WO2018115280A1 - Verfahren und system zur in-ovo geschlechtsbestimmung oder geschlechtsbestimmung an lebenden vögeln - Google Patents

Abstract

Die vorliegende Erfindung betrifft ein System, ein Verfahren und ein Computerprogramm zur in-ovo Geschlechtsbestimmung oder Geschlechtsbestimmung an lebenden Vögeln unter Verwendung von mehreren vorbekannten männlichen und weiblichen in-ovo oder an lebenden Vögeln gemessenen Absorptionsspektren. Das Verfahren weist die folgenden Schritte auf: a) Bestimmen einer Zielarchitektur mit mindestens einem optimierten Parameter zur Geschlechtsbestimmung unbekannter in-ovo oder an lebenden Vögeln gemessenen Absorptionsspektren unter Verwendung eines selbstgenerierten und selbstlernenden Faltungsnetzwerks, wobei das Faltungsnetzwerk ausgehend von einer beliebigen initialen Architektur und unter Verwendung der bereitgestellten vorbekannten Absorptionsspektren die Zielarchitektur mit den mindestens einem optimierten Parameter bestimmt; und b) Bestimmen des Geschlechts unter Verwendung der bestimmten Zielarchitektur.

Description

Verfahren und System zur in-ovo Geschlechtsbestimmung oder Geschlechtsbestimmung an lebenden Vögeln

Die Erfindung betrifft ein Verfahren und ein System zur in-ovo Geschlechtsbestimmung oder Geschlechtsbestimmung an lebenden Vögeln, insbesondere von Geflügel. Insbesondere betrifft die vorliegende Erfindung ein Verfahren und ein System zur Geschlechtsbestimmung unter Verwendung von mehreren vorbekannten männlichen und weiblichen

Absorptionsspektren auf Basis eines selbstgenerierten und selbstlernenden Faltungsnetzwerks mit einer beliebigen initialen Architektur.

Aufgrund der starken Spezialisierung in der Hühnerzucht (Hybridisierung) ist die

Geschlechtsbestimmung des sich entwickelnden Kükens von außerordentlicher Bedeutung. Diese erfolgt klassischer Weise unmittelbar nach dem Schlupf manuell bzw. visuell anhand der Kloakenmorphologie, der Federfarbe und/oder der Federform bestimmter Federpartien. Die identifizierten Küken werden separiert und in die jeweiligen Vermehrer- bzw.

Produktionsbetriebe gebracht. Insbesondere werden männliche Küken der Legehenennenlinien nur in geringer Anzahl zur Zucht benötigt (Eltem-/Großelterntiere) bzw. sind aufgrund der Genetik nicht für die Mast geeignet und werden direkt nach dem Schlupf aussortiert und getötet.

Bei dem vorstehend beschriebenen Verfahren der manuellen Präsentation der Kloake kann es zu Verletzungen kommen, die einen Kükenverlust, zumindest aber eine Einschränkung der Kükenvitalität verursachen. Außerdem kann eine Keimverschleppung von Tier zu Tier nicht ausgeschlossen werden. Zudem verursacht dieses Verfahren Stress bei den Tieren und ist vergleichsweise kostenintensiv. Dabei erfordert die manuelle Geschlechtsbestimmung anhand der Kloakenmorphologie durch den Prüfer eine mechanische Präsentation der Kloake, wobei die sonst verborgenen Geschlechtsmerkmale mittels Druck nach außen gestülpt werden. Eine Verletzung des frisch geschlüpften Kükens bzw. Verschleppung von Keimen kann, wie bereits oben beschrieben, hierbei nicht ausgeschlossen werden. Außerdem ist die Genauigkeit unter Beachtung einer möglichst schonenden Behandlung der Küken direkt von der individuellen Fähigkeit des Prüfers abhängig und nicht stabil.

DE 10 2007 013 107 B4 beschriebt ein Verfahren zur Geschlechtsbestimmung von Vögeln anhand DNA-relevantem Zellmaterial, das aus dem Schaft einer jungen Feder des Vogels entnommen wird.

WO 2016/146824 AI beschreibt ein Verfahren bzw. System, welches zur Arretierung mindestens eines Körperteils eines lebenden Vogels für die Aufnahme charakteristischer Schwingungsspektren geeignet ist, sodass die charakteristischen Molekülschwingungen von außen an einer bevorzugten Stelle eines Vogelkörperteils einfach erfasst werden können. Die so erhaltenen Schwingungsspektren können mittels Absorptionsspektroskopie, z.B.

Raman-Spektroskopie, analysiert werden, um Aufschluss über das Geschlecht des Vogels zu geben. Mit diesem Verfahren und System kann auf einfache, schnelle und schonende Weise das Geschlecht einer oder mehrerer lebender Vögel bestimmt werden.

In dem Artikel„In Ovo Sexing of Domestic Chicken Eggs by Raman Spectroscopy" von Galli, R. et al, Anal. Chem. 2016 Sep. 6; 88(17) 8657-63 wird ein Verfahren beschrieben, mit dem das Geschlecht von Haushühnern 3-5 Tage nach der Inkubation mittels

Raman-Spektroskopie mit einer Genauigkeit von 90% bestimmt werden soll. Dabei wird am spitzen Ende des Eis mittels eines Lasers und eines Skalpells eine kreisförmige Öffnung ausgebildet und mittels eines Laserstrahls ein Raman-Spektrum des embryonischen Bluts gewonnen. Zur Analyse des Raman- Spektrums wird das gewonnene Spektrum erst durch eine Basislinienkorrektur gefolgt von einer Vektornormierung mittels Standardverfahren aufgearbeitet. Das so aufgearbeitete Spektrum wird durch die Subtraktion des Mittelwerts und Division durch die Standardabweichung standardisiert. Für die Klassifikation nach Geschlecht wird eine Diskriminanzfunktion trainiert und die Auswertung erfolgt mit herkömmlichen statistischen Methoden.

In dem Artikel„In Ovo Sexing of Chicken Eggs by Fluorescence Spectroscopy" von Galli, R., Preusse, G., Uckermann, O. et al, Anal. Bioanal. Chem. (2016), doi:

10.1007/s00216-016-01 16-6 wird ein Verfahren zur Bestimmung des Geschlechts von Hühnern mittels Fluorenzspektroskopie beschrieben. Dabei wird das befruchtete Ei ebenfalls an seinem spitzen Ende mittels eines Lasers und eines Skalpells geöffnet und das Blut des Embryos mit einem 785 nm Laser bestrahlt. Die Intensität der Fluorenzstrahlung wird als Integral unter dem Sprektrum im Bereich von 820-1000 nm bei einer Anregungsstrahlung von 785 nm erfasst. Die Daten werden mittels klassischer statistischer Verfahren klassifiziert, indem eine Hauptkomponentenanalyse auf den Rohdaten durchgeführt wird, und die

Komponenten werden verwendet, um eine Stützvektormaschine (Support Vector Machine) zu trainieren. Für das Trainingsset lassen sich dabei Genauigkeiten bis 93% und für das Testset Genauigkeiten bis 91% erzielen. Die Autoren schließen daraus, dass sich die Verwendung von Fluoreszenzspektroskopie möglicherweise in Zukunft für die Geschlechtsbestimmung von Eiern verwenden lassen könnte.

Somit sind bereits Verfahren und Systeme im Stand der Technik bekannt, die das

Geschlecht des Vogels durch äußere Bestrahlung eines Körperteils des bereits geschlüpften Kükens anhand von Schwingungsspektren ermitteln. Allerdings leiden diese Verfahren unter bestimmten Umständen unter einer gewissen Fehlerrate bei der Auswertung der

Schwingungsspektren. Diese Fehlerrate kommt durch verschiede Faktoren zustande, z.B. durch das Signal-zu-Rausch- Verhältnis bei derartigen Messungen. Femer sind im Stand der Technik sogenannte Deep Convolutional Neural Networks (DCNN) bekannt. Diese Netzwerke werden zur Mustererkennung in Bildern verwendet, um diese Bilder zu klassifizieren (Xiao et al.:„Error-Driven Incremental Network for Large-Scale Image Classification", Multimedia, ACM, 2 Penn Plaza, Suite 701, New York NY

10121-0701 USA, Seiten 177-181).

