CN106053358A

CN106053358A - 基于可见/近红外光谱的禽类无精蛋检测方法与装置

Info

Publication number: CN106053358A
Application number: CN201610296927.3A
Authority: CN
Inventors: 汤修映; 秦五昌; 彭彦昆; 李永玉
Original assignee: China Agricultural University
Current assignee: China Agricultural University
Priority date: 2016-05-06
Filing date: 2016-05-06
Publication date: 2016-10-26

Abstract

本发明涉及一种基于可见/近红外光谱的禽类无精蛋检测方法与装置。所述装置为基于可见/近红外光谱的禽蛋检测装置，包括电源(1)，散热装置(2)，载物台(3)，光探头(4)，支架(5)，光纤(6)，温度传感器(7)，光源(8)和检测暗箱(9)；还包括光信号传感器(10)；该装置在检测禽蛋的过程中可监测环境温度，防止温度过高对待测禽蛋的正常孵化造成影响，采用可调式探头，且在检测同类样品时可将光探头位置固定不再调节，减少了检测时间；本发明的装置采用非接触式的检测方法，抛弃传统照蛋或其他检测方法需要接触待测禽蛋的弊端，避免了接触式检测方法带来的外界污染问题。本发明的装置与本发明的方法(通过将禽蛋的光谱数据与受精结果建立最佳数学模型)相结合使用，可在孵化前高准确率地检出无精蛋和受精蛋，提高生产效率。

Description

基于可见/近红外光谱的禽类无精蛋检测方法与装置

技术领域

本发明涉及生物技术领域，具体说是一种禽类无精蛋检测方法与装置，尤指一种基于可见/近红外光谱的禽类无精蛋检测方法与装置。

背景技术

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种蛋未受精造成的。对于有孵化能力的企业如果尽早的发现未受精的种蛋，一方面能够节省更多的资源，减少浪费，提高企业的生产效益；另一方面，还能够避免由于未发育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，尽早的发现并剔除未受精的种蛋(即无精蛋)，可以节省更多的生产空间，增加企业的产值。因此,找寻一种早期对无精蛋的鉴别方法与实用装置，对整个的禽类孵化行业具有重要意义。

发明内容

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/近红外光谱的禽类无精蛋检测方法与装置，在禽蛋孵化前或孵化过程中对无精蛋和受精蛋进行判别，以提高生产效益。

为达到以上目的，本发明所提供的基于可见/近红外光谱的禽蛋检测装置为一种检测禽蛋可见/近红外光谱的装置，按照与该装置连接的计算机或该装置中的计算机中装有的处理所述禽蛋可见/近红外光谱的模型的不同，可用于检测或预测禽蛋的如孵化能力或是否为无精蛋等信息，该装置包括：

检测暗箱9，所述检测暗箱9为封闭式不透光箱体；

光源8，所述光源8设于所述检测暗箱9内部，用于照射待测禽蛋；

载物台3，所述载物台3中间设圆形通孔，所述载物台3位于所述检测暗箱9内部，所述通孔位于所述光源8的正上方；所述通孔用于放置待测禽蛋，并使所述光源8发出的光透过该待测禽蛋；

温度检测模块，所述温度检测模块由温度传感器7和用于处理所述温度传感器7传输信号的下位机控制板组成，所述温度传感器7设于所述通孔旁且位于所述检测暗箱9内；所述温度检测模块主要用来监测待测禽蛋附近温度，可通过散热装置控制待测禽蛋附近的温度不超过38℃，以保证待测禽蛋的后续孵化不受影响；

光探头4，所述光探头4设于所述通孔上方且位于所述检测暗箱内部；所述光探头4内部装有聚焦透镜，用于收集透过待测禽蛋的光；

支架5，所述支架5一端与所述光探头4相连、另一端固定于所述检测暗箱9内上壁；

所述支架5用于调节所述光探头4在垂直方向上的位置，和/或在水平方向上的位置，和/或所述光探头4相对于所述载物台3的角度；

散热装置2，所述散热装置2设于所述检测暗箱9内部且位于所述光源8旁；

和电源1，所述电源1为所述光源8、所述下位机控制板和所述散热装置2供电。

在上述检测装置中，还包括光信号传感器10和光纤6；所述光纤6一端连接所述光探头4、另一端连接所述光信号传感器10；

所述光信号传感器10用于将所述光探头4收集的经所述光纤6传导的光信号转换为数字信号；

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中；所述光信号传感器10可以另外连接，也可以设于本装置中。

