CN112220449B - 光电式鸡胚成活性检测装置和方法 - Google Patents
光电式鸡胚成活性检测装置和方法 Download PDFInfo
- Publication number
- CN112220449B CN112220449B CN201910634815.8A CN201910634815A CN112220449B CN 112220449 B CN112220449 B CN 112220449B CN 201910634815 A CN201910634815 A CN 201910634815A CN 112220449 B CN112220449 B CN 112220449B
- Authority
- CN
- China
- Prior art keywords
- chick embryo
- signal
- chick
- embryo
- pulse wave
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 160
- 238000000034 method Methods 0.000 title claims abstract description 45
- 210000001161 mammalian embryo Anatomy 0.000 title claims abstract description 33
- 241000287828 Gallus gallus Species 0.000 title claims abstract description 25
- 230000004083 survival effect Effects 0.000 title claims abstract description 16
- 210000003837 chick embryo Anatomy 0.000 claims abstract description 298
- 230000000694 effects Effects 0.000 claims abstract description 81
- 230000000630 rising effect Effects 0.000 claims abstract description 42
- 230000008569 process Effects 0.000 claims abstract description 20
- 238000004364 calculation method Methods 0.000 claims abstract description 11
- 230000034994 death Effects 0.000 claims abstract description 8
- 238000007781 pre-processing Methods 0.000 claims abstract description 7
- 238000004891 communication Methods 0.000 claims description 11
- 238000013145 classification model Methods 0.000 claims description 9
- 238000005516 engineering process Methods 0.000 claims description 9
- 229910052710 silicon Inorganic materials 0.000 claims description 8
- 239000010703 silicon Substances 0.000 claims description 8
- 238000012549 training Methods 0.000 claims description 8
- 210000002257 embryonic structure Anatomy 0.000 claims description 7
- 230000006870 function Effects 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 7
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 5
- 238000003556 assay Methods 0.000 claims description 2
- 239000012634 fragment Substances 0.000 claims 1
- 230000002093 peripheral effect Effects 0.000 claims 1
- 235000013601 eggs Nutrition 0.000 description 19
- 238000000926 separation method Methods 0.000 description 8
- 241000700605 Viruses Species 0.000 description 7
- 229960005486 vaccine Drugs 0.000 description 7
- 238000007689 inspection Methods 0.000 description 6
- 238000005457 optimization Methods 0.000 description 6
- 239000002699 waste material Substances 0.000 description 6
- 210000004369 blood Anatomy 0.000 description 5
- 239000008280 blood Substances 0.000 description 5
- 210000004204 blood vessel Anatomy 0.000 description 5
- 238000004519 manufacturing process Methods 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000010521 absorption reaction Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000008602 contraction Effects 0.000 description 2
- 238000012258 culturing Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000018109 developmental process Effects 0.000 description 2
- 230000009977 dual effect Effects 0.000 description 2
- 229910052736 halogen Inorganic materials 0.000 description 2