Diese Netzwerke bestehen, sowohl in den Schichten des Netzwerks als auch den einzelnen Komponenten in einer spezifischen Schicht aus festen„Bausteinen" (Krizhevsky et al.: „ImageNet Classification with Deep Convolutional Neural Networks", NIPS'12 Proceedings of the 25th International Conference on Neural Information Processing Systems - Volume 1, Seiten 1097-1 105). Beginnend mit den Schichten:

a) Convolutional Layer: In dieser Schicht werden vergleichsweise kleine Faltungsmatrizen kombiniert, so dass die Aktivität jedes Neurons eine diskrete Faltung darstellt. Diese

Faltungen tasten das Eingangsbild ab und berechnen das innere Produkt des Filterkernels mit dem aktuell unterliegenden Bildausschnitt. Anders ausgedrückt reagieren die Faltungen auf lokale Umgebungen in Bildern oder nur auf Reize in einer lokalen Umgebung der vorherigen Schicht. Diese Reize werden durch "Synapsen" skaliert. Diese Skalierung oder auch

Gewichtung ist für alle Neuronen eines Convolutional Layers identisch (shared weights). Mathematisch betrachtet bildet sich daraus eine Translationsinvarianz. Im nächsten Schritt wird auf den mittels diskreter Faltung ermitteltem Input eines jeden Neurons eine

Aktivierungsfunktion angewendet, um die relative Feuerfrequenz des Ausgangssignals zu modellieren.

b) Pooling Layer: Als möglicher nächster Schritt in einem DCNN werden Pooling Layer verwendet. In diesem Schritt werden überflüssige Informationen verworfen. Insbesondere für die Objekterkennung in Bildern spielt die Lokalität eines Merkmals in einem Bild keine entscheidende Rolle. Bei einem Bild von z. B. einem Hund auf einer Wiese, spielt es keine Rolle, ob der Hund in der Mitte des Bildes oder am linken/rechten Rand des Bildes ist, um diesen zu erkennen. Entscheidend sind die Merkmale des Hundes, um diesen als Hund zu erkennen, nicht dagegen seine Position. Eine ungefähre Lokalisierung ist im Fall der

Bilder-Klassifizierung hinreichend.

Für das Pooling gibt es verschiedene Arten, die Idee ist aber immer die, dass aus einem vermeindlich relevanten Ausschnitt im vorherigen Convolutional Layer nur ein Teil der Informationen weiterverwendet wird. Im Fall des Max-Pooling wird aus einem n ^χ n Bereich, wobei n=2,3,..., (jedoch immer kleiner als das gesamte Bild), das stärkste Signal weiter verwendet und alle anderen Signal werden verworfen. Daraus ergeben sich signifikante, aber auch notwendige Vorteile, um ein DCN in der Praxis zu verwenden. Der verringerte Platzbedarf und die erhöhte Berechnungsgeschwindigkeit erlauben erst die Erzeugung tieferer Netzwerke, die komplexere Aufgaben lösen können. Zugleich stellen Pooling Layer eine Präventionsmaßnahme gegen Overfitting da.

c) Fully-Connected Layer: Der letzte allgemein notwendige Baustein für die Architektur eines DCNN ist, nach einigen sich wiederholenden Einheiten bestehend aus Convolutional und Pooling Layer, ein Fully-Connected Layer. Dies ist eine Schicht, die aus mehrlagigen Perzeptronen besteht und oft für die Kodierung der Klassen für eine Klassifizierung verwendet wird. Oft führen die Fully-Connected Layer zu einer translations- aber nicht skaleninvarianten Normalisierung über alle Neuronen im letzten Layer, die eine Zuordnung von allen Signalen zu einer Klasse ermöglicht, z.B.„Hund".

Im Allgemeinen bildet bei DCNN die spezifische Abfolge von Convolutional Layer und Pooling Layer, welche sich mehrfach wiederholen können, plus ein Fully-Connected Layer die Architektur des Netzwerks. Diese lassen sich zu beliebig großen Netzwerken kombinieren, wie beispeilsweise Szegedy, Christian, et al.: "Rethinking the inception architecture for Computer vision." Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2016, zeigt. Dabei ist die Kombination entscheidend für die Leistung des Netzwerks. Darüber hinaus gibt es noch weitere notwendige Methoden, um die Funktion eines DCN s zu gewährleisten und einen zuverlässigen praktischen Nutzen zu erhalten, z.B.

Aktivitätsfunktion, Dropout ( Dropout ist eine Regularisierungsmethode, um die Anfälligkeit für Overfitting zu verringern), Local Response Normalization und Batch Normalization (dienen der Normalisierung der Signale zwischen den Schichten und ermöglichen es höhere Lernraten beim Training zu verwenden).

Es ist eine Aufgabe der vorliegenden Erfindung, die Nachteile des Stands der Technik zu beseitigen bzw. zu verringern und insbesondere die Genauigkeit der Geschlechtsbestimmung von Vögeln anhand von Schwingungsspektren zu erhöhen. Ferner strebt die Erfindung eine Geschlechtsbestimmung in-ovo, d.h. am ungeschlüpften Küken, mit erhöhter Genauigkeit an.

Diese Aufgaben werden durch die Merkmale der unabhängigen Patentansprüche gelöst. Die abhängigen Patentansprüche beziehen sich auf weitere Aspekte der Erfindung. Die Erfindung geht dabei von dem Grundgedanken aus, zur Auswertung der Spektren

selbstgenerierte und selbstlernende Faltungsnetzwerke zu verwenden, die auf einer beliebigen initialen Architektur beruhen.

Gemäß einem Aspekt der vorliegenden Erfindung wird ein Verfahren zur in-ovo

Geschlechtsbestimmung oder Geschlechtsbestimmung an lebenden Vögeln auf der Basis von einem oder mehreren vorbekannten geschlechtsspezifischen männlichen und weiblichen in-ovo oder an lebenden Vögeln gemessener Absorptionsspektren bereitgestellt. Das erfindungsgemäße Verfahren weist die folgenden Schritte auf: a) Bestimmen einer

Zielarchitektur zur Geschlechtsbestimmung unbekannter in-ovo oder an lebenden Vögeln gemessenen Absorptionsspektren unter Verwendung eines selbstgenerierten und

selbstlernenden Faltungsnetzwerks, wobei das Faltungsnetzwerk ausgehend von einer beliebigen initialen Architektur und unter Verwendung der bereitgestellten vorbekannten Absorptionsspektren die Zielarchitektur bestimmt; und b) Bestimmen des unbekannten Geschlechts unter Verwendung der bestimmten Zielarchitektur.

Die geschlechtsspezifischen Absorptionsspektren von lebenden Vögeln können dabei z. B. mit dem Verfahren gemäß WO 2016/146824 AI gewonnen werden, indem

Absorptionsspektren von Vögeln gemessen werden, deren Geschlecht z. B. manuell bestimmt wurde.

Außerdem können geschlechtsspezifische Absorptionsspektren bereits im Ei, d.h. in-ovo, gewonnen werden und gemäß der vorliegenden Erfindung als Basis zur

Geschlechtsbestimmung in-ovo verwendet werden. Dazu können z.B. Verfahren und

Vorrichtungen verwendet werden, bei denen eine Öffnung in die Kalkschale im Bereich des stumpfen Pols von bebrüteten Vogeleiern mit darin enthaltenem Embryo eingebracht wird. Dabei befinden sich innerhalb des Bereiches des stumpfen Pols eine äußere Membran und eine innere Membran, zwischen denen sich eine Luftkammer befindet, und der Embryo liegt angrenzend an die innere Membran beim mit dem spitzen Pol nach unten gelagerten Brutei an. Dadurch wird zum einen eine möglichst schonende Öffnung der bebrüteten Vogeleier ermöglicht, ohne die innere Membran zu beschädigen. Durch die Öffnung ist es möglich, Absorptionsspektren nicht-invasiv, z.B. mit Hilfe der Raman-Spektroskopie, zu bestimmen. Nach der Messung zur Aufzeichnung von in-ovo Absorptionsspektren können die Vogeleier wieder verschlossen werden. Somit kann eine Weiterentwicklung des Embryos gewährleistet werden.

Das Verfahren zur Einbringung einer Öffnung kann dabei die folgenden Schritte aufweisen: Lagern der bebrüteten Vogeleier mit dem spitzen Pol nach unten, wobei der Embryo angrenzend an die innere Membran anliegt; Bestimmen der Position und der Geometrie der Luftkammer am stumpfen Pol des bebrüteten Vogeleies; und Einbringen einer Öffnung in die Kalkschale am stumpfen Pol des bebrüteten Vogeleies oberhalb der aufgespannten inneren Membran, um einen Zugang zur Luftkammer zu erreichen. Das Verfahren zur Einbringung einer Öffnung kann ferner einen Schritt zum Bestimmen der Position und der Geometrie der bebrüteten Vogeleier aufweisen, wobei sich die bebrüteten Vogeleier vorzugsweise auf einer vorgegebenen Bruthorde befinden.

Der Schritt zum Bestimmen der Position und der Geometrie der Luftkammer kann einen Schritt zum Durchleuchten des bebrüteten Vogeleies und einen Schritt zum Detektieren des durch das bebrütete Vogelei hindurchgetretenen Lichtes aufweisen. Dabei kann eine zweidimensionale Projektion der Luftkammer mit einem zentralen Punkt m aus dem detektierten, durch das bebrütete Vogelei hindurchgetretenen Licht bestimmt werden, wobei die zweidimensionale Projektion der Luftkammer eine im Wesentlichen elliptische, gegebenenfalls kreisförmige, Form mit dem Schnittpunkt von sich schneidenden

Ellipsenhauptachsen A, B als zentralen Punkt m aufweist. Der zentrale Punkt m kann als Mittelpunkt für das Einbringen der Öffnung verwendet werden, wobei die Öffnung vorzugsweise kreisförmig ist und einen Radius R besitzt, der höchstens der Hälfte der kürzeren Ellipsenhauptachse entspricht.