在上述检测装置中，所述光信号传感器10检测波段包含200～2500nm波段，或包含200～2500nm波段内的单波长点或200～2500nm波段内的部分波段及其组合；

所述光信号传感器10的检测波段的范围越大，结果越准确，但由于仪器昂贵，本发明实施例1的光信号传感器10是USB4000，该仪器检测准确率较高且价格比较便宜，其检测波段为350～1100nm；

所述光信号传感器10检测波段具体可为350～1100nm波段，包含350～1100nm波段内的单波长点或350～1100nm波段内的部分波段及其组合。

在上述检测装置中，所述光信号传感器具体可为光谱分析仪、单波长传感器或多波长传感器。

在上述检测装置中，还包括计算机，用于处理所述光信号传感器传输的信号和所述下位机控制板传输的温度数据，并得出检测结果。

在上述检测装置中，还包括数据线2根，其中一根连接所述光信号传感器和计算机，用于将所述光信号传感器收集的信号传输至计算机，另一根连接所述下位机控制板和计算机，用于将所述下位机控制板的温度数据传输至计算机。

在上述检测装置中，所述检测暗箱9的内壁，反光性能低；和/或，所述检测暗箱9的内壁为黑色；

可在所述检测暗箱9的内壁上涂黑色且反光性能低的油漆，或将所述检测暗箱9的内壁用黑色且反光性能低的材料制作。

在上述检测装置中，所述光源8具体可为卤素灯，所述光源8的发光波段包含200～2500nm波段，或包含200～2500nm波段内的单波长点或200～2500nm波段内的部分波段及其组合；所述光源8的形式可为灯珠或反光灯杯。

在上述检测装置中，所述载物台3由上下两层板制成，下层为金属平板，上层为遮光海绵；所述遮光海绵可屏蔽从载物台样品透过的光，所述金属平板可隔离与反射光源产生的热量，以防止温度过高，对禽蛋造成伤害。

在上述检测装置中，所述通孔的大小是可调节的；根据待测禽蛋大小不同进行调节，调节至可托住待测禽蛋的最大通孔为宜，使更多的光透过禽蛋，减少光信息采集的时间，以达到提高检测效率的目的；如农大3号鸡蛋一般使用的所述通孔直径在45mm以下即可，针对不同的品种，需要使用对应尺寸的所述通孔。

在上述检测装置中，所述散热装置2主要用于对载物台3下光源8进行散热，所述散热装置2具体可为散热风扇。

在上述检测装置中，所述支架5设置于所述载物台3的上方。

在上述检测装置中，所述光探头4为可更换的或大小可调节，以便于检测不同种类待测禽蛋，因为禽类不同禽蛋大小差异较大。

调节所述光探头的位置和角度可保证所述光探头垂直于所述载物台，且处于所述通孔圆心处的所述载物台垂直线上；所述光探头距离待测禽蛋样品的距离保证在0～10mm范围内，使透过放置于所述通孔处待测禽蛋的光能够尽可能多地进入所述光探头内；所述光探头调整好后对于同种类禽蛋样品无需再随待测样本个体差异进行调整。

在上述检测装置中，所述通孔、所述光源8和所述光探头4的中心位于一条竖直线上。

在上述检测装置中，所述光纤的芯材质为石英，传输波段为200～2500nm。

在上述检测装置中，所述电源可为稳压直流电源。

本发明所提供的基于可见/近红外光谱的禽蛋检测装置在检测禽蛋的过程中可监测环境温度，防止温度过高对待测禽蛋的正常孵化造成影响。现有的光谱检测装置是将样品放入积分球中，或者将光探头贴紧待测禽蛋，或者光探头与待测禽蛋的距离是固定不可调节的；本发明的装置采用可调式探头，且在检测同类样品时可将光探头位置固定不再调节，减少了检测时间。本发明的装置采用非接触式的检测方法，抛弃传统照蛋或其他检测方法需要接触待测禽蛋的弊端，避免了接触式检测方法带来的外界污染问题。本发明的装置与本发明的方法相结合使用，可在孵化前高准确率地检出无精蛋和受精蛋，提高生产效率。

