基于可见/近红外光谱的禽蛋孵化能力的判别方法
【专利摘要】本发明涉及一种基于可见及近红外光谱的禽蛋孵化能力的判别方法。该方法是将禽蛋的光谱数据进行预处理后，通过定性分析的方法建立判别孵化能力结果的数学模型，将判别准确率最高模型确定为最佳模型用于待测禽蛋孵化能力的判别或检测。所述禽蛋孵化能力分为两类：M+或M?；所述M+为孵化能力较强，即可以孵化出雏，且雏禽体质健康；所述M?为孵化能力较弱，即不能孵化出雏，或可以孵化出雏但雏禽体质不健康。实验证明，本发明所提供基于可见及近红外光谱的禽蛋孵化能力的判别方法，在判别孵化9天和11天的农大3号鸡蛋的孵化能力的准确率可达78.57％和80.95％。
【专利说明】
基于可见/近红外光谱的禽蛋孵化能力的判别方法
技术领域
[0001] 本发明涉及生物技术领域，具体说是一种基于可见/近红外光谱的禽蛋孵化能力 的判别方法。
【背景技术】
[0002] 在禽蛋孵化过程中，部分种蛋因最终不能出雏，从而造成大量浪费。美国农业部国 家农业统计局(USDA，NASS)2006年的统计数据表明，鸡种蛋胚胎发育率仅为86%~99%，其 中很大一部分是由于种蛋在孵化过程中死亡。对于有孵化能力的企业如果尽早的发现死亡 或孵化缓慢的种蛋，能够避免死亡种蛋腐败产生的细菌感染其他种蛋。对于生产鸡蛋疫苗 的企业，尽早的发现并剔除死亡的种蛋，可以节省更多的生产空间，增加企业的产值。因此， 找寻一种种蛋孵化能力的鉴别方法，对整个的禽类孵化行业具有重要意义。
【发明内容】
[0003] 针对现有技术中存在的缺陷，本发明的目的在于提供一种基于可见/近红外光谱 的禽蛋孵化能力的判别方法，该方法具有不损伤禽蛋、检测速度快和准确率高的优点，适用 于受精蛋和无精蛋的孵化能力检测。
[0004] 为达到以上目的，本发明提供一种基于可见/近红外光谱的禽蛋孵化能力的判别 方法，包括如下步骤：
[0005] 通过对品种相同和发育时间相同、或品种相同和孵化时间相同的禽蛋作为训练样 本的可见/近红外光谱数据进行不同的预处理后获得不同的数据集，使用不同的定性分析 方法建立不同的判断所述禽蛋孵化能力结果的数学模型；
[0006] 将与所述训练样本的品种相同和发育时间相同、或品种相同和孵化时间相同的验 证样本的可见/近红外光谱数据进行所述不同的预处理后，代入相应的所述数学模型中，得 出不同的预测孵化能力结果，将该不同的预测孵化能力结果与验证样本的实测孵化能力结 果进行比较，将最接近实测孵化能力结果的所述预测孵化能力结果所使用的数学模型确定 为最佳数学模型；
[0007] 将所述最佳数学模型用于检测与所述训练样本的品种相同和发育时间相同、或品 种相同和孵化时间相同的待测禽蛋的孵化能力结果；
[0008] 所述孵化能力结果分为两类:M+和M-;
[0009] 所述M+为孵化能力较强，即可以孵化出雏，且雏禽体质健康；
[0010]所述M-为孵化能力较弱，即不能孵化出雏，或可以孵化出雏但雏禽体质不健康。
[0011] 上述基于可见/近红外光谱的禽蛋孵化能力的判别方法，具体可包括如下步骤：
[0012] R1数学模型的建立：
[0013] R11训练样本的光谱数据采集及孵化能力结果数据统计：
[0014] 取品种相同和发育时间、或品种相同和孵化时间相同的若干个禽蛋作为训练样 本，采集其可见/近红外光谱，获得所述训练样本的光谱数据集A;
[0015] 所述光谱数据集A中的数据形式具体可为透射率，也可为吸光度值等对光谱进行 转换的其他光谱数据形式；
[0016] 所述透射率(I)的计算公式如下：
[0017] 公式 1
[0018] 在所述公式1中，1〇为待测禽蛋的光谱数据;B为暗参考光谱数据;W为白参考光谱 数据；
[0019] 统计所述训练样本的孵化能力结果，获得所述训练样本的孵化能力结果数据集S;
[0020] R12训练样本的光谱数据的预处理：
[0021] 将所述光谱数据集A进行不同的预处理后，获得不同数据集A1、A2、A3、……和Ai ; 所述Ai为经过不同的所述预处理得到的不同数据集;所述i为不同的所述预处理；
[0022]即将所述光谱数据集A分别用i个不同的所述预处理进行处理后，获得i个不同的 数据集(分别为数据集A1、A2、A3、……和Ai);i = l，2,3,……；