Das Einbringen der Öffnung kann ferner einen Schritt zum Einbringen einer Sollbruchstelle in die Kalkschale aufweisen, wobei das Einbringen der Öffnung einen Schritt zum Entfernen des durch die Sollbruchstelle definierten Bereichs der Kalkschale aufweisen kann. Nach dem Einbringen der Öffnung kann ein weiterer Schritt zum Durchleuchten des bebrüteten

Vogeleies und ein Schritt zum Detektieren des durch das bebrütete Vogelei

hindurchgetretenen Lichtes durchgeführt werden, wobei vorzugsweise Licht im

Spektralbereich von 500nm bis 600nm verwendet wird, um die embryospezifischen

Zielstrukturen zu erfassen.

Vor dem Detektieren des durch das bebrütete Vogelei hindurchgetretenen Lichtes kann der Abstand a der inneren Membran vom Eizenit des stumpfen Pols aus bestimmt und das Licht unter Verwendung des Abstandes a fokussiert werden. Die Position des Embryos kann dann unter Verwendung des detektierten, durch das bebrütete Vogelei hindurchgetretenen Lichtes bestimmt werden.

Nach dem Einbringen einer Öffnung können optische Daten, vorzugsweise unter

Verwendung von Absorptionsspektroskopie, z.B. Ramanspektroskopie und/oder

Fluoreszenzspektroskopie, gemessen werden. Die so gewonnen Spektren können dann zur Geschlechtsbestimmung des Embryos verwendet werden.

Nach der Messung kann die Öffnung, vorzugsweise mit einer semipermeablen Membran aus biokompatiblem Material, verschlossen werden. Mindestens der stumpfe Pol des bebrüteten Vogeleies kann auch desinfiziert werden.

Eine zum Durchführen des oben beschriebenen Verfahrens geeignete Vorrichtung weist dabei eine Haltevorrichtung auf, vorzugsweise eine Bruthorde, die konfiguriert ist, die bebrüteten Vogeleier mit dem spitzen Pol nach unten zu lagern, wobei der Embryo angrenzend an die innere Membran anliegt. Die Vorrichtung kann ferner eine erste Detektionseinrichtung aufweisen, die konfiguriert ist, die Position und Geometrie der Luftkammer zu bestimmen, und eine Öffnungseinrichtung, die konfiguriert ist, eine Öffnung in die Kalkschale am stumpfen Pol des bebrüteten Vogeleies oberhalb der aufgespannten inneren Membran einzubringen, um einen Zugang zu der Luftkammer zu schaffen.

Die Vorrichtung weist ferner entsprechende Einheiten, z.B. eine Spektroskopieeinheit, vorzugsweise eine Raman-Spektroskopieeinheit und/oder Fluoreszenzspektroskopieeinheit, zum Messen optischer Daten, d.h. Absorptionsspektren, auf. Die weiteren Merkmale der Vorrichtung zur Einbringung einer Öffnung entsprechen den vorstehend beschriebenen Merkmalen des Verfahrens zur Einbringung einer Öffnung. Somit kann ein derartiges Verfahren bzw. eine derartige Vorrichtung genutzt werden, um geschlechtsspezifische Absorptionsspektren von Embryos in-ovo zu erhalten. Besonders bevorzugt ist die Verwendung einer Spektroskopieeinheit, die Raman-Spektren und/oder Fluoreszenzspektren erfasst. Der kombinierte Informationsgehalt beider Spektren, d.h. des Raman-Spektrums und des Fluoreszenzspektrums, kann die Genauigkeit der

Geschlechtsbestimmung weiter verbessern.

Beim erfindungsgemäßen Verfahren wird die Bestimmung des Geschlechts in Schritt b) an unbekannten Spektren durchgeführt, d.h. Spektren, die an Embryonen oder Vögeln gemessen werden, deren Geschlecht nicht bekannt ist und bestimmt werden soll. Die Bestimmung der Zielarchitektur des erfindungsgemäßen Verfahrens verwendet somit vorbekannte

geschlechtsspezifische Spektren, d.h. Spektren, die von Vögeln mit bereits bekanntem

Geschlecht gewonnen wurden. Die eigentliche Geschlechtsbestimmung in der Praxis wird dann an unbekannten Spektren durchgeführt. Die Spektren werden in einem Spektralbereich gemessen, der sowohl Raman-Spektren als auch Fluoreszenzspektren enthält, die auch außerhalb des Spektralbereichs der Raman-Spektren liegen können. Während die vorliegende Erfindung hier in erster Linie anhand von Raman-Spektren beschrieben wird, ist es erfindungsgemäß umfasst, dass sowohl Raman-Spektren als auch Fluoreszenzspektren ausgewertet und analysiert werden.

Ein Faltungsnetzwerk im Sinne der Erfindung ist ein Netzwerk, in dem jeder Knoten des Netzwerks eine Faltung darstellt. Dabei können die Faltungen auf einen Teil der Spektren oder auch das gesamte Spektrum bezogen sein. Ferner können die Faltungen in Schichten angeordnet sein, sodass das Ergebnis einer Faltung mit in eine andere Faltung einfließen kann. Das initiale Faltungsnetzwerk weist vorzugsweise eine initiale Architektur mit einer einzigen Schicht auf, und die initiale Architektur und damit des Faltungsnetzwerks kann nachfolgend erweitert werden. Die initiale Architektur kann zufällig gewählt werden und auch mehr als eine Schicht aufweisen. Liegt die zufallige Architektur nah genug an den zu approximierenden lokalen Minima, verringert sich dadurch der Rechenaufwand. Falls die initiale Architektur „schlecht" geraten ist, d.h. nicht nah an den zu approximierenden lokalen Minima liegt, steigt auch der Rechenaufwand.

Es ist bevorzugt, dass die initiale Architektur von der Vorrichtung bzw. dem Verfahren der vorliegenden Erfindung selbstständig generiert wird, z.B. durch einen Zufallsgenerator.

Alternativ kann die initiale Architektur der Vorrichtung bzw. dem Verfahren vorgegeben werden, wobei die initiale Architektur keinerlei Bedingungen bzw. Randbedingungen unterliegt, d.h. die initiale Architektur kann beliebig sein. Somit muss auch keinerlei Wissen über die der Auswertung zugrunde liegenden Daten vorhanden sein bzw. in die initiale Architektur einfließen.

Mit anderen Worten, die vorliegende Erfindung verwendet vorzugsweise keine bekannte Architektur und entwickelt diese weiter, sondern verwendet eine beliebige, vorher nicht bekannte Architektur. Die initiale Architektur ist vorzugsweise unbekannt und enthält keinerlei Vorwissen über die zu bestimmenden Daten. Die vorliegende Erfindung entwickelt somit vorzugsweise eine komplett neue Architektur aus einer initialen Architektur, die keinerlei Informationen über die zu bestimmenden Daten aufweist.

Im Gegensatz zur vorliegenden Erfindung neigen von Anwendern entworfene Netzwerke dazu, auf vorhandenes Wissen, wie z. B. Publikationen oder Erfahrungen, zurück zu greifen.

Gemäß der vorliegenden Erfindung ist die selbstständige Generierung der Netzwerke bzw. der Zielarchitektur vollkommen unvoreingenommen, d.h. es wird auf kein vorhandenes Wissen zurück gegriffen.

Das Verfahren der vorliegenden Erfindung generiert dabei kleinere Netze, die nach und nach selbstständig zu einer Zielarchitektur entwickelt werden. Durch das Aufbrechen bzw. die Vermeidung von vorgegebenen Strukturen wie der bausteinartigen Struktur von DCN s generiert die Erfindung Netzwerke, die komplett heterogen sind, und zwar sowohl die gesamte Architektur als auch einzelne Schichten im Netzwerk, und man erhält Netzwerke bzw. Zielarchitekturen, die bessere Klassifikationen als der Stand der Technik erreichen.

Im Bereich des maschinellen Lernens gibt es einen Effekt, der als„Catastrophic

Forgetting" (katastrophales Vergessen) bekannt ist. Katastrophales Vergessen bezeichnet das Problem, dass eine Methode aus dem Bereich des maschinellen Lernens, insbesondere DCNNs, wenn sie auf eine Aufgabe trainiert wird (z.B. klassifiziere männliche Spektren), bei Lösung einer anderen Aufgabe (z.B. klassifiziere weibliche Spektren) das Lernmodell „vergisst" wie die erste Aufgabe zu lösen ist.

Aufgrund der adaptiven Anpassung der Architektur, ist die vorliegende Erfindung in der Lage, das Problem des„Catastrophic Forgetting" zu lösen.