为达到以上目的，本发明所提供的基于可见/近红外光谱的禽类无精蛋检测方法，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受精结果的数学模型；

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，得出不同的预测受精结果，将该不同的预测受精结果与验证样本的实测受精结果进行比较，将最接近实测受精结果的所述预测受精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受精结果；所述受精结果为受精蛋或无精蛋。

所述基于可见/近红外光谱的禽类无精蛋检测方法，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受精结果数据统计：

取品种相同和发育时间相同、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受精结果，获得所述训练样本的受精结果数据集S；所述受精结果为受精蛋或无精蛋；

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分别与所述受精结果数据集S运用不同的定性分析的方法建立判别禽蛋受精结果的数学模型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；所述受精结果为受精蛋或无精蛋；

即将所述数据集A1、A2、A3、……和Ai分别与所述受精结果数据集S运用j个不同的定性分析的方法建立判别禽蛋受精结果的数学模型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或发育时间不同，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受精结果数据统计：

另取与所述训练样本的品种相同和发育时间相同、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受精结果，获得所述验证样本的受精结果数据集s；所述受精结果为受精蛋或无精蛋；

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；

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,……；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，得出不同的预测受精结果的数据集bi-j；将该数据集bi-j分别与R21统计的所述受精结果数据集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待测禽蛋的受精结果判别：

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，得出待测禽蛋的受精结果；所述受精结果为受精蛋或无精蛋。

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。

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。

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。

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。

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350～1100nm，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。

在上述方法中，具体可使用上述任一所述基于可见/近红外光谱的禽类无精蛋检测装置进行。

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。本发明所述方法适用于孵化前和孵化中的禽蛋受精结果检测。

本发明中所述可见/近红外光谱是指从可见光谱波段延伸到近红外光谱波段，包括部分而不是全部近红外波段。

实验证明，使用本发明方法和装置检测孵化前的农大5号鸡蛋的受精结果，与孵化120h后打破蛋壳进行受精统计相比，准确率达83.58％；检测生产24h内(未进行孵化)的农大3号鸡蛋的受精结果，与孵化120h时打破蛋壳进行受精统计相比，准确率达96.58％。

附图说明

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。

附图中各标记说明如下：

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

以下结合附图对本发明作进一步详细说明。

实施例1、基于可见/近红外光谱的禽蛋检测装置

一、装置结构

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：

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；

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—45mm；载物台3由上下两层板制成，下层为厚度为3mm的金属铝平板，上层为厚度为15mm的遮光海绵；

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；

光探头4内部装有聚焦透镜——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；

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；

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350～1100nm；

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；

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；

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；

通孔、光源8和光探头4的中心位于一条竖直线上。

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。

二、使用方法

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：

1)计算机连接

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；

2)开机

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)；

3)预热及校准

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；

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；

4)采集光谱数据

通过计算机监控载物台的温度，在温度合适(20至38℃)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I₀，利用公式1：

求得禽蛋的透射率I。

5)判别

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，判别得出待测禽蛋为无精蛋或受精蛋。

实施例2、基于可见/近红外光谱的禽类无精蛋检测方法

1、数学模型的建立

1.1、训练样本的光谱数据采集及受精结果数据统计

取107个农大3号鸡蛋(已在温度为37.8℃、湿度为65％的孵化箱中孵化120h)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限制在10mm内；

将上述107个农大3号鸡蛋置于温度为37.8℃、湿度为65％的条件下孵化120h后，打破蛋壳，统计各鸡蛋的受精结果(为受精蛋或无精蛋，如蛋壳内有胚胎或有血丝即为受精蛋；如蛋壳内无胚胎且无血丝即为无精蛋)，获得数据集S；

所述光谱数据集A中的数据形式为透射率；

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。

1.2、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、A4、A5和A6；

所述数据集A1所使用的预处理方法为中值滤波平滑方法和主成分分析法(PCA，12个主成分)；具体如下：

使用matlab软件(版本为7.6以上，开发公司为TheMathWorks公司)将所述光谱数据集A导入matlab软件中，调用matlab中值滤波的函数medfilt1进行平滑处理，使用5点平滑，得到中间数据集；

