CN109142248B - 早期鸡胚雌雄识别的方法 - Google Patents
早期鸡胚雌雄识别的方法 Download PDFInfo
- Publication number
- CN109142248B CN109142248B CN201810982602.XA CN201810982602A CN109142248B CN 109142248 B CN109142248 B CN 109142248B CN 201810982602 A CN201810982602 A CN 201810982602A CN 109142248 B CN109142248 B CN 109142248B
- Authority
- CN
- China
- Prior art keywords
- model
- spectral
- spectrum
- ultraviolet
- male
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 210000003837 chick embryo Anatomy 0.000 title claims abstract description 18
- 235000013601 eggs Nutrition 0.000 claims abstract description 47
- 230000003595 spectral effect Effects 0.000 claims abstract description 43
- 238000001228 spectrum Methods 0.000 claims abstract description 40
- 230000012447 hatching Effects 0.000 claims abstract description 37
- 230000006870 function Effects 0.000 claims abstract description 20
- 210000002569 neuron Anatomy 0.000 claims abstract description 20
- 238000001514 detection method Methods 0.000 claims abstract description 17
- 230000004913 activation Effects 0.000 claims abstract description 16
- 238000012549 training Methods 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000012937 correction Methods 0.000 claims abstract description 4
- 239000004575 stone Substances 0.000 claims abstract description 4
- 238000012360 testing method Methods 0.000 claims abstract description 3
- 238000012216 screening Methods 0.000 claims description 34
- 238000004458 analytical method Methods 0.000 claims description 8
- 230000009467 reduction Effects 0.000 claims description 8
- 238000009659 non-destructive testing Methods 0.000 abstract 1
- 210000001161 mammalian embryo Anatomy 0.000 description 16
- 230000000694 effects Effects 0.000 description 14
- 210000002257 embryonic structure Anatomy 0.000 description 14
- 241000287828 Gallus gallus Species 0.000 description 12
- 235000013330 chicken meat Nutrition 0.000 description 12
- 230000008569 process Effects 0.000 description 11
- 238000005457 optimization Methods 0.000 description 10
- 238000011534 incubation Methods 0.000 description 8
- 238000005070 sampling Methods 0.000 description 6
- 238000009395 breeding Methods 0.000 description 5
- 230000001488 breeding effect Effects 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 5
- 238000000411 transmission spectrum Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000009826 distribution Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- 238000013528 artificial neural network Methods 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 210000000991 chicken egg Anatomy 0.000 description 3