[0023]所述预处理的方法包括中值滤波平滑方法、主成分分析法、一阶导数校正、二阶导 数校正、多元散射矫正、附加散射矫正方法、一维小波变换和标准正态变量变换等光谱预处 理方法中的任一种或任几种的组合，或不做任何处理；
[0024] 因为不同禽蛋品种及采集光谱数据时孵化时间或发育时间不同，所采用最适合的 所述预处理方法不同，所述预处理方法的确定需要结合下述建立模型中使用的所述定性分 析的方法，通过比较最后得到的不同数学模型的准确率来确定；
[0025] R13建立模型：
[0026] 将所述数据集A1、A2、A3、……和Ai分别与所述孵化能力结果数据集S运用不同的 定性分析的方法建立判别禽蛋孵化能力结果的数学模型Μ1-1、Μ1-2、Μ1-3、……Ml_j、M2_l、 M2-2、M2-3……M2-j、……和Mi_j ;所述Mi_j为不同的所述预处理方法和不同的所述定性分 析的方法相结合所建立的不同数学模型;所述j为不同的所述定性分析方法；
[0027] 即将所述数据集A1、A2、A3、……和Ai分别与所述孵化能力结果数据集S运用j个不 同的定性分析的方法建立判别禽蛋孵化能力结果的数学模型Μ1-1、Μ1-2、Μ1-3、……Ml_j、 M2-1、M2-2、M2-3……M2-j、……和Mi-j ; j = 1，2，3，……；
[0028] 所述定性分析的方法为偏最小二乘判别法、朴素贝叶斯判别分析法、Fisher算法、 基于马氏距离的贝叶斯判别法、支持向量机判别分析法、人工神经网络算法等模式识别的 算法中的任一种；
[0029] 因为不同禽蛋品种及采集光谱数据时孵化时间不同，所采用的最适合的定性分析 的方法不同，所述定性分析的方法的确定需要结合所述预处理方法，通过比较最后得到的 不同数学模型的准确率来确定；
[0030] R2数学模型的比较和确定：
[0031] R21验证样本的光谱数据采集及孵化能力结果数据统计：
[0032]另取与所述训练样本的品种、发育时间和孵化时间相同的若干个禽蛋作为验证样 本，在步骤R11中所述采集的相同条件下，采集其可见/近红外光谱，获得所述验证样本的光 谱数据集a;所述光谱数据集a中的数据形式与所述光谱数据集A中的数据形式相同；
[0033]统计所述验证样本的孵化能力结果，获得所述验证样本的孵化能力结果数据集s;
[0034] R22验证样本的光谱数据的预处理：
[0035] 将所述光谱数据集a按照步骤R12的方法进行不同的预处理后，获得不同数据集 al、a2、a3、……和ai ;所述ai为经过不同的所述预处理得到的不同数据集;所述i为不同的 所述预处理；
[0036] R23模型验证：
[0037]将所述数据集ai分别代入所述数学模型Mi-j中，且所述ai和所代入的所述Mi-j中 的i相同，得出不同的预测孵化能力结果的数据集bi-j;将该数据集bi-j分别与步骤R21统 计的所述孵化能力结果数据集s进行比较计算准确率，将所述数据集bi-j中准确率最高的 数据集所使用的所述数学模型确定为最佳数学模型；
[0038] R3待测禽蛋的孵化能力结果判别：
[0039] 在步骤R11中所述采集的相同条件下，采集与所述训练样本的品种相同和发育时 间相同、或品种相同和孵化时间相同的待测禽蛋的可见/近红外光谱，获得光谱数据X;所述 光谱数据X的数据形式与所述光谱数据集A中的数据形式相同；
[0040] 将所述光谱数据)(按照与步骤R23中的所述最佳数学模型所使用的所述预处理方 法进行预处理，获得数据XI;
[0041] 将所述数据XI代入到步骤R23中的所述最佳数学模型中，得出待测禽蛋的孵化能 力结果；
[0042]所述孵化能力结果分为两类:M+和M-;
[0043] 所述M+为孵化能力较强，即可以孵化出雏，且雏禽体质健康；
[0044] 所述M-为孵化能力较弱，即不能孵化出雏，或可以孵化出雏但雏禽体质不健康； [0045]无精蛋由于无孵化能力，归到孵化能力较弱的一类；
[0046] 所述雏禽体质健康的评价标准为满足下述(1) 一 (7)中的所有情况：
[0047] (1)雏禽自己出雏；
[0048] (2)在正常的孵化时间内或正常的孵化时间之前出雏;所述正常孵化时间为每种 禽类固定的孵化时间，如鸡的正常孵化时间为21天，鸭的正常孵化时间为28天，鹅的正常孵 化时间为30天；
[0049] (3)无残疾；
