CN111476320A - 基于可见近红外光谱的孵化早期受精种蛋判别模型的建立方法 - Google Patents
基于可见近红外光谱的孵化早期受精种蛋判别模型的建立方法 Download PDFInfo
- Publication number
- CN111476320A CN111476320A CN202010387554.7A CN202010387554A CN111476320A CN 111476320 A CN111476320 A CN 111476320A CN 202010387554 A CN202010387554 A CN 202010387554A CN 111476320 A CN111476320 A CN 111476320A
- Authority
- CN
- China
- Prior art keywords
- model
- hatching
- data
- egg
- discrimination
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000002329 infrared spectrum Methods 0.000 title claims abstract description 14
- 238000011534 incubation Methods 0.000 title abstract description 6
- 235000013601 eggs Nutrition 0.000 claims abstract description 78
- 230000012447 hatching Effects 0.000 claims abstract description 74
- 230000004720 fertilization Effects 0.000 claims abstract description 22
- 238000007637 random forest analysis Methods 0.000 claims abstract description 20
- 238000004458 analytical method Methods 0.000 claims abstract description 16
- 238000012706 support-vector machine Methods 0.000 claims abstract description 15
- 230000003595 spectral effect Effects 0.000 claims abstract description 11
- 238000000513 principal component analysis Methods 0.000 claims abstract description 8
- 230000000694 effects Effects 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims abstract description 7
- 238000012216 screening Methods 0.000 claims abstract description 5
- 238000013145 classification model Methods 0.000 claims description 25
- 239000000523 sample Substances 0.000 claims description 25
- 238000001228 spectrum Methods 0.000 claims description 14
- 239000013307 optical fiber Substances 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 7
- 238000002790 cross-validation Methods 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 5
- 230000010354 integration Effects 0.000 claims description 3
- 238000001514 detection method Methods 0.000 abstract description 19
- 238000002474 experimental method Methods 0.000 abstract description 4
- 208000021267 infertility disease Diseases 0.000 abstract 1
- 230000008569 process Effects 0.000 description 7
- 210000001161 mammalian embryo Anatomy 0.000 description 5
