华南农业大学数学与信息学院/广东省农业大数据工程技术研究中心, 广东 广州 510642
种蛋气室的大小是监测种蛋孵化过程的重要指标之一。 根据种蛋的热力学结构, 种蛋在孵化过程中, 包裹气室部分蛋壳会与其他部分蛋壳产生温差, 从而可通过热红外图像进行观察。 针对在种蛋孵化过程中, 人工照蛋检测气室效率低的问题, 探索设计了一种基于热图像的种蛋气室变化俯视监测算法。 监测种蛋气室热图像的算法主要包括种蛋目标检测, 种蛋图像分割和种蛋气室面积计算3个部分, 其中种蛋的目标检测采用Faster-RCNN算法实现; 种蛋图像分割采用BP神经网络算法实现; 种蛋气室面积是在种蛋图像分割的基础上进行计算。 使用孵化5天及以上的种蛋作为研究对象, 并拍取种蛋的热图像进行试验。 试验结果表明: 种蛋热图像的目标检测的平均精度(mAP)为99.85%, 拥有较好的检测效果。 使用BP网络对种蛋进行图像分割。 BP神经网络经过调参后, 其网络最佳的结构为三层隐藏层, 每个隐藏层拥有1 000个神经元, 最优初始学习率为0.000 1, 最优最大迭代次数为500。 以F1-measure作为分割效果的评价指标, BP神经网络的图像分割总体结果为87.02%, Otsu算法的总体结果为65.25%。 其中只有一个蛋的情况下, BP神经网络的分割结果为87.17%, Otsu算法的结果为68.86%。 存在其他种蛋的干扰条件下, BP神经网络的分割结果为86.94%, Otsu算法的结果为61.64%, BP神经网络的分割效果优于Otsu分割算法, BP神经网络拥有更强的抗干扰能力。 最后提取了孵化5~19 d种蛋的气室变化, 通过观察种蛋气室大小曲线来监测种蛋的孵化情况, 可看出随着天数的增加, 气室有着明显变大的趋势。 人工测量法与热红外测量法比较结果说明两者相关性为0.934 3, 拥有较好的相关性。 基于热图像的种蛋气室变化监测算法可在实际生产中实现种蛋的识别与气室大小的快速监测, 为实现监测种蛋孵化的自动化提供了技术参考。
热图像 种蛋气室 机器视觉 深度学习 BP神经网络 图像分割 Thermal-image Size of egg’s air-cell Machine vision Deep learning BP neural network Image segment
1 华中农业大学工学院, 湖北 武汉 430070
2 农业部长江中下游农业装备重点实验室, 湖北 武汉 430070
3 华中农业大学食品科学技术学院, 湖北 武汉 430070
为了对鸡种蛋胚胎进行雌雄识别, 探究利用紫外-可见-近红外透射光谱进行鸡胚雌雄识别的可行性, 搭建了鸡种蛋透射光谱检测系统, 采用横向和竖向大头朝上2种放置方式获取210枚鸡种蛋孵化0~15 d的光谱, 光谱范围为360~1 000 nm。 构建极限学习机（ELM）鸡胚雌雄识别模型, 通过比较不同放置方式和孵化天数下模型的识别准确率, 发现竖向放置且孵化第7 d的识别效果最好; 将竖向放置孵化第7 d的光谱初步分为紫外（360~380 nm）、 可见光（380~780 nm）、 近红外（780~1 000 nm）、 紫外-可见光（360~780 nm）和全波段（360~1 000 nm）5个不同的波段范围来分析, 预测集准确率分别为8286%, 7714%, 7571%, 8429%和8143%, 筛选出360~780 nm的紫外-可见光波段为有效波段; 在紫外-可见光（360~780 nm）波段, 采用多元散射校正（MSC）去噪, 并用竞争性自适应重加权采样算法（CARS）和连续投影算法（SPA）筛选特征波长降维, 建立不经筛选特征波长、 CARS筛选特征波长和SPA筛选特征波长的3种ELM模型。 其中不经筛选特征波长的ELM模型识别效果最好, 但输入变量最多, 隐含层神经元为680且激活函数为sig时, 预测集准确率为8429%。 SPA筛选特征波长的ELM模型识别效果次之, 输入变量有9个, 隐含层神经元为840且激活函数为hardlim时, 预测集准确率为8143%。 