- 150000002367 halogens Chemical class 0.000 description 2
- 229960003971 influenza vaccine Drugs 0.000 description 2
- 238000013186 photoplethysmography Methods 0.000 description 2
- 238000002360 preparation method Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 102000002322 Egg Proteins Human genes 0.000 description 1
- 108010000912 Egg Proteins Proteins 0.000 description 1
- 241001522296 Erithacus rubecula Species 0.000 description 1
- WQZGKKKJIJFFOK-GASJEMHNSA-N Glucose Natural products OC[C@H]1OC(O)[C@H](O)[C@@H](O)[C@@H]1O WQZGKKKJIJFFOK-GASJEMHNSA-N 0.000 description 1
- 208000002979 Influenza in Birds Diseases 0.000 description 1
- 241001465754 Metazoa Species 0.000 description 1
- 210000004381 amniotic fluid Anatomy 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 206010064097 avian influenza Diseases 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 210000003278 egg shell Anatomy 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005265 energy consumption Methods 0.000 description 1
- 230000004720 fertilization Effects 0.000 description 1
- 239000008103 glucose Substances 0.000 description 1
- 230000012447 hatching Effects 0.000 description 1
- 230000010247 heart contraction Effects 0.000 description 1
- 230000002779 inactivation Effects 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000033001 locomotion Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001338 necrotic effect Effects 0.000 description 1
- 238000010915 one-step procedure Methods 0.000 description 1
- 238000012858 packaging process Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000033764 rhythmic process Effects 0.000 description 1
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2503/00—Evaluating a particular growth phase or type of persons or animals
- A61B2503/40—Animals
Landscapes
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Physics & Mathematics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Investigating Or Analysing Biological Materials (AREA)
Abstract
本发明涉及光电式鸡胚成活性检测装置和方法。鸡胚脉搏波信号预处理；鸡胚脉搏波信号特征点识别；鸡胚脉搏波信号特征参数计算；在鸡胚活性检测建模过程中，将上述计算得到的波形系数,主波的高度，主波的上升时间，上升支最大斜率近似值K，鸡胚信号的周期T，作为SVM模型的输入，鸡胚的活(1)和死(‑1)作为标签；在鸡胚活性检测模型使用过程中，将上述计算得到的波形系数K’,主波的高度h，主波的上升时间t，上升支最大斜率近似值K，鸡胚信号的周期T，作为SVM模型的输入，鸡胚的活(1)和死(‑1)作为输出，判断鸡胚的活性。多通道鸡胚活性检测装置是光源、光电检测部分和控制部分构成一个检测工位。检测准确率大于99％。
Description
技术领域
本发明属于生物检测领域，涉及光电式鸡胚成活性检测装置和方法。
背景技术
目前国内禽流感疫苗、动物流感疫苗以及部分人用疫苗多数采用“鸡胚法”生产，即在鸡胚中培养病毒的方式。鸡胚是病毒培养的载体，鸡胚经过严格的筛选，要考虑是否受精、是否污染、天数等，将病毒接种到鸡胚中，让病毒伴随鸡的发育自然繁殖，经过一段时间的培育,再从鸡胚中提取病毒，经灭活等工序处理后生产出防疫苗注射疫苗。
鸡胚的存活与疫苗的生产的质量安全和成本密切相关，其中存活检测是“鸡胚法”疫苗生产过程中的重要工序，在病毒采集过程中，坏死的胚胎没有及时的剔除会造成重大的安全问题，因此，存活检测是极其重要的一步工序。当前，在疫苗生产中的鸡胚检验工作均以人工操作过程为主，劳动强度大，效率低下，工作现场混乱，场地面积大，能源消耗大。国外部分国家已经开始研究有关的自动化生产设备，市场上也出现了少量鸡胚检测设备，CN103105498A公开了一种全自动的鸡胚检验机，提供了一种完整的鸡胚检验装置，但仍然存在以下几个方面的问题：(1)鸡胚检测速度慢，甚至低于人工检测速度；(2)检验误差率高，检出的死胚往往需要人工检测一遍，浪费人力资源，生产效率低。由于鸡胚的数量较多，从而存在着劳动强度大、在暗室中的闪光对人眼有害。鸡胚生存环境对人体不益、检测标准不一样、检测效率低以及，容易受到人为主观因素的影响，人工检测已经不能满足当前发展趋势的要求。
发明内容