- 238000012795 verification Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 238000004433 infrared transmission spectrum Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000012937 correction Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 241001465754 Metazoa Species 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 208000027697 autoimmune lymphoproliferative syndrome due to CTLA4 haploinsuffiency Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009395 breeding Methods 0.000 description 1
- 230000001488 breeding effect Effects 0.000 description 1
- 210000000991 chicken egg Anatomy 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000013020 embryo development Effects 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000017525 heat dissipation Effects 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013421 nuclear magnetic resonance imaging Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000001579 optical reflectometry Methods 0.000 description 1
- 210000004681 ovum Anatomy 0.000 description 1
- 244000144977 poultry Species 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/217—Validation; Performance evaluation; Active pattern learning techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/02—Agriculture; Fishing; Forestry; Mining
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Animal Husbandry (AREA)
- Marine Sciences & Fisheries (AREA)
- Mining & Mineral Resources (AREA)
- Agronomy & Crop Science (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Investigating Or Analysing Materials By Optical Means (AREA)
Abstract
本发明涉及基于可见近红外光谱的孵化早期受精种蛋判别模型的建立方法，属受精种蛋的检测领域，包括以下步骤：1、将通过装置采集到的光谱数据进行小波分析预处理；2、将步骤1获得的预处理后数据进行主成分分析降低维度，结合霍特林矩阵筛选剔除信号差异性大的无效样本；3、将经步骤2筛选后的样本结合受精信息搭建判别随机森林和支持向量机模型，待模型稳定后得出分类正确率，评出每组结果的获胜模型，根据获胜次数选出判别效果较优的模型，实验发现随机森林模型的判别效果较优，准确率可达93.3%。本发明所属模型的建立方法，操作简单，分析步骤简捷，利用该模型可在孵化早期无损、准确判别受精蛋和无精蛋，降低劳动强度，提高检测效率。
Description
技术领域
本发明涉及受精种蛋的检测领域，具体是一种孵化早期种蛋受精信息判别模型的建立方法。
背景技术
我国是农业大国，禽蛋业是畜牧业中的优势产业，具有良好的发展前景，但繁育过程耗能、耗时，鸡蛋孵化不仅对孵化环境的温度和湿度等有很高的要求，而且孵化大约需要3周时间。一部分种蛋最终不能孵化成功，进而造成一定浪费。根据相关资料显示，种蛋孵化成功率约为86%～95%，不能孵化成功的大概率原因是种蛋胚胎未受精。在孵化早期，若能检测未受精不能孵化的种蛋并将其清除，不仅能够使无精蛋依然可供食用，减少经济损失、节省资源，还能一定程度上避免由于未发育种蛋变质产生的霉菌感染其他种蛋。因此，检测早期种蛋孵化情况是有重要意义的。
