基于RF-DS圖譜信息融合的孵化早期雞胚蛋性別無損檢測

祝志慧，葉子凡，何昱廷，楊 凱，王巧華，馬美湖

基于RF-DS圖譜信息融合的孵化早期雞胚蛋性別無損檢測

祝志慧1,2，葉子凡1，何昱廷1，楊 凱1，王巧華1,2，馬美湖3

（1. 華中農(nóng)業(yè)大學工學院，武漢 430070；2. 農(nóng)業(yè)部長江中下游農(nóng)業(yè)裝備重點實驗室，武漢 430070；3. 華中農(nóng)業(yè)大學食品科學技術學院，武漢 430070）

針對圖像或光譜單一信息檢測孵化早期胚蛋性別識別率不高的問題，該研究提出一種隨機森林（Random Forest，RF）和證據(jù)理論（Dempster-Shafer，D-S）的圖譜信息融合的無損檢測方法。利用機器視覺和光譜儀分別采集孵化期第4天水平橫放的胚蛋信息，在對胚蛋圖像和光譜預處理的基礎上，提取圖像紋理特征和光譜特征，再分別以2類單特征的RF分類結果作為獨立證據(jù)構造基本概率分配函數(shù)，運用D-S證據(jù)理論進行決策級融合，根據(jù)分類判決門限得出最終的識別結果。試驗結果表明，圖像和光譜單特征RF模型識別準確率最高分別達78.00%和82.67%，多特征決策融合識別法準確率達到88.00%，其中雌雄識別率分別達到90.00%和86.25%，單個雞蛋的平均判別用時為2.843 s。結果表明，該光譜-圖像信息融合方法可以提高孵化早期胚蛋雌雄識別準確率。

可見-近紅外光譜；機器視覺；胚蛋；性別檢測；信息融合；D-S證據(jù)理論；隨機森林

0 引 言

蛋雞產(chǎn)業(yè)中，公雞由于不能產(chǎn)蛋且肉少質(zhì)低，經(jīng)濟價值遠低于母雞，一出生就會被挑揀出來宰殺，全世界范圍內(nèi)每年有近70億只一日齡公雞被屠宰[1]。這不僅導致禽蛋高質(zhì)低用、造成巨額資源浪費，同時也有悖于動物福利和倫理道德[2]。由于孵化期第7日（d7）后胚胎能夠感知到痛覺，d7前檢測出雄蛋并剔除符合動物福利[3-4]。所以迫切需要找到一種兼顧生產(chǎn)和社會倫理的孵化早期胚蛋性別檢測方法。

目前已經(jīng)有大量學者通過光譜、圖像和光電檢測等方法對胚蛋性別進行鑒定。Steiner等[5-6]、Galli等[3-4,7]利用光譜技術檢測雌雄胚蛋，識別率達到90%以上，但是這些方法都需要破殼檢測，目前難以在孵化工廠大規(guī)模應用。無損檢測方面，潘磊慶等[8]利用600～900 nm波段高光譜建立神經(jīng)網(wǎng)絡模型，在第10日（d10）識別率達到82.86%。Alin等[9]利用光電檢測法研究胚蛋透光性，所建立模型在第16日至第18日識別率達到84%。湯勇、祝志慧等[10-12]利用機器視覺技術提取胚蛋圖像的血管紋理特征并建模，在第4日（d4）識別率達到83.33%，利用透射光譜技術對第7日（d7）胚蛋性別識別率達到87.14%。

以上研究均基于光譜或圖像單一信息建立模型，而種蛋孵化涉及內(nèi)部化學成分和胚胎血管紋理等多方面的變化，單一檢測技術在模型預測精度上有一定的局限性。為了進一步提高識別精度、效率和穩(wěn)定性，本文提出一種隨機森林（Random Forest，RF）和證據(jù)理論（Dempster-Shafer，D-S）相結合的決策級多特征融合雞胚蛋雌雄識別方法。利用RF識別率高、魯棒性好和D-S證據(jù)理論組合不完全、不清晰信息的優(yōu)勢，融合圖像和光譜單特征模型識別信息，根據(jù)決策融合規(guī)則得到最終的識別結果并比較決策級融合模型與單一光譜及圖像模型的差異，為客觀、準確評價胚蛋性別提供理論依據(jù)。

