本发明专利技术公开了一种孵前种蛋受精信息无损分拣方法及装置，涉及孵前种蛋分拣领域，该方法包括以下步骤：获取种蛋的第一时序特征并根据第一时序特征采集种蛋的光谱数据；对光谱数据进行预处理；对预处理后的光谱数据进行选择得到特征波段；构建种蛋分类神经网络模型并对其进行训练；利用训练后的种蛋分类神经网络模型，根据特征波段对种蛋信息进行分类，得到受精信息；获取种蛋的第二时序特征，并根据第二时序特征、第一时序特征和受精信息对种蛋进行分拣。本发明专利技术提升了种蛋受精信息检测的精度，并基于时序特征能完成从种蛋信息检测到种蛋分拣的整个过程。分拣的整个过程。分拣的整个过程。
【技术实现步骤摘要】
一种孵前种蛋受精信息无损分拣方法及装置
[0001]本专利技术涉及孵前种蛋分拣领域，具体涉及一种孵前种蛋受精信息无损分拣方法及装置。
技术介绍
[0002]信息无损检测方法及后续的分拣装置。对于家禽养殖企业来说，禽蛋的孵化是整个行业的第一步。由于生产环境以及禽类品种的限制，自然条件下，北京鸭交配两次才能达到90%的受精率（杨方喜.北京鸭交配行为以及受精率的关系）；南丹瑶鸡的平均受精率为92.59%（张珍.南丹瑶鸡连续输精两天后不同时间种蛋受精率的试验）。因此，会有10%的未受精禽蛋参与到孵化中。这部分禽蛋不仅会占据孵化空间、浪费孵化资源，还有可能在孵化途中变质臭。变质的未受精蛋容易破裂并产生细菌，进而对受精蛋造成影响，导致受精蛋被污染。同时，孵化结束后，这部分未受精的种蛋也因为无法继续食用，而被浪费掉。近年来，我国家禽产业剔除无精蛋的主要方法为人工照蛋法，依赖一线工人肉眼剔除无精蛋。但是对于规模化的养殖场来说，一个孵化批次的种蛋动辄上万，依赖人工判别无精蛋的话需要大量的人力。而且人工方法主观性过强，容易出现误判漏判的情况。同时对于企业来说，工人的工资也是一笔负担。并且检测时间过长，也会影响种蛋中的胚胎发育。
[0003]为了解决上述问题，国内外研究者做了大量研究并设计了识别未受精种蛋的方法和装置，但是都存在部分问题。现有技术中使用计算机视觉和深度学习来实现对无精蛋的检测，但是计算机视觉技术只能在种蛋入孵后才能准确识别受精蛋与无精蛋。由于无精蛋在孵化环境变质迅速，因此入孵后的无精蛋即使识别出来，也无法再流入市场，导致这部分无精蛋依然会被浪费掉。现有技术中使用X光线装置实现种蛋的活性检测，与计算机视觉技术类似，甚至X光线需要胚胎发育的时间更长才能检测出来。现有技术中采用了基于光纤光谱技术的方法检测无精蛋，采集光谱数据后使用卷积神经网络来建模并判别种鸭蛋的受精信息。该装置方法虽然实现了孵前种鸭蛋受精信息判别，但采集光谱数据后并未对光谱信息进行预处理，且使用的特征波长点仅为11个，舍弃了一些带有受精信息的数据，虽然实现了较好的检测效果，但是模型的精度还可以进一步提升。同时该装置只有检测部分，没有后续的分拣流程，不能应用于工业化生产。
技术实现思路
[0004]针对现有技术中的上述不足，本专利技术提供的一种孵前种蛋受精信息无损分拣方法及装置，解决了种蛋受精信息检测精度低以及无法对受精蛋和无精蛋进行后续分拣的问题。
[0005]为了达到上述专利技术目的，本专利技术采用的技术方案为：一种孵前种蛋受精信息无损分拣方法，包括以下步骤：S1、获取种蛋的第一时序特征并根据第一时序特征采集种蛋的光谱数据；S2、对步骤S1中的光谱数据进行预处理；