CARS筛选特征波长的ELM模型识别效果最差, 输入变量有27个, 隐含层神经元为100且激活函数为sig时, 预测集准确率为7857%; 用遗传算法（GA）优化ELM模型的权值变量和隐含层阈值, 不经筛选特征波长建立的GA-ELM模型, 预测集准确率为8714%, SPA筛选特征波长建立的GA-ELM模型, 预测集准确率为8714%, CARS筛选特征波长建立的GA-ELM模型, 预测集准确率为8143%。 紫外-可见光波段不经筛选特征波长的GA-ELM模型识别效果和经SPA筛选特征波长的GA-ELM模型相同, 表明SPA筛选的特征波长变量能够有效反映360~780 nm波段的信息, SPA使用的变量数仅占紫外-可见光波段的214%, 因此, 雌雄识别最佳模型为紫外-可见光波段经SPA筛选特征波长的GA-ELM模型, 预测集准确率为8714%, 其中, 雌性识别率为8857%, 雄性识别率为8571%, 单个样本平均判别时间0080 ms。 结果表明紫外-可见透射光谱技术和ELM模型为孵化早期鸡胚蛋雌雄识别提供了一种可行方法。
种蛋 鸡胚 雌雄 识别 紫外-可见-近红外光谱 极限学习机 Egg Chicken embryo Male and female Recognition UV 光谱学与光谱分析
2019, 39(9): 2780
旨在研究饲料中添加不同比例的韭菜对种蛋孵化的影响。在相同饲养条件下, 选取4周龄的海兰褐种公鸡400只, 随机分为4组, 每组5个重复, 每个重复20只。Ⅰ组是对照组, 喂基础饲料; Ⅱ组、Ⅲ组、Ⅳ组分别在基础饲料中添加1%、3%、5%的韭菜, 饲喂16周, 第20周龄结束后, 进行人工授精。授精后第4d, 每组随机抽取500枚种蛋进行孵化。其中A组为对照组Ⅰ的种蛋, B、C、D组分别是试验组Ⅱ、Ⅲ、Ⅳ组的种蛋。结果显示: 饲料中添加适量韭菜可以显著提高种蛋的孵化率、健雏率和平均初生重(P＜0.05)。本研究说明了饲料中添加韭菜可提高种蛋的孵化率、健雏率和平均初生重, 且添加5%韭菜孵化效果最理想。
海兰褐种蛋 韭菜 受精率 孵化率 健雏率 Hyline Brown breeding eggs chinese chives fertility hatchability thrifty chick rate
1 国家蛋品加工技术研发分中心， 华中农业大学食品科学技术学院， 湖北 武汉430070
2 华中农业大学工学院， 湖北 武汉430070
利用近红外漫反射光谱分析技术对种蛋中的无精蛋和受精蛋进行检测。 通过不同波段范围、 不同主成分因子数和不同光谱预处理方法对种蛋类型检测结果的比较分析， 建立了种蛋的定性检测模型。 结果表明： 选取光谱范围为4 119.20～9 881.46 cm-1， 19个主成分因子数， 原始光谱经过SNV+一阶导数+Norris微分过滤的预处理方法， 利用马氏距离建立种蛋定性检测模型， 校正集正确率达到92.50%， 验证集正确率达到91.67%。 该研究为上孵前无精蛋和受精蛋的无损检测提供了新的途径。
近红外光谱 孵前 种蛋 无损检测 Near infrared diffuse reflectance spectra Prior to incubation Hatching eggs Nondestructive detection
1 湖南农业大学动物科技学院,湖南,长沙,410128
2 湖南省畜牧兽医研究所,湖南,长沙,410131
3 湖南省原子能农业应用研究所,湖南,长沙,410125
采用60Co辐射源,研究不同剂量对食用蛋的灭菌和保鲜效果,以及对种蛋囊胚的致弱作用.结果表明:7 kGy的辐照剂量可以杀灭鸡蛋内容物和蛋壳上的全部细菌,但即使是4 kGy,对鸡蛋的保鲜和延长货架期方面起到的也是副作用;从3 Gy～11 Gy剂量范围内对种蛋进行辐照,其对应的孵化率为71.8%～13.3%.由于没有一个衡量辐照致弱种蛋胚胎发育程度的参数,提出了相对于空白组的孵化率下降幅度作为家鸡囊胚细胞嵌合体选取辐照剂量的依据.
辐照 食用蛋 灭菌 种蛋 转基因家鸡