根据目前存在的问题，我们发现，光电检测方式检测应用非常广泛，光电检测具有精度高、非接触的无创检测手段，而光电检测技术用于人体检测较多，例如x射线，血压检测，血糖测试仪，等等。但是鸡胚检测方式和人体有很大的区别，在人体脉搏波检测的时候，信号不会随着手指的移动而变化，但是对于正在孵化过程中的鸡胚，鸡胚犹如婴儿在羊水中翻身，会产生非常大的基线漂移，所以直接使用目前的光电检测方式用于鸡胚检测是有问题的，经过多方研究探索和试验，我们发明了一种新型的鸡胚活性检测方法和装置，利用光电检测技术可以为鸡胚成活性的快速检测提供一种很好的解决方式，该方法和装置能够提高鸡胚成活性检测的检测速度和准确性。
本发明的技术方案如下：
一种光电式鸡胚成活性检测方法，其特征是包括如下步骤：
1)鸡胚脉搏波信号预处理：去除起点终点信号片段，巴特沃斯低通数字滤波器和去除基线漂移；
2)鸡胚脉搏波信号特征点识别：鸡胚信号的特征点包括鸡胚信号的峰值点、最大斜率的一阶导数最大值点、主波极小值点的起点；
3)鸡胚脉搏波信号特征参数计算：鸡胚信号特征鸡胚信号的波形系数K’,主波的高度h，主波的上升时间t，上升支最大斜率近似值K，鸡胚信号的周期T；
4)在鸡胚活性检测建模过程中，将上述计算得到的波形系数K’,主波的高度h，主波的上升时间t，上升支最大斜率近似值K，鸡胚信号的周期T，作为SVM模型的输入，鸡胚的活(1)和死(-1)作为标签；
5)在鸡胚活性检测模型使用过程中，将上述计算得到的波形系数K’,主波的高度h，主波的上升时间t，上升支最大斜率近似值K，鸡胚信号的周期T，作为SVM模型的输入，鸡胚的活(1)和死(-1)作为输出，判断鸡胚的活性。
本发明的一种光电式多通道鸡胚活性检测装置，如图1、图2、图3所示包括控制部分4、光源1和光电检测部分3；一个通道包括光源、控制部分和光电检测部分；多个相对独立的通道构成一个检测工位；其中光源固定在蛋盘上方，光电检测部分固定在蛋盘下方；蛋盘上铺设多个鸡胚，每个鸡胚上方对应一个光源，鸡胚下方对应一个光电检测部分。
所述的光源所采用近红外激光器、卤素灯、LED光源或激光。
所述的光电检测部分含有光电传感器、AD采集模块，光电检测部分控制板。光电传感器包括光电二极管、光电三极管、光硅电池、光电倍增管、CCD或者CMOS。
所述的一种光电式多通道活性检测装置有多个通道，利用I2C的通讯方式同时采集鸡胚活性检测信号同时获得鸡胚活性脉搏波信号；获得的鸡胚脉搏波信号。
利用本发明的装置进行光电式鸡胚成活性检测方法；包括鸡胚活性检测建模流程和鸡胚活性检测流程。
所述的鸡胚活性检测建模流程如下，如图4所示：
首先在现场收集或者鸡胚和死胚的数据，并进行人工双次复检，将数据标定标签活(1)和死(-1)，利用多通道鸡胚活性检测装置选择多个活性鸡胚的数据，再选择多个死胚的数据，上位机从网口接收单片机发送的数据；
将接收到的鸡胚脉搏做鸡胚脉搏博信号预处理，去除首尾部分数据，滤除高频噪声和去除基线漂移；预处理后的鸡胚脉搏波信号的特征计算，获得鸡胚信号的波形系数K’,主波的高度h，主波的上升时间t，上升支最大斜率近似值K，鸡胚信号的周期T；将鸡胚脉搏波特征参数作为SVM模型的输入，并且将标签1或者-1作为标签输入，从而作为SVM分类模型的训练集；鸡胚活性检测分类模型构建完成。
所述的鸡胚活性检测流程如下，如图5所示：
蛋盘顺着传送带运输，光源固定在蛋盘上方，光电检测部分固定在蛋盘下方，用5V电源给多通道鸡胚活性检测装置供电，光电检测部分等待接收开始采集信号，控制部分依次打开光源进行预热，控制部分利用I2C的通讯方式依次发送开始检测信号，光电检测部分微控制器接收到开始信号以后，发送AFE4490采样率设置指令，进行数据采集，硅光电池采集到与光强有关的电压信号，将电压信号进行数模转换，AFE4490进行采集，最后通过SPI的方式传输给光电检测部分微控制器；在信号采集的同时，控制部分利用DMA(Direct MemoryAccess)的通讯方式接收上一次的鸡胚脉搏波信号，控制部分将获得的数据利用网口的方式发送给上位机。；经过上述鸡胚活性检测装置，上位机从网口接收到从单片机发送的数据；鸡胚活性检测分类开始，首先进行鸡胚脉搏博信号预处理，去除首尾部分数据，滤除高频噪声和去除基线漂移；其次，将鸡胚脉搏波信号进行特征计算，获得鸡胚信号的波形系数K’,主波的高度h，主波的上升时间t，上升支最大斜率近似值K，鸡胚信号的周期T；最后将鸡胚脉搏波特征参数作为SVM模型的输入；在上位机软件VS2014运行以后，每次接收到输入参数以后，都会自动调用SVM函数程序，每次预测数量为一盘鸡胚的数量；预测结果为活(1)或者死(-1)；将预测结果发给抓蛋机器人，机器人挑出结果为-1的死胚；从而实现鸡胚活性检测。
具体说明如下：
由于胚胎组织内血管随着心跳的收缩舒张在不断改变其容量，会导致出射光强也随之变化。
本发明采用一种鸡胚活性检测方法，鸡胚的上方放置光源，鸡胚的下方放置光电接收器；将光源直射到蛋胚表面，入射光经过蛋壳射入鸡胚组织中，经过组织的吸收和散射作用，最终在鸡胚底部射出；采用透射式的方法获得鸡胚光强信息；鸡胚透射出来的光强会随着鸡胚内血管的收缩和舒张而变化。
本发明采用一种多通道鸡胚活性检测装置，利用PPG(光电容积脉搏波)原理获得鸡胚的光电检测信号，一个通道鸡胚检测装置包含：一个通道包括光源、控制部分和光电检测部分，光源与光电检测部分固定在一起，光源固定在蛋盘上方5cm，光电检测部分固定在蛋盘下方2cm；本实验中，光源采用808nm的激光器，控制部分包括：stm32微控制器，继电器控制(光源)电路；光电检测部分包括：stm32微控制器，AFE4490脉搏波采集器，硅光电池。
一种多通道鸡胚活性检测装置所用的光源，可以为近红外光激光器，大功率卤素灯(50W)，LED光源或者其他波段的激光。
一种多通道鸡胚活性检测装置所用的光电传感器，包括光电二极管、光电三极管、光硅电池、光电倍增管、CCD或者CMOS。
一种多通道鸡胚活性检测装置，将多个鸡胚检测模块构成一个通讯组，一个检测装置包含多个鸡胚检测模块。
鸡胚活性检测装置的控制部分利用I2C的通讯方式轮循依次访问多个光电检测部分，实现多通道同时检测，并将上一次检测的数据利用DMA的方式发给主机，发送的同时不占用检测时间。
用5V电源给多通道鸡胚活性检测装置供电，光电检测部分等待接收开始采集信号，控制部分依次打开光源进行预热，控制部分利用I2C的通讯方式依次发送开始检测信号，光电检测部分微控制器接收到开始信号以后，发送AFE4490采样率设置指令，进行数据采集，硅光电池采集到与光强有关的电压信号，将电压信号进行数模转换，AFE4490进行采集，最后通过SPI的方式传输给光电检测部分微控制器；在信号采集的同时，控制部分利用DMA(Direct Memory Access)的通讯方式接收上一次的鸡胚脉搏波信号，控制部分将获得的数据利用网口的方式发送给上位机。这种传输方式，减少了数据检测和发送的总时间。
利用上位机将每个鸡胚脉搏波信号进行特征提取，一般要经历以下几个步骤：鸡胚脉搏波信号预处理、鸡胚脉搏波信号特征点识别、鸡胚脉搏波信号特征参数计算。
首先进行鸡胚脉搏波信号预处理，其中包括：去除起点终点信号片段，巴特沃斯低通数字滤波器和去除基线漂移。
将处理后的鸡胚脉搏波信号进行特征点识别。鸡胚信号的特征点包括鸡胚信号的峰值点、一阶导数最大值点(最大斜率)、起点(主波极小值点)。
最后将上述鸡胚脉搏波信号特征参数计算。其中包括：鸡胚信号特征鸡胚信号的波形系数K’,主波的高度h，主波的上升时间t，上升支最大斜率近似值K，鸡胚信号的周期T。