[0050] (4)出雏后12小时内能正常行走；
[0051 ] (5)脐带伤口愈合且脐带完全脱落；
[0052] (6)雏禽有活力；
[0053] (7)孵化12小时后，雏禽羽毛蓬松。
[0054] 所述雏禽体质不健康的评价标准为满足(8) - (14)中的至少一种情况：
[0055] (8)雏禽需要人工帮助才能出雏；
[0056] (9)在正常的孵化时间之后出雏；
[0057] (10)身体残疾；
[0058] (11)出雏后12小时内不能正常行走；
[0059] (12)脐带伤口未愈合或脐带没有脱落；
[0060] (13)雏禽无活力；
[0061 ] (14)孵化12小时后，雏禽羽毛粘连且有血色。
[0062] 在上述方法中，步骤R11所述采集的方式可为透射式采集，也可为漫反射式采集。
[0063] 在上述方法中，步骤R11中所述采集时的禽蛋放置方式和放置角度任意。
[0064]在上述方法中，步骤R11中所述采集的相同条件包括:所述采集的方式、所述采集 时的禽蛋放置方式和放置角度、所述采集时的光源、光探头位置;所述采集在低浮动的温湿 度条件下进行。
[0065]在上述方法中，所述禽蛋可为鸡、鸭或鹅等生殖方式为有性生殖且为卵式生殖的 鸟类的蛋，本发明实施例2和3中所述禽蛋具体为鸡蛋，品种为农大3号。
[0066] 在上述方法中，所述可见/近红外光谱的波长范围为200~2500nm，具体可为350~ llOOnm，且不限于上述波长范围内的部分波长范围或单波长点及其组合。
[0067] 使用本发明方法所建立的模型只适用于单一禽类的单一品种，该方法适用于禽蛋 孵化的全过程，且不限于禽蛋内胚胎、卵黄囊、尿囊腔、羊膜腔或气室的发育程度。
[0068] 实验证明，本发明所述的基于可见/近红外光谱的禽蛋孵化能力的判别方法，在判 别孵化9天和11天的农大3号鸡蛋的孵化能力的准确率可达78.57%和80.95%。
【附图说明】
[0069] 图1为本发明实施例1中的基于可见/近红外光谱的禽蛋检测装置的透视图。
[0070] 附图中各标记说明如下：
[0071 ] 1为电源；2为散热装置；3为载物台；4为光探头；5为支架;6为光纤；7为温度传感 器;8为光源;9为检测暗箱；10为光信号传感器;该检测装置中下位机控制板、检测暗箱箱壁 箱门及载物台上的通孔未示出。
【具体实施方式】
[0072]实施例1、基于可见/近红外光谱的禽蛋检测装置 [0073] 一、装置结构
[0074] 如图1所示，本实施例中的基于可见/近红外光谱的禽蛋检测装置由检测暗箱9,及 如下装置组成：
[0075] 光源8,设于所述检测暗箱9内部，为卤素灯，具体为两个12V20W飞利浦卤钨灯灯珠 (G4灯珠），发光波段为200~2500nm;光源功率需要根据样品来确定，光源功率是决定透过 样品光的强度的最基本的条件，功率越大透过的光强越大。对于体积越大(或是长轴与短轴 过大)的品种，需要使用功率越大的光源。具体操作可为:在较短的积分时间内，当透过样品 的光强度达到光信号传感器量程的90% (误差±5%)时即可认定光源的功率合适；
[0076] 载物台3，设于所述检测暗箱9内部、光源8上方且中间设有直径为10mm-50mm的大 小可调节的圆形通孔；该圆形通孔位于所述光源8的正上方；在检测鸡蛋时通孔直径可为 32mm一45mm;载物台3由上下两层板制成，下层为厚度为3mm的金属错平板，上层为厚度为 15_的遮光海绵；
[0077] 温度检测模块，由温度传感器7、用于处理所述温度传感器传输信号的下位机控制 板组成，所述温度传感器7设于所述检测暗箱9内部，且位于所述通孔旁；
[0078] 光探头4内部装有聚焦透镜一一SMA905准直透镜(74系列、海洋光学），设于所述通 孔正上方且位于所述检测暗箱内部；
[0079] 支架5，设置于载物台3上方，一端与光探头4相连，另一端固定于检测暗箱9内上 壁，可调节光探头4在垂直方向上来回移动；
[0080] 光信号传感器10，为一微型光谱仪，型号为USB4000，生产商为海洋光学公司；其检 测波段为350~llOOnm;
[0081] 光纤6,其芯部材料为石英，一端连接光探头4、另一端连接光信号传感器10;所述 光纤6用于将所述光探头4收集的光信号传输至所述光信号传感器10中；
[0082] 散热装置2,为一散热风扇，设置于光源8附近的所述检测暗箱9内部；