1 材料與方法

1.1 試驗材料

本研究試驗樣本選用荊州峪口種蛋孵化場223日齡母雞生產(chǎn)的京粉1號白殼雞蛋。試驗共采集566枚種蛋，其中雌278枚、雄288枚。種蛋的參數(shù)范圍如表1所示。

表1 種蛋參數(shù)范圍

用體積分數(shù)5%苯扎溴銨溶液對樣本擦洗消毒，待自然風干后在雞蛋小頭端側面進行編號并入孵。孵化期第4日（d4）、第5日（d5）、第6日（d6）、第7日（d7）采集雞胚蛋可見-近紅外光譜和機器視覺圖像數(shù)據(jù)。第15日（d15）時破殼鑒定胚蛋性別[13]并記錄，作為后續(xù)數(shù)據(jù)分析和建模的依據(jù)。

1.2 雞胚蛋光譜和圖像數(shù)據(jù)采集

如圖1，胚蛋孵化信息圖譜采集系統(tǒng)由可見-近紅外透射光譜檢測系統(tǒng)和圖像檢測系統(tǒng)兩部分構成。其中，光譜采集系統(tǒng)由Maya2000Pro光纖光譜儀（Ocean Optics，美國）、150 W石英鹵素燈光源、PC等構成。圖像采集系統(tǒng)由Basler ace acA1600-20gc工業(yè)相機（Basler，德國）配合16 mm焦距鏡頭、30 W正白光LED光源、PC等組成。隨孵化天數(shù)增加，胚蛋的透光性變差，為避免采樣值過低無法分析，經(jīng)過反復試驗對比，將光譜儀積分時間設置為500 ms，平均次數(shù)和平滑寬度分別設置為3和5，最終采集的光譜有效波段范圍為400～900 nm。調(diào)整相機焦距、光圈大小、物距，將工業(yè)相機軟件的曝光參數(shù)設定為80 ms。試驗過程中，將雞蛋水平橫放靜置5 min后，分別安置在光譜和圖像檢測平臺上采集胚蛋孵化信息。

1.計算機2.USB傳輸線3.載物臺4.雞蛋5.暗箱6.玻璃光纖7.鹵素燈光源 8.聚焦透鏡9.84UV準直透鏡10.光纖光譜儀11.LED 光源12.工業(yè)相機

1.3 數(shù)據(jù)處理方法

1.3.1 光譜特征變量提取

本試驗中Maya2000Pro光譜儀采集的光譜維數(shù)高達2068維，其中包含大量的無效波段；而表征雌雄差異的光譜特征集合中也存在一些相關性很強的波段。本研究分別采用競爭性自適應重加權采樣算法（Competitive Adaptive Reweighted Sampling，CARS）[14]和連續(xù)投影算法（Successive Projection Algorithm，SPA）[15]對孵化早期胚蛋光譜特征進行篩選。

1.3.2 圖像特征變量提取

采用幾種典型的紋理描述子提取胚蛋血管圖像的紋理特征?；叶戎狈綀D（Gray Level Histogram Statistics，GLHS）[16]是一種典型的紋理特征量化方法，易用性好；灰度共生矩陣（Grey Level Co-occurrence Matrix，GLCM）[17]用于分析血管紋路灰度像素的相鄰間隔、變化幅度以及方向性；分形維數(shù)（Fractal Dimension，F(xiàn)D）[18]可以描述復雜不規(guī)則紋理中的結構和秩序。本研究從胚蛋血管圖像中提取出GLHS的均值、標準偏差、平滑度、三階矩、一致性，GLCM的對比度、能量、相關性、同質(zhì)性、熵以及FD共11個血管紋理特征作為圖像模型的輸入變量。

1.4 RF-DS建模方法

1.4.1 隨機森林算法

隨機森林（Random Forest，RF）[19-20]基于自適應重采樣原則，通過并行生成多個決策樹建模，計算速度快，能夠有效抑制過擬合、減小預測方差。本試驗中RF模型默認參數(shù)設置如下：決策樹棵數(shù)為100，最大樹深不限制，葉子節(jié)點最小樣本數(shù)為1，節(jié)點分裂所需最小樣本數(shù)為2。

1.4.2 D-S證據(jù)理論

D-S證據(jù)理論[21-22]是Dempster和Shafer提出的一種模糊推理理論，其基本原理是通過融合多個證據(jù)的信任函數(shù)獲得一個新的信度函數(shù)作為決策依據(jù)。