Das erfindungsgemäße Verfahren ist insbesondere zur Auswertung von Spektren geeignet. Da z. B. Bilder oft eine viel höhere Informationsmenge aufweisen als Spektren, funktioniert das erfindungsgemäße Verfahren für Spektren besonders gut, bei normalen Bildern könnte dagegen der Rechenaufwand zum Bestimmen des Netzwerks unpraktikabel groß werden.

Die initiale Architektur weist vorzugsweise mindestens eine Schicht mit mindestens einer Faltung von mindestens zwei Datenpunkten oder Datenbereichen in den vorbekannten Absorptionsspektren und mindestens einem veränderbaren Parameter auf.

Auch wenn hier hauptsächlich auf Faltungen Bezug genommen wird, ist die vorliegende Erfindung nicht auf Faltungen beschränkt. Die vorliegende Erfindung kann ferner arithmetische Operatoren, insbesondere Addition, Subtraktion, Multiplikation, Division, komplexe Operatoren, insbesondere Faltungen basierend auf Kernen, arithmetisches, geometrisches, harmonisches, quadratisches, kubisches Mittel oder Median, logische

Operatoren, insbesondere größer, kleiner oder gleich, kleiner oder gleich, gleich, ungleich, Konjunktion, Disjunktion, Negation, und Verkettungszeichen verwenden.

Die Operatorenfolge wird dabei durch den Algorithmus gewählt. Vorzugsweise wird eine binäre Kodierung in jedem Operator bereitgestellt, die beschreibt, welche Funktion ausgeführt wird.

Ferner wird vorzugsweise jedes Mal, wenn ein Knoten in das Netzwerk hinzugefügt wird, seine Parametrisierung zufällig gewählt. Dadurch kann ein Optimum für die Klassifizierung besser getroffen werden.

Eine Gewichtung zwischen zwei Knoten kann gemäß der vorliegenden Erfindung sowohl positive als auch negative Werte annehmen.

Der veränderbare Parameter der initialen Architektur entspricht in der Zielarchitektur dem optimierten Parameter. Die Verwendung verschiedener Begrifflichkeiten soll zum Ausdruck bringen, dass der initiale Parameter erst durch das Verfahren optimiert wird. D.h. in der initialen Architektur handelt es sich um einen veränderbaren Parameter, der durch das Verfahren optimiert wird und somit in der Zielarchitektur als optimierter Parameter vorliegt.

Der Begriff„optimiert" im Zusammenhang mit der vorliegenden Erfindung soll im Sinne einer lokalen Optimierung verstanden werden. Mit anderen Worten, bei dem vorstehend genannten„optimierten Parameter" handelt es sich um einen veränderbaren Parameter, der mit Hilfe des erfmdungsgemäßen Verfahrens angepasst wird, um eine möglichst genaue

Geschlechtsbestimmung zu ermöglichen. Dazu kann ein initialer oder aktueller Parameter verändert werden oder beibehalten werden, je nachdem wodurch ein genaueres Ergebnis für die Geschlechtsbestimmung ermöglicht wird.

Der mindestens eine veränderbare Parameter kann die Datenpunkte oder Datenbereiche der Faltungen und/oder die Art der Faltung und/oder die Gewichtung der Verbindung von einer Faltung zu benachbarten Faltungen umfassen.

Somit kann der Schritt a) ferner einen Schritt al) zum Optimieren des mindestens einen veränderbaren Parameters einer aktuellen Architektur aufweisen, wobei die Optimierung über alle vorbekannten Absorptionsspektren iteriert wird.

Der Schritt al ) kann ferner einen Schritt zum Bestimmen eines ersten Validierungsfehlers der aktuellen Architektur unter Verwendung der vorbekannten Absoiptionsspektren aufweisen. Das Verfahren kann daraufhin die aktuelle Architektur als Zielarchitektur bestimmen, wenn der erste Validierungsfehler unterhalb eines vorbestimmten Schwellenwertes liegt, und die aktuelle Architektur um eine Schicht erweitern, wenn der erste Validierungsfehler oberhalb des vorbestimmten Schwellenwertes liegt.

Mit anderen Worten, das Verfahren kann an dieser Stelle eine Evaluierung der aktuellen Architektur, d.h. der nach dem Schritt al ) optimierten initialen Architektur, durchführen. Die Evaluierung kann dabei beispielsweise anhand eines Validierungsfehlers erfolgen, der mit einem vorbestimmten Wert verglichen wird. Liegt der Validierungsfehler unterhalb des vorbestimmten Wertes, d.h. ist eine vorbestimmte Genauigkeit bereits erreicht, kann das Verfahren an dieser Stelle die aktuelle Architektur als Zielarchitektur definieren. Liegt der Validierungsfehler oberhalb des vorbestimmten Wertes, erweitert das Verfahren die aktuelle Architektur um eine Schicht im Faltungsnetzwerk. Die neue Schicht kann, wie vorstehend definiert, eine Schicht mit mindestens einer Faltung von mindestens zwei Datenpunkten oder Datenbereichen in den vorbekannten

Absorptionsspektren und mindestens einem veränderbaren Parameter sein. Zusätzlich kann die neue Schicht das Ergebnis von Faltungen aus einer unterliegenden Schicht in eine Faltung der neuen Schicht einfließen lassen.

Das Verfahren kann nach der Erweiterung um eine Schicht einen Schritt a2) zum

Optimieren des mindestens einen veränderbaren Parameters der Architektur aufweisen, wobei die Optimierung über alle vorbekannten Absorptionsspektren iteriert wird.

Der Schritt a2) kann ferner einen Schritt zum Bestimmen eines zweiten Validierungsfehlers der aktuellen Architektur unter Verwendung der vorbekannten Absorptionsspektren aufweisen. Somit kann das Verfahren die aktuelle Architektur als Zielarchitektur bestimmen, wenn der zweite Validierungsfehler unterhalb eines vorbestimmten Schwellenwertes liegt. Wenn der zweite Validierungsfehler oberhalb des vorbestimmten Schwellenwertes liegt, kann das Verfahren die nachfolgenden Schritte iterativ für alle Schichten durchführen: a2.1) Erweitern der jeweiligen Schicht um eine neue Faltung; a2.2) Optimieren mindestens eines Parameters der um eine Faltung erweiterten Schicht; a2.3) Bestimmen eines aktuellen Validierungsfehlers unter Verwendung der vorbekannten Absorptionsspektren; a2.4) Behalten der neuen Faltung, wenn der aktuelle Validierungsfehler besser als der vor Erweiterung der Faltung bestimmte Validierungsfehler ist, und erneute Ausführung der Schritte a2.1) bis a2.3) für die gleiche Schicht; und a2.5) Verwerfen der neuen Faltung, wenn der aktuelle Validierungsfehler nicht besser als der vor Erweiterung der Faltung bestimmte Validierungsfehler ist, und erneute Ausführung der Schritte a2.1) bis a2.3) für eine weitere Schicht.

Vorzugsweise führt das Verfahren die Schritte a2.1 ) bis a2.5) automatisch solange erneut aus, bis eine vorgegebene Anzahl an Iterationen über alle Schichten erreicht ist, und fährt anschließend mit dem Schritt al) fort. Die vorgegebene Anzahl an Iterationen entspricht somit einem Abbruchkriterium für die Schritte a2.1) bis a2.5). Das Verfahren kann die aktuelle Architektur als Zielarchitektur bestimmen, wenn der aktuelle Validierungsfehler in Schritt a2.3) unterhalb eines vorbestimmten Schwellenwertes liegt.

Das vorstehend beschriebe erfindungsgemäße Verfahren zur in-ovo

Geschlechtsbestimmung oder Geschlechtsbestimmung an lebenden Vögeln unter Verwendung von mehreren vorbekannten männlichen und weiblichen in-ovo oder an lebenden Vögeln gemessenen Absorptionsspektren kann ferner die folgenden Schritte aufweisen: aa) mehrfaches Durchführen des vorstehend beschriebenen Verfahrens, wobei jeweils ein anderes Faltungsnetzwerk verwendet wird, um mehrfache Ergebnisse der Geschlechtsbestimmung auf Basis unterschiedlicher Zielarchitekturen zu erhalten; und ab) Bestimmen des Geschlechts auf Basis der mehrfachen Ergebnisse aus Schritt aa).

Das erfindungsgemäße Verfahren kann somit auch mehrfach durchgeführt werden, um verschiedene Zielarchitekturen zu generieren und somit auch mehrere Ergebnisse der

Geschlechtsbestimmung zu erhalten. Die mehreren Ergebnisse können dann beispielsweise dahingehend ausgewertet werden, welches Geschlecht am häufigsten bestimmt wurde. Diese Vorgehensweise kann die Genauigkeit der Geschlechtsbestimmung weiter erhöhen. Grundlage dafür ist, dass bei jedem neuen Durchlauf des Verfahrens eine neue initiale Architektur, d.h. ein anderes Faltungsnetzwerk, verwendet wird und so verschiedene Zielarchitekturen durch das Verfahren generiert werden. Dadurch können unterschiedliche Ergebnisse zur

Geschlechtsbestimmung eines unbekannten Spektrums vorkommen. Das Ergebnis, das von der Mehrheit der so generierten Zielarchitekturen gewonnen wird, kann dadurch als das wahrscheinlichere Ergebnis, d.h. das Geschlecht, bestimmt werden.