[0083] 电源1，为稳压直流电源，为光源8、散热装置2和下位机控制板供电；
[0084] 通孔、光源8和光探头4的中心位于一条竖直线上。
[0085]检测暗箱9由铝塑板材料制成，为封闭式不透光箱体，长50cm，宽30cm，高60cm，其 一侧面设为箱门。
[0086] 二、使用方法
[0087] 本实施例中的基于可见/近红外光谱的禽蛋检测装置的使用方法具体如下：
[0088] 1)计算机连接
[0089] 使用数据线将光信号传感器10、下位机控制板分别与同一台计算机相连接；
[0090] 2)开机
[0091] 打开计算机及检测暗箱9内电源1，并启动计算机中用于采集光信号传感器10传输 信号的软件(软件名称为SpectraSuite，开发商为美国海洋光学公司）；
[0092] 3)预热及校准
[0093]关闭检测暗箱9的箱门、不打开光源8且载物台3上的通孔空置的情况下，使用计算 机中的软件采集光信号传感器10的传输信号，作为暗参考光谱数据B;
[0094]关闭检测暗箱9的箱门、并打开光源8且载物台3上的通孔空置的情况下预热30分 钟后，使用计算机中的软件采集光信号传感器10的传输信号，作为白参考光谱数据W;
[0095] 4)采集光谱数据
[0096]通过计算机监控载物台的温度，在温度合适(20至38°C)时，将待测禽蛋放置(放置 方式与孵化方式有关:在孵化前的检测，任意放置方式都可以，孵化过程中的检测与孵化方 式有关，如大型孵化器一般竖直且大头向上放置进行孵化，则检测时需要与孵化方式一致， 也需要竖直且大头向上放置进行检测）在载物台的圆形通孔中，使用计算机中的软件采集 待测禽蛋的光谱数据1〇,利用公式1:
[0097]
[0098]求得禽蛋的透射率I。
[0099] 5)判别
[0100]使用计算机对待测禽蛋的光谱数据进行预处理后，代入已建立的数学模型（不同 禽蛋种类或不同孵化时间下进行光谱数据采集，所建立的数学模型不同，待测禽蛋与模型 建立所用禽蛋的种类、孵化时间和禽蛋在通孔处的放置方式以及光探头位置和角度必须相 同）中，判别得出待测禽蛋孵化能力结果。
[0101] 实施例2、基于可见/近红外光谱的禽蛋孵化能力的判别方法
[0102] 1、数学模型的建立
[0103] 1.1、训练样本的光谱数据采集及孵化能力结果数据统计
[0104] 取73个农大3号鸡蛋（均为受精蛋，且已在温度为37.8°C、湿度为65%的孵化箱中 孵化9天)作为训练样本，使用实施例1的装置按照实施例1中的使用方法采集该训练样本的 可见/近红外光谱（即为透射光谱），获得所述训练样本的光谱数据集A;采集时，鸡蛋的放置 方式为大头在上竖直放置，实施例1中光探头与鸡蛋顶端的垂直距离为5mm;
[0105] 将上述73个农大3号鸡蛋置于温度为37.8°C、湿度为65%的条件下孵化，统计各鸡 蛋的孵化能力结果，获得数据集S;
[0106] 所述孵化能力结果分为两类:M+和M-;
[0107] 所述M+为孵化能力较强，即可以孵化出雏，且雏禽体质健康；
[0108] 所述M-为孵化能力较弱，即不能孵化出雏，或可以孵化出雏但雏禽体质不健康；
[0109] 所述雏禽体质健康的评价标准为满足下述(1) 一 (7)中的所有情况：
[0110] (1)雏禽自己出雏； (2)在正常的孵化时间内或正常的孵化时间之前出雏;所述正常孵化时间为每种 禽类固定的孵化时间，如鸡的正常孵化时间为21天，鸭的正常孵化时间为28天，鹅的正常孵 化时间为30天；
[0112] (3)无残疾；
[0113] (4)出雏后12小时内能正常行走；
[0114] (5)脐带伤口愈合，脐带完全脱落；
[0115] (6)雏禽有活力；
[0116] (7)孵化12小时后，雏禽羽毛蓬松。
[0117] 所述雏禽体质不健康的评价标准为满足(8) - (14)中的至少一种情况：
[0118] (8)雏禽需要人工帮助才能出雏；
[0119] (9)在正常的孵化时间之后出雏；
[0120] (10)身体残疾；
[0121] (11)出雏后12小时内不能正常行走；
[0122] (12)脐带伤口未愈合或脐带没有脱落；
[0123] (13)雏禽无活力；
[0124] (14)孵化12小时后，雏禽羽毛粘连且有血色。
[0125] 所述光谱数据集A中的数据形式为透射率；