- 238000002790 cross-validation Methods 0.000 description 3
- 230000010196 hermaphroditism Effects 0.000 description 3
- 238000009776 industrial production Methods 0.000 description 3
- 210000001672 ovary Anatomy 0.000 description 3
- 239000000126 substance Substances 0.000 description 3
- 210000001550 testis Anatomy 0.000 description 3
- JKKFKPJIXZFSSB-UHFFFAOYSA-N 1,3,5(10)-estratrien-17-one 3-sulfate Natural products OS(=O)(=O)OC1=CC=C2C3CCC(C)(C(CC4)=O)C4C3CCC2=C1 JKKFKPJIXZFSSB-UHFFFAOYSA-N 0.000 description 2
- 238000010521 absorption reaction Methods 0.000 description 2
- 230000001066 destructive effect Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000013020 embryo development Effects 0.000 description 2
- JKKFKPJIXZFSSB-CBZIJGRNSA-N estrone 3-sulfate Chemical compound OS(=O)(=O)OC1=CC=C2[C@H]3CC[C@](C)(C(CC4)=O)[C@@H]4[C@@H]3CCC2=C1 JKKFKPJIXZFSSB-CBZIJGRNSA-N 0.000 description 2
- 230000002068 genetic effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 239000013307 optical fiber Substances 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 102000004190 Enzymes Human genes 0.000 description 1
- 108090000790 Enzymes Proteins 0.000 description 1
- 102000001554 Hemoglobins Human genes 0.000 description 1
- 108010054147 Hemoglobins Proteins 0.000 description 1
- 238000001069 Raman spectroscopy Methods 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000004075 alteration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 210000003746 feather Anatomy 0.000 description 1
- 239000012530 fluid Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 229910052736 halogen Inorganic materials 0.000 description 1
- 150000002367 halogens Chemical class 0.000 description 1
- 238000003018 immunoassay Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 235000013372 meat Nutrition 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 244000144977 poultry Species 0.000 description 1
- 235000013594 poultry meat Nutrition 0.000 description 1
- 238000002203 pretreatment Methods 0.000 description 1
- 238000000513 principal component analysis Methods 0.000 description 1
- 230000008142 sex development Effects 0.000 description 1
- 238000010183 spectrum analysis Methods 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000002235 transmission spectroscopy Methods 0.000 description 1
