基于可见/近红外光谱的禽蛋孵化能力的判别方法技术

本发明专利技术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，本发明专利技术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％。

【技术实现步骤摘要】

本专利技术涉及生物
，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。
技术介绍
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。
技术实现思路
针对现有技术中存在的缺陷，本专利技术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。为达到以上目的，本专利技术提供一种基于可见/近红外光谱的禽蛋孵化能力的判别方法，包括如下步骤：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。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：R1数学模型的建立:R11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；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；所述透射率(I)的计算公式如下：公式1：在所述公式1中，I0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；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；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＝1，2,3,……；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；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；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M1-1、M1-2、M1-3、……M1-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；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M1-1、M1-2、M1-3、……M1-j、M2-1、M2-2、M2-3……M2-j、……和Mi-j；j＝1，2,3,……；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；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；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、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；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；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；将所述光谱数据X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X1；将所述数据X1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；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；无精蛋由于无孵化能力，归到孵化能力较弱的一类；所述雏禽体质健康的评价标准为满足下述(1)—(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；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；(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(8)—(14)中的至少一种情况：(8)雏禽需要人工本文档来自技高网...

【技术保护点】
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。

【技术特征摘要】
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:R11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M1-1、M1-2、M1-3、……M1-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；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；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
\t据集bi-j；将该数据集bi-...

【专利技术属性】
技术研发人员：汤修映，秦五昌，彭彦昆，李永玉，
申请(专利权)人：中国农业大学，
类型：发明
国别省市：北京;11