[0126] 所述透射率(I)的计算公式如下：
[0127] 公式 1
[0128] 在所述公式1中，1〇为待测禽蛋的光谱数据;B为暗参考光谱数据;W为白参考光谱 数据。
[0129] 1.2、训练样本的光谱数据的预处理
[0130] 将所述光谱数据集A进行不同的预处理后，获得不同光谱数据集六1)2、六3)4和 A5；
[0131]所述数据集A1所使用的预处理方法为多元散射校正(MSC);具体如下：
[0132] 使用软件matlab软件(版本为7.6以上，开发公司为11161^11:11￥(^1^公司）将所述数 据集A进行多元散射校正(MSC)，得到光谱数据集A2;具体计算过程为将所述数据集A利用公 式2计算平均光谱;然后利用公式3进行一元线性回归；最后利用公式4进行多元散射校正； (公式2-4中的符号除特别说明外，均与matlab软件中的含义相同）
[0133]
[0134]
[0135] .，·》，·. X. υ
[0136] 所述数据集Α2所使用的预处理方法为标准正态变量变换(SNV);具体如下：
[0?37] 使用mat lab软件(版本为7.6以上，开发公司为TheMathWorks公司）将所述数据集A 进行标准正态变量变换(SNV)，得到光谱数据集A1;具体计算过程为:将数据集A代入公式5:
[0138]
法(SVM)，具体如下：
[0152] 使用软件11^1:1313软件(版本为7.6以上，开发公司为1'1161&11:111(^1^公司）将步骤1.1 获得的孵化能力结果数据集S和所述光谱数据集41^2)3^4或45分别导入!^11&13软件中， 调用支持向量机判别分析法(SVM)工具包，将数据集S和光谱数据集41^2^3^4或45进行 支持向量机判别分析法(SVM)分析，建立判别禽蛋孵化能力结果的数学模型M1-1、M2-1、M3- 1、M4-1 和 M5-1;
[0153] 所述模型組-2、12-2、13-2、14-2和15-2的定性分析方法为：朴素贝叶斯判别分析 法(NB)，具体如下：
[0154] 使用软件11^1:1313软件(版本为7.6以上，开发公司为1'1161&11:111(^1^公司）将步骤1.1 获得的孵化能力结果数据集S和所述光谱数据集41^2)3^4或45分别导入!^11&13软件中， 调用朴素贝叶斯判别分析法(NB)函数，将数据集S和光谱数据集41^2^3^4或45进行朴素 贝叶斯判别分析法(NB)分析，建立判别禽蛋孵化能力结果的数学模型M1-2、M2-2、M3-2、M4-2和M5-2;
[0155] 2、数学模型的比较和确定
[0156] 2.1、验证样本的光谱数据采集及孵化能力结果数据统计
[0157] 另取与所述训练样本品种相同的已在温度为37.8°C、湿度为65%的孵化箱中孵化 9天的37个农大3号鸡蛋(均为受精蛋)作为验证样本，在步骤1.1中所述采集的相同条件下， 采集其可见/近红外光谱，获得所述验证样本的光谱数据集a;所述光谱数据集a中的数据形 式与所述光谱数据集A中的数据形式相同；
[0158] 将上述37个农大3号鸡蛋置于温度为37.8°C、湿度为65%的条件下孵化，按照步骤 1.1的方法统计各鸡蛋的孵化能力结果，获得数据集s;
[0159] 2.2验证样本的光谱数据的预处理
[0160] 将所述光谱数据集a按照步骤1.2的方法进行不同的预处理后，获得不同数据集 al、a2、a3、a4^Pla5;
[0161] 2.3、模型验证
[0162] 将所述数据集al分别代入所述数学模型M1-UM1-2中，得出不同的预测孵化能力 结果数据集b 1 -1和b 1 -2;
[0163] 将所述数据集a2分别代入所述数学模型Μ2-1、Μ2-2中，得出不同的预测孵化能力 结果数据集b2-l和b2-2;
[0164] 将所述数据集a3分别代入所述数学模型Μ3-1、Μ3-2中，得出不同的预测孵化能力 结果数据集b3-l和b3-2;
[0165] 将所述数据集a4分别代入所述数学模型Μ4-1、Μ4-2中，得出不同的预测孵化能力 结果数据集b4-l和b4-2;
[0166] 将所述数据集a5分别代入所述数学模型Μ5-1、Μ5-2中，得出不同的预测孵化能力 结果数据集b5-l和b5-2;