- 238000002834 transmittance Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
- G01N21/00—Investigating or analysing materials by the use of optical means, i.e. using sub-millimetre waves, infrared, visible or ultraviolet light
- G01N21/17—Systems in which incident light is modified in accordance with the properties of the material investigated
- G01N21/25—Colour; Spectral properties, i.e. comparison of effect of material on the light at two or more different wavelengths or wavelength bands
- G01N21/31—Investigating relative effect of material at wavelengths characteristic of specific elements or molecules, e.g. atomic absorption spectrometry
-
- A—HUMAN NECESSITIES
- A01—AGRICULTURE; FORESTRY; ANIMAL HUSBANDRY; HUNTING; TRAPPING; FISHING
- A01K—ANIMAL HUSBANDRY; AVICULTURE; APICULTURE; PISCICULTURE; FISHING; REARING OR BREEDING ANIMALS, NOT OTHERWISE PROVIDED FOR; NEW BREEDS OF ANIMALS
- A01K45/00—Other aviculture appliances, e.g. devices for determining whether a bird is about to lay
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Spectroscopy & Molecular Physics (AREA)
- Health & Medical Sciences (AREA)
- Environmental Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Immunology (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biochemistry (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Pathology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Analytical Chemistry (AREA)
- Birds (AREA)
- Animal Husbandry (AREA)
- Biodiversity & Conservation Biology (AREA)
- Chemical & Material Sciences (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及检测技术领域，尤其涉及早期鸡胚雌雄识别的方法。主要包含以下步骤：通过光谱检测系统采集鸡种蛋的光谱数据；采用Kennard‑Stone法将光谱差异较大的样本选入训练集；初选波段，去除部分冗余信息，对光谱进行初步降维；采用多元散射校正对所选波段的光谱数据进行处理得到预处理后的数据；选用CARS或SPA方法对预处理后的数据进行筛选，选出反映雌雄差异的特征波长，优化模型的输入变量；采用极限学习机中的三种激活函数sig、sine和hardlim，让隐含层神经元个数从20到1500以20步长进行寻优，寻找测试误差最低时的隐含层神经元个数和激活函数，建立判别模型；采用GA算法优化判别模型。本发明提供了一种智能化的无损检测方法，提高模型的精度和适用性。
Description
技术领域
本发明涉及检测技术领域，尤其涉及早期鸡胚雌雄识别的方法。
背景技术
在家禽繁育中，鸡蛋孵化是一个耗时、耗能的过程，大约需要21d。鸡种蛋胚胎在自然情况下孵化，雌雄比例大致为1:1，但不同行业对雌雏和雄雏的需求量各不相同。在蛋鸡育种行业中，雌性的需求量远大于雄性；而在肉品行业中，因为雄性的发育周期短、饲料利用率高，雄性的需求量相比于雌性要占极大优势。在生产实际中，每年约有70亿只一日龄幼雏被安乐死。因此，对鸡种蛋胚胎进行性别鉴定可以指导实际生产，按照市场需求调整鸡种蛋孵化比例，不仅可以节省设备和能源，减少孵化成本，还能避免社会伦理道德等问题。在国内外已有的报道中，鸡种蛋的雌雄识别主要有基于内容物的破口检测和基于高光谱的无损检测。A.Weissmann等(Weissmann A,Reitemeier S,Hahn A,et al.Theriogenology,2013,80(3):199.)在孵化的第9d，通过酶免疫测定分析来自尿囊液中的硫酸雌酮(E1S)含量进行鸡胚性别鉴定，准确率达90.70％。Roberta Galli等(Galli R,Koch E,Preusse G,et al.Current Directions in Biomedical Engineering,2017,3(2)；Galli R,PreusseG,Uckermann O,et al.Analytical Chemistry,2016,88(17):8657；Galli R,Preusse G,Uckermann O,et al.Analytical&Bioanalytical Chemistry,2017,409(5):1185；)在鸡种蛋钝端开一个小口，用近红外激光照射获得强荧光和弱拉曼信号，将血液中的血红蛋白作为荧光源，通过PC分数的监督分类，可以确定孵化3.5d时的鸡胚性别，正确率高达93％。基于内容物的检测属于破坏性检测，对后期鸡胚孵化有影响，且操作步骤繁多，不适用于工业生产。潘磊庆等采集鸡种蛋高光谱透射图像，获取感兴趣区域的响应信号构建鸡胚性别鉴定模型，发现孵化第10d种蛋中间部位具有最好的识别效果，准确率为82.86％；DoreenGohler等(