由于输出信号为鸡胚的活性分为活和死，此类检测问题看作二值化分类问题，所以我们选用SVM分类器作分类处理。
将上述计算得到的波形系数K’,主波的高度h，主波的上升时间t，上升支最大斜率近似值K，鸡胚信号的周期T，作为SVM模型的输入，鸡胚的活(1)和死(-1)作为输出。
鸡胚活性检测分类模型构建，用上述方法可以快速大量的采集鸡胚脉搏波信号，在分类之前，首先采集2000个鸡胚脉搏波信号(其中活鸡胚1000个，废鸡胚1000个)。上述特征参数作为SVM模型训练集的输入，而鸡胚的活性活鸡胚(1)和废鸡胚(-1)作为训练集的标签。
而在检测过程中，可以同时采集一盘鸡胚脉搏波信号，发送上位机以后，按照上述方法进行滤波和脉搏波信号特征参数提取，得到的波形系数K’,主波的高度h，主波的上升时间t，上升支最大斜率近似值K，鸡胚信号的周期T，将特征参数作为SVM分类模型的多维输入，输出为活鸡胚(1)和废鸡胚(-1)。
由上述装置采集信号和上述分类方法可以判断鸡胚的活性。
综上所述，本发明光电式成活性检测装置和方法能够提高活性检测的处理速度和准确性。与现有的图像处理的方式相比，本技术可以快速准确的检测鸡胚活性，解决了图像检测可以宏观的看出鸡胚的血管和鸡胚内的颜色，但是不能微观的检测鸡胚是否是真的存活的问题，光电检测技术较图像处理的方法更为快速有效，光电检测技术还有一个特点，对于即将死亡的鸡胚，但是又没有完全死亡的鸡胚，也可以检出，可以检测出弱胚。经检验，光电式的鸡胚活性检测技术，检测准确率大于99％，检测速度为大于3万/小时。
附图说明
图1为本发明的单通道检测结构框图；
图2为本发明的检测装置框图；
图3为本发明中多通道检测检测装置示意图；
图4为本发明中鸡胚活性检测建模流程；
图5为本发明中鸡胚活性检测流程。
其中：1-光源、2-鸡胚、3-光电检测部分、4-控制部分、5-蛋盘。
具体实施方式
为了使本发明要解决的技术问题、技术方案和优点更加清楚，下面将结合附图及具体的方案实施进行详细的描述。
光电容积脉搏波检测方法，对于活鸡胚，由于鸡胚内心跳导致心脏的收缩和舒张，鸡胚内的血液会吸收光强，在心脏舒张过程中，由于血液流动少，光透过血管时，血液吸收的光比较少，透过的光强比较大，传感器采集的信号比较大，在心脏收缩过程中，血管中的血液较多，血液对光强的吸收程度大，透射出鸡胚的光强较弱，传感器检测的信号比较小，从而透过鸡胚的光强会随着心跳的节奏而变化。对于废鸡胚，鸡胚检测过程中，由于没有光强的变化，理论上，透射出的鸡胚信号基本没有变化。根据以上方案可以明确的辨别鸡胚的活性检测。
本实施方式中光源采用的是808nm的近红外光激光器，光电检测部分和控制部分中使用的微控制器分别为STM32F103VET6和STM32F103C8T6单片机。光电检测部分中的检测单元总共有72个。
本发明提供一种成活性检测方法，包括：
鸡胚活性检测模型的构建和使用，均使用以下方案。其中模型建立过程中，需要给鸡胚活性标定标签，活(1)和死(-1)，鸡胚活性检测模型使用则不需要。
选择已植入疫苗的已受精，本次选择植入疫苗后进行测量，人工检测已经受精的，将进行标号，并且备注死活。
如图1所示：一个通道鸡胚检测装置包含：光源1、鸡蛋2和光电检测部分3，光源与光电检测部分固定在一起，光源固定在蛋盘上方5cm，光电检测部分固定在蛋盘下方2cm。本实验中，光源采用808nm的激光器，控制部分包括：stm32微控制器，继电器控制(光源)电路；光电检测部分包括：stm32微控制器，AFE4490脉搏波采集器，硅光电池。
多通道的装置如图3所示，包括控制部分4、光源1和光电检测部分3；每个相对独立的通道包含：一个通道包括光源、控制部分和光电检测部分；多个相对独立的通道构成一个检测工位；其中光源固定在蛋盘上方，光电检测部分固定在蛋盘下方；蛋盘上铺设多个鸡胚，每个鸡胚上方对应一个光源，鸡胚下方对应一个光电检测部分。用5V电源给多通道鸡胚活性检测装置供电，光电检测部分等待接收开始采集信号，控制部分依次打开光源进行预热，控制部分利用I2C的通讯方式依次发送开始检测信号，光电检测部分微控制器接收到开始信号以后，发送AFE4490采样率设置指令，进行数据采集，硅光电池采集到与光强有关的电压信号，将电压信号进行数模转换，AFE4490进行采集，最后通过SPI的方式传输给光电检测部分微控制器；在信号采集的同时，控制部分利用DMA(Direct Memory Access)的通讯方式接收上一次的鸡胚脉搏波信号，控制部分将获得的数据利用网口的方式发送给上位机(PC机)。
用多个鸡胚的蛋盘，一盘鸡胚为72个，共分为12行6列。光源部分板为6个激光器为一组，在光电检测器设计过程中也采用这种方式，每个光电检测部分为6个光电检测单元为一组，共有12组；可以大量拼接。设计方案的正视图如图3所示。
将一盘鸡胚置于成活性检测装置，采用成活性检测装置，用采样率为62.5Hz的采样率，采集8s的数据，获取成活相关的数据。
之后，将鸡胚信号特征提取，一般要经历以下几个步骤：鸡胚信号预处理、鸡胚信号特征点识别、鸡胚信号特征参数计算。
进行鸡胚信号预处理，其中包括：去除起点终点信号片段，巴特沃斯低通数字滤波器和去除基线漂移。
鸡胚信号峰值点的提取采用阈值法，在采集数据的过程中，会发现鸡胚信号的波峰值大小并不全部相等，而是在一定的范围内进行波动，其波动范围在ah到bh之间。
例如采集到的离散鸡胚信号为S[j]，j∈[0，N]，其中N表示信号长度，j表示第几个点。进行鸡胚信号预处理，其中包括：去除起点终点信号片段，巴特沃斯低通数字滤波器和去除基线漂移。之后的信号为P[j]，j∈[0，N]。
接下来进行鸡胚信号特征参数计算，在空间上主要是体现在鸡胚信号的幅值上，主要特征参数有鸡胚信号的峰值以及主波高度。在时间上主要提取的是鸡胚信号的周期、以及鸡胚信号的传导时间、主波上升支时间、下降支时间。
离散鸡胚信号为P[j]，j∈[0，N]。鸡胚信号峰值计算如公式(1)。
式中σ＝b*max{P[j]-P[jp]}，jp为鸡胚信号峰值点的位置，在查找jp时，由于鸡胚脉搏波形的不稳定性，可能会出现两个相近的峰值点，那么两个位置点的数值分别为P[jp1]、P[jp2]，那么则有公式计算得到峰值点的位置。如公式(2)所示。
其中jp1为相近第一个峰值点的位置，jp2为相近的第二个峰值点的位置。
定义相邻两个峰值点之间的时间差为鸡胚信号周期T，由峰值点的位置以及峰值很容易的计算到鸡胚信号的周期，所以鸡胚信号的周期T如公式(3)所示。其中jp(i)为第i个峰值点。
T＝jp(i)-jp(i-1)(i≥2) (3)
对鸡胚信号进行求导，如公式(4)所示。
L＝diff(P[j])/fs (4)
式中L表示脉搏波信号的一阶导数，diff表示求导，P[j]为鸡胚信号数据，fs为AD采样频率。由上述公式可知，鸡胚信号的导数取最大值时所处的位置即为鸡胚信号的上升支最大斜率的位置，此时的最大值即为脉搏波上升支的最大斜率。Li为鸡胚信号一阶导数最大的点，那么在该点鸡胚信号斜率最大。鸡胚脉搏波信号斜率计算公式如公式(5)所示。
K＝L(Li) (5)