由此，根據(jù)D-S證據(jù)理論對光譜和圖像識別模型進行決策融合，步驟如下：

1）分別建立光譜和圖像單一特征的RF模型，獲得兩種模型對雌、雄胚蛋的識別率，假設模型對類別的識別率表示為P。

每種模型的BPA函數(shù)對所有可能發(fā)生事件的支持度之和為1。由此對支持度進行歸一化

圖2 胚蛋光譜-圖像融合建模示意圖

建模前，對處理后的566枚樣本集通過Kennard-stone算法[25]按3∶1劃分訓練集和測試集，其中訓練集416枚（雌性胚蛋208枚，雄性胚蛋208枚），測試集150枚（雌性胚蛋70枚，雄性胚蛋80枚）。采用AUC（Area Under Curve）和準確率作為模型評價指標，試驗中光譜數(shù)據(jù)的降維使用Matlab2017a軟件（MathWorks，美國），圖像處理使用OpenCV和Skimage工具包，胚蛋圖像和光譜特征數(shù)據(jù)分析處理及建模使用Pycharm2021.1軟件（Jetbrains，美國），試驗中自行開發(fā)了一款胚蛋性別檢測軟件，通過對軟件加載、處理圖譜信息并給出預測的全流程進行計時獲得單個胚蛋的平均檢測時間。

2 結果與分析

2.1 光譜模型的建立

2.1.1 孵化天數(shù)和雞蛋放置方式的確定

如圖3所示，采集孵化期d4、d5、d6、d7雞蛋大頭朝上豎放和水平橫放兩種狀態(tài)下的透射光譜并構建隨機森林RF、梯度上升樹（Gradient Boosting Decision Tree，GBDT）和支持向量機（Support Vector Machine，SVM）3種模型，結果顯示，d4水平橫放樣本的RF模型測試集準確率最高（65.11%），因此確定d4水平橫放為光譜模型的較佳檢測時間和雞蛋擺放方式組合。

注：孵化期第n天記為dn，橫放記為h，豎放記為s。如，d4h表示孵化期第4天橫放采集的樣本集。

2.1.2 較佳預處理方法的選擇

圖4展示了使用不同預處理方法后的胚蛋光譜圖，表2是使用不同預處理方法的RF模型測試集準確率。其中歸一化模型識別率最高（70.20%）。歸一化處理時，對訓練集樣本進行尺度變化后，應用于測試集，避免了訓練集泄露。因此將光譜預處理方法確定為歸一化。

圖4 不同預處理方法的胚蛋光譜圖

表2 不同預處理方法識別準確率對比

2.1.3 孵化早期雞胚蛋光譜特征提取及模型建立

使用CARS算法對歸一化后光譜進行特征篩選，蒙特卡洛采樣數(shù)設置為50，交叉驗證次數(shù)為10。由于CARS算法提取特征具有一定隨機性，因此試驗運行10次CARS算法并選出了出現(xiàn)次數(shù)最高的4維特征變量，分別是587.14、588.04、588.49、589.39 nm；使用SPA算法篩選歸一化后的胚蛋光譜，確定了12個篩選特征波長，分別為521.79、526.76、566.02、593.87、607.76、620.73、631.45、688.79、784.2、802.95、830.32、835.08 nm。利用篩選出的特征變量分別建立RF模型，結果如表3。可以看到，CARS篩選特征所建立RF模型測試集準確率最高（82.07%），使用的光譜特征維數(shù)最低，僅占原始光譜的4.42‰，這意味著模型體積是三者中最小的。CARS-RF模型的4個光譜特征波長按照重要性排序為587.14、588.04、589.39、588.49 nm，對應的貢獻率分別為0.26、0.25、0.25、0.24。4個光譜特征波長對模型的貢獻率權重接近，表明該組特征變量有效。

表3 不同特征篩選方法的建模對比

進一步，對RF模型進行參數(shù)優(yōu)化。將模型評價指標設置為AUC，決策樹棵數(shù)和最大樹深的搜索范圍分別設置為1～100，使用網(wǎng)格搜索法對光譜樣本訓練集進行五折交叉驗證建模。結果顯示，樹最大深度為90、決策樹棵數(shù)為16時，訓練集AUC（Area Under Curve）達到最優(yōu)（0.997），此時模型測試集AUC為0.894，訓練集和測試集準確率分別為97.12%和82.67%。