使用matlab软件(版本为7.6以上，开发公司为TheMathWorks公司)调用主成分分析法princomp函数，将所述中间数据集进行主成分运算并得到各主成分数据及其贡献率，将贡献率进行排序，对排序后的贡献率进行累加计算，当贡献率大于85％时取出对应的主成分数据即为需要的数据，对不同的累加贡献率得到数据与最后的建模效果进行比较(如表1所示)，得到最佳主成分数量为12个，得到光谱数据集A1；

所述数据集A2所使用的预处理方法为中值滤波平滑方法和多元散射校正(MSC)；具体如下：

使用matlab软件(版本为7.6以上，开发公司为TheMathWorks公司)将所述光谱数据集A导入matlab软件中，调用matlab中值滤波平滑的函数medfilt1进行平滑处理，使用5点平滑，得到中间数据集；

使用软件matlab软件(版本为7.6以上，开发公司为TheMathWorks公司)将所述中间数据集进行多元散射校正(MSC)，得到光谱数据集A2；具体计算过程为将所述中间数据集利用公式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)

公式2：

公式3：

公式4：

所述数据集A3所使用的预处理方法为中值滤波平滑方法和标准正态变量变换(SNV)；具体如下：

使用matlab软件(版本为7.6以上，开发公司为TheMathWorks公司)将所述中间数据集进行标准正态变量变换(SNV)，得到光谱数据集A3；具体计算过程为：将所述中间数据集代入公式5：

X_{i, S N V} = \frac{X_{i, k} - {\overset{&OverBar;}{X}}_{i}}{\sqrt{\frac{Σ_{k = 1}^{m} {(X_{i, k} - {\overset{&OverBar;}{X}}_{i})}^{2}}{(m - 1)}}}

其中，X_i，k为第i样品光谱的平均值,k＝1,2,……,m,

m为波长点数，

为所有i个样品的单波长点光谱平均值，

i＝1,2,……,n,

n为训练样本的样品数。

所述数据集A4所使用的预处理方法为中值滤波平滑方法和一阶导数校正(1^stder)；具体如下：

使用软件matlab软件(版本为7.6以上，开发公司为TheMathWorks公司)调用一阶导数校正函数(gradient函数)，将所述中间数据集进行一阶导数校正(1^stder)，得到光谱数据集A4；

所述数据集A5所使用的预处理方法为中值滤波平滑方法和二阶导数校正(2^ndder)；具体如下：

使用软件matlab软件(版本为7.6以上，开发公司为TheMathWorks公司)调用二阶导数校正(2^ndder)函数，将所述中间数据集进行二阶导数校正(2^ndder)，得到光谱数据集A5；

所述数据集A6所使用的预处理方法为将所述数据集A不进行任何处理(Rawdata)；

1.3、建立模型

将所述数据集A1、A2、A3、A4、A5和A6分别与所述受精结果数据集S运用不同的定性分析的方法建立判别禽蛋受精结果的数学模型M11、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i为不同的所述预处理方法；所述j为不同的所述定性分析方法；所述受精结果为受精蛋或无精蛋；

所述模型M1-1、M2-1、M3-1、M4-1、M5-1和M6-1的定性分析方法为：Fisher算法，具体如下：

使用软件matlab软件(版本为7.6以上，开发公司为TheMathWorks公司)将步骤1.1获得的受精结果数据集S和所述光谱数据集A1、A2、A3、A4、A5和A6分别导入matlab软件中，调用Fisher算法函数，将数据集S和光谱数据集A1、A2、A3、A4、A5或A6进行Fisher算法分析，建立判别禽蛋受精结果的数学模型M1-1、M2-1、M3-1、M4-1、M5-1和M6-1；