目前，检测种蛋孵化情况的方法是人工照蛋，也就是工人手持照蛋器在黑暗的环境中对孵化一定时间的种蛋透视从而检测胚胎发育情况，然后根据胚胎形态剔除未受精蛋和已经死亡的胚胎蛋，但该方法不仅存在检测效率低下，工人的劳动强度较大的问题，而且检测结果还受各种客观因素的影响，例如，蛋壳厚度、蛋壳颜色等，使结果具有不确定性。而且72小时后的种鸡蛋和死胚蛋已不再具备食用价值，带来了更大的经济损失。
目前，对种蛋孵化情况的检测判别方法有机器视觉法、光学检测法、敲击振动法、高光谱法、核磁共振成像、超声波和激光散斑成像等，上述方法或多或少均存在一些缺陷。近红外光谱检测分析方法作为一种快速无损检测分析方法，能够对各种形态的物品属性进行检测分析。
秦五昌等公开发表的“基于可见/近红外透射光谱的孵化早期受精鸡蛋的判别”中研制了基于可见/近红外透射光谱的静态采集系统，并使用该系统进行光谱采集。但是，其是采用的可见/近红外透射光谱进行受精判别，对应的可见/近红外光谱检测系统包括暗箱、光源、温度检测装置、散热装置等，检测系统较为复杂，操作不便。
祝志慧等公开发表的“基于近红外光谱的孵前种蛋检测”中公开“通过选取不同的谱区范围、不同的主成分因子和不同的光谱预处理方法分析校正模型判别精度，选择一定谱区范围的光谱数据，主成分因子数为19，SNV+一阶导数+Norris微分过滤的预处理方法，利用马氏距离法对校正集和验证集进行定性判别分析”，可见，其分析方法十分复杂，过程繁琐。
发明内容
针对上述问题，本发明提供一种基于可见近红外光谱的孵化早期受精种蛋判别模型的建立方法，通过采集系统获取近红外光谱数据，利用算法对所获数据进行分析运算，搭建模型，基于光的漫反射原理，光谱数据采集方便，分析过程简单，通过所述方法建立的模型可以在孵化早期有效判别种蛋受精情况，能够实现种蛋受精情况的无损检测与判别，判别准确率较高，能有效提高检测效率。
为了实现上述目的，本发明采用的具体方案为：
基于可见近红外光谱的孵化早期受精种蛋判别模型的建立方法，包括以下步骤：
步骤一、数据采集：对种蛋样本进行编号，采用Y型三接头光纤，入孵前在种蛋样本大头端选择一固定位置，将种蛋样本大头朝上竖直放入孵化箱中，每隔24h在固定位置采集一次数据；采集数据时将Y型三接头光纤的一端探头在不损坏种蛋的前提下紧贴于所述固定位置，所述Y型三接头光纤的另外两端分别连接光源和光谱仪，所述光谱仪通过数据线与安装有光谱采集软件的计算机相连；
步骤二、数据预处理：将经步骤一采集的数据进行小波分析预处理，经预处理后的光谱数据用Unscrambler软件进行主成分分析，得到载荷得分图；将所述得分图与霍特林矩阵结合筛选剔除由于信号差异性大、会影响模型准确率的无效样本，获得合格样本；
步骤三、模型搭建：获取种蛋样本的受精信息，并将受精蛋标记为1、无精蛋标记为2；将步骤二筛选后获得的合格样本结合受精信息搭建随机森林模型和支持向量机分类模型，向随机森林模型和支持向量机分类模型分别导入5组相同的数据，并均设置1/5的样本进行交叉验证，将随机森林算法运行100次待模型稳定后得出分类正确率，与支持向量机分类模型的分类正确率对比，评出每组结果的获胜模型，根据获胜次数选出判别效果较优的模型。
作为对上述方案的进一步优化，步骤一所述每隔24h在固定位置采集一次数据，在每次采集数据前，将所述探头对准校准白板采集参考光谱。
作为对上述方案的进一步优化，步骤一中，设置光谱仪的积分时间为4000微秒，平均次数为10，平滑度为5。
作为对上述方案的进一步优化，步骤二中，在Unscrambler软件中将主成分数设置为5，并规定随机选择9个样本作为交叉验证集进行交叉验证。
本发明还提供采用上述方法建立的模型在孵化早期种蛋受精判别方面的应用。
有益效果：
本研究应用近红外光谱分析技术原理对种蛋早期受精情况进行检测研究，利用其分析速度快、测量准确度高、对样品无损等特点，通过采集系统获取近红外光谱数据，利用算法对所获数据进行分析运算，搭建模型，对种蛋胚胎孵化情况进行判别。在数据采集中，采用Y型三接头光纤探头，紧贴在种蛋样本大头端的固定位置，该方法是基于光的漫反射原理，将探头紧贴于固定位置可避免除入射光源外其他光源的影响且避免光的溢出，保证采集到的数据的准确性。通过SpectraSuite软件采集光谱数据后，用MATLAB进行小波分析预处理，减少信号中噪声的干扰。将获得的预处理后数据用Unscrambler进行主成分分析降低维度，将得分图结合霍特林矩阵筛选剔除个体差异性大的无效样本，提高判别模型的准确率。
本发明所述的方法是在鸡种蛋孵化一段时间后，使用光纤光谱仪获取待测种蛋的光谱数据，然后用随机森林算法和支持向量机算法搭建出可以判别受精蛋和无精蛋的模型，根据分类正确率的结果，选出判断鸡种蛋受精情况效果较优的模型。实验发现，随机森林模型的判别准确率比支持向量机分类模型的判别准确率较高，随机森林模型的判别效果较好，判别准确率可达93.3%。在所述模型的建立过程中，光谱数据采集方便，分析过程简单，通过所述方法建立的模型可以在孵化早期有效判别种蛋受精情况，能够实现种蛋受精情况的无损检测与判别，判别准确率较高，能有效提高检测效率。
附图说明
图1为本发明使用的检测装置结构示意图；其中，1、种蛋；2、光谱仪；3、光源；4、计算机；5、Y型三接头光纤；
图2为本发明使用的数据分析方法流程图；
图3为主成分分析结果图；
图4为随机森林模型分析结果图；
图5为支持向量机模型分析结果图。
具体实施方式