Gemäß einem weiteren Aspekt der vorliegenden Erfindung wird ein System zur in-ovo Geschlechtsbestimmung oder Geschlechtsbestimmung an lebenden Vögeln unter Verwendung von mehreren vorbekannten männlichen und weiblichen in-ovo oder an lebenden Vögeln gemessenen Absorptionsspektren bereitgestellt. Das System weist ein Mittel zum Speichern von mehreren vorbekannten männlichen und weiblichen in-ovo oder an lebenden Vögeln gemessenen Absorptionsspektren und eine erste Einheit auf, die konfiguriert ist, eine

Zielarchitektur zur Geschlechtsbestimmung unbekannter in-ovo oder an lebenden Vögeln gemessenen Absorptionsspektren unter Verwendung mindestens eines selbstständig generierten und selbstlernenden Faltungsnetzwerks zu bestimmen. Das Faltungsnetzwerk bestimmt ausgehend von einer beliebigen initialen Architektur und unter Verwendung der bereitgestellten vorbekannten Absorptionsspektren die Zielarchitektur. Das System weist ferner eine zweite Einheit auf, die konfiguriert ist, das Geschlecht unter Verwendung der bestimmten Zielarchitektur zu bestimmen.

Die erste Einheit kann ferner konfiguriert sein, mehrere Zielarchitekturen unter

Verwendung verschiedener Faltungsnetzwerke zu bestimmen. Die zweite Einheit kann ferner konfiguriert sein, für jede Zielarchitektur das Geschlecht zu bestimmen und aus den mehreren Geschlechtsbestimmungen ein Endergebnis für das Geschlecht des Vogels zu bestimmen. In diesem Zusammenhang wird auf die vorstehenden Beschreibungen zur mehrfachen

Ausführung des erfindungsgemäßen Verfahrens verwiesen.

Mit dem vorstehend beschriebenen Verfahren bzw. dem vorstehend beschriebenen System können die unbekannten Absorptionsspektren nach Einbringen einer Öffnung in die Kalkschale im Bereich des stumpfen Pols von bebrüteten Vogeleiern mit darin enthaltenem Embryo erhalten werden. Diesbezüglich wird auf die oben ausgeführten Details zur Messung von Absorptionsspektren nach dem Einbringen einer Öffnung in ein Vogelei verwiesen.

Ein weiterer Aspekt der vorliegenden Erfindung bildet ein Computerprogramm mit Programmcode zur Durchführung der vorstehend beschriebenen Verfahrensschritte des erfmdungsgemäßen Verfahrens, wenn das Computerprogramm in einem Computer ausgeführt wird. Die vorliegende Erfindung ermöglicht eine hochpräzise Klassifizierung der Messungen der Spektren in unterschiedliche Klassen, insbesondere männlich und weiblich, selbst wenn die Messungen verrauscht sind. Ferner erfordert die vorliegende Erfindung nicht, dass eine Modifizierung des Verfahrens durch den Benutzer durchgeführt werden muss. Es müssen somit keine Parameter eingestellt werden. Ferner muss der Benutzer keinerlei Wissen über die Beschaffenheit der Messungen haben. Insbesondere muss der Benutzer keinerlei Wissen über die DNS und relevantes Zellmaterial haben.

Prinzipiell unterteilt sich die vorliegende Erfindung in zwei Phasen. Erst lernt das

Verfahren selbstständig, welche Teile der Molekülschwingungen des Spektrums relevant für die Klassifizierung sind, um daraus ein hierarchisches Modell zu erstellen. Nach dem das Modell gelernt ist, kann es für die Klassifizierung der Daten verwendet werden. Da die gemessenen Molekülschwingungen einen hohen Informationsgehalt haben, ist für eine hochpräzise Klassifizierung vorzugsweise eine Kombination aus vielen relevanten Teilen der gemessenen Molekülschwingungen von Vorteil. Für die Klassifizierung werden dann alle möglichen Kombination verwendet. So wird sichergestellt, dass selbst wenn einige der Kombinationen verrauscht sind oder nicht aussagekräftig genug sind, immer noch eine verlässliche Klassifizierung gegeben ist.

Damit das Modell gelernt werden kann, werden dem Verfahren für die Klasse, die es repräsentieren soll, Beispiele gezeigt. Für den Fall der Klassifizierung in männlich und weiblich (weiterhin auch als Trainingsdaten bezeichnet) werden z.B. 100 gemessene Spektren von Molekülschwingungen, die als männlich zu klassifizieren sind, und 100 Messungen von weiblichen Fällen bereitgestellt. Ferner sollte vorzugsweise noch eine zweite Menge an Daten bzw. Spektren bereitgestellt werden, die nicht den zuvor genannten Daten entspricht. Die zweite Menge an Daten kann für die Validierung genutzt werden, z.B. 10 Spektren

(Schwingungen) für den männlichen Fall und 10 für den weiblichen Fall (Validierungsdaten). Das ist die einzige Interaktion, die der Benutzer gegebenenfalls tätigen muss, damit das Modell die relevanten Teile der Schwingungen selbstständig extrahieren kann und daraus ein hierarchisches statistisches Modell für die spätere Auswertung aufstellen kann.

Bei dem Lernprozess generiert sich das erfindungsgemäße Verfahren eine Zielarchitektur. Dabei ist die Zielarchitektur vorzugsweise eine Ansammlung von mathematischen Faltungen, die in Schichten angeordnet sind. Zum Beispiel ist eine Zielarchitektur aus drei Schichten möglich mit beispielsweise vier Faltungen in der ersten Schicht, zwei Faltungen in der zweiten und der dritten Schicht und sechs Faltungen in der vierten Schicht. Die Auswahl der Faltungen pro Schicht ist somit beliebig wählbar.

Die letzte Schicht mit Faltungen ist mit einer Schicht verbunden, die so viele Ausgänge hat wie das Modell am Ende Klassen klassifizieren soll.

Jede Faltung kann mit jeder anderen Faltung aus einer benachbarten Schicht verbunden sein, sodass die Aktivität der Faltung von der Aktivität der vorhergegangenen Faltung beeinflusst wird. Wie stark diese Beeinflussung ist, wird durch einen numerischen Wert beschrieben, der als Skalierung dient.

Die Parameter für jede Faltung sind initial zufällig gewählt, genauso der Skalierungsfaktor zwischen den Faltungen aus benachbarten Schichten. Die hier beschriebenen Werte,

Parameter, Skalierungsfaktoren etc., werden im Zusammenhang mit der vorliegenden

Erfindung allgemein als mindestens ein veränderbarer Parameter bezeichnet. Die initiale Architektur wird ebenfalls zufällig generiert. Beispielsweise, wird zunächst nur eine Schicht mit einem Teil der gemessenen Daten, z.B. 10% aller gemessenen Daten initialisiert, d.h. wenn die gemessenen Spektren 900 Datenpunkte besitzen, wird die erste Schicht z.B. mit 90 Faltungen initialisiert. Im nächsten Schritt werden die Parameter der Faltungen optimiert. Dafür wird der Architektur eine Messung präsentiert und die Parameter der Faltungen werden so von einem Standard-Optimierverfahren (Gradientenverfahren sind besonders geeignet) gewählt, dass die Architektur als Ergebnis die Klasse liefert, die der Klasse der präsentierten Messung entspricht. Das wird mit allen Trainingsdaten gemacht, und die Veränderungen an den Parametern werden nur zugelassen, wenn sich im Mittel die Genauigkeit der

Klassifizierung erhöht. Wenn eine bestimmte Anzahl an Iterationen für die Optierung erreicht wurde, oder die Genauigkeit sich nicht mehr wesentlich verbessert (d.h. Konvergenz eintritt), werden die Validierungsdaten präsentiert und es wird eine Statistik aufgestellt, wie oft die Daten richtig klassifiziert wurden. Liegt die Rate bei 100% bzw. einem vorher festgelegten Wert, beendet sich das Verfahren. Liegt sie darunter, wird eine weitere Schicht an das Modell hinzugefügt. In diesem Fall ist die Menge an Faltungen in der Schicht zufällig, entspricht aber im Mittelwert vorzugsweise der vorhergegangenen Schicht. Wieder werden dann alle

Parameter wie zuvor beschrieben optimiert. Kommt es zu einer Konvergenz oder wird die maximale Anzahl an Iterationen für die Optimierung erreicht, bei der die Genauigkeit auf den Validierungsdaten nicht 100% bzw. einem vorher festgelegten Wert entspricht, so wird geschaut, ob die Genauigkeit auf den Validierungsdaten erhöht werden kann, wenn eine weitere Faltung in die Schicht hinzugefügt wird. Dies wird durchgeführt, indem eine Faltung hinzugefügt wird, die Parameter der Faltung optimiert werden und betrachtet wird, ob die Statistik für die Validierungsdaten sich verbessert. Bei einer Verbesserung wird das Verfahren widerholt.