D,Fischer B,Meissner S.Poult Sci,2017)利用特殊的鸡品种呈现羽毛色的性二型现象，用高光谱相机收集400～1000nm光谱范围内的透射光，采用主分成分析和线性判别分析确定孵化14d的鸡胚性别，准确率约为97％。然而，高光谱设备昂贵，数据量大，不适合工业生产。
发明内容
本发明的目的是克服现有无损检测技术存在的数据量大、检测时间长和检测精度不高的问题，提出了一种快速有效的孵化早期鸡种蛋雌雄识别的方法。
本发明技术方案如下：
一种早期鸡胚雌雄识别的方法，主要包含以下步骤：
1)通过光谱检测系统采集鸡种蛋的光谱数据；
2)采用Kennard-Stone法将光谱差异较大的样本选入训练集；
为避免训练集样本分布不均匀，采用Kennard-Stone法将光谱差异较大的样本选入训练集，保证有代表性的样本全部进入训练集。
3)光谱范围初选：将360～1000nm范围的光谱分为紫外波段(360～380nm)、可见光波段(380～780nm)、近红外波段(780～1000nm)、紫外/可见光波段(360～780nm)和全波段(360～1000nm)5个不同光谱范围来分析，去除部分冗余信息，对光谱进行初步降维；
4)光谱预处理：采用多元散射校正对光谱数据进行处理得到预处理后的数据；
采集到的鸡胚光谱数据夹杂仪器操作、样品背景和杂散光等引起的噪声和无关信息。采用的预处理方法为多元散射校正(Multiplication scatter correction，MSC)。MSC可以有效消除或减小由于样品粒径分布不均匀造成的杂散光问题，降低光谱数据的噪音。
5)光谱数据降维处理：选用CARS和SPA方法对步骤4)得到的预处理后的数据进行筛选，选出反映雌雄差异的特征波长，优化模型的输入变量；
选用的紫外/可见光波段(360～780nm)，光谱范围较宽波长数目也较多，部分波段存在较强的相关性，光谱波段内除了包含反映内部成分差异的信息外还含有大量冗余信息，分类时可能会产生“维数灾难(Hughes)”现象，且会影响分类的精度。Chang发现在不影响整体分类精度的前提下，无效光谱波段可能高达94％。因此，选用CARS和SPA这2种常见方法对初选波段的光谱数据进行筛选，选出反映雌雄差异的特征波长，优化模型的输入变量。
竞争性自适应重加权采样算法(Competitive adaptive reweighted sampling，CARS)采用“适者生存”原则，对光谱数据进行多次筛选将PLS模型中回归系数绝对值大的波长点选出，通过对比每次筛选变量产生的新子集的交叉验证均方差值(RMSECV)，RMSECV值最小的那个模型所对应的波长点被选为最优变量。该算法可以克服变量选择中变量组合爆炸问题。
连续投影算法(Successive projection algorithm，SPA)是一种前向选择算法，初选一个变量，然后迭代入新的变量，通过设置不同的变量范围数，根据交叉验证均方根误差RMSECV值，选出预先设定好的变量数目。该算法能从全部变量中选取含有最少冗余信息的变量组，保证更少变量数所包含的样本信息最全，可以有效解决信息重叠和共线性的问题。
6)采用极限学习机中的三种激活函数sig、sine和hardlim，让隐含层神经元个数从20到1500以20步长进行寻优，寻找测试误差最低时的隐含层神经元个数和激活函数，建立判别模型；
极限学习机(Extreme learning machine，ELM)是常用的定性判别建模方法。极限学习机是一种以单隐含层前馈神经网络为基础的新算法，具有学习速度快、泛化能力强等优点，解决了传统神经网络参数选取复杂、易陷入局部最优的缺点，在模式识别和非线性拟合方面具有明显优势。ELM中随机产生输入层与隐含层的连接权值和隐含层神经元的阈值且无需调整，只需设置隐含层神经元个数和隐含层神经元的激活函数。本发明在3种不同激活函数sig、sine和hardlim下，让隐含层神经元个数从20到1500以20步长进行寻优，寻找测试误差最低时的隐含层神经元个数和激活函数。
7)判别模型的优化：选用GA算法(遗传算法)优化ELM的输入权值和隐含层阈值。
优选地，所述步骤1)鸡种蛋为孵化5-8d竖向放置的鸡种蛋。
进一步优选地，所述步骤1)鸡种蛋为孵化7d竖向放置的鸡种蛋。
优选地，所述步骤3)对光谱进行初步降维后采用360～780nm的紫外/可见光波段的光谱建模。
优选地，所述步骤5)SPA筛选的特征波长为366nm、368nm、458nm、417nm、438nm、398nm、388nm、373nm、415nm。
优选地，所述步骤7)优化后雌雄识别判别模型为紫外/可见光波段经SPA筛选特征波长的GA-ELM模型。
本发明有益效果如下：
1、紫外/可见/近红外透射光谱是一种非破坏性的检测方法。光谱能够透过鸡蛋外壳表面，被内部物质吸收，并能反映在光谱图中。