2.2 圖像模型的建立

將雞蛋水平橫向放置采集機器視覺圖像，d3時雞蛋胚胎初始顯現(xiàn)；d4胚胎血管完全展開；d5后血管分支增多，紋路過于復雜[10-11]。為獲取形態(tài)完整、邊緣清晰分明的胚蛋血管圖像，試驗將d4水平橫放采集的雞蛋圖像作為樣本。圖5展示了第1日至第7日雞蛋機器視覺圖像。

圖5 雞蛋機器視覺圖像

2.2.1 圖像處理方法

圖6顯示了胚蛋圖像樣本的預處理流程。首先利用最小外接矩形等方法提取出感興趣區(qū)域（Region Of Interest，ROI）。ROI的分量包含豐富血管紋理信息，因而分離出分量。通過減頂帽去除胚蛋圖像上的亮斑和劃痕。利用限制對比度的自適應灰度直方圖均衡化算法（Contrast Limited Adaptive Histogram Equalization，CLAHE）[26]增強紋理特征，通過調(diào)整算法的對比度限制和網(wǎng)格尺寸參數(shù)，獲得兩組不同程度增強的圖像。使用大津法（Otsu）[27]對第一組圖像進行閾值分割，提取出胚胎中心部分；對第二組圖像先通過減頂帽和黑帽操作進一步突出血管紋理，再利用閉操作和腐蝕操作對血管像素進行修補，接著使用大津法提取出胚胎的血管部分。最后利用“或操作”拼接胚胎的中心和血管部分，利用“與”操作將降噪后圖像映射到提取的胚胎區(qū)域，獲得了形態(tài)完整、紋路分明的胚胎血管形態(tài)圖。

圖6 雞胚蛋圖像處理流程圖

2.2.2 孵化早期雞蛋的紋理特征提取及模型建立

從處理后圖像中提取出11維紋理特征變量。表4顯示了雌雄胚蛋紋理特征的均值，利用霍特林軌跡檢驗方法分析特征顯著性，統(tǒng)計結果為=0.002，由此表明，胚蛋圖像11維紋理特征向量存在雌雄顯著差異（<0.01）。

對圖像特征歸一化處理后劃分樣本集，建立圖像RF模型，訓練集和測試集準確率分別為100.00%和63.80%。模型特征重要性排序結果如表4所示，第10維（分形維數(shù)FD）和第7維（灰度共生矩陣GLCM的相關性特征）貢獻率高于其他特征，在模型中對信息不純度的降低發(fā)揮了重要作用。

表4 胚蛋圖像紋理特征參數(shù)的均值及貢獻率

因此，模型參數(shù)保持不變，改用FD和GLCM相關性2維特征變量建立RF模型，訓練集準確率為100.00%，測試集準確率達到74.33%，相對于原始模型提高了10.53個百分點。這可能是由于初始提取的特征中存在一定的冗余信息，部分特征包含噪聲較多也會對模型預測性能造成不利影響。

對RF模型進行參數(shù)優(yōu)化。將模型評價指標設置為AUC，決策樹棵數(shù)和最大樹深的搜索范圍分別設置為1～100，使用網(wǎng)格搜索法對圖像樣本訓練集進行五折交叉驗證建模。通過試驗確定樹最大深度為48、決策樹棵數(shù)為70時，訓練集AUC達到最優(yōu)（0.999），此時測試集AUC為0.798，訓練集和測試集準確率分別為100.00%和78.00%。綜上，圖像特征提取及模型參數(shù)優(yōu)化結果見表5。

表5 圖像特征提取及模型參數(shù)優(yōu)化結果

2.3 光譜-圖像信息融合建模

本文2.1和2.2章節(jié)確定了胚蛋光譜與圖像建模的較佳天數(shù)為孵化期d4，樣本較佳放置方式為水平橫放，采樣時間與樣本擺放方式保持了一致。因而，從試驗數(shù)據(jù)處理和實際工業(yè)應用角度，胚蛋光譜和圖像融合建模具備可行性。

首先，試驗聯(lián)合篩選出的光譜4維特征和圖像2維特征進行了特征級融合建模。模型建立前采用歸一化將同一維特征映射到（-1，1）區(qū)間。

如表6所示，D-S融合模型識別結果如下：訓練集準確率達到100.00%，測試集準確率達到88.00%，其中，雌性和雄性識別率分別為90.00%和86.25%。圖7展示了測試集雌雄胚蛋分別作為正樣本時融合模型的ROC（Receiver Operating Characteristic Curve）曲線，模型對胚蛋性別識別具備一定預測能力。