所述Fisher算法具体分析步骤如下：

1)读取光谱数据集A1、A2、A3、A4、A5或A6；

2)使用matlab软件进行以下计算(公式6—17中的符号除特别说明外，均与matlab软件中的含义相同)：

2.1)各类类内的离散度矩阵为(即为类协方差矩阵)：

公式6：

公式7：

公式6和7中的i＝1,2(一共两类的均值)，x_j为样本光谱数据，m_i中的每一维度就是这些变量值的均值；

2.2)总的类内离散度矩阵：

公式8：S_w＝S₁+S₂，

2.3)计算类间离散度矩阵为：

公式9：S_b＝(m₁-m₂)(m₁-m₂)^T，

在投影以后的一维空间里，计算两类的均值：

公式10：

公式11：

公式10和11中的i＝1,2；

总类内离散度为：

公式12：S_ww＝S₁₁+S₁₁，

类间离散度：

公式13：S_bb＝(m₁₁-m₁₁)²，

公式14：

2.4)投影向量的计算公式：

公式15：w＝S_w ^-1(m₁-m₂)，

2.5)计算阈值：

公式16：

2.6)判别的数学模型为：

公式17：g(x)＝w^Tx+w₀，其中，w、T和w₀为具体数值，χ为待测禽蛋的光谱数据经所述预处理后的数值；

使用公式17判别禽蛋为无精蛋或受精蛋时，通过将待测禽蛋的χ值代入公式17，得到的g(χ)的符号(指正号或负号)若与无精蛋的符号相同，则确定该禽蛋为无精蛋，若与受精蛋的符号相同，则确定该禽蛋为受精蛋。

所述模型M1-2、M2-2、M3-2、M4-2、M5-2和M6-2的定性分析方法为：支持向量机判别分析法(SVM)，具体如下：

使用matlab软件(版本为7.6以上，开发公司为TheMathWorks公司)将步骤1.1获得的受精结果数据集S和所述光谱数据集A1、A2、A3、A4、A5和A6分别导入matlab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A1、A2、A3、A4、A5或A6进行支持向量机判别分析法(SVM)分析，建立判别禽蛋受精结果的数学模型M1-2、M2-2、M3-2、M4-2、M5-2和M6-2；

所述模型M1-3、M2-3、M3-3、M4-3、M5-3和M6-3的定性分析方法为：朴素贝叶斯判别分析法(NB)，具体如下：

使用matlab软件(版本为7.6以上，开发公司为TheMathWorks公司)将步骤1.1获得的受精结果数据集S和所述光谱数据集A1、A2、A3、A4、A5和A6分别导入matlab软件中，调用支持向量机判别分析法(SVM)函数，将数据集S和光谱数据集A1、A2、A3、A4、A5或A6进行朴素贝叶斯判别分析法，建立判别禽蛋受精结果的数学模型M1-3、M2-3、M3-3、M4-3、M5-3和M6-3；

所述模型M1-4、M2-4、M3-4、M4-4、M5-4和M6-4的定性分析方法为：基于马氏距离的贝叶斯判别法(MB)，具体如下：

使用matlab软件(版本为7.6以上，开发公司为TheMathWorks公司)将步骤1.1获得的受精结果数据集S和所述光谱数据集A1、A2、A3、A4、A5和A6分别导入matlab软件中，调用基于马氏距离的贝叶斯判别法(MB)函数，将数据集S和光谱数据集A1、A2、A3、A4、A5或A6进行基于马氏距离的贝叶斯判别法(MB)分析，建立判别禽蛋受精结果的数学模型M1-4、M2-4、M3-4、M4-4、M5-4和M6-4。

2、数学模型的比较和确定

2.1、验证样本的光谱数据采集及受精结果数据统计

另取与所述训练样本品种相同的已在温度为37.8℃、湿度为65％的孵化箱中孵化120h的108个农大3号鸡蛋作为验证样本，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；

将上述108个农大3号鸡蛋置于温度为37.8℃、湿度为65％的条件下孵化120h后，打破蛋壳，统计各鸡蛋的受精结果(为受精蛋或无精蛋，如蛋壳内有胚胎或有血丝即为受精蛋；如蛋壳内无胚胎或无血丝即为无精蛋)，获得所述验证样本的受精结果数据集s。

2.2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1.2的方法进行不同的预处理后，获得不同数据集a1、a2、a3、a4、a5和a6；