2、紫外/可见光波段不经筛选特征波长的GA-ELM模型识别效果和经SPA筛选特征波长的GA-ELM模型相同，预测集准确率均为87.14％，表明SPA筛选的特征波长能有效反映360～780nm波段的信息。SPA使用的变量数仅占紫外/可见光波段的2.14％，大大减少了模型输入变量，因此，雌雄识别最佳判别模型为紫外/可见光波段经SPA筛选特征波长的GA-ELM模型，预测集准确率为87.14％，模型判别时间为0.080ms。结果表明紫外/可见光透射光谱技术为孵化早期鸡胚蛋雌雄识别提供了一种可行方法。
3、本发明方法检测孵化第7天的鸡种蛋，孵化天数短，可以节省设备和能源，减少孵化成本，适用于工业生产。
4、本发明方法检测时间0.080ms左右，检测时间短，适用于在线检测。
附图说明
图1是鸡种蛋透射光谱检测系统；
图2孵化第15d雌性(a)和雄性(b)鸡种蛋胚胎解剖图；
图3横向放置(a)和竖向放置(b)鸡胚光谱随孵化天数变化；
图4预测集准确率随孵化天数增加的变化；
图5孵化第7d雌雄鸡胚平均光谱；
图6全部雌雄鸡胚原始(a)和MSC预处理后(b)光谱；
图7 CARS变量筛选过程；
图8 CARS筛选的变量；
图9 SPA变量筛选过程；
图10 SPA筛选的变量；
图11不筛选(a)、CARS筛选(b)和SPA筛选(c)隐含层神经元数和激活函数对ELM模型性能的影响；
图12 GA优化不筛选(a)、CARS筛选(b)和SPA筛选(c)的ELM模型过程。
具体实施方式
下面结合实施例来进一步说明本发明，但本发明要求保护的范围并不局限于实施例表述的范围。
实施例1
鸡种蛋透射光谱检测装置如图1所示。硬件主要由海洋光学USB2000+型光纤光谱仪、海洋光学84UV-25准直透镜、南京鸿照聚焦透镜、玻璃光纤、广州标旗LS-3000可调卤素灯光源(100W)和计算机构成。胚胎放置方式分为横向放置和竖向大头朝上放置2种，采集孵化第0～15d的光谱。光谱采集波段设置为360～1000nm，积分时间为40ms，平均次数为3以提高数据的稳定性，平滑宽度为5以匹配系统的分辨率。图2孵化第15d雌性(a)和雄性(b)鸡种蛋胚胎解剖图，胚胎发育的4～8d性腺开始转化成早期卵巢和睾丸，在胚胎发育至8d后，可以通过睾丸和卵巢的形态进行性别区分，雌性卵巢两侧发育不平衡，雄性睾丸两侧发育对称。为准确获得鸡种蛋胚胎的性别信息，为后期鉴别模型提供判别依据，在鸡种蛋孵化的第15d，人工破蛋用解剖法判断胚胎性别，通过肉眼观察雄性睾丸和雌性卵巢的形态进行区分，作为鸡种蛋实际性别。图2为孵化第15d鸡种蛋胚胎解剖图，图2(a)为雌性，图2(b)为雄性。
一、鸡种蛋光谱分析、放置方式和最佳鉴别天数的确定
不同孵化天数鸡胚的光谱曲线变化情况
鸡胚原始平均光谱随孵化天数的变化如图3。可以看到鸡胚光谱曲线均在前端存在很强的吸收峰，在前端光谱值的大小随天数的变化没有规律。在500nm～780nm波段随着孵化天数的增加，波形没有太大变化，只是透过率逐渐降低。说明孵化过程中，鸡种蛋内部吸收峰在500nm～780nm波段的某些物质转化成了鸡胚发育所需的其他物质，从而浓度逐渐降低导致光谱响应值降低。
性别鉴定的最佳放置方式和鉴别天数的确定
为确定鸡种蛋胚胎性别鉴定的最佳放置方式和鉴别天数，采用横向和竖向大头朝上2种鸡胚放置方式，将采集到的0～15d的全波段原始光谱数据建立ELM模型，结果见图4。准确率为预测集准确率。图4表明以横向放置的方式采集的光谱数据，在鸡种蛋胚胎孵化过程中，建立的ELM模型最高的识别准确率在第1、9、13d，预测集准确率为75.71％。以竖向大头朝上放置的方式采集的光谱数据，在鸡种蛋胚胎孵化过程中，建立的ELM模型最高的识别准确率在第7d，预测集准确率为81.43％。
从上述结果可以发现，竖向放置且孵化第7d更容易区分鸡种蛋胚胎的性别。因此，选择竖向放置且孵化第7d的光谱数据进行重点分析。
二、竖向放置第7d鸡胚识别模型的建立
雌雄鸡胚光谱特性
鸡种蛋竖向放置孵化第7d采集到的雌雄鸡胚原始平均光谱如图5。可以看出雌雄鸡胚原始平均光谱曲线随波长变化的规律大体一致，只是存在一些数值上的细小差异，很难通过直接观察来区分雌雄。此外，雌雄鸡胚光谱在紫外/可见光波段(360～780nm)比在近红外波段(780～1000nm)内含有更丰富的波峰波谷信息。
波段初选
为了寻找适合雌雄鉴别的光谱波段，将360～1000nm范围的光谱分为紫外波段(360～380nm)、可见光波段(380～780nm)、近红外波段(780～1000nm)、紫外/可见光波段(360～780nm)和全波段(360～1000nm)5个不同光谱范围并建模，建模结果如表1。在5个波段范围中，近红外波段的识别率最低；紫外波段和紫外/可见光波段相比于全波段，模型预测集准确率均有所提升，其中紫外/可见光波段的模型识别率最高为84.29％。因此，选择波段范围为360～780nm的紫外/可见光来对种蛋进行雌雄鉴别。
表1不同波段范围下ELM模型判别结果
光谱预处理
采用MSC对紫外/可见光(360～780nm)波段的光谱数据进行降噪处理，图6为原始光谱与MSC预处理后的光谱图。可以看到MSC在保留原始光谱主要信息的同时，有效地消除了因纵向漂移产生的光谱差异。
光谱数据降维处理
选择的紫外/可见光波段(360～780nm)，仍然包含很多无用信息，需要找出反映雌雄差异的特征波长点。选用CARS和SPA这2种常见方法对光谱数据进行特征变量筛选。
1)利用CARS进行采样时，采样次数设定为50次。第一次所有变量都用于建模，第N次时只使用两个变量。图7为波段筛选过程，其中横坐标均为采样次数。从图7(a)可以看到选用的变量个数先急剧减小后缓慢趋于稳定，这是指数衰减函数的作用；图7(b)中随着采样次数的增加交叉验证均方差(RMSECV)逐渐减小后增大，在第26次采样时达到最小值，这表明第26次采样后剔除的波长点与鸡胚性别鉴定的相关性大；图7(c)中各线是随着采样次数的增加回归系数的变化，图中的“*”线为RMSECV最小值处。利用CARS算法对紫外/可见光波段的光谱数据进行筛选，选出的波长有27个。图8表示CARS所筛选的特征波长在紫外/可见光波段的分布状况，占紫外/可见光波段的6.43％。