本发明所提供的是一种基于可见/近红外光谱的种蛋孵化早期受精情况的检测模型，采用的建模方式为全波段建模，基本原理是基于受精蛋和无精蛋在发育过程中光反射率不同的特点。结合检测装置对检测方法进一步说明。
实施例1
1、检测装置
检测装置主要包括光源、USB2000+光纤光谱仪、一根Y型三接头光纤和一台装有光谱仪配套光谱采集软件SpectraSuite的计算机。所述光谱采集软件是SpectraSuite光谱分析软件。采用的数据分析软件是MATLAB 2017b。采用的另一数据分析软件是The UnscramblerX10.4。
2、实验方法
如图1，Y型三接头光纤一头连接光源，一头连接光谱仪，使用探头处采集样本数据。光谱仪通过数据线与计算机相连。将光谱采集软件SpectraSuite的积分时间设置为4000微秒、平均次数设置为10，平滑度设置为5，在采集样本数据前，需要将探头对准校准白板采集参考光谱，可以通过调整光源强度，使每次采集时的参考光谱保持在同一水平，保证每次采集到的数据都基于同一参考值。在孵化种蛋前，清洁孵化箱后消毒，并检查孵化箱的各项功能。设置孵化箱的温度为37.8°C，相对湿度为68%，将孵化箱加热30分钟。实验样本为柴鸡蛋，样本数量为46，将种蛋表面清理、消毒，对种蛋样本进行分别标号，在种蛋样本的大头附近选择一固定位置，然后将样本种蛋依次大头朝上竖直放入孵化箱中。入孵后每隔24h在固定位置采集一次数据。采集方法为，将种蛋从孵化箱中取出，大头朝下对准Y型光纤探头竖直放置，使探头对准固定位置，在不损坏种蛋的情况下将种蛋紧贴于探头。每次采集前要将光谱仪预热30分钟。最后获得多组数据。
整理所获数据后导入MATLAB中进行小波分析预处理；孵化18天后将种蛋样本进行破壳处理，获取种蛋受精情况。将预处理后的数据、种蛋样本标号和受精情况整理为一个excel文件后导入Unscrambler，选择处理后的数据矩阵，将最大成份数设置为5，设置9个样本作为交叉验证样本，进行主成分分析，该光谱数据主成分分析结果显示前两个主成分的累计贡献率为99%，然后将主成分分析的结果得分图结合霍特林矩阵，且将数据按照受精情况分组。在如附图3所示的得分图中，霍特林矩阵所代表的圆圈外的样本即为个体差异性大，不利于模型准确率的无效样本，剔除该样本数据后，将剩余合格样本的数据导入MATLAB中搭建模型。创新性：由于霍特林矩阵多用于根据观测量主成分是否稳定进行无效样本的检测，本方法利用这一特点筛选剔除诸多样本中的个体差异性大，会影响建模效果的样本，可以提高后续搭建模型的针对性和准确率。
随机森林模型的理论基础是通过投票根据“少数服从多数”原则选出获得更多票数的决策树，而决策树模型简单来说就是通过一个树型结构的流程图，将分类标准不断细化后得到分类结果。搭建随机森林模型时，由于经主成分分析剔除的无效样本数不一定，所以通过调用 randperm 函数将样本随机排列并固定地将前30个样本设为训练集，剩下的所有样本设为测试集，并设置9个样本进行交叉验证，然后调用classRF_train函数创建随机森林分类器，classRF_predicet函数进行仿真测试，待算法运行100次模型稳定后得出该模型如附图4所示的分类结果。支持向量机的理论基础是在实际分析中，存在一个最优超平面将两类样本以较高的准确率区分。在MATLAB中的GUI界面将光谱数据设为输入，将样本的受精情况设为输出，并选择9个样本进行交叉验证后，进行支持向量机分类分析，待模型稳定后得出该模型如附图5所示的分类结果，取正确率最高的Linear SVM模型的结果作为最终支持向量机模型的分类正确率。取孵化前5天采集到的5组光谱数据，依次进行如上所述的预处理、主成分分析、搭建随机森林和支持向量机模型的过程，得出5组分类正确率，如表1。比较每组分类正确率，将分类正确率较高的模型判为获胜模型，比较结束后，获胜次数多的模型即为判别效果较好的模型。实验发现，支持随机森林模型的获胜次数多，判别效果较好，且分类正确率可达93.3%，对受精蛋和无精蛋的判别较准确。
表1：孵化前5天的5组数据随机森林和支持向量机判别准确率对比结果。
| 第一组 | 第二组 | 第三组 | 第四组 | 第五组 | |
| 随机森林 | 53.3% | 93.3% | 71.4% | 66.7% | 57.2% |
| 支持向量机 | 61.4% | 80% | 57.8% | 60% | 63.6% |
| 获胜模型 | 支持向量机 | 随机森林 | 随机森林 | 随机森林 | 支持向量机 |
本发明的目的是寻找能在种蛋孵化早期判别受精情况的一种方法，以及时筛选出无精蛋，使其依然具备食用价值，减少由于其不可食用造成的经济损失，故选取孵化前5天的数据进行比较分析。虽然评价模型好坏的方法有很多种，但本方法评价哪个模型更适于实验时采用的是最直观快速的方法，也就是直接将最终结果进行比较，5组数据中获胜次数较多即可表示该模型的判别效果优于另一模型。
需要说明的是，以上所述的实施方案应理解为说明性的，而非限制本发明的保护范围，本发明的保护范围以权利要求书为准。对于本领域技术人员而言，在不背离本发明实质和范围的前提下，对本发明作出的一些非本质的改进和调整仍属于本发明的保护范围。
Claims (5)
1.基于可见近红外光谱的孵化早期受精种蛋判别模型的建立方法，其特征在于：包括以下步骤：