鸡胚脉搏波信号主波前的极小值点为脉搏波信号的起点。那么在该点需满足斜率为零，即一阶导数为零，并且在该点前的导数值小于零，在该点之后的导数值大于零，又因为鸡胚信号为离散信号，则如公式(6)所示。
由此，我们可以准确地定位鸡胚信号的起始点位置ni。
定义主波高度为鸡胚信号峰值点的位置与起点之间的高度差。由鸡胚信号的起点和峰值点的可以计算主波的高度h，两点的时间差为t，则公式所示(7)、(8)。
h＝P[jp(i)]-P[ni] (7)
t＝t[jp(i)]-t[ni] (8)
式中t[jp(i)]为第i个峰值点所对应的时间，t[ni]为第i个脉搏波信号的起点对应的时间。
K为鸡胚信号的波形系数，计算方法如公式(9)
式中，P[jp]、P[ni]分别为鸡胚信号最大峰值和最小峰值，M(P[j])为一段信号的平均值。
现有的分类器有很多，SVM，SAE，CNN以及BP神经网络等多种成熟模型可以进行分类和预测，但是在工业生产过程中需要一种快速有效的方法。目前的鸡胚检测主要是活鸡胚和废鸡胚，作为二分类，最简单有效的方法是SVM分类模型。
根据以下方法进行鸡胚活性分类：
在Rn空间中，S是由其中的点组成的集合。对于S中的某点xi(i＝1，2，3，…，N)，xi是多维输入，鸡胚信号的波形系数K’，主波的高度h，主波的上升时间t，上升支最大斜率近似值K，鸡胚信号的周期T，并且将标签1或者-1作为输入。yi＝1和yi＝-1来标记它是否属于某个分类。对该集合进行学习，目标是寻找一个超平面，来对集合进行学习，目标是寻找一个超平面，来对集合S进行划分，使同一类的点尽可能的分布在超平面的同一侧，并尽量是两类之间的最小距离最大。如果集合S是线性可分的，则存在ω∈Rn，b∈R，满足公式(10)、(11)
ωxi+b≥1yi＝1 (10)
ωxi+b≤1yi＝-1 (11)
由公式(10)、(11)可以将式表示为公式(12)：
yi(ωxi+b)≥1 (12)
其中，ω，b为求得超平面系数。
于是对于任意的(i＝1，2，3，…，N)，参数(ω，b)就唯一确定了一个超平面(13)
ωxi+b＝0 (13)
这个超平面就被称为分离超平面。集合中某点到分离超平面的距离公式为(14)。
由公式(14)得到，对于所有的xi∈S，均有公式(15)
因此是集合S中任意一个点到分离超平面的最短距离。对于一个线性可分集合，用来表示这个超平面的参数(ω，b)不是唯一的，需要一种标准表示。因此规定，如果存在一个分离超平面(ω′，b′)，使得该集合到分离超平面的最短距离为/>则称(ω′，b′)为这个分离超平面的标准表示。将用(ω，b)作为分离超平面的标准表示。对于给定的线性可分集合S，如果存在一个分离超平面(ω，b)，使得集合S中的点到这个面的最短距离最大，则称这个平面为最优分离超平面。寻找最优超平面的问题为如下优化问题：由公式(15)转化成如下公式(16)的问题：
s.t.yi(ωxi+b)≥1(i＝1，2，3，…，N) (16)
采用Lagrange乘子法求上述优化问题的解，用非负向量α＝(α1，…，αN)来表示Lagrange乘子，使α满足约束，使以下式子(17)取极大值。
根据公式(17)可以得到上述优化问题的对偶形式，如公式(18)
如果集合S不是线性可分的，则可以引入一个非负的松弛变量ε＝(ε1，…εN)，于是有公式(19)
yi(ωxi+b)≥1-εi (19)
最优超平面的寻找对应于下面的优化问题，公式(20)
s.t.yi(ωxi+b)≥1-εi(i＝1，2，3，…，N)ε≥0
这里可以作为一种对误分类的度量，通过C可以控制对错分样本惩罚的程度的作用。实现在错分样本和算法复杂度之间的折中。同样，上面的这个优化问题可以转化为下面的对偶形式，如公式(21)。
上式是SVM问题的最一般的表述，当C趋向于无穷大时，退化为线性可分问题，(对)。取Dij＝yiyj(xixj)，则优化目标为使取最大值，这是一个标准的二次规划问题，可以得到参数/>和/>最后利用判别函数对输出类别进行判别，如公式(22)。
其中，ω*、b*为求得的平面的参数，xi作为训练集的特征向量，yi为训练集的标签，x为预测集的特征向量，作为预测模型的输入，y为预测模型的输出(1或者-1)，作为鸡胚活性判断的结果。
鸡胚活性检测模型的建模流程如图4所示。
鸡胚活性检测模型建模开始。
首先在现场收集或者鸡胚和死胚的数据，并进行人工双次复检，将数据标定标签活(1)和死(-1)，选择1000个活性鸡胚的数据，再选择1000个死胚的数据。由于上述鸡胚数量较大，因此利用上述鸡胚活性检测装置可以大量获取所需数据。上位机(计算机)从网口接收单片机发送的数据；
首先进行鸡胚脉搏博信号预处理，去除首尾部分数据，滤除高频噪声和去除基线漂移。
其次将鸡胚脉搏波信号的特征计算，获得鸡胚信号的波形系数K’，主波的高度h，主波的上升时间t，上升支最大斜率近似值K，鸡胚信号的周期T。
最后将鸡胚脉搏波特征参数作为模型的输入，并且将标签1或者-1作为标签输入，从而作为SVM分类模型的训练集。在模型封装过程中，SVM分类器的SVM有C-SVC，nu-SVC等多种，核函数的类型有Linear，Polynomial，Radialbasis等多种类型，经过多次实验和检测，最后得到C-SVC的分类器类型和Linear的核函数类型的鸡胚活性检测效果是最好的，惩罚系数为0.5。
至此，鸡胚活性检测分类模型构建完成。
在使用过程中，鸡胚活性检测模型的使用流程如图5所示，经过上述鸡胚活性检测装置，上位机从网口接收到从单片机发送的数据。
鸡胚活性检测分类开始。
首先进行鸡胚脉搏博信号预处理，去除首尾部分数据，滤除高频噪声和去除基线漂移。
其次，将鸡胚脉搏波信号进行特征计算，获得鸡胚信号的波形系数K’,主波的高度h，主波的上升时间t，上升支最大斜率近似值K，鸡胚信号的周期T。
最后将鸡胚脉搏波特征参数作为SVM模型的输入。在VS2014运行以后，每次接收到输入参数以后，都会自动调用SVM函数程序，每次预测数量为72个(即为一盘鸡胚的数量)。预测结果为活(1)或者死(-1)。将预测结果发给抓蛋机器人，机器人挑出结果为-1的死胚。从而实现鸡胚活性检测。在形成抓取的过程中，获得对应预测鸡胚信号与训练集鸡胚信号的相关系数，并生成txt文档。并将相关系数较低的鸡胚编号发给远程显示屏，可以进行人工复检。
至此，鸡胚活性检测分类完成。
在SVM修正过程中，将人工复检的鸡胚进行特征提取，再进行明确分类，可以作为下一次模型建立的训练数据，从而增加鸡胚活性检测的准确率。
本发明公开和提出的光电式鸡胚成活性检测装置和方法，本领域技术人员可通过借鉴本文内容，适当改变条件路线等环节实现，尽管本发明的方法和制备技术已通过较佳实施例子进行了描述，相关技术人员明显能在不脱离本发明内容、精神和范围内对本文所述的方法和技术路线进行改动或重新组合，来实现最终的制备技术。特别需要指出的是，所有相类似的替换和改动对本领域技术人员来说是显而易见的，他们都被视为包括在本发明精神、范围和内容中。
Claims (3)
1.一种光电式鸡胚成活性检测方法，其特征是包括如下步骤：
1）鸡胚脉搏波信号预处理：采用光电检测技术采集鸡胚脉搏波信号，去除鸡胚脉搏波信号起点终点信号片段，巴特沃斯低通数字滤波器和去除基线漂移；
2）鸡胚脉搏波信号特征点识别：鸡胚信号的特征点包括鸡胚信号的峰值点、最大斜率的一阶导数最大值点、主波极小值点的起点；
