为：620、643、674、682、702、706、715、737、782和799nm；褐壳种蛋为：643、670、686、712、717、737、743、753、790、801和812nm。
为了验证提取的特征波长是否包含原始光谱的有效信息，分别将特征波段和全波段作为模型输入变量，胚胎死亡时间作为模型输出变量，建立中期死胚时间预测支持向量机回归(Supportvectormachineregression,SVR)模型，模型参数寻优结果为c＝102，g＝10-1，模型预测结果如表1所示。SPA选择的波长和全波段构建的模型交叉决定系数R2 cv分别为0.93和0.90，交叉均方根误差RMSECV为0.60％和0.73％，SPA优选的波长构建的模型相比于全波段模型，R2 cv提高3.33％，检测效果略好，RMSECV降低了17.81％，误差更低，说明优选的8个波长能够代表原始波长信息。
表1胚胎死亡时间SVR模型检测结果
步骤5：中、后期孵化图像发育特征提取；
由于种蛋中后期图像发育特征较难分割，从图像上看存在明显的差异。纹理作为一种区域特征，是对于图像各像元之间空间分布的一种描述。由于纹理能充分利用图像信息，无论从理论上还是常识出发，它都可以成为描述与识别图像的重要依据，与其他图像特征相比，它能更好地兼顾图像宏观性质与细微结构两个方面，因此纹理成为目标识别需要提取的重要特征，纹理特征提取是图像纹理信息提取的主要方法之一。提取纹理特征的方法很多提取纹理特征的方法有很多，灰度共生矩阵(GLCM)是常用的分析方法。灰度共生矩阵是像素距离和角度的矩阵函数，它通过计算图像中一定距离和一定方向的两点灰度之间的相关性，来反映图像在方向、间隔、变化幅度及快慢上的综合信息。用于纹理分析的灰度共生矩阵特征参数有以下几种：(1)能量:是灰度共生矩阵元素值的平方和，也称能量，它反映了图像灰度分布均匀程度和纹理粗细度。(2)对比度：对比度反映了图像的清晰度和纹理沟纹深浅的程度。纹理沟纹越深，其对比度越大，视觉效果越清晰；反之，对比度小，则沟纹浅，效果模糊。(3)相关性：相关性可以度量空间灰度共生矩阵元素在行或列方向上的相似程度。(4)逆差距：反映图像纹理的同质性，度量图像纹理局部变化的多少。其值大则说明图像纹理的不同区域间缺少变化，局部非常均匀。(5)熵：是图像所具有的信息量的度量，纹理信息也属于图像的信息，是一个随机性的度量，当共生矩阵中所有元素有最大的随机性、空间共生矩阵中所有值几乎相等时，共生矩阵中元素分散分布时，熵较大。它表示了图像中纹理的非均匀程度或复杂程度。本发明利用灰度共生矩阵在0°、45°、90°、135°四个方向上提取能量、对比度、相关性、逆差距和熵5个特征参数。
步骤6：建立的胚胎死胚时间检测SVC模型进行种蛋中期孵化死胚鉴别；
将孵化光谱曲线特征和孵化图像发育特征，作为SVC(Supportvectormachineclassification)支持向量机分类模型的输入变量，进行判断，模型参数优选：g＝10-2，nu＝10-0.78；
在建模集中，每一个种蛋先采集光谱跟图像，然后人工打开判断胚胎是否还是活动，将胚胎的死活作为模型的输出变量，构建模型。模型构建好了之后，在验证集中，我们只采集种蛋的光谱跟图像特征带入构建好的模型，预测胚胎的死活。预测完了之后，我们打开种蛋，人工检测胚胎死活是否跟预测的一样，得出准确率。
分类结果如表2所示。建模集中对168个样品有8个误判，判断准确率为95.23％。验证集中对112个样品有4个误判，判别准确率为96.43％，较好的结果说明，高光谱技术对种蛋孵化中期死胚蛋，检测效果较好。
表2中期死胚蛋SVC模型检测结果
种蛋后期孵化死胚鉴别模型，建模集中对168个样品有5个误判，判断准确率为97.02％。如表3所示，验证集中对112个样品有3个误判，判别准确率为97.32％。
表3后期白壳死胚蛋检测结果
基于光谱检测种蛋孵化特性的研究发现，对于种蛋早期孵化检测，相比于已有的研究而言，光谱可以在更早的时间检测出白壳和褐壳种蛋发育的特征，及时剔除不能发育的种蛋、弱胚蛋，提高企业生产效率；种蛋发育后期检测，对死胚蛋的检测效果较为理想，此为无损检测种蛋中后期死胚蛋提供了理论依据。
以上所述仅是对本发明的较佳实施方式而已，并非对本发明作任何形式上的限制，凡是依据本发明的技术实质对以上实施方式所做的任何简单修改，等同变化与修饰，均属于本发明技术方案的范围内。
Claims (6)
1.一种无损检测种蛋中后期死胚蛋的方法，其特征在于按照以下步骤进行：
步骤1：高光谱图像采集；
高光谱图像采集前需要对采集曝光时间、镜头到种蛋表面的距离、光源强度、图像分辨率和传送装置的速度进行设置；
步骤2：图像校正；
试验前根据样品特征，选择合适厚度的标准白色校正板，放置在光源正上方，扫描透射白板得到全白的标定图像；然后盖上镜头盖，采集全黑的标定图像；最后根据式计算出校正后的相对图像；
式中，Iλ为原始高光谱透射图像；Bλ为全黑的标定图像；Wλ为全白的标定图像；Rλ为标定后高光谱透射图像；
步骤3：中、后期孵化光谱曲线特征提取；
种蛋发育中期，在种蛋大头区域选择感兴趣ROI区域；种蛋发育后期在小头选取ROI区域；并用连续投影算法进行光谱波长优化，选取400-1000nm波段的种蛋样本光谱数据；分别将特征波段和全波段作为模型输入变量，胚胎死亡时间作为模型输出变量，建立中期死胚时间预测支持向量机回归模型进行对比；
步骤4：中、后期孵化图像发育特征提取；
利用灰度共生矩阵提取种蛋图像的能量、对比度、相关性、逆差距和熵5个特征参数；
步骤5：将孵化光谱曲线特征和孵化图像发育特征，作为SVC模型的输入变量，进行判断，模型参数优选：g＝10-2，nu＝10-0.78。
2.按照权利要求1所述一种无损检测种蛋中后期死胚蛋的方法，其特征在于：所述步骤1中，采集曝光时间为55ms，镜头到种蛋表面的距离(即物距)为320mm，传送装置的速度2.5mm/s，图像分辨率440×804，载物台背景为黑色材料。