步骤一、数据采集：对种蛋样本进行编号，采用Y型三接头光纤，入孵前在种蛋样本大头端选择一固定位置，将种蛋样本大头朝上竖直放入孵化箱中，每隔24h在固定位置采集一次数据；采集数据时将Y型三接头光纤的一端探头在不损坏种蛋的前提下紧贴于所述固定位置，所述Y型三接头光纤的另外两端分别连接光源和光谱仪，所述光谱仪通过数据线与安装有光谱采集软件的计算机相连；
步骤二、数据预处理：将经步骤一采集的数据进行小波分析预处理，经预处理后的光谱数据用Unscrambler软件进行主成分分析，得到载荷得分图；将所述得分图与霍特林矩阵结合筛选剔除由于信号差异性大、会影响模型准确率的无效样本，获得合格样本；
步骤三、模型搭建：获取种蛋样本的受精信息，并将受精蛋标记为1、无精蛋标记为2；将步骤二筛选后获得的合格样本结合受精信息搭建随机森林模型和支持向量机分类模型，
向随机森林模型和支持向量机分类模型分别导入5组相同的数据，并均设置1/5的样本进行交叉验证，将随机森林算法运行100次待模型稳定后得出分类正确率，与支持向量机分类模型的分类正确率对比，评出每组结果的获胜模型，根据获胜次数选出判别效果较优的模型。
2.根据权利要求1所述的基于可见近红外光谱的孵化早期受精种蛋判别模型的建立方法，其特征在于：步骤一所述每隔24h在固定位置采集一次数据，在每次采集数据前，将所述探头对准校准白板采集参考光谱。
3.根据权利要求1所述的基于可见近红外光谱的孵化早期受精种蛋判别模型的建立方法，其特征在于：步骤一中，设置光谱仪的积分时间为4000微秒，平均次数为10，平滑度为5。
4.根据权利要求1所述的基于可见近红外光谱的孵化早期受精种蛋判别模型的建立方法，其特征在于：步骤二中，在Unscrambler软件中将主成分数设置为5，并规定随机选择9个样本作为交叉验证集进行交叉验证。
5.利用权利要求1-4任意一种方法建立的模型在孵化早期种蛋受精判别方面的应用。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010387554.7A CN111476320B (zh) | 2020-05-09 | 2020-05-09 | 基于可见近红外光谱的孵化早期受精种蛋判别模型的建立方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010387554.7A CN111476320B (zh) | 2020-05-09 | 2020-05-09 | 基于可见近红外光谱的孵化早期受精种蛋判别模型的建立方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN111476320A true CN111476320A (zh) | 2020-07-31 |
| CN111476320B CN111476320B (zh) | 2023-03-24 |
Family
ID=71763178
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010387554.7A Active CN111476320B (zh) | 2020-05-09 | 2020-05-09 | 基于可见近红外光谱的孵化早期受精种蛋判别模型的建立方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN111476320B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114916469A (zh) * | 2022-05-27 | 2022-08-19 | 浙江大学 | 一种蛋鸡种蛋性别光学鉴定方法 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106053358A (zh) * | 2016-05-06 | 2016-10-26 | 中国农业大学 | 基于可见/近红外光谱的禽类无精蛋检测方法与装置 |
| WO2018010352A1 (zh) * | 2016-07-11 | 2018-01-18 | 上海创和亿电子科技发展有限公司 | 一种定性定量相结合的近红外定量模型构建方法 |
| CN108318444A (zh) * | 2018-01-26 | 2018-07-24 | 中国农业大学 | 一种基于可见近红外光谱的孵化前未受精禽蛋判别方法 |
| CN109387484A (zh) * | 2018-10-24 | 2019-02-26 | 湖南农业大学 | 一种结合高光谱和支持向量机分类的苎麻品种识别方法 |
-
2020
- 2020-05-09 CN CN202010387554.7A patent/CN111476320B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106053358A (zh) * | 2016-05-06 | 2016-10-26 | 中国农业大学 | 基于可见/近红外光谱的禽类无精蛋检测方法与装置 |
| WO2018010352A1 (zh) * | 2016-07-11 | 2018-01-18 | 上海创和亿电子科技发展有限公司 | 一种定性定量相结合的近红外定量模型构建方法 |