[0167] 将数据集 1^1-1、131-242-142-243-143-244-144-245-1和匕5-2分别与步骤 2.1统计的所述孵化能力结果数据集s进行比较并计算准确率。结果：
[0168] 如表1所示:数据集b5_2与数据集s进行比较的准确率为78.57%，最高；即数学模 型M5-2为最佳数学模型，模型M5-2所使用的预处理方法为未进行任何处理，定性分析的方 法为朴素贝叶斯判别分析法(NB)。将该最佳数学模型M5-2植入计算机中。
[0169] 表1孵化9天的不同预处理与建模方法判别准确率（％ )
[0170]
[0171] 3、待测禽蛋的孵化能力结果判别
[0172] 在步骤1.1中所述采集的相同条件下，采集待测禽蛋的可见/近红外光谱，获得光 谱数据X;所述光谱数据X的数据形式与所述光谱数据集A中的数据形式相同；
[0173] 将所述光谱数据对安照与步骤2.3中的所述最佳数学模型M5-2所使用的所述预处 理方法进行预处理，获得数据XI;
[0174] 将所述数据XI代入到步骤2中的所述最佳数学模型M5-2中，得出待测禽蛋的孵化 能力结果。
[0175] 实施例3、基于可见/近红外光谱的禽蛋孵化能力的判别方法
[0176] 1、数学模型的建立
[0177] 1.1、训练样本的光谱数据采集及孵化能力结果数据统计
[0178] 取73个农大3号鸡蛋（均为受精蛋，且已在温度为37.8°C、湿度为65%的孵化箱中 孵化11天)作为训练样本，使用实施例1的装置按照实施例1中的使用方法采集该训练样本 的可见/近红外光谱（即为透射光谱），获得所述训练样本的光谱数据集A;采集时，鸡蛋的放 置方式为大头在上竖直放置，实施例1中光探头与鸡蛋顶端的垂直距离为5mm;
[0179] 将上述73个农大3号鸡蛋置于温度为37.8°C、湿度为65 %的条件下孵化，统计各鸡 蛋的孵化能力结果，获得数据集S;
[0180]所述孵化能力结果的统计方法与实施例2相同；
[0181]所述光谱数据集A中的数据形式为透射率；
[0182] 所述透射率(I)的计算公式如下：
[0183] 公式]
[0184] 在所述公式1中，1〇为待测禽蛋的光谱数据;B为暗参考光谱数据;W为白参考光谱 数据。
[0185] 1.2、训练样本的光谱数据的预处理
[0186] 将所述光谱数据集A进行不同的预处理(如表2的第一行所示)后，获得不同数据集 A1、A2、A3、A^PA5;
[0187] 所述数据集A1所使用的预处理方法为多元散射校正(MSC);
[0188] 所述数据集A2所使用的预处理方法为标准正态变量变换(SNV);
[0189] 所述数据集A3所使用的预处理方法为一阶导数校正（lstder);
[0190] 所述数据集A4所使用的预处理方法为二阶导数校正(2ndder);
[0191] 所述数据集A5所使用的预处理方法为未进行任何处理(Raw);
[0192] 上述预处理方法中的MSC、SNV、1 stder、2ndder与实施例2中方法的相同。
[0193] 1.3、建立模型
[0194] 将所述数据集41)2^3)4和45分别与所述孵化能力结果数据集5运用不同的定 性分析的方法建立判别禽蛋孵化能力结果的数学模型Μ1-1、Μ1-2、Μ2-1、Μ2-2、Μ3-1、Μ3-2、 Μ4-1、Μ4-2、Μ5-1、Μ5-2;
[0195] 所述模型組-1、12-1、13-1、14-1和15-1的定性分析方法为:支持向量机判别分析 法(SVM)，具体与实施例2中的相同；
[0196] 所述模型組-2、12-2、13-2、14-2和15-2的定性分析方法为：朴素贝叶斯判别分析 法(NB)，具体与实施例2中的相同；
[0197] 2、数学模型的比较和确定
[0198] 2.1、验证样本的光谱数据采集及孵化能力结果数据统计
[0199] 另取与所述训练样本品种相同的已在温度为37.8°C、湿度为65%的孵化箱中孵化 11天的37个农大3号鸡蛋（均为受精蛋)作为验证样本，在步骤1.1中所述采集的相同条件 下，采集其可见/近红外光谱，获得所述验证样本的光谱数据集a;所述光谱数据集a中的数 据形式与所述光谱数据集A中的数据形式相同；
[0200] 将上述37个农大3号鸡蛋置于温度为37.8°C、湿度为65%的条件下孵化，按照步骤 1.1的方法统计各鸡蛋的孵化能力结果，获得数据集S;