Wenn keine Verbesserung eintritt, werden keine weiteren Faltungen hinzugefügt, und es wird eine neue Schicht hinzugefügt. Das gesamte Verfahren wird wiederholt bis eine maximale Anzahl von Faltungen und Schichten erreicht worden ist, oder bis die Genauigkeit bei der Klassifizierung bei 100% bzw. einem vorher festgelegten Wert, liegt. Sollte bei der Optimierung der Skalierungsfaktor über eine bestimmte Anzahl, z.B. fünf Iterationen, immer Null werden, so wird die gesamte Faltung entfernt.

So entsteht nicht nur die Zielarchitektur selbstständig, sondern auch ein fertig gelerntes Modell, das gespeichert werden kann, um es für spätere Analysen zur Geschlechtsbestimmung zu verwenden. Ferner kann das Modell um zusätzliche Klassen erweitert werden, indem man neue Faltungen zu den bestehenden Schichten hinzufügt und diese auf neue Trainingsdaten trainiert.

Da für das Optimieren der Parameter Standardverfahren verwendet werden können, ist eine effiziente Optimierung leicht umzusetzen. Ferner sind Klassifizierungen mit sehr geringem Rechenaufwand möglich, wenn das Modell ausgelernt hat, da nur eine Menge von Faltungen ausgeführt werden muss. Da das Modell aus den Daten lernt, die es präsentiert bekommt, wird zeitgleich auch das Rauschen des Messverfahrens mitgelernt und kompensiert. Durch die adaptive Anpassung der Architektur sind hochpräzise Klassifikationen möglich. Ferner spielt die Dimension der Messdaten (1 D, 2D, 3D, 4D, etc...) keine Rolle, da die Faltungen pro Dimension der Messdaten ausgeführt werden.

Soweit im Rahmen der vorliegende Erfindung die Begriffe„initiale Architektur",„aktuelle Architektur" und„Zielarchitektur" verwendet werden, soll diese Nomenklatur klarstellen, dass es sich um die Architektur zu verschiedenen Zeitpunkten im Optimierungsverfahren des erfindungsgemäßen Verfahrens handelt. Dabei bezeichnet die initiale Architektur eine Architektur, die dem Verfahren anfänglich bereitgestellt wird, wobei die initiale Architektur beliebig ist und vorzugsweise keinerlei Optimierung durch das erfindungsgemäße Verfahren durchlaufen hat.

Die aktuelle Architektur bezeichnet eine Architektur zu einem bestimmten Zeitpunkt des Optimierungsverfahrens. Mit anderen Worten, die aktuelle Architektur bezeichnet in der Regel eine Architektur, die bereits mindestens einen Optimierungsschritt des erfindungsgemäßen Verfahrens durchlaufen hat.

Die Zielarchitektur bezeichnet die Architektur, die am Ende der Optimierung durch das erfindungsgemäße Verfahren steht und zur Geschlechtsbestimmung verwendet wird. Im Gegensatz zu DCNN verwendet die vorliegende Erfindung die oben beschriebenen notwendigen Komponenten eines DCNN vorzugsweise nicht. Eine Komponente des

Netzwerks der vorliegenden Erfindung können Faltungen sein, im Gegensatz zu DCNNs werden aber keine Convolutional Layer mit oder ohne shared weights verwendet. Pool Layer werden in der vorliegenden Erfindung ebenfalls nicht verwendet. Während alle Operationen in einem DCNN immer alle Stellen einer Eingabe lokal auswerten, ist das bei dem Netzwerk der vorliegenden Erfindung nicht notwendig. Die Operatoren der vorliegenden Erfindung können global als auch lokal wirken. Dafür wird in jedem Operator der Bereich als Parameter angegeben, auf den sich der Operator auswirken soll. Dieser Parameter wird ebenfalls optimiert und vom Algorithmus angepasst. Ferner sind die Operatoren der vorliegenden

Erfindung, wie vorstehend bereits beschrieben, nicht auf Faltungen beschränkt, auch wenn sie als solche verstanden werden können.

Die Operatorrangfolge wird dabei vorzugsweise durch den Algorithmus gewählt. Um die Operatoren mit diesen Eigenschaften zu versehen ist es vorteilhaft, dass es eine binäre Kodierung in jedem Operator gibt, die beschreibt welche Funktion ausgeführt wird.

Ferner kann jedes Mal, wenn ein Knoten in das Netzwerk hinzugefügt wird, seine

Parametrisierung komplett zufällig gezogen werden, dadurch wird die Chance, Optima für die Klassifizierung zu treffen erhöht, die durch DCNNs vermutlich nicht getroffen werden. Dies gilt insbesondere wenn ein DCNN Ansatz verfolgt wird, bei dem Komponenten des

Netzwerks kopiert werden, um neue Knoten hinzuzufügen.

Ferner verwendet die vorliegende Erfindung vorzugsweise keine Aktivitätsfunktionen. Die vorliegende Erfindung generiert keine reinen CNNs, wie vorstehend beschrieben. Eine Vorbereitung der Daten„preprocessing pipelines" ist demnach gemäß der vorliegenden Erfindung nicht notwendig. D.h. die vorliegende Erfindung generiert solche„preprocessing pipelines" selbstständig und arbeitet diese auch intern selbstständig ab. Das ermöglicht nicht nur eine bessere Vorverarbeitung der Spektren sondern erfordert auch keinerlei Expertenwissen in dem Bereich.

Nachfolgend wird die vorliegende Erfindung anhand von Ausfiihrungsbeispielen und der Figuren näher erläutert.

Kurze Figurenbeschreibung

Fig. 1 ist ein Ablaufdiagramm gemäß einer Ausführungsform der vorliegenden Erfindung,

Fig. 2a-2c sind Beispiele gemessener Spektren.

Bevorzugte Ausführungsformen

Die Grundlage der Erfindung bilden mathematische Faltungen, wobei eine Faltung als ein Operator verstanden wird. Für zwei Funktionen f,g liefert der Operator eine dritte Funktion f * g. Eine solche Betrachtung ist in der Funktionalanalysis üblich. Insbesondere sind die algebraischen Eigenschaften wichtig und werden zum besseren Verständnis hier kurz beschrieben. Der kommutative Ring entspricht der Faltung und einer Addition auf einer Menge L^l(R). Es gelten somit die Eigenschaften:

1. Kommutativität

2. Assoziativität

3. Distributivität

4. Assoziativität mit der skalaren Multiplikation Auf einen Beweis wird zu Gunsten der Übersicht verzichtet. Um die Faltungen numerisch effektiv umsetzen und verwenden zu können, ist es notwendig den Fall der diskreten Faltung zu betrachten. Dafür sei f,g : D— » C die Faltungen im Diskreten D Q Z und somit:

( / * </ ) (» ) = /(λ- ) ί/( /; - λ·) (1) Bei einem endlichen Defintionsbereich können beide Funktionen auch als Vektoren dargestellt werden, und somit ergibt sich eine Faltung als Matrix -Vektor-Produkt

( f * y ) ( n ) = Gf (2) mit einer Matrix

wobei G € «jxn/ und m = n m_g-\ . Die vorliegende Erfindung arbeitet allerdings mit Distributionen. Für diesen Fall sind wi,U2 Zwei Distributionen, wobei eine von beiden einen kompakten Träger hat. Dann ist > £ C (Rⁿ) Faltung für beide Distributionen i * (4)

Eine Faltung im Sinne der Erfindung ist Gleichung 3, wobei sowohl die Größe der Faltung, als auch die Form der Faltung und der Bereich der Distributionen parametriesiert werden. Die Form der Faltung wird optimiert durch

Der Ausdruck J(ß) kann verwendet werden, um ein Trainingsset bestehend aus x(i) Daten und y(i) korrespondieren Klassen zu trainieren, um die Parameter der Faltung zu trainieren. Dies lässt sich effizient implementieren mit einem Gradienten- Verfahren, mit dem Gradient:

Der Bereich der Distribution, der für die Faltung verwendet werden soll, und die Größe der Faltung werden vorzugsweise durch eine Varriation beider optimiert. Verwendet man die Zwischenergebnisse von Gleichung 6, lässt sich dies ebenfalls effizient implementieren.

Dafür werden mehrere Faltungen zu einer Matrix G zusammengefasst

und für jeden Variationschritt wird G aus G(*) neu zusammengesetzt.

Das Verfahren gemäß Fig. 1 beginnt mit dem Schritt S10. Im nachfolgenden Schritt Sl 1 wird eine zufällige initiale Architektur bestimmt. Die initiale Architektur weist vorzugsweise mindestens eine Schicht mit mindestens einer Faltung von mindestens zwei Datenpunkten oder Datenbereichen aus vorbekannten Absorptionsspektren auf.