2)SPA通过设置波长数的范围1～50，得到9个特征波长变量，筛选过程如图9。从图9可以看到RMSECV随变量数目增加大体呈现逐渐减小的趋势，并在9个波长时RMSECV最低为0.44773，说明9个特征波长包含了雌性识别的更多有效信息。利用SPA算法对紫外/可见光波段的光谱数据进行筛选，图10表示所筛选的特征波长在紫外/可见光波段中的分布状况，占紫外/可见光波段的2.14％。
ELM定性判别分析模型
在紫外/可见光波段(360～780nm)经过MSC预处理后，运用极限学习机(ELM)分别建立不经筛选特征波长的判别模型、基于CARS筛选特征波长的判别模型和基于SPA筛选特征波长的判别模型。极限学习机是一种以单隐含层前馈神经网络为基础的新算法，输入层与隐含层的连接权值和隐含层神经元的阈值随机产生，只需设置隐含层神经元个数和隐含层神经元的激活函数。为确定模型的最佳隐含层神经元个数和隐含层神经元激活函数，本文在3种不同激活函数下，让隐含层神经元个数从20到1500以20步长进行寻优，图11为3种判别模型的寻优过程。
图11(a)显示了不经筛选特征波长的ELM模型，隐含层神经元个数为680时，以sig作为激活函数预测集准确率最高。因此在紫外/可见光波段不经筛选特征波长的光谱数据建立的ELM模型中，选用sig作为激活函数且隐含层神经元个数设为680。图11(b)显示了基于CARS筛选特征波长的ELM模型，隐含层神经元个数为100时，以sig作为激活函数预测集准确率最高。因此在紫外/可见光波段经CARS筛选特征波长的光谱数据建立的ELM模型中，选用sig作为激活函数且隐含层神经元个数设为100。图11(c)显示了基于SPA筛选特征波长的ELM模型，隐含层神经元个数为840时，以hardlim作为激活函数预测集准确率最高。因此在紫外/可见光波段经SPA筛选特征波长的光谱数据建立的ELM模型中，选用hardlim作为激活函数且隐含层神经元个数设为840。
表2是不同输入变量下ELM模型的判别结果。从表2中可以看出不经筛选特征波长的光谱数据建模识别效果最优，预测集准确率为84.29％，其输入变量较多；基于SPA筛选特征波长的模型识别效果次之，预测集准确率为81.43％，其输入变量为筛选的9个特征波长；基于CARS筛选特征波长建模识别效果最差，预测集准确率为78.57％，其输入变量为筛选的27个特征波长。
表2不同输入变量下ELM模型判别结果
判别模型的优化
由于ELM随机产生输入权值和隐含层阈值，使得模型预测精度不高且存在泛化能力较差的问题。因此本实施例选用GA算法优化ELM的输入权值和隐含层阈值。算法参数设定如下：初始种群规模为30，最大遗传代数为200，交叉概率为0.6，变异概率为0.01。优化过程如图12。
GA优化后的建模效果如表3。基于紫外/可见光波段不经筛选特征波长的光谱数据建模，优化后预测集准确率从84.29％上升到87.14％，其中有6个雌胚被判错，3个雄胚被判错，雌性识别率为82.86％，雄性识别率为91.43％。以预测集单个样本的平均判别时间作为模型判别时间，优化后模型判别时间为0.105ms。基于紫外/可见光波段CARS筛选的27个特征波长建模，优化后预测集准确率从78.57％上升到81.43％，其中有6个雌胚被判错，7个雄胚被判错，雌性识别率为82.86％，雄性识别率为经SPA筛选特征波长的GA-ELM模型相同80.00％，优化后模型判别时间为0.071ms。基于紫外/可见光波段SPA筛选的9个特征波长建模，优化后预测集准确率从81.43％上升到87.14％，其中有4个雌胚被判错，5个雄胚被判错，雌性识别率为88.57％，雄性识别率为85.71％，优化后模型判别时间为0.080ms。
结果表明紫外/可见光波段不经筛选特征波长的GA-ELM模型识别效果和经SPA筛选特征波长的GA-ELM模型相同，预测集准确率均为87.14％，表明SPA筛选的特征波长能有效反映360～780nm波段的信息。SPA使用的变量数仅占紫外/可见光波段的2.14％，大大减少了模型输入变量，因此，雌雄识别最佳判别模型为紫外/可见光波段经SPA筛选特征波长的GA-ELM模型，预测集准确率为87.14％，模型判别时间为0.080ms。结果表明紫外/可见光透射光谱技术为孵化早期鸡胚蛋雌雄识别提供了一种可行方法。
表3 GA优化前后ELM模型判别结果的对比
采用光谱技术研究了孵化期内鸡胚雌雄的无损鉴别方法。通过试验分析得出以下结论：
1)对于横向和竖向大头向上2种放置方式获取的鸡种蛋0～15d光谱数据，建立了极限学习机(ELM)鸡种蛋胚胎识别模型。其中竖向放置孵化7d的鸡种蛋胚胎光谱数据，相比于其他孵化天数，建立的ELM模型具有更优的识别效果。因此，选用孵化第7d竖向放置采集的光谱数据进行雌性识别。
2)基于竖向放置孵化7d的鸡种蛋光谱，将光谱初步分为紫外(360～380nm)、可见光(380～780nm)、近红外(780～1000nm)、紫外/可见光(360～780nm)和全波段(360～1000nm)5个不同光谱范围来分析，结果表明360～780nm的紫外/近红外波段的光谱建模效果最好；采用MSC进行预处理去噪，并用CARS、SPA筛选特征波长建模，对比分析后得到紫外/可见光波段不经筛选特征波长的ELM模型判别效果最好，预测集准确率为84.29％；紫外/可见光波段经SPA筛选特征波长的ELM模型判别效果次之，预测集准确率为81.43％；紫外/可见光波段经CARS筛选特征波长的ELM模型判别效果最差，预测集准确率为78.57％。