2.3模型验证

将所述数据集a1分别代入所述数学模型M1-1、M1-2、M1-3和M1-4中，得出不同的预测受精结果数据集b1-1、b1-2、b1-3和b1-4；

将所述数据集a2分别代入所述数学模型M2-1、M2-2、M2-3和M2-4中，得出不同的预测受精结果数据集b2-1、b2-2、b2-3和b2-4；

将所述数据集a3分别代入所述数学模型M3-1、M3-2、M3-3和M3-4中，得出不同的预测受精结果数据集b3-1、b3-2、b3-3和b3-4；

将所述数据集a4分别代入所述数学模型M4-1、M4-2、M4-3和M4-4中，得出不同的预测受精结果数据集b4-1、b4-2、b4-3和b4-4；

将所述数据集a5分别代入所述数学模型M5-1、M5-2、M5-3和M5-4中，得出不同的预测受精结果数据集b5-1、b5-2、b5-3和b5-4；

将所述数据集a6分别代入所述数学模型M6-1、M6-2、M6-3和M6-4中，得出不同的预测受精结果数据集b6-1、b6-2、b6-3和b6-4；

将数据集b1-1、b1-2、b1-3、b1-4、b2-1、b2-2……b6-1、b6-2、b6-3和b6-4分别与步骤2.1统计的所述受精结果数据集s进行比较并计算准确率。结果：

预处理中使用主成分分析法中不同主成分数(2、4、8、16、24和30)建模判别准确率比较结果如表1所示：表1说明随着主成分数变大，判别的准确率越高；但是主成分越大，相应的过拟合现象就会越严重，会导致较低的准确率，故需要选择准确率最高时最小的主成分数。通过表1的趋势，实际判别的准确率最高在12个主成分处。

各预处理方法和建模的准确率比较如表2所示：数据集b1-1和数据集b1-4与数据集s进行比较的准确率均为96.58％，最高；即数学模型M1-1和M1-4为最佳模型，M1-1所使用的预处理方法为中值滤波平滑方法+主成分分析法，定性分析的方法为Fisher算法；M1-4所使用的预处理方法为中值滤波平滑方法+主成分分析法，定性分析的方法为基于马氏距离的贝叶斯判别法(MB)。将最佳数学模型M1-1和M1-4分别植入计算机中。

表1、农大3号鸡蛋不同主成分数建模判别准确率比较(％)

	PCA2	PCA4	PCA8	PCA16	PCA24	PCA30
							Fisher	88.03	88.89	93.16	95.73	95.73	95.73
SVM	73.50	73.50	73.50	73.50	73.50	73.50
							NB	91.45	94.02	94.02	93.16	95.73	92.31
MB	88.03	88.89	93.16	95.73	95.73	95.73

表2、农大3号鸡蛋受精结果判别准确率(％)

3、待测禽蛋的受精结果判别

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；

将所述光谱数据X按照与步骤2中的所述最佳数学模型M1-1或M1-4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2中的所述最佳数学模型M1-1或M1-4中，得出待测禽蛋的受精结果；所述受精结果为受精蛋或无精蛋。

实施例3、基于可见/近红外光谱的禽类无精蛋检测方法

1.1、光谱数据的采集及受精结果数据统计

1、数学模型的建立

1.1、训练样本的光谱数据采集及受精结果数据统计

取95个农大5号鸡蛋(生产24h内的种蛋低温保存)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限制在5mm内；

将上述95个农大5号鸡蛋在温度为37.8℃、湿度为65％的孵化箱中孵化120h后，打破蛋壳，统计各鸡蛋的受精结果(为受精蛋或无精蛋，如蛋壳内有胚胎或有血丝即为受精蛋；如蛋壳内无胚胎且无血丝即为无精蛋)，获得数据集S；

所述光谱数据集A中的数据形式为透射率；

所述透射率(I)的计算公式如下：

公式1：

1.2、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(如表3的第一行所示)后，获得不同数据集A1、A2、A3、A4、A5、A6、A7、A8、A9、A10；