2.4 信息融合模型與單一信息源模型的對比

表6對比了單一光譜和圖像模型、光譜圖像特征融合模型以及RF-DS決策融合模型的建模結果。

由表6可知，特征級融合模型測試集相對單一光譜和圖像模型識別率均有下降，且出現(xiàn)了較嚴重的過擬合問題。這一現(xiàn)象可能與融合的兩組光譜圖像特征有關：當融合的特征存在共線性情況時，擬合過程中模型對其中一個或幾個特征的權重過高，很可能會出現(xiàn)過擬合現(xiàn)象，導致模型泛化能力下降。

圖7 融合模型雌雄類別的ROC曲線

RF-DS模型測試集準確率達到88.00%，相比較佳光譜模型和較佳圖像模型分別提高了5.33個百分點和10.00個百分點，在4種模型中表現(xiàn)最佳。另外，D-S融合模型對雌性胚蛋識別率為90.00%，略低于光譜RF模型（91.43%）；對雄性蛋識別率則達到了86.25%，相較于兩類單一特征模型提升了11.25個百分點。這說明結合了光譜和圖像兩種胚蛋孵化信息后，融合模型的識別能力得到了增強，可以在盡可能保留雌性胚蛋的前提下檢測出大部分雄性胚蛋。檢測用時方面，光譜RF模型用時最短，僅0.037 s，這由于隨機森林的并行計算結構；其他3種模型預測前需要對雞蛋圖像進行預處理，因此用時更長，其中D-S決策級融合模型檢測單個雞蛋平均用時為2.843 s。總的來說，決策級融合比單一信息模型和特征級融合模型識別精度有所提升，對雌雄胚蛋識別具有較好效果。

表6 光譜、圖像單一特征模型與融合模型的建模結果對比

2.5 與其他文獻方法的對比

表7給出了現(xiàn)有胚蛋性別無損檢測文獻的方法、檢測時間和識別率，主要包括光譜方法[8,12]、光電檢測法[9]、機器視覺法[10-11]。祝志慧等[12]在孵化期d7使用紫外-可見-近紅外波段光譜建模，識別率達到87.14%。本研究確定的RF-DS融合模型在檢測時間上更為提前（孵化期d4），識別率方面表現(xiàn)也相對更好（88.00%）。機器視覺方面，湯勇等[11]從d4胚蛋圖像中提取HOG特征建立人工神經(jīng)網(wǎng)絡模型，識別率達到83.33%，判別時間為7.835 s，而RF-DS融合模型識別率更高，單個雞蛋的判別用時也相對更短（2.843 s），這表明了RF-DS融合模型具有較高的檢測效率。此外，本試驗在樣本量方面是現(xiàn)有文獻中最多的[8-12]，說明該方法對大量胚蛋樣本仍具有較穩(wěn)定的檢測效果。因此通過對比可知，在檢測精度、效率和穩(wěn)定性等方面，本研究確定的融合模型在孵化期胚蛋性別檢測任務中具備一定優(yōu)越性。

表7 與其他方法的比較

3 結 論

針對目前蛋雞產(chǎn)業(yè)宰殺一日齡公雞引起的資源浪費與動物福利問題，本研究提出一種基于可見-近紅外透射光譜和機器視覺圖像融合的胚蛋性別檢測方法。試驗確定了光譜和圖像檢測的最佳孵化天數(shù)和雞蛋擺放方式為孵化第4日水平橫放；確定歸一化處理、競爭性自適應重加權采樣算法（Competitive Adaptive Reweighted Sampling，CARS）篩選的4維特征變量（587.14、588.04、588.49、589.39 nm）建立的隨機森林（Random Forest，RF）模型較優(yōu)；對圖像進行預處理，提取的分形維數(shù)和灰度共生矩陣相關性2個紋理特征所建立的RF模型較優(yōu)。利用D-S證據(jù)理論對胚蛋最優(yōu)光譜模型和圖像模型進行決策級融合建模，融合模型測試集準確率達到88.00%，雌雄識別率分別達到90.00%和86.25%，單個雞蛋樣本的平均判別用時為2.843 s。結果表明，該方法對孵化期第4日雌雄胚蛋均具備一定識別能力。由于本文確定的最佳擺放方式是橫放，而孵化工廠中，雞蛋在工業(yè)蛋托中豎直放置，所以需要設計翻蛋裝置將雞蛋橫向放置采樣。與目前現(xiàn)有文獻相比，本文提出方法具有較短的檢測用時，后續(xù)將通過優(yōu)化算法效率，進一步降低檢測用時，從而滿足在線檢測的需求。此外，可以對褐殼及粉殼雞蛋進行采樣及試驗，進一步提高方法的普適性。