[0201] 2.2验证样本的光谱数据的预处理
[0202] 将所述光谱数据集a按照步骤1.2的方法进行不同的预处理后，获得不同数据集 al、a2、a3、a4^Pla5;
[0203] 2.3模型验证
[0204] 将所述数据集&1、&2、&3、&4和 &5分别代入所述数学模型組_」中，得出不同的预测 孵化能力结果的数据集bi-j;将该数据集bi-j分别与步骤2.1统计的所述孵化能力结果数 据集s进行比较，将准确率最高的所述数据集bi-j所使用的所述数学模型确定为最佳数学 模型；i为1，2,3,4或5;j为1或2。
[0205] 结果：
[0206] 如表2所示:数据集bl-2和b2_2与数据集s进行比较的准确率为80.95%，最高；即 数学模型M1-2和M2-2为最佳数学模型;模型M1-2所使用的预处理方法为MSC，定性分析的方 法为朴素贝叶斯判别分析法(NB);模型M2-2所使用的预处理方法为SNV，定性分析的方法为 朴素贝叶斯判别分析法(NB);将该最佳数学模型M1-2和M2-2分别植入计算机中。
[0207] 表2孵化11天的不同预处理与建模方法判别准确率（％ )
[0208]
[0209] 3、待测禽蛋的孵化能力结果判别
[0210] 在步骤1.1中所述采集的相同条件下，采集待测禽蛋的可见/近红外光谱，获得光 谱数据X;所述光谱数据X的数据形式与所述光谱数据集A中的数据形式相同；
[0211]将所述光谱数据对安照与步骤2.3中的所述最佳数学模型M1-2或M2-2所使用的所 述预处理方法进行预处理，获得数据XI;
[0212]将所述数据XI代入到步骤2中的所述最佳数学模型Μ卜2或M2-2中，得出待测禽蛋 的孵化能力结果。
[0213]本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
【主权项】
1. 一种基于可见/近红外光谱的禽蛋孵化能力的判别方法，其特征在于，包括如下步 骤： 通过对品种相同和发育时间相同、或品种相同和孵化时间相同的禽蛋作为训练样本的 可见/近红外光谱数据进行不同的预处理后获得不同的数据集，使用不同的定性分析方法 建立不同的判断所述禽蛋孵化能力结果的数学模型； 将与所述训练样本的品种相同和发育时间相同、或品种相同和孵化时间相同的验证样 本的可见/近红外光谱数据进行所述不同的预处理后，代入相应的所述数学模型中，得出不 同的预测孵化能力结果，将该不同的预测孵化能力结果与验证样本的实测孵化能力结果进 行比较，将最接近实测孵化能力结果的所述预测孵化能力结果所使用的数学模型确定为最 佳数学模型； 将所述最佳数学模型用于检测与所述训练样本的品种相同和发育时间相同、或品种相 同和孵化时间相同的待测禽蛋的孵化能力结果； 所述孵化能力结果分为两类:M+和M-; 所述M+为孵化能力较强，即可以孵化出雏，且雏禽体质健康； 所述M-为孵化能力较弱，即不能孵化出雏，或可以孵化出雏但雏禽体质不健康。2. 如权利要求1所述的基于可见/近红外光谱的禽蛋孵化能力的判别方法，其特征在 于，所述基于可见/近红外光谱的禽蛋孵化能力的判别方法包括如下步骤： R1数学模型的建立： Rl 1训练样本的光谱数据采集及孵化能力结果数据统计： 取品种相同和发育时间、或品种相同和孵化时间相同的若干个禽蛋作为训练样本，采 集其可见/近红外光谱，获得所述训练样本的光谱数据集A; 统计所述训练样本的孵化能力结果，获得所述训练样本的孵化能力结果数据集S; R12训练样本的光谱数据的预处理： 将所述光谱数据集A进行不同的预处理后，获得不同数据集A1、A2、A3、……和Ai;所述 Ai为经过不同的所述预处理得到的不同数据集;所述i为不同的所述预处理； R13建立模型： 将所述数据集A1、A2、A3、……和Ai分别与所述孵化能力结果数据集S运用不同的定性 分析的方法建立判别禽蛋孵化能力结果的数学模型Μ1-1、Μ1-2、Μ1-3、……Ml_j、M2_1、M2- 2、M2-3......M2-j、......