所述数据集A1所使用的预处理方法为主成分分析法(PCA)；

所述数据集A2所使用的预处理方法为多元散射校正(MSC)；

所述数据集A3所使用的预处理方法为标准正态变量变换(SNV)；

所述数据集A4所使用的预处理方法为一阶导数校正(1^stder)；

所述数据集A5所使用的预处理方法为中值滤波平滑方法和二阶导数校正(2^ndder)；

所述数据集A6所使用的预处理方法为未进行任何处理(Raw data)；

所述数据集A7所使用的预处理方法为标准正态变量变换(SNV)和一阶导数校正(1^stder)；

所述数据集A8所使用的预处理方法为多元散射校正(MSC)和一阶导数校正(1^stder)；

所述数据集A9所使用的预处理方法为标准正态变量变换(SNV)和二阶导数校正(2^ndder)；

所述数据集A10所使用的预处理方法为多元散射校正(MSC)和二阶导数校正(2^ndder)；

上述预处理方法中的中值滤波平滑方法、MSC、SNV、1^stder、2^ndder与实施例2中方法的相同。

1.3、建立模型

将所述数据集A1、A2、A3、A4、A5、A6、A7、A8、A9和A10分别与所述受精结果数据集S运用不同的定性分析的方法建立判别禽蛋受精结果的数学模型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i为不同的所述预处理方法；所述j为不同的所述定性分析方法；所述受精结果为受精蛋或无精蛋；

所述模型M1-1、M2-1、M3-1、M4-1、M5-1、M6-1、M7-1、M8-1、M9-1、M10-1的定性分析方法为：SVM算法，具体方法与实施例2相同。

所述模型M1-2、M2-2、M3-2、M4-2、M5-2、M6-2、M7-2、M8-2、M9-2、M10-2的定性分析方法为：Fisher算法，具体方法与实施例2相同。

所述模型M1-3、M2-3、M3-3、M4-3、M5-3、M6-3、M7-3、M8-3、M9-3、M10-3的定性分析方法为：NB算法，具体方法与实施例2相同。

所述模型M1-4、M2-4、M3-4、M4-4、M5-4、M6-4、M7-4、M8-4、M9-4、M10-4的定性分析方法为：MB算法，具体方法与实施例2相同。

2、数学模型的比较和确定

2.1、验证样本的光谱数据采集及受精结果数据统计

另取与所述训练样本品种相同的103个农大5号鸡蛋(生产24h内的种蛋低温保存)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；

将上述103个农大5号鸡蛋置于温度为37.8℃、湿度为65％的条件下孵化120h后，打破蛋壳，统计各鸡蛋的受精结果(为受精蛋或无精蛋，如蛋壳内有胚胎或有血丝即为受精蛋；如蛋壳内无胚胎或无血丝即为无精蛋)，获得所述验证样本的受精结果数据集s。

2.2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1.2的方法进行不同的预处理后，获得不同数据集a1、a2、a3、a4、a5、a6、a7、a8、a9和a10；

2.3模型验证

将所述数据集a1、a2、a3、a4、a5、a6、a7、a8、a9和a10分别代入所述数学模型Mi-j中，得出不同的预测受精结果的数据集bi-j；将该数据集bi-j分别与步骤2.1统计的所述受精结果数据集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，……或10；j为1,2,3或4。

结果：

如表3所示：数据集b5-3与数据集s进行比较的准确率为83.58％，最高；即数学模型M5-3为最佳数学模型，模型M5-3所使用的预处理方法为二阶导数校正，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M5-3植入计算机中。

表3农大5号鸡蛋受精结果判别准确率(％)

3、待测禽蛋的受精结果判别

将所述光谱数据X按照与步骤2中的所述最佳数学模型M5-3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2中的所述最佳数学模型M5-3中，得出待测禽蛋的受精结果；所述受精结果为受精蛋或无精蛋。

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。

Claims

1.一种基于可见/近红外光谱的禽蛋检测装置，其特征在于，所述装置包括：

检测暗箱(9)，所述检测暗箱(9)为封闭式不透光箱体；

光源(8)，所述光源(8)设于所述检测暗箱(9)内部；

载物台(3)，所述载物台(3)中间设圆形通孔，所述载物台(3)位于所述检测暗箱(9)内部，所述通孔位于所述光源(8)的正上方；

温度检测模块，所述温度检测模块由温度传感器(7)和用于处理所述温度传感器(7)传输信号的下位机控制板组成，所述温度传感器(7)设于所述通孔旁且位于所述检测暗箱(9)内；