S3、对步骤S2中预处理后的光谱数据进行选择得到特征波段；S4、构建种蛋分类神经网络模型并对其进行训练；S5、利用步骤S4中训练后的种蛋分类神经网络模型，根据步骤S3中的特征波段对种蛋信息进行分类，得到受精信息；S6、获取种蛋的第二时序特征，并根据第二时序特征、步骤S1中的第一时序特征和步骤S5中得到的受精信息对种蛋进行分拣。
[0006]进一步地，步骤S2包括以下分步骤：S21、对光谱数据进行标准正态变量变换处理；S22、对分步骤S21中得到的标准正态变量变换处理后的光谱数据，采用线性滤波算法进行处理。
[0007]进一步地，步骤S21包括以下分步骤：S211、计算步骤S1中光谱数据的平均值，表示为：其中：为一条光谱数据的平均值，x为一条光谱数据，m为波长点数，k=1,2，
…
，m；S212、根据分步骤S211中光谱数据的平均值对光谱数据进行标准正态变量变换处理，表示为：其中：x
snv
为一条光谱数据经标准正态变量变换处理后的数据。
[0008]进一步地，步骤S22包括以下分步骤：S221、确定采用线性滤波算法的滤波窗口大小；S222、利用平滑分步骤S221中的滤波窗口，在步骤S21中得到的标准正态变量变换处理后的光谱数据上位移，对窗口内光谱数据进行拟合并输出拟合后的数据，表示为：其中：为光谱数据拟合后的值，为光谱数据经标准正态变量变换处理后的数据，k为光谱波段位置，为窗口大小。
[0009]进一步地，步骤S3包括以下分步骤：S31、采用自举采样、加权举采样从光谱数据中提取波段构建并保存子模型；S32、计算子模型的预测误差；S33、根据预测误差计算子模型的回归系数；S34、根据回归系数为子模型中的波段赋权，得到波段权重；S35、根据波段权重提取子模型的波段，构建并保存下一个子模型；S36、判断分步骤S35中子模型是否为一个波段；若是则进入分步骤S37，否则跳转到分步骤S32；S37、对分步骤S31中保存的子模型和分步骤S36中保存的子模型进行交叉验证均
方根误差，选择均方根误差最小的子模型，确定子集中的波段为特征波段。
[0010]进一步地，在步骤S4中，所述种蛋分类神经网络模型包括一个位置编码层、三个编码层、一个线性层和一个逻辑分类层，所述位置编码层根据特征波段在原始光谱中的波段位置对特征波段进行位置编码，三个所述编码层用于对输入的具有位置信息的特征波段先升维再降维，并对输入的具有位置信息的特征波段进行信息融合，所述线性层用于对三个编码层输出的信息融合后的特征波段进行线性变化，并输出指定维度的特征波段，所述逻辑分类层用于对线性层输出指定维度的特征波段进行分类。
[0011]进一步地，步骤S6包括以下分步骤：S61、获取种蛋的第二时序特征；S62、根据分步骤S61中的第二时序特征和步骤S1中的第一时序特征，将待分拣的种蛋与其自受精信息进行对应；S63、判断待分拣种蛋的受精信息是否为受精；若是则不进行剔蛋操作，否则进行剔蛋操作。
[0012]一种应用于上述方法的孵前种蛋受精信息无损分拣装置，包括：传感器模块，所述传感器模块包括第一位置传感器、积分器和第二位置传感器，所述第一位置传感器用于采集种蛋的第一时序特征并传输到核心处理模块，所述积分器用于接收核心处理模块的采集指令采集种蛋的光谱信息并通过光纤传输至检测装置模块，所述第二位置传感器用于采集种蛋的第二时序特征并传输到核心处理模块；电机模块，所述电机模块包括送入传送带电机、受精蛋送出传送带电机和无精蛋送出传送带电机，所述送入传送带电机用于接收核心处理模块的第一指令并将种蛋送入传感器模块采集种蛋的光谱信息，所述受精蛋送出传送带电机用于接收核心处理模块的第二指令并将受精蛋送到受精蛋区，所述无精蛋送出传送带电机用于接收