3）鸡胚脉搏波信号特征参数计算：鸡胚信号特征：鸡胚信号的波形系数K’,主波的高度h，主波的上升时间t，上升支最大斜率近似值K，鸡胚信号的周期T；
离散鸡胚信号为，N表示信号长度，j表示第几个点，鸡胚信号峰值计算如公式（1）：
式中/>为鸡胚信号峰值点的位置，
定义相邻两个峰值点之间的时间差为鸡胚信号周期T，鸡胚信号的周期T如公式（3）所示，其中为第i个峰值点：
对鸡胚信号进行求导，如公式（4）所示：
式中L表示脉搏波信号的一阶导数，diff表示求导，/>为鸡胚信号数据，/>为AD采样频率，由公式（4）可知，鸡胚信号的导数取最大值时所处的位置即为鸡胚信号的上升支最大斜率的位置，此时的最大值即为脉搏波上升支的最大斜率，Li为鸡胚信号一阶导数最大的点，那么在该点鸡胚信号斜率最大，鸡胚脉搏波信号斜率计算公式如公式（5）所示：
鸡胚脉搏波信号主波前的极小值点为脉搏波信号的起点，那么在该点需满足斜率为零，即一阶导数为零，则如公式（6）所示：
由此，准确地定位鸡胚信号的起始点位置/>，
定义主波高度为鸡胚信号峰值点的位置与起点之间的高度差，由鸡胚信号的起点和峰值点计算主波的高度h，两点的时间差为t，则公式所示（7）、（8）：
式中t[jp(i)]为第i个峰值点所对应的时间，t[ni]为第i个脉搏波信号的起点对应的时间；
K为鸡胚信号的波形系数，计算方法如公式（9）
式中，/>分别为鸡胚信号最大峰值和最小峰值，/>为一段信号的平均值；
4）在鸡胚活性检测建模过程中，将上述计算得到的波形系数K’,主波的高度h，主波的上升时间t，上升支最大斜率近似值K，鸡胚信号的周期T，作为SVM模型的输入，鸡胚的活（1）和死（-1）作为标签；SVM分类器采用C-SVC的分类器类型和Linear的核函数类型，惩罚系数为0.5；
5）在鸡胚活性检测模型使用过程中，将上述计算得到的波形系数K’,主波的高度h，主波的上升时间t，上升支最大斜率近似值K，鸡胚信号的周期T，作为SVM模型的输入，鸡胚的活(1)和死(-1)作为输出，判断鸡胚的活性。
2.利用光电式多通道鸡胚活性检测装置进行光电式鸡胚成活性检测方法；其特征是包括鸡胚活性检测建模流程和鸡胚活性检测流程；
光电式多通道鸡胚活性检测装置，包括控制部分、光源和光电检测部分；每个相对独立的通道包括光源、控制部分和光电检测部分；多个相对独立的通道构成一个检测工位；其中光源固定在蛋盘上方，光电检测部分固定在蛋盘下方；蛋盘上铺设多个鸡胚，每个鸡胚上方对应一个光源，鸡胚下方对应一个光电检测部分；
所述的鸡胚活性检测建模流程如下：
首先在现场收集活性鸡胚和死胚的数据，并进行人工双次复检，将数据标定标签活（1）和死（-1），利用多通道鸡胚活性检测装置选择多个活性鸡胚的数据，再选择多个死胚的数据，上位机从网口接收单片机发送的数据；
将接收到的鸡胚脉搏做鸡胚脉搏博信号预处理，去除首尾部分数据，滤除高频噪声和去除基线漂移；预处理后的鸡胚脉搏波信号的特征计算，获得鸡胚信号的波形系数K’,主波的高度h，主波的上升时间t，上升支最大斜率近似值K，鸡胚信号的周期T；
离散鸡胚信号为鸡胚信号峰值计算如公式（1）：
式中/>为鸡胚信号峰值点的位置，N表示信号长度，j表示第几个点，
定义相邻两个峰值点之间的时间差为鸡胚信号周期T，鸡胚信号的周期T如公式（3）所示，其中为第i个峰值点：
对鸡胚信号进行求导，如公式（4）所示：
式中L表示脉搏波信号的一阶导数，diff表示求导，/>为鸡胚信号数据，/>为AD采样频率，由上述公式可知，鸡胚信号的导数取最大值时所处的位置即为鸡胚信号的上升支最大斜率的位置，此时的最大值即为脉搏波上升支的最大斜率，Li为鸡胚信号一阶导数最大的点，那么在该点鸡胚信号斜率最大，鸡胚脉搏波信号斜率计算公式如公式（5）所示：
鸡胚脉搏波信号主波前的极小值点为脉搏波信号的起点，那么在该点需满足斜率为零，即一阶导数为零，则如公式（6）所示：
由此，准确地定位鸡胚信号的起始点位置/>定义主波高度为鸡胚信号峰值点的位置与起点之间的高度差，由鸡胚信号的起点和峰值点计算主波的高度h，两点的时间差为t，则公式所示（7）、（8）：
式中t[jp(i)]为第i个峰值点所对应的时间，t[ni]为第i个脉搏波信号的起点对应的时间；
K为鸡胚信号的波形系数，计算方法如公式（9）
式中，/>分别为鸡胚信号最大峰值和最小峰值，/>为一段信号的平均值；
将鸡胚脉搏波特征参数作为SVM模型的输入，并且将标签1或者-1作为标签输入，从而作为SVM分类模型的训练集；SVM分类器采用C-SVC的分类器类型和Linear的核函数类型，惩罚系数为0 .5；鸡胚活性检测分类模型构建完成。
3.如权利要求2所述的方法，其特征是所述的鸡胚活性检测流程如下：蛋盘顺着传送带运输，光源固定在蛋盘上方，光电检测部分固定在蛋盘下方；电源给多通道鸡胚活性检测装置供电，光电检测部分等待接收开始采集信号，控制部分依次打开光源进行预热，控制部分利用I2C的通讯方式依次发送开始检测信号，光电检测部分微控制器接收到开始信号以后，进行数据采集，硅光电池采集到与光强有关的电压信号，将电压信号进行数模转换，AFE4490进行采集，最后通过SPI（Serial Peripheral interface）的方式传输给光电检测部分微控制器；在信号采集的同时，控制部分利用DMA(Direct Memory Access）的通讯方式接收上一次的鸡胚脉搏波信号，控制部分将获得的数据利用网口的方式发送给上位机；经过上述鸡胚活性检测装置，上位机从网口接收到从单片机发送的数据；鸡胚活性检测分类开始，首先进行鸡胚脉搏博信号预处理，去除首尾部分数据，滤除高频噪声和去除基线漂移；其次，将鸡胚脉搏波信号进行特征计算，获得鸡胚信号的波形系数K’,主波的高度h，主波的上升时间t，上升支最大斜率近似值K，鸡胚信号的周期T；最后将鸡胚脉搏波特征参数作为SVM模型的输入；在上位机软件运行以后，将每次接收到数据转换为输入参数以后，都会自动调用SVM函数程序，每次预测数量为一盘鸡胚的数量；预测结果为活（1）或者死（-1）；将预测结果发给抓蛋机器人，机器人挑出结果为-1的死胚；从而实现鸡胚活性检测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910634815.8A CN112220449B (zh) | 2019-07-15 | 2019-07-15 | 光电式鸡胚成活性检测装置和方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910634815.8A CN112220449B (zh) | 2019-07-15 | 2019-07-15 | 光电式鸡胚成活性检测装置和方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112220449A CN112220449A (zh) | 2021-01-15 |
| CN112220449B true CN112220449B (zh) | 2023-09-15 |
Family
ID=74111086