3.按照权利要求1所述一种无损检测种蛋中后期死胚蛋的方法，其特征在于：所述步骤3中种蛋发育中期时间为5-11d；种蛋发育后期时间为12-18d。
4.按照权利要求1所述一种无损检测种蛋中后期死胚蛋的方法，其特征在于：所述步骤3中筛选出白壳种蛋孵化后期死胚蛋检测的特征波长为：620、643、674、682、702、706、715、737、782和799nm；褐壳种蛋为：643、670、686、712、717、737、743、753、790、801和812nm。
5.按照权利要求1所述一种无损检测种蛋中后期死胚蛋的方法，其特征在于：所述步骤3中中期死胚时间预测支持向量机回归模型参数c＝102，g＝10-1，交叉决定系数R2 cv为0.93，交叉均方根误差RMSECV为0.60％。
6.按照权利要求1所述一种无损检测种蛋中后期死胚蛋的方法，其特征在于：所述步骤4中在种蛋图像提取在0°、45°、90°、135°四个方向上。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710843020.9A CN107643255A (zh) | 2017-09-18 | 2017-09-18 | 一种无损检测种蛋中后期死胚蛋的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710843020.9A CN107643255A (zh) | 2017-09-18 | 2017-09-18 | 一种无损检测种蛋中后期死胚蛋的方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107643255A true CN107643255A (zh) | 2018-01-30 |
Family
ID=61111952
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710843020.9A Pending CN107643255A (zh) | 2017-09-18 | 2017-09-18 | 一种无损检测种蛋中后期死胚蛋的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107643255A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110163101A (zh) * | 2019-04-17 | 2019-08-23 | 湖南省中医药研究院 | 中药材种子区别及等级快速判别方法 |
| CN111206079A (zh) * | 2019-12-17 | 2020-05-29 | 西安交通大学 | 基于微生物组测序数据和机器学习算法的死亡时间推断方法 |
| CN112432768A (zh) * | 2020-11-10 | 2021-03-02 | 中国科学院光电技术研究所 | 基于高光谱图像的光学多孔径成像系统平移误差测量方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103033512A (zh) * | 2012-07-24 | 2013-04-10 | 南京农业大学 | 一种基于高光谱识别种蛋孵化的装置与方法 |
| CN104316473A (zh) * | 2014-10-28 | 2015-01-28 | 南京农业大学 | 一种基于高光谱图像对鸡种蛋孵化早期胚胎性别鉴定的方法 |
-
2017
- 2017-09-18 CN CN201710843020.9A patent/CN107643255A/zh active Pending
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103033512A (zh) * | 2012-07-24 | 2013-04-10 | 南京农业大学 | 一种基于高光谱识别种蛋孵化的装置与方法 |
| CN104316473A (zh) * | 2014-10-28 | 2015-01-28 | 南京农业大学 | 一种基于高光谱图像对鸡种蛋孵化早期胚胎性别鉴定的方法 |
Non-Patent Citations (3)
| Title |
|---|
| 冯雷: "基于高光谱成像技术的茄子叶片灰霉病早期检测", 《浙江大学学报（农业与生命科学版）》 * |
| 孙俊: "《光谱技术在农作物 农产品信息无损检测中的应用》", 30 June 2017 * |
| 谢传奇等: "应用高光谱图像光谱和纹理特征的番茄早疫病早期检测研究", 《光谱学与光谱分析》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110163101A (zh) * | 2019-04-17 | 2019-08-23 | 湖南省中医药研究院 | 中药材种子区别及等级快速判别方法 |
| CN110163101B (zh) * | 2019-04-17 | 2022-09-23 | 湖南省中医药研究院 | 中药材种子区别及等级快速判别方法 |
| CN111206079A (zh) * | 2019-12-17 | 2020-05-29 | 西安交通大学 | 基于微生物组测序数据和机器学习算法的死亡时间推断方法 |
| CN112432768A (zh) * | 2020-11-10 | 2021-03-02 | 中国科学院光电技术研究所 | 基于高光谱图像的光学多孔径成像系统平移误差测量方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| ElMasry et al. | Image analysis operations applied to hyperspectral images for non-invasive sensing of food quality–a comprehensive review | |