和Mi-j ;所述Mi-j为不同的所述预处理方法和不同的所述定性分析 的方法相结合所建立的不同数学模型;所述j为不同的所述定性分析方法； R2数学模型的比较和确定： R21验证样本的光谱数据采集及孵化能力结果数据统计： 另取与所述训练样本的品种相同和发育时间、或品种相同和孵化时间相同的若干个禽 蛋作为验证样本，在步骤Rl 1中所述采集的相同条件下，采集其可见/近红外光谱，获得所述 验证样本的光谱数据集a;所述光谱数据集a中的数据形式与所述光谱数据集A中的数据形 式相同； 统计所述验证样本的孵化能力结果，获得所述验证样本的孵化能力结果数据集s; R22验证样本的光谱数据的预处理： 将所述光谱数据集a按照步骤R12的方法进行不同的预处理后，获得不同数据集al、a2、 a3、……和ai;所述ai为经过不同的所述预处理得到的不同数据集;所述i为不同的所述预 处理； R23模型验证： 将所述数据集ai分别代入所述数学模型Mi-j中，且所述ai和所代入的所述Mi-j中的i 相同，得出不同的预测孵化能力结果的数据集bi-j;将该数据集bi-j分别与步骤R21统计的 所述孵化能力结果数据集s进行比较计算准确率，将所述数据集bi-j中准确率最高的数据 集所使用的所述数学模型确定为最佳数学模型； R3待测禽蛋的孵化能力结果判别： 在步骤R11中所述采集的相同条件下，采集与所述训练样本的品种相同和发育时间、或 品种相同和孵化时间相同的待测禽蛋的可见/近红外光谱，获得光谱数据X;所述光谱数据X 的数据形式与所述光谱数据集A中的数据形式相同； 将所述光谱数据对安照与步骤R23中的所述最佳数学模型所使用的所述预处理方法进 行预处理，获得数据XI; 将所述数据XI代入到步骤R23中的所述最佳数学模型中，得出待测禽蛋的孵化能力结 果。3. 如权利要求1或2所述的基于可见/近红外光谱的禽蛋孵化能力的判别方法，其特征 在于， 所述预处理的方法包括中值滤波平滑方法、主成分分析法、一阶导数校正、二阶导数校 正、多元散射矫正、附加散射矫正方法、一维小波变换和标准正态变量变换等光谱预处理方 法中的任一种或任几种的组合，或不做任何处理。4. 如权利要求1或2所述的基于可见/近红外光谱的禽蛋孵化能力的判别方法，其特征 在于， 所述定性分析的方法为偏最小二乘判别法、朴素贝叶斯判别分析法、Fi sher算法、基于 马氏距离的贝叶斯判别法、支持向量机判别分析法、人工神经网络算法等模式识别算法的 任一种。5. 如权利要求2所述的基于可见/近红外光谱的禽蛋孵化能力的判别方法，其特征在 于， 步骤Rl 1所述采集的方式为透射式采集或漫反射式采集； 和/或，步骤Rl 1中所述采集时的禽蛋放置方式和放置角度任意。6. 如权利要求5所述的基于可见/近红外光谱的禽蛋孵化能力的判别方法，其特征在 于， 步骤R11中所述采集的相同条件包括:所述采集的方式、所述采集时的禽蛋放置方式和 放置角度、所述采集时的光源、光探头位置。7. 如权利要求2所述的基于可见/近红外光谱的禽蛋孵化能力的判别方法，其特征在 于， 所述光谱数据集A中的数据形式为透射率。8. 如权利要求1或2所述的基于可见/近红外光谱的禽蛋孵化能力的判别方法，其特征 在于， 所述禽蛋为鸡、鸭或鹅等生殖方式为有性生殖且为卵式生殖的鸟类的蛋。9. 如权利要求1或2所述的基于可见/近红外光谱的禽蛋孵化能力的判别方法，其特征 在于， 所述可见/近红外光谱的波长范围为200~2500nm，或350~llOOnm，且不限于上述波长 范围内的部分波长范围或单波长点及其组合。10. 如权利要求1或2所述的基于可见/近红外光谱的禽蛋孵化能力的判别方法，其特征 在于， 所述雏禽体质健康的评价标准为满足下述(1) 一 (7)中的所有情况： (1) 雏禽自己出雏； (2) 在正常的孵化时间内或正常的孵化时间之前出雏； (3) 无残疾； (4) 出雏后12小时内能正常行走； (5) 脐带伤口愈合且脐带完全脱落； (6) 雏禽有活力； (7) 孵化12小时后，雏禽羽毛蓬松； 所述雏禽体质不健康的评价标准为满足下述(8) - (14)中的至少一种情况： (8) 雏禽需要人工帮助才能出雏； (9) 在正常的孵化时间之后出雏； (10) 身体残疾； (11) 出雏后12小时内不能正常行走； (12) 脐带伤口未愈合或脐带没有脱落； (13) 雏禽无活力； (14) 孵化12小时后，雏禽羽毛粘连且有血色。
【文档编号】G01N21/25GK105973816SQ201610297486
【公开日】2016年9月28日
【申请日】2016年5月6日
【发明人】汤修映, 秦五昌, 彭彦昆, 李永玉
【申请人】中国农业大学