[1] Krautwald-Junghanns M E, Cramer K, Fischer B, et al. Current approaches to avoid the culling of day-old male chicks in the layer industry, with special reference to spectroscopic methods[J]. Poultry Science, 2018, 97: 749-757.

[2] 向小樂. 雞雌雄種蛋氣味、多組學基質(zhì)差異及無損鑒別研究[D]. 武漢：華中農(nóng)業(yè)大學，2019.

Xiang Xiaole. Nondestructive Sexing of Chicken Eggs Based on Odor and Matrix Differences Analyzed by Multi-omicmulti-omics[D]. Wuhan: Huazhong Agricultural University, 2019. (in Chinese with English abstract)

[3] Galli R, Preusse G, Uckermann O, et al. In ovo sexing of domestic chicken eggs by Raman spectroscopy[J]. Analytical Chemistry, 2016, 88(17): 8657–8663.

[4] Galli R, Preusse G, Uckermann O, et al. In ovo sexing of chicken eggs by fluorescence spectroscopy[J]. Analytical and Bioanalytical Chemistry, 2017, 409(5): 1185-1194.

[5] Steiner G, Bartels T, Stelling A, et al. Gender determination of fertilized unincubated chicken eggs by infrared spectroscopic imaging[J]. Analytical and Bioanalytical Chemistry. 2011, 400(9): 2775–2782.

[6] Steiner G, Koch E, Krautwald-Junghanns M E. Method and device for determining the sex of fertilized, non-incubated bird eggs: US8624190[P]. 2014-01-07.

[7] Galli R, Preusse G, Schnabel C, et al. Sexing of chicken eggs by fluorescence and Raman spectroscopy through the shell membrane[J]. Plos One, 2018, 13(2): e0192554.

[8] 潘磊慶，張偉，于敏莉，等. 基于高光譜圖像的雞種蛋孵化早期胚胎性別鑒定[J]. 農(nóng)業(yè)工程學報，2016，32(1)：181-186.

Pan Leiqing, Zhang Wei, Yu Minli, et al. Gender determination of early chicken hatching eggs embryos by hyperspectral imaging[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2016, 32(1): 181-186. (in Chinese with English abstract)

[9] Alin K, Fujitani S, Kashimori A. Non-invasive broiler chick embryo sexing based on opacity value of incubated eggs[J]. Computers and Electronics in Agriculture, 2019, 158: 30-35.

[10] 湯勇，洪琪，王巧華，等. 基于血線紋理特征和GA-BP神經(jīng)網(wǎng)絡的雞種蛋性別鑒定[J]. 華中農(nóng)業(yè)大學學報，2018，37(6)：130-135.

Tang Yong, Hong Qi, Wang Qiaohua, et al. Sex identification of chicken eggs based on blood line texture features and GA-BP neural network[J]. Journal of Huazhong Agricultural University, 2018, 37(6): 130-135. (in Chinese with English abstract)

[11] 祝志慧，湯勇，洪琪，等. 基于種蛋圖像血線特征和深度置信網(wǎng)絡的早期雞胚雌雄識別[J]. 農(nóng)業(yè)工程學報，2018，34(6)：197-203.

Zhu Zhihui, Tang Yong, Hong Qi, et al. Female and male identification of early chicken embryo based on blood line features of hatching egg image and deep belief networks[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2018, 34(6): 197-203. (in Chinese with English abstract)

[12] 祝志慧，洪琪，吳林峰，等. 基于紫外-可見透射光譜技術和極限學習機的早期雞胚雌雄識別[J]. 光譜學與光譜分析，2019，39(9)：2780-2787.

Zhu Zhihui, Hong Qi, Wu linfeng, et al. Early identification of male and female embryos based on UV/Vis transmission spectroscopy and extreme learning machine[J]. Spectroscopy and Spectral Analysis, 2019, 39(9): 2780-2787. (in Chinese with English abstract)

[13] 俸艷萍. 雞的性比及性分化早期胚胎性別差異表達基因研究[D]. 武漢：華中農(nóng)業(yè)大學，2007.