核心处理模块的第三传送指令并将无精蛋送到无精蛋区；检测装置模块，所述检测装置模块包括近红外光谱仪、卤素灯光源和显示屏幕，所述近红外光谱仪用于接收传感器模块传输的光谱信息生成光谱数据并传输到核心处理模块，所述卤素灯光源用于提供透射光源，所述显示屏幕用于显示整个装置的工作状态；核心处理模块，所述核心处理模块用于接收传感器模块采集到的第一时序特征和第二时序特征，根据第一时序特征生成第一指令并传输到电机模块，根据第一时序特征生成采集指令并传输到传感器模块中的积本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种孵前种蛋受精信息无损分拣方法，其特征在于，包括以下步骤：S1、获取种蛋的第一时序特征并根据第一时序特征采集种蛋的光谱数据；S2、对步骤S1中的光谱数据进行预处理；S3、对步骤S2中预处理后的光谱数据进行选择得到特征波段；S4、构建种蛋分类神经网络模型并对其进行训练；S5、利用步骤S4中训练后的种蛋分类神经网络模型，根据步骤S3中的特征波段对种蛋信息进行分类，得到受精信息；S6、获取种蛋的第二时序特征，并根据第二时序特征、步骤S1中的第一时序特征和步骤S5中得到的受精信息对种蛋进行分拣。2.根据权利要求1所述的一种孵前种蛋受精信息无损分拣方法，其特征在于，步骤S2包括以下分步骤：S21、对光谱数据进行标准正态变量变换处理；S22、对分步骤S21中得到的标准正态变量变换处理后的光谱数据，采用线性滤波算法进行处理。3.根据权利要求2所述的一种孵前种蛋受精信息无损分拣方法，其特征在于，步骤S21包括以下分步骤：S211、计算步骤S1中光谱数据的平均值，表示为：其中：为一条光谱数据的平均值，x为一条光谱数据，m为波长点数，k=1,2，
…
，m；S212、根据分步骤S211中光谱数据的平均值对光谱数据进行标准正态变量变换处理，表示为：其中：x
snv
为一条光谱数据经标准正态变量变换处理后的数据。4.根据权利要求2所述的一种孵前种蛋受精信息无损分拣方法，其特征在于，步骤S22包括以下分步骤：S221、确定采用线性滤波算法的滤波窗口大小；S222、利用平滑分步骤S221中的滤波窗口，在步骤S21中得到的标准正态变量变换处理后的光谱数据上位移，对窗口内光谱数据进行拟合并输出拟合后的数据，表示为：其中：为光谱数据拟合后的值，为光谱数据经标准正态变量变换处理后的数据，k为光谱波段位置，为窗口大小。5.根据权利要求1所述的一种孵前种蛋受精信息无损分拣方法，其特征在于，步骤S3包括以下分步骤：
S31、采用自举采样、加权举采样从光谱数据中提取波段构建并保存子模型；S32、计算子模型的预测误差；S33、根据预测误差计算子模型的回归系数；S34、根据回归系数为子模型中的波段赋权，得到波段权重；S35、根据波段权重提取子模型的波段，构建并保存下一个子模型；S36、判断分步骤S35中子模型是否为一个波段；若是则进入分步骤S37，否则跳转到分步骤S32；S37、对分步骤S31中保存的子模型和分步骤S36中保存的子模型进行交叉验证均方根误差，选择均方根误差最小的子模型，确定子集中的波段为特征波段。6.根据权利要求1所述的一种孵前种蛋受精信息无损分拣方法，其特征在于，在步骤S4中，...
【专利技术属性】
技术研发人员：肖德琴，周家鑫，刘又夫，周圣杰，陈淼彬，康俊琪，刘啸虎，
申请(专利权)人：华南农业大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。