光探头(4)，所述光探头(4)设于所述通孔上方且位于所述检测暗箱内部；所述光探头(4)内部装有聚焦透镜；

支架(5)，所述支架(5)一端与所述光探头(4)相连、另一端固定于所述检测暗箱(9)内上壁；所述支架(5)用于调节所述光探头(4)在垂直方向上的位置，和/或在水平方向上的位置，和/或所述光探头(4)相对于所述载物台(3)的角度；

散热装置(2)，所述散热装置(2)设于所述检测暗箱(9)内部且位于所述光源(8)旁；

和电源(1)，所述电源(1)为所述光源(8)、所述下位机控制板和所述散热装置(2)供电。

2.如权利要求1所述的基于可见/近红外光谱的禽蛋检测装置，其特征在于：还包括光信号传感器(10)和光纤(6)；

所述光纤(6)一端连接所述光探头(4)、另一端连接所述光信号传感器(10)；

和/或，所述光信号传感器(10)检测波段包含200～2500nm波段，或包含200～2500nm波段内的单波长点或200～2500nm波段内的部分波段及其组合。

3.如权利要求1或2所述的基于可见/近红外光谱的禽蛋检测装置，其特征在于：还包括计算机，用于处理所述光信号传感器(10)传输的信号和所述下位机控制板传输的温度数据，并得出检测结果。

4.如权利要求3所述的基于可见/近红外光谱的禽蛋检测装置，其特征在于：还包括数据线2根，其中一根连接所述光信号传感器(10)和所述计算机，用于将所述光信号传感器收集的信号传输至计算机，另一根连接所述下位机控制板和计算机，用于将所述下位机控制板的温度数据传输至计算机。

5.如权利要求1所述的基于可见/近红外光谱的禽蛋检测装置，其特征在于：所述检测暗箱(9)的内壁反光性能低，和/或，所述检测暗箱(9)的内壁为黑色；

和/或，所述光源(8)为卤素灯，所述光源(8)的发光波段包含200～2500nm波段，或包含200～2500nm波段内的单波长点或200～2500nm波段内的部分波段及其组合；

和/或，所述载物台(3)由上下两层板制成，下层为金属平板，上层为遮光海绵；

和/或，所述通孔的大小是可调节的；

和/或，所述散热装置(2)用于对载物台(3)下光源(8)进行散热，所述散热装置(2)为散热风扇；

和/或，所述光纤的芯材质为石英，传输波段为200～2500nm；

和/或，所述通孔、所述光源(8)和所述光探头(4)的中心位于一条竖直线上。

6.一种基于可见/近红外光谱的禽类无精蛋检测方法，包括如下步骤：

7.如权利要求6所述的基于可见/近红外光谱的禽类无精蛋检测方法，其特征在于，所述基于可见/近红外光谱的禽类无精蛋检测方法包括如下步骤：

R1数学模型的建立：

R11训练样本的光谱数据采集及受精结果数据统计：

R12训练样本的光谱数据的预处理：

R13建立模型：

R2数学模型的比较和确定：

R21验证样本的光谱数据采集及受精结果数据统计：

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相同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分别代入步骤R13中的所述数学模型Mi-j中，且所述ai和所述ai所代入的Mi-j中的i相同，得出不同的预测受精结果的数据集bi-j；将该数据集bi-j分别与步骤R21统计的所述受精结果数据集s进行比较并计算准确率，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；

R3待测禽蛋的受精结果判别：

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；

8.如权利要求7所述的基于可见/近红外光谱的禽类无精蛋检测方法，其特征在于：步骤R11中所述采集的方式为透射式采集，或漫反射式采集；

和/或，步骤R11中所述采集时的禽蛋放置方式和放置角度任意。

9.如权利要求8所述的基于可见/近红外光谱的禽类无精蛋检测方法，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。

10.如权利要求6或7所述的基于可见/近红外光谱的禽类无精蛋检测方法，其特征在于：所述可见/近红外光谱的波长范围为200～2500nm，或350～1100nm，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；

和/或，所述基于可见/近红外光谱的禽类无精蛋检测方法使用权利要求1—5中任一所述基于可见/近红外光谱的禽蛋检测装置进行；

和/或，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；

和/或，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和人工神经网络算法等模式识别算法的任一种；

和/或，所述光谱数据集A中的数据形式为透射率。