Feng Yanping. On the Sex Ratio of Chicken and Sexual Differentially Expressed Genes in Chicken Embryos during Early Sexual Differentiation[D]. Wuhan: Huazhong Agricultural University, 2007. (in Chinese with English abstract)

[14] Li H D, Liang Y Z, Xu Q S, et al. Key wavelengths screening using competitive adaptive reweighted sampling method for multivariate calibration[J]. Analytica Chimica Acta, 2009, 648: 77-84.

[15] Sófacles F C, Adriano A, Gomes M C. The successive projections algorithm[J]. Trends in Analytical Chemistry, 2013, 42: 84-98.

[16] Harrouni S. New method for estimating the fractal dimension of discrete temporal signals[C]//IEEE International Symposium on Industrial Electronics, 2008: 2497-2502.

[17] Haralick R M, Shanmugam K, Dinstein I. Textural features for image classification[J]. Studies in Media and Communication, 1973, 3(6): 610-621.

[18] Panigrahy C, Seal A, Mahato N K. Image texture surface analysis using an improved differential box counting based fractal dimension[J]. Powder Technol, 2020, 364: 276-299.

[19] Baraka N M, Li J, Mustapha N A, et al. Prediction on the fluoride contamination in groundwater at the Datong Basin, Northern China: comparison of random forest, logistic regression and artificial neural network[J]. Applied Geochemistry, 2021, 132: 105054.

[20] 李德，陳文濤，樂章燕，等. 基于隨機森林算法和氣象因子的碭山酥梨始花期預報[J]. 農(nóng)業(yè)工程學報，2020，36(12)：143-151.

Li De, Chen Wentao, Le Zhangyan, et al. Forecast method for the first flowering date of Dangshansu pear based on random forest algorithm and meteorological factors[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2020, 36(12): 143-151. (in Chinese with English abstract)

[21] Dempster A P. Upper and lower probabilities induced by a multivalued mapping[J]. Annals of Mathematical Statistics, 1967, 38(2): 325-339.

[22] 雷震爍，劉松濤，陳奇. 基于SVM-DS融合的干擾效果在線評估方法[J]. 探測與控制學報，2020，42(3)：92-98.

Lei Zhenshuo, Liu Songtao, Chen Qi. An online jamming effect evaluation method based on SVM-DS fusion[J]. Journal of Detection & Control, 2020, 42(3): 92-98. (in Chinese with English abstract)

[23] 何東健，喬永亮，李攀，等. 基于SVM-DS多特征融合的雜草識別[J]. 農(nóng)業(yè)機械學報，2013，44(2)：182-187.

He Dongjian, Qiao Yongliang, Li Pan, et al. Weed recognition based on SVM-DS multi-feature fusion[J]. Transactions of the Chinese Society for Agricultural Machinery, 2013, 44(2): 182-187. (in Chinese with English abstract)

[24] 蔡浩，郭宏亮. 基于多分類器DS證據(jù)理論融合的水果識別研究[J]. 中國農(nóng)機化學報，2021，42(2)：184-189.

Cai Hao, Guo Hongliang. Research on fruit recognition based on multi-classifier DS evidence theory fusion[J]. Journal of Chinese Agricultural Mechnization, 2021, 42(2): 184-189. (in Chinese with English abstract)

[25] 張?zhí)炝?，張東興，崔濤，等. 基于支持向量機和ReliefF算法的玉米品種抗倒伏預測[J]. 農(nóng)業(yè)工程學報，2021，37(20)：226-233.

Zhang Tianliang, Zhang Dongxing, Cui Tao, et al. Lodging resistance prediction of maize varieties based on support vector machine and ReliefF algorithm[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2021, 37(20): 226-233. (in Chinese with English abstract)

[26] 楊茂祥. 低照度環(huán)境下彩色圖像增強算法研究[D]. 南京：南京郵電大學，2019.

Yang Maoxiang. Research on Color Image Enhancement Algorithms in Low Light Conditions[D]. Nanjing: Nanjing University of Posts and Telecommunications, 2019. (in Chinese with English abstract)

[27] 汪維華，張景中，吳文淵. 改進的形態(tài)學與Otsu相結合的視網(wǎng)膜血管分割[J]. 計算機應用研究，2019，36(7)：2228-2231.