| CN108318444A (zh) * | 2018-01-26 | 2018-07-24 | 中国农业大学 | 一种基于可见近红外光谱的孵化前未受精禽蛋判别方法 |
| CN109387484A (zh) * | 2018-10-24 | 2019-02-26 | 湖南农业大学 | 一种结合高光谱和支持向量机分类的苎麻品种识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| 潘磊庆等: "基于高光谱图像的鸡种蛋孵化早期胚胎性别鉴定", 《农业工程学报》 * |
| 秦五昌等: "基于可见/近红外透射光谱的孵化早期受精鸡蛋的判别", 《光谱学与光谱分析》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114916469A (zh) * | 2022-05-27 | 2022-08-19 | 浙江大学 | 一种蛋鸡种蛋性别光学鉴定方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN111476320B (zh) | 2023-03-24 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Das et al. | Detecting fertility of hatching eggs using machine vision II: Neural network classifiers | |
| CN100561186C (zh) | 用于纺织品色牢度色差评级的测试方法和装置 | |
| CN103026984B (zh) | 群体孵化蛋成活性的视觉检测分级装置及其方法 | |
| Das et al. | Detecting fertility of hatching eggs using machine vision I. Histogram characterization method | |
| CN103033512A (zh) | 一种基于高光谱识别种蛋孵化的装置与方法 | |
| JP6723597B2 (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 | |
| CN105548028A (zh) | 禽蛋新鲜度的光纤光谱分级检测装置及其方法 | |
| CN115812634B (zh) | 一种孵前种蛋受精信息无损分拣方法及装置 | |
| CN109470648A (zh) | 一种单籽粒作物不完善粒快速无损判定方法 | |
| CN111476320B (zh) | 基于可见近红外光谱的孵化早期受精种蛋判别模型的建立方法 | |
| CN108318444A (zh) | 一种基于可见近红外光谱的孵化前未受精禽蛋判别方法 | |
| Ding et al. | Quality and safety inspection of food and agricultural products by LabVIEW IMAQ vision | |
| Zhihui et al. | Nondestructive detection of infertile hatching eggs based on spectral and imaging information | |
| CN110308111A (zh) | 一种应用近红外光谱技术快速预测远安黄茶闷黄时间的方法 | |
| CN115905881B (zh) | 黄珍珠分类的方法以及装置、电子设备、存储介质 | |
| CN112098361A (zh) | 一种基于近红外光谱的玉米种子鉴别方法 | |
| CN116930176A (zh) | 一种基于高光谱技术检测鸡种蛋早期胚胎性别的方法及系统 | |
| CN102788796B (zh) | 基于高光谱图像及荧光图像多信息融合的作物氮营养诊断装置及方法 | |
| CN108169168A (zh) | 检测分析水稻籽粒蛋白质含量数学模型及构建方法和应用 | |
| Rathna Priya et al. | Characterising corn grain using infrared imaging and spectroscopic techniques: a review | |
| CN112906740B (zh) | 一种针对组织质谱成像结果去除批次间差异的方法 | |
| CN109142248B (zh) | 早期鸡胚雌雄识别的方法 | |
| CN105911000A (zh) | 基于特征波段的血斑蛋在线检测方法 | |
| CN202999054U (zh) | 一种群体孵化蛋成活性的视觉检测分级装置 | |
| CN111802281B (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 |
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 |