| Sun et al. | A method for rapid identification of rice origin by hyperspectral imaging technology | |
| CN111968080B (zh) | 一种基于高光谱和深度学习的肥城桃内外品质检测方法 | |
| Bai et al. | Rapid and nondestructive detection of sorghum adulteration using optimization algorithms and hyperspectral imaging | |
| Mahendran et al. | Application of computer vision technique on sorting and grading of fruits and vegetables | |
| Yao et al. | Non-destructive detection of egg qualities based on hyperspectral imaging | |
| Gao et al. | Application of hyperspectral imaging technology to discriminate different geographical origins of Jatropha curcas L. seeds | |
| CN106596416A (zh) | 一种基于高光谱成像技术的冷鲜肉品质无损检测方法 | |
| Zhang et al. | Comparison of spectral and image morphological analysis for egg early hatching property detection based on hyperspectral imaging | |
| CN107643255A (zh) | 一种无损检测种蛋中后期死胚蛋的方法 | |
| CN113049530A (zh) | 一种基于近红外高光谱的单粒玉米种子水分含量检测方法 | |
| Zhihui et al. | Nondestructive detection of infertile hatching eggs based on spectral and imaging information | |
| CN113420614A (zh) | 一种基于深度学习算法的近红外高光谱图像识别霉变花生的方法 | |
| CN109883967A (zh) | 一种基于信息融合的中华绒螯蟹品质等级判别方法 | |
| Rafiq et al. | Application of computer vision system in food processing | |
| He et al. | Classification of aflatoxin B1 naturally contaminated peanut using visible and near-infrared hyperspectral imaging by integrating spectral and texture features | |
| CN104949927A (zh) | 一种干贝水分含量的高光谱检测方法 | |
| Zhang et al. | SMOTE-based method for balanced spectral nondestructive detection of moldy apple core | |
| Feng et al. | Detection of blood spots in eggs by hyperspectral transmittance imaging | |
| CN116295285A (zh) | 基于区域自适应的浅海水深遥感反演方法 | |
| Park et al. | Line-scan imaging analysis for rapid viability evaluation of white-fertilized-egg embryos | |
| Mu et al. | Hyperspectral image classification of wolfberry with different geographical origins based on three-dimensional convolutional neural network | |
| Mu et al. | Non‐destructive detection of blueberry skin pigments and intrinsic fruit qualities based on deep learning | |
| Chen et al. | Real-time defect and freshness inspection on chicken eggs using hyperspectral imaging | |
| Zhang et al. | Development of a hyperspectral imaging system for the early detection of apple rottenness caused by P enicillium |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180130 |