Wang Weihua, Zhang Jingzhong, Wu Wenyuan. New approach to segment retinal vessel using morphology and Otsu[J]. Application Research of Computers, 2019, 36(7): 2228-2231. (in Chinese with English abstract)

Gender identification of early chicken embryo based on RF-DS information fusion of spectroscopy and machine vision

Zhu Zhihui1,2, Ye Zifan1, He Yuting1, Yang Kai1, Wang Qiaohua1,2, Ma Meihu3

(1.,,430070,;2.,,430070,;3.,,430070,)

Layer strains can be a particular preference for female chickens over males with respect to economic value. One-day-old male chicks are normally slaughtered once hatched in the incubation factories, leading to a huge waste of poultry resources, as well as raising serious concerns for animal welfare. It is since day 7 of incubation that the chicken embryo starts to feel pain. Thus, accurate identification can be used for the removal of the male eggs at the early stage of incubation, in order to effectively save cost and conform to the ethics for animal welfare. Generally, incubation is a complicated process concerning the inner biochemical activity and outer morphology evaluation, for example, the shape of the chicken embryo and the vessels. However, only a single information source was used, such as spectra or machine vision images, thus performing weakly in the recognition accuracy. This study aims to more accurately detect the gender of the chicken embryo at the early stage of incubation. A non-destructive decision fusion was proposed using both images and spectra using Random Forests (RF) and Dempster-Shafer (D-S) theory of evidence. A detection system was constructed to sample the transmission spectra and machine vision images of 566 chicken eggs. Day 4 of incubation was selected as the best detection time, while, the laying style of eggs was determined as placed horizontally. Machine vision images of the chicken embryo were treated via image processing, including morphological operations, and the Otsu algorithm. Then, the eleven texture features of the chicken embryo were extracted and scaled using grey level co-occurrence matrix, grey histogram statistics, and fractal dimension. The preprocessing method of spectra was determined as the scaling after the experiment. Four spectral features were extracted from the preprocessed spectra via Competitive Adaptive Reweighted Sampling (CARS). After that, two detection models were established using visual features and RF spectral. Five-fold cross-validation was then applied in the task of grid searching to optimize the two models. The machine vision model reached 78.00% accuracy with optimized parameters, while the spectral model was 82.67% accuracy for the test set. Furthermore, the feature fusion model was also constructed using texture and spectral features. The recognition accuracy of the test set only achieved 62.33% accuracy, indicating the mixed redundant information in the features. Finally, the decision fusion model was built via the D-S theory of evidence. The basic probability assignment functions were obtained from the optimal RF models of images and spectra. Then, the decision fusion model was established using the fusion principle and threshold of the D-S theory of evidence. Consequently, the fusion model reached 88.00% accuracy, particularly with 90.00% and 86.25% accuracy for the female and male eggs. Besides, 2.843s was used for the D-S model to detect each egg. Anyway, the decision fusion can be expected to realize the gender detection of the chicken embryo at the early stage with a higher accuracy than before. The finding can provide a potential solution to the commercial application in the poultry industry.

VIS-NIR spectroscopy; machine vision; chicken eggs; gender identification; information fusion; D-S theory of evidence; random forest

10.11975/j.issn.1002-6819.2022.18.034

TS253.7

A

1002-6819(2022)-18-0308-08

祝志慧，葉子凡，何昱廷，等. 基于RF-DS圖譜信息融合的孵化早期雞胚蛋性別無損檢測[J]. 農(nóng)業(yè)工程學報，2022，38(18)：308-315.doi：10.11975/j.issn.1002-6819.2022.18.034 http://www.tcsae.org

Zhu Zhihui, Ye Zifan, He Yuting, et al. Gender identification of early chicken embryo based on RF-DS information fusion of spectroscopy and machine vision[J]. Transactions of the Chinese Society of Agricultural Engineering (Transactions of the CSAE), 2022, 38(18): 308-315. (in Chinese with English abstract) doi：10.11975/j.issn.1002-6819.2022.18.034 http://www.tcsae.org

2022-06-10

2022-09-04

國家自然科學基金項目面上項目（32072302）；蛋品加工技術國家地方聯(lián)合研究中心-蛋品肉品加工分析平臺項目（109/11090010147）

祝志慧，博士，副教授，研究方向為無損檢測及其自動化、機器視覺。Email：zzh@mail.hzau.edu.cn