Ferner weist die initiale Architektur mindestens einen als veränderbaren Parameter bezeichneten Parameter auf, der die Datenpunkte oder Datenbereiche der Faltungen und/oder die Art der Faltung und/oder die Gewichtung der Verbindung von einer Faltung zu

benachbarten Faltungen bestimmt.

In Schritt S 12 wird die aktuelle Architektur, d.h. die initiale Architektur, evaluiert. Dazu dient ein Validierungsdatensatz von bereits klassifizierten Absorptionsspektren. Das Ergebnis der Validierung wird in Schritt S13 ausgewertet. Ist der Validierungsfehler gleich Null, wird das Verfahren mit Schritt S14 beendet. Ist der Validierungsfehler ungleich Null, geht das Verfahren zum Schritt S15 über.

Das Kriterium für den Validierungsfehler kann auch ein von Null verschiedener vorbestimmter Wert sein. Beispielsweise könnte es ausreichen, wenn der Validierungsfehler unter 10%, bevorzugt unter 5%, besonders bevorzugt unter 2% liegt.

In den Schritten S15, S16 und S17 wird der mindestens eine veränderbare Parameter optimiert, und zwar iterativ für jedes Spektrum eines Trainigsdatensatzes (Trainingsset). Der Trainingsdatensatz besteht aus mehreren vorbekannten Absorptionsspektren, d.h.

Absorptionsspektren, für die das Geschlecht des Vogels bekannt ist. Der Trainingsdatensatz kann von dem Validierungsdatensatz verschieden sein.

Nachfolgend wird erneut die aktuelle Architektur anhand der Validierungsdaten evaluiert (Schritt S18). Gemäß Schritt S19, wird das Ergebnis der Evaluierung ausgewertet. Ist der Validierungsfehler gleich Null, bzw. kleiner als ein vorbestimmter Wert, endet das Verfahren mit dem Schritt S14. Ist der Validierungsfehler ungleich Null, bzw. größer als der

vorbestimmte Wert, geht das Verfahren zu Schritt S20 über.

Im Schritt S20 wird die aktuelle Architektur um eine Schicht erweitert. Nachfolgend werden gemäß den Schritten S21 und S22 die Parameter der aktuellen Architektur optimiert und zwar iterativ über den Trainingsdatensatz.

Die Schritte S23 und S24 führen die vorstehend beschriebene Validierung der aktuellen Architektur anhand des Validierungsdatensatzes erneut durch. Das Verfahren wird gemäß Schritt S24 beendet, wenn der Validierungsfehler gleich Null, bzw. kleiner als ein vorbestimmter Wert, ist. Ist der Validierungsfehler ungleich Null, bzw. größer als der vorbestimmte Wert, geht das Verfahren zu Schritt S25 über.

Im Schritt S25 wird die aktuelle Schicht um eine Faltung erweitert. Nachfolgend wird Schritt S26 der mindestens eine veränderbare Parameter dieser Schicht optimiert.

Schritt S27 evaluiert den Validierungsfehler und bestimmt, ob der Validierungsfehler besser ist als der vorhergehend bestimmte Validierungsfehler. In diesem Fall wird der aktuelle Validierungsfehler mit dem Validierungsfehler aus Schritt S24 verglichen. Ist der

Validierungsfehler besser als der vorhergehend bestimmte Validierungsfehler geht das Verfahren zu Schritt S28 über und behält die neue Faltung. Ist der Validierungsfehler schlechter als der vorhergehend bestimmte Validierungsfehler so verwirft das Verfahren die aktuelle Faltung (Schritt S30). Vorzugsweise kann der Validierungsfehler aus Schritt S27 auch mit einem vorgegebenen Wert, z.B. 0%, verglichen werden, um beim Erreichen einer vorbestimmten Genauigkeit das Verfahren zu beenden.

Ist das Verfahren in einem der Schritte S28 oder S30 angelangt, d.h. hat es die aktuelle Faltung behalten oder verworfen, führt das Verfahren gemäß Schritt S29 die Schritte ab Schritt S25 iterativ für alle Schichten erneut durch. Vorzugsweise kann im Schritt S29 eine Anzahl an Durchläufen festgelegt werden, wobei das Verfahren beim Erreichen dieser Anzahl an

Durchläufen zu Schritt S15 zurückkehren kann. Von Schritt S15 kann das Verfahren solange weiter durchgeführt werden, bis in einem der Evaluierungsschritte ein vorbestimmter

Validierungsfehler erreicht ist oder das Verfahren manuell gestoppt wird.

Ist das Verfahren ausgelernt, d.h. konnte eine Zielarchitektur bestimmt werden, kann es für die Geschlechtsbestimmung von unbekannten Absorptionsspektren verwendet werden. Die unbekannten Absorptionsspektren werden dann unter Verwendung der Zielarchitektur untersucht, um eine Geschlechtsbestimmung vorzunehmen. Das vorstehend beschriebene Verfahren kann auch mehrmals für unterschiedliche initiale Architekturen durchgeführt werden, wobei am Ende unterschiedliche Zielarchitekturen stehen. Die unterschiedlichen Zielarchitekturen können zu unterschiedlichen Ergebnissen bei der Geschlechtsbestimmung von unbekannten Absorptionsspektren führen. Das Verfahren kann dann einen weiteren Schritt enthalten, wobei das Geschlecht auf Basis der mehreren

Ergebnisse bestimmt wird, z.B. durch ein Mehrheitsverfahren. Diese Auswertung kann die Genauigkeit des Verfahrens weiter verbessern.

Beispiel

In einem Ausführungsbespiel wurde die vorliegende Erfindung, wie vorstehend beschrieben, unter Praxisbedingungen sowohl für die in-ovo Geschlechtsbestimmung als auch für die Geschlechtsbestimmung am lebenden Vogel getestet. D.h., anders als bei bekannten Geschlechtsbestimmungsverfahren wurden die nachstehend beschriebenen Genauigkeiten unter realen Bedingungen und für eine hohe Anzahl an gemessenen Spektren erzielt.

Figuren 2a und 2b zeigen zwei Bilder von mehreren zufällig gezogenen Spektren von männlichen (Figur 2a) bzw. weiblichen (Figur 2b) Tieren. Die relative Wellenzahl von Raman-Spektren liegt in einem Bereich von 600-1800/cm. Die Spektren werden

erfindungsgemäß jedoch in einem weiteren Bereich bis zu etwa 2100/cm gemessen, sodass erfindungsgemäß auch eine Kombination von Raman-Spektren und Fluoreszenzspektren ausgewertet werden kann. Der Spektralbereich kann sich auch zu noch größeren relativen Wellenzahlen zur Erfassung des Fluoreszenzspektrums erstrecken.

Wie oben beschrieben sind die Spektren in Figuren 2a und 2b zufällig gezogen und nicht notwendigerweise repräsentativ für alle Spektren, d.h., es gibt keine„optimalen" Spektren. Dies geht beispielsweise aus Figur 2c hervor, in der eine große Anzahl von Spektren zusammengeplottet ist, was verdeutlicht, wie groß die Varianz in den gemessenen Spektren tatsächlich ist.

Für die in-ovo Geschlechtsbestimmung wurden aus einer größeren Zahl von Spektren beispielsweise 200 zufällig gezogene männliche und 200 zufallig gezogene weibliche Spektren der vorliegenden Erfindung als bekannte Spektren zugeführt. Basierend auf den bekannten Spektren wurde die Zielarchitektur, wie vorstehend beschrieben, bestimmt.

Die bekamiten Spektren werden vorzugsweise in-ovo gemessen und nach dem Schlüpfen der Vögel dem jeweiligen Geschlecht zugeordnet. Mit anderen Worten, nach der in-ovo Aufnahme der Spektren, werden die Eier markiert und können so zu einem späteren Zeitpunkt, nach dem Schlüpfen der Vögel und der beispielsweisen manuellen Bestimmung des Geschlechts, den Spektren zugeordnet werden. So entsteht eine Datenbank an bekannten Spektren, die für das System bzw. das Verfahren der vorliegenden Erfindung verwendet werden können.

Unter Verwendung der oben genannten Zielarchitektur wurden insgesamt drei Datensätze von weiteren bekannten Spektren ausgewertet, die jeweils aus unterschiedlichen in-ovo Messungen stammen.

Für den ersten Datensatz, bestehend aus 489 Spektren konnte eine Genauigkeit von 97,955% erzielt werden. Für den zweiten Datensatz, bestehend aus 1176 Spektren, konnte eine Genauigkeit von 97,27% erzielt werden. Für den dritten Datensatz, bestehend aus 1200 Spektren, konnte eine Genauigkeit von 98% erzielt werden. D.h. unter Praxisbedingungen erzielt die vorliegende Erfindung für die in-ovo Geschlechtsbestimmung eine Genauigkeit von ca. 98% und erweist sich als robust.