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910634815.8A Active CN112220449B (zh) | 2019-07-15 | 2019-07-15 | 光电式鸡胚成活性检测装置和方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112220449B (zh) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115777581B (zh) * | 2023-01-29 | 2023-05-12 | 天津工业大学 | 一种接触式高通量蛋胚活性检测设备 |
Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5173737A (en) * | 1991-09-26 | 1992-12-22 | The United States Of America As Represented By The Secretary Of Agriculture | Measurement of avian embryo movement in intact eggs |
| CN101821614A (zh) * | 2007-10-05 | 2010-09-01 | 恩布里克斯公司 | 藉由胚胎心跳的探测用光检查蛋的方法及设备 |
| KR20110021470A (ko) * | 2009-08-26 | 2011-03-04 | 대한민국(농촌진흥청장) | 파각란 품질 판정 시스템 및 방법 |
| JP2011106892A (ja) * | 2009-11-14 | 2011-06-02 | Naberu:Kk | 種卵検査装置 |
| CN103105498A (zh) * | 2011-11-09 | 2013-05-15 | 青岛强星设备科技有限公司 | 全自动鸡胚检验机 |
| CN104382571A (zh) * | 2014-10-28 | 2015-03-04 | 李久朝 | 一种基于桡动脉脉搏波传导时间的测量血压方法及装置 |
| CN205593938U (zh) * | 2016-03-18 | 2016-09-21 | 山东省农业科学院家禽研究所 | 一种便捷式可移动照蛋器 |
| CN106691406A (zh) * | 2017-01-05 | 2017-05-24 | 大连理工大学 | 一种基于单探头光电容积脉搏波的血管弹性和血压的检测方法 |
| CN107296616A (zh) * | 2017-05-20 | 2017-10-27 | 深圳市前海安测信息技术有限公司 | 便携式无创血糖检测设备及方法 |
| CN107928654A (zh) * | 2017-12-11 | 2018-04-20 | 重庆邮电大学 | 一种基于神经网络的脉搏波信号血压检测方法 |
| CN108261190A (zh) * | 2016-12-30 | 2018-07-10 | 深圳先进技术研究院 | 连续血压测量方法、装置以及设备 |
| CN108986066A (zh) * | 2018-04-23 | 2018-12-11 | 中国农业科学院特产研究所 | 一种鸡胚的检测方法和系统 |
| CN208568741U (zh) * | 2018-07-09 | 2019-03-01 | 哈尔滨维科生物技术开发公司 | 多通道可调节照蛋器 |
| CN109618981A (zh) * | 2019-01-25 | 2019-04-16 | 天津大学 | 一种基于吸收光谱频率特征的鸡胚存活状态的检测方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7289196B2 (en) * | 2001-04-20 | 2007-10-30 | Sidney James Reeves | Method and apparatus for determining the viability of eggs |
| US6860225B2 (en) * | 2002-05-06 | 2005-03-01 | Embrex, Inc. | Methods and apparatus for identifying live eggs by detecting embryo heart rate and/or motion |
| US7333187B2 (en) * | 2004-10-14 | 2008-02-19 | Embrex, Inc. | Methods and apparatus for identifying and diagnosing live eggs using heart rate and embryo motion |
-
2019
- 2019-07-15 CN CN201910634815.8A patent/CN112220449B/zh active Active
Patent Citations (14)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US5173737A (en) * | 1991-09-26 | 1992-12-22 | The United States Of America As Represented By The Secretary Of Agriculture | Measurement of avian embryo movement in intact eggs |
| CN101821614A (zh) * | 2007-10-05 | 2010-09-01 | 恩布里克斯公司 | 藉由胚胎心跳的探测用光检查蛋的方法及设备 |
| KR20110021470A (ko) * | 2009-08-26 | 2011-03-04 | 대한민국(농촌진흥청장) | 파각란 품질 판정 시스템 및 방법 |
| JP2011106892A (ja) * | 2009-11-14 | 2011-06-02 | Naberu:Kk | 種卵検査装置 |
| CN103105498A (zh) * | 2011-11-09 | 2013-05-15 | 青岛强星设备科技有限公司 | 全自动鸡胚检验机 |
| CN104382571A (zh) * | 2014-10-28 | 2015-03-04 | 李久朝 | 一种基于桡动脉脉搏波传导时间的测量血压方法及装置 |
| CN205593938U (zh) * | 2016-03-18 | 2016-09-21 | 山东省农业科学院家禽研究所 | 一种便捷式可移动照蛋器 |
| CN108261190A (zh) * | 2016-12-30 | 2018-07-10 | 深圳先进技术研究院 | 连续血压测量方法、装置以及设备 |
| CN106691406A (zh) * | 2017-01-05 | 2017-05-24 | 大连理工大学 | 一种基于单探头光电容积脉搏波的血管弹性和血压的检测方法 |