3)用GA优化ELM模型的权值变量和隐含层神经元阈值，发现紫外/可见光波段不经筛选特征波长的GA-ELM模型识别效果和经SPA筛选特征波长的GA-ELM模型相同，预测集准确率均为87.14％，但SPA使用的变量数仅占紫外/可见光波段的2.14％。因此，雌雄识别最佳模型为紫外/可见光波段经SPA筛选特征波长的GA-ELM模型，模型准确率为87.14％，其中有4个雌胚被判错，5个雄胚被判错，雌性识别率为88.57％，雄性识别率为85.71％。单个样本平均判别时间0.080ms。结果表明紫外/可见透射光谱技术和ELM模型为孵化早期鸡胚蛋雌雄识别提供了一种可行方法。
对于本发明的限制，本申请中的实施例及实施例中的特征在不冲突的情况下，可以相互任意组合。本发明的保护范围应以权利要求记载的技术方案，包括权利要求记载的技术方案中技术特征的等同替换方案为保护范围。即在此范围内的等同替换改进，也在本发明的保护范围之内。
Claims (4)
1.一种早期鸡胚雌雄识别的方法，其特征在于：主要包含以下步骤：
1）通过光谱检测系统采集鸡种蛋的光谱数据；
2）采用Kennard-Stone法将光谱差异较大的样本选入训练集；
3）光谱范围初选：将360~1000nm范围的光谱分为紫外波段360~380nm、可见光波段380~780nm、近红外波段780~1000nm、紫外/可见光波段360~780nm和全波段360~1000nm5个不同光谱范围来分析，去除部分冗余信息，对光谱进行初步降维；
4）光谱预处理：采用多元散射校正对所选波段的光谱数据进行处理得到预处理后的数据；
5）光谱数据降维处理：选用CARS或SPA方法对步骤4）得到的预处理后的数据进行筛选，选出反映雌雄差异的特征波长，优化模型的输入变量；
6）所述步骤5）得到的特征波长数据采用极限学习机中的三种激活函数sig、 sine和hardlim，让隐含层神经元个数从20到1500以20步长进行寻优，寻找测试误差最低时的隐含层神经元个数和激活函数，建立雌雄识别判别模型；
7）判别模型的优化：选用GA算法优化ELM的输入权值和隐含层阈值，得到优化后的模型；
所述步骤3）对光谱进行初步降维后采用360~780nm的紫外/可见光波段的光谱建模；
所述步骤1）鸡种蛋为孵化5-8d竖向放置的鸡种蛋。
2.根据权利要求1所述的方法，其特征在于：所述步骤1）鸡种蛋为孵化7d竖向放置的鸡种蛋。
3.根据权利要求1所述的方法，其特征在于：所述步骤5）SPA筛选的特征波长为366nm、368nm、458nm、417nm、438nm、398nm、388nm、373nm、415nm。
4.根据权利要求1所述的方法，其特征在于：所述步骤7）优化后雌雄识别判别模型为紫外/可见光波段经SPA筛选特征波长的GA-ELM模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810982602.XA CN109142248B (zh) | 2018-08-27 | 2018-08-27 | 早期鸡胚雌雄识别的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810982602.XA CN109142248B (zh) | 2018-08-27 | 2018-08-27 | 早期鸡胚雌雄识别的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109142248A CN109142248A (zh) | 2019-01-04 |
| CN109142248B true CN109142248B (zh) | 2020-08-04 |
Family
ID=64828411
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810982602.XA Active CN109142248B (zh) | 2018-08-27 | 2018-08-27 | 早期鸡胚雌雄识别的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109142248B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109906970B (zh) * | 2019-01-31 | 2021-10-15 | 福建省农业科学院科技干部培训中心 | 基于栖息位置及睡眠质量评价家禽品质的方法 |
| CN111999257B (zh) * | 2020-09-03 | 2022-04-12 | 华中农业大学 | 一种孵化期间种蛋雌雄胚胎的光纤光谱分选装置及方法 |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106383095A (zh) * | 2016-11-03 | 2017-02-08 | 宁夏大学 | 一种冷却羊肉表面细菌总数检测装置及方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103472008B (zh) * | 2013-08-30 | 2016-06-08 | 黑龙江八一农垦大学 | 孵化前期近红外种蛋内鸡胚性别识别方法 |
| CN103461218B (zh) * | 2013-08-30 | 2016-01-20 | 黑龙江八一农垦大学 | 孵化前期近红外种蛋内鸡胚性别识别装置 |
| FR3023617B1 (fr) * | 2014-07-11 | 2018-06-15 | Tronico | Dispositif non invasif de determination de la fertilite et/ou du sexe d’un oeuf, et procede correspondant. |