Für die Geschlechtsbestimmung an lebenden Vögeln, vorzugsweise durch Messung am Schnabel der Vögel, wurden drei verschiedene Zielarchitekturen, wie vorstehend beschrieben, generiert und erfindungsgemäß für die Klassifizierung (Geschlechtsbestimmung) verwendet. Dabei konnte eine Genauigkeit von 97,702% erreicht werden, wobei diese Genauigkeit über 5833 Messungen erzielt wurde.

Während die vorliegende Erfindung hier unter Bezug auf ihre bevorzugten

Ausführungsformen beschrieben und dargestellt wurde, ist für Fachleute auf dem Gebiet offensichtlich, dass verschiedene Modifikationen und Änderungen daran vorgenommen werden können, ohne den Schutzbereich der Erfindung zu verlassen. Auf diese Weise ist beabsichtigt, dass die vorliegende Erfindung die Modifikationen und Änderungen dieser Erfindung abdeckt, sofern sie in den Schutzbereich der beigefügten Patentansprüche und ihrer Äquivalente fallen. Insbesondere ist dem Fachmann klar, dass die Merkmale, welche im Zusammenhang mit einer bestimmten bevorzugten Ausführungsform beschrieben wurden, auch mit Merkmalen anderer Ausführungsformen kombiniert werden können.

Claims

Patentansprüche

Verfahren zur in-ovo Geschlechtsbestimmung oder Geschlechtsbestimmung an lebenden Vögeln auf der Basis von mehreren vorbekannten geschlechtsspezifischen männlichen und weiblichen in-ovo oder an lebenden Vögeln gemessenen Absorptionsspektren, wobei das Verfahren die folgenden Schritte aufweist:

a) Bestimmen einer Zielarchitektur zur Geschlechtsbestimmung unbekannter in-ovo oder an lebenden Vögeln gemessener Absorptionsspektren unter Verwendung eines selbstgenerierten und selbstlernenden Faltungsnetzwerks, wobei das

Faltungsnetzwerk ausgehend von einer beliebigen initialen Architektur und unter Verwendung der bereitgestellten vorbekannten Absorptionsspektren die Zielarchitektur bestimmt; und

b) Bestimmen des unbekannten Geschlechts unter Verwendung der bestimmten Zielarchitektur.

Verfahren nach Anspruch 1 , wobei die initiale Architektur mindestens eine Schicht mit mindestens einer Faltung von mindestens zwei Datenpunkten oder Datenbereichen in den vorbekannten Absorptionsspektren und mindestens einem veränderbaren Parameter aufweist.

Verfahren nach Anspruch 2, wobei der mindestens eine veränderbare Parameter die Datenpunkte oder Datenbereiche der Faltungen und/oder die Art der Faltung und/oder die Gewichtung der Verbindung von einer Faltung zu benachbarten Faltungen umfasst.

Verfahren nach Anspruch 2 oder 3, wobei Schritt a) ferner einen Schritt al) zum

Optimieren des mindestens einen veränderbaren Parameters einer aktuellen Architektur aufweist, wobei die Optimierung über alle vorbekannten Absorptionsspektren iteriert wird. Verfahren nach Anspruch 4, wobei Schritt al) ferner einen Schritt zum Bestimmen eines ersten Validierungsfehlers der aktuellen Architektur unter Verwendung der vorbekannten Absorptionsspektren aufweist, wobei das Verfahren die aktuelle Architektur als Zielarchitektur bestimmt, wenn der erste Validierungsfehler unterhalb eines

vorbestimmten Schwellenwertes liegt, und die aktuelle Architektur um eine Schicht erweitert, wenn der erste Validierungsfehler oberhalb des vorbestimmten

Schwellenwertes liegt.

Verfahren nach Anspruch 5, wobei das Verfahren nach der Erweiterung um eine Schicht einen Schritt a2) zum Optimieren des mindestens einen veränderbaren Parameters der aktuellen Architektur aufweist, wobei die Optimierung über alle vorbekannten

Absorptionsspektren iteriert wird.

Verfahren nach Anspruch 6, wobei Schritt a2) ferner einen Schritt zum Bestimmen eines zweiten Validierungsfehlers der aktuellen Architektur unter Verwendung der vorbekannten Absorptionsspektren aufweist, wobei das Verfahren die aktuelle

Architektur als Zielarchitektur bestimmt, wenn der zweite Validierungsfehler unterhalb eines vorbestimmten Schwellenwertes liegt, und wobei das Verfahren, wenn der zweite Validierungsfehler oberhalb des vorbestimmten Schwellenwertes liegt, die

nachfolgenden Schritte iterativ für alle Schichten durchführt:

a2.1) Erweitern der jeweiligen Schicht um eine neue Faltung;

a2.2) Optimieren mindestens eines Parameters der um eine Faltung erweiterten Schicht;

a2.3) Bestimmen eines aktuellen Validierungsfehlers unter Verwendung der vorbekannten Absorptionsspektren;

a2.4) Behalten der neuen Faltung, wenn der aktuelle Validierungsfehler besser als der vor Erweiterung der Faltung bestimmte Validierungsfehler ist, und erneute

Ausführung der Schritte a2.1) bis a2.3) für die gleiche Schicht; und a2.5) Verwerfen der neuen Faltung, wenn der aktuelle Validierungsfehler nicht besser als der vor Erweiterung der Faltung bestimmte Validierungsfehler ist und erneute Ausführung der Schritte a2.1) bis a2.3) für eine weitere Schicht.

. Verfahren nach Anspruch 7, wobei das Verfahren die Schritte a2.1) bis a2.5) solange erneut ausführt bis eine vorgegebene Anzahl an Iterationen über alle Schichten erreicht ist und anschließend mit dem Schritt al) fortfährt.

. Verfahren nach Anspruch 7 oder 8, wobei das Verfahren die aktuelle Architektur als

Zielarchitektur bestimmt, wenn der aktuelle Validierungsfehler in Schritt a2.3) unterhalb eines vorbestimmten Schwellenwertes liegt.

0. Verfahren zur in-ovo Geschlechtsbestimmung oder Geschlechtsbestimmung an lebenden

Vögeln unter Verwendung von mehreren vorbekannten männlichen und weiblichen in-ovo oder an lebenden Vögeln gemessenen Absorptionsspektren, wobei das Verfahren die folgenden Schritte aufweist:

aa) mehrfaches Durchführen des Verfahrens nach einem der Ansprüche 1 bis 9, wobei jeweils ein anderes Faltungsnetzwerk verwendet wird, um mehrfache Ergebnisse der Geschlechtsbestimmung auf Basis unterschiedlicher Zielarchitekturen zu erhalten; und

ab) Bestimmen des Geschlechts auf Basis der mehrfachen Ergebnisse aus Schritt aa).

1. System zur in-ovo Geschlechtsbestimmung oder Geschlechtsbestimmung an lebenden

Vögeln unter Verwendung von mehreren vorbekannten männlichen und weiblichen in-ovo oder an lebenden Vögeln gemessenen Absorptionsspektren, wobei das System aufweist:

ein Mittel zum Speichern von mehreren vorbekannten männlichen und weiblichen in-ovo oder an lebenden Vögeln gemessenen Absorptionsspektren; eine erste Einheit, die konfiguriert ist, eine Zielarchitektur zur

Geschlechtsbestimmung unbekannter in-ovo oder an lebenden Vögeln gemessenen Absorptionsspektren unter Verwendung mindestens eines selbstständig generierten und selbstlernenden Faltungsnetzwerks zu bestimmen, wobei das Faltungsnetzwerk ausgehend von einer beliebigen initialen Architektur und unter Verwendung der bereitgestellten vorbekannten Absorptionsspektren die Zielarchitektur bestimmt; und eine zweite Einheit, die konfiguriert ist, das Geschlecht unter Verwendung der bestimmten Zielarchitektur zu bestimmen. 12. System nach Anspruch 1 1 , wobei die erste Einheit ferner konfiguriert ist, mehrere

Zielarchitekturen unter Verwendung verschiedener Faltungsnetzwerke zu bestimmen, und wobei die zweite Einheit ferner konfiguriert ist, für jede Zielarchitektur das Geschlecht zu bestimmen und aus den mehreren Geschlechtsbestimmungen ein Endergebnis des Geschlechts zu bestimmen.

13. Verfahren nach einem der Ansprüche 1 bis 10 oder System nach Anspruch 11 oder 12, wobei die Absorptionsspektren nach dem Einbringen einer Öffnung in die Kalkschale im Bereich des stumpfen Pols von bebrüteten Vogeleiern mit darin enthaltenem Embryo erhalten werden, und wobei die Absorptionsspektren Raman- Spektren,

Fluoreszenzspektren oder deren Kombination aufweisen.

14. Computerprogramm mit Programmcode zur Durchführung der Verfahrensschritte nach einem der Ansprüche 1 bis 10, wenn das Computerprogramm in einem Computer ausgeführt wird.