| CN107296616A (zh) * | 2017-05-20 | 2017-10-27 | 深圳市前海安测信息技术有限公司 | 便携式无创血糖检测设备及方法 |
| CN107928654A (zh) * | 2017-12-11 | 2018-04-20 | 重庆邮电大学 | 一种基于神经网络的脉搏波信号血压检测方法 |
| CN108986066A (zh) * | 2018-04-23 | 2018-12-11 | 中国农业科学院特产研究所 | 一种鸡胚的检测方法和系统 |
| CN208568741U (zh) * | 2018-07-09 | 2019-03-01 | 哈尔滨维科生物技术开发公司 | 多通道可调节照蛋器 |
| CN109618981A (zh) * | 2019-01-25 | 2019-04-16 | 天津大学 | 一种基于吸收光谱频率特征的鸡胚存活状态的检测方法 |
Non-Patent Citations (6)
| Title |
|---|
| End-to-End Multimodal 16-Day Hatching Eggs Classification;Geng, L;SYMMETRY-BASEL;第11卷(第6期);全文 * |
| fertility detection of hatching eggs based on a convolutional neural network;geng lei；hu yuzhou；ziao zhitao；xi jiangtao;《Applied Sciences-Basel》;20190401;第9卷(第7期);说明书第2页-第14页，图1 * |
| geng lei；hu yuzhou；ziao zhitao；xi jiangtao.fertility detection of hatching eggs based on a convolutional neural network.《Applied Sciences-Basel》.2019,第9卷(第7期),1408. * |
| 卷积神经网络在毒株胚蛋分类中的应用;毕明帅，穆嘉松;《天津师范大学学报》;20180130;第38卷(第1期);全文 * |
| 采用计算机视觉进行孵化鸡蛋成活可能性的自动检测;陈佳娟,陈晓光,纪寿文;《计算机应用与软件》;20010615;第18卷(第6期);全文 * |
| 鸡蛋新鲜度多指标融合光谱无损检测方法研究;董晓光;中国博士学位论文全文数据库 工程科技Ⅰ辑(第2期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112220449A (zh) | 2021-01-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Li et al. | Automated techniques for monitoring the behaviour and welfare of broilers and laying hens: towards the goal of precision livestock farming | |
| Fernandes et al. | Image analysis and computer vision applications in animal sciences: an overview | |
| Arad et al. | Controlled lighting and illumination-independent target detection for real-time cost-efficient applications. the case study of sweet pepper robotic harvesting | |
| Wu et al. | Information perception in modern poultry farming: A review | |
| CN111709333B (zh) | 基于笼养鸡异常粪便的溯源预警系统及健康监测方法 | |
| Abd Aziz et al. | A review on computer vision technology for monitoring poultry Farm—Application, hardware, and software | |
| CN103033512B (zh) | 一种基于高光谱识别种蛋孵化的方法 | |
| Zhang et al. | Algorithm of sheep body dimension measurement and its applications based on image analysis | |
| JP4858863B2 (ja) | 種卵検査装置 | |
| CN1759804A (zh) | 中医四诊合参智能辨证方法 | |
| CN114037552B (zh) | 一种肉鸭生理生长信息巡检方法及系统 | |
| CN101869093A (zh) | 果蝇行为学研究系统及研究方法 | |
| CN103617419A (zh) | 具有活体手指侦测功能的手指静脉识别装置和方法 | |
| CN105548028A (zh) | 禽蛋新鲜度的光纤光谱分级检测装置及其方法 | |
| CN112220449B (zh) | 光电式鸡胚成活性检测装置和方法 | |
| CN102960265A (zh) | 一种非侵入式蛋胚存活状态检测方法及装置 | |
| CN113379769A (zh) | 一种农作物病虫害智能防御平台 | |
| CN111247551A (zh) | 受精卵质量评估方法、受精卵质量评估系统、程序和信息处理设备 | |
| CN107909046A (zh) | 动物智能分类系统及方法 | |
| JP2020204570A (ja) | 種卵検査装置、特定方法、および、特定プログラム | |
| Yang et al. | A comparative evaluation of convolutional neural networks, training image sizes, and deep learning optimizers for weed detection in alfalfa | |
| CN115812634A (zh) | 一种孵前种蛋受精信息无损分拣方法及装置 | |
| Dong et al. | Assessment of hatching properties for identifying multiple duck eggs on the hatching tray using machine vision technique | |
| CN114898405B (zh) | 基于边缘计算的便携式肉鸡异常监测系统 | |
| CN109431484A (zh) | 一种基于心率测量的鸡蛋胚胎性别鉴定的装置及方法 |
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 |