| WO2017172684A1 (en) * | 2016-03-29 | 2017-10-05 | Zoetis Services Llc | Egg identification system, and associated method |
| CN107238587A (zh) * | 2017-05-09 | 2017-10-10 | 华南农业大学 | 基于光谱技术的蚕蛹雌雄快速无损检测方法 |
-
2018
- 2018-08-27 CN CN201810982602.XA patent/CN109142248B/zh active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106383095A (zh) * | 2016-11-03 | 2017-02-08 | 宁夏大学 | 一种冷却羊肉表面细菌总数检测装置及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 高光谱技术结合CARS-ELM的油桃品种判别的研究;赵旭婷等;《现代食品科技》;20171231;第33卷(第10期);第2部分结果与讨论 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109142248A (zh) | 2019-01-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109142248B (zh) | 早期鸡胚雌雄识别的方法 | |
| CN108802002B (zh) | 一种快速无损鉴别解除滞育的蚕卵拉曼光谱模型构建方法 | |
| CN110575965B (zh) | 一种近红外光谱鉴别的蚕蛹雌雄筛选方法 | |
| CN105548028A (zh) | 禽蛋新鲜度的光纤光谱分级检测装置及其方法 | |
| CN108805176A (zh) | 一种基于随机森林回归的鱼饲料投喂量预测方法 | |
| US20200400640A1 (en) | Method for In-Ovo Fertilisation Determination and Gender Determination on a Closed Egg | |
| CN115905881B (zh) | 黄珍珠分类的方法以及装置、电子设备、存储介质 | |
| Zhihui et al. | Nondestructive detection of infertile hatching eggs based on spectral and imaging information | |
| CN115812634A (zh) | 一种孵前种蛋受精信息无损分拣方法及装置 | |
| CN115937670A (zh) | 一种基于高光谱成像的麝香智能鉴别方法及应用 | |
| Feng et al. | Detection of blood spots in eggs by hyperspectral transmittance imaging | |
| CN110533102A (zh) | 基于模糊推理的单类分类方法以及分类器 | |
| CN107764770B (zh) | 基于近红外光谱的入孵前种蛋受精情况检测方法及装置 | |
| CN111802281A (zh) | 孵前种鸭蛋中受精蛋的光纤光谱分级检测装置及其方法 | |
| Lv et al. | Identification of less-ripen, ripen, and over-ripen grapes during harvest time based on visible and near-infrared (Vis-NIR) spectroscopy | |
| US11525774B2 (en) | Sensory evaluation method for spectral data of mainstream smoke | |
| Xie et al. | A review of the recent advances for the in-ovo sexing of chicken embryos using optical sensing techniques | |
| JP2023125036A (ja) | 種卵の非破壊検査装置及びそれに用いる種卵検査プログラム | |
| JP2024504207A (ja) | 近ｉｒ分光法を使用してニワトリ卵の性質及び／又は卵の内側のニワトリ胚の性質を決定する非侵襲的方法、それぞれのシステム、及びその使用 | |
| CN113866122A (zh) | 一种鸡品种快速鉴别方法及其应用 | |
| CN115187514A (zh) | 一种基于rf-ds图谱信息融合的孵化早期鸡胚蛋性别无损检测方法 | |
| Kim et al. | Non-Destructive Detection of Abnormal Chicken Eggs by Using an Optimized Spectral Analysis System | |
| WO2024079958A1 (ja) | 雌雄判定装置及び雌雄判定方法 | |
| CN106226265B (zh) | 基于光谱分析的生物炭炭化温度快速鉴别方法 | |
| Nikolova et al. | Fluorescence spectroscopy, colorimetry and neural networks in distinguishing different types of honey |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |