基于紫外-可见透射光谱技术和极限学习机的早期鸡胚雌雄识别

论文摘要

为了对鸡种蛋胚胎进行雌雄识别,探究利用紫外-可见-近红外透射光谱进行鸡胚雌雄识别的可行性,搭建了鸡种蛋透射光谱检测系统,采用横向和竖向大头朝上2种放置方式获取210枚鸡种蛋孵化0～15 d的光谱,光谱范围为360～1 000 nm。构建极限学习机（ELM）鸡胚雌雄识别模型,通过比较不同放置方式和孵化天数下模型的识别准确率,发现竖向放置且孵化第7 d的识别效果最好;将竖向放置孵化第7 d的光谱初步分为紫外（360～380 nm）、可见光（380～780 nm）、近红外（780～1 000 nm）、紫外-可见光（360～780 nm）和全波段（360～1 000 nm）5个不同的波段范围来分析,预测集准确率分别为82.86%, 77.14%, 75.71%, 84.29%和81.43%,筛选出360～780 nm的紫外-可见光波段为有效波段;在紫外-可见光（360～780 nm）波段,采用多元散射校正（MSC）去噪,并用竞争性自适应重加权采样算法（CARS）和连续投影算法（SPA）筛选特征波长降维,建立不经筛选特征波长、 CARS筛选特征波长和SPA筛选特征波长的3种ELM模型。其中不经筛选特征波长的ELM模型识别效果最好,但输入变量最多,隐含层神经元为680且激活函数为sig时,预测集准确率为84.29%。SPA筛选特征波长的ELM模型识别效果次之,输入变量有9个,隐含层神经元为840且激活函数为hardlim时,预测集准确率为81.43%。CARS筛选特征波长的ELM模型识别效果最差,输入变量有27个,隐含层神经元为100且激活函数为sig时,预测集准确率为78.57%;用遗传算法（GA）优化ELM模型的权值变量和隐含层阈值,不经筛选特征波长建立的GA-ELM模型,预测集准确率为87.14%, SPA筛选特征波长建立的GA-ELM模型,预测集准确率为87.14%, CARS筛选特征波长建立的GA-ELM模型,预测集准确率为81.43%。紫外-可见光波段不经筛选特征波长的GA-ELM模型识别效果和经SPA筛选特征波长的GA-ELM模型相同,表明SPA筛选的特征波长变量能够有效反映360～780 nm波段的信息, SPA使用的变量数仅占紫外-可见光波段的2.14%,因此,雌雄识别最佳模型为紫外-可见光波段经SPA筛选特征波长的GA-ELM模型,预测集准确率为87.14%,其中,雌性识别率为88.57%,雄性识别率为85.71%,单个样本平均判别时间0.080 ms。结果表明紫外-可见透射光谱技术和ELM模型为孵化早期鸡胚蛋雌雄识别提供了一种可行方法。

论文目录

引言

1 实验部分

1.1 材料

1.2 光谱检测系统

1.3 雌雄胚胎的物理判别

1.4 数据处理

1.4.1 光谱范围划分

1.4.2 光谱预处理

1.4.3 光谱数据降维算法

1.4.4 定性判别建模算法

2 结果与讨论

2.1 鸡种蛋光谱分析、放置方式和最佳鉴别天数的确定

2.1.1 不同孵化天数鸡胚的光谱曲线变化情况

2.1.2 性别鉴定的最佳放置方式和鉴别天数的确定

2.2 竖向放置孵化第7 d鸡胚识别模型的建立

2.2.1 雌雄鸡胚光谱特性

2.2.2 波段初选

2.2.3 光谱预处理

2.2.4 光谱数据降维处理

2.2.5 ELM定性判别分析模型

2.2.6 判别模型的优化

3 结论

文章来源

类型: 期刊论文

作者: 祝志慧,洪琪,吴林峰,王巧华,马美湖

关键词: 种蛋,鸡胚,雌雄,识别,紫外可见近红外光谱,极限学习机

来源: 光谱学与光谱分析 2019年09期

年度: 2019

分类: 基础科学,工程科技Ⅰ辑,农业科技

专业: 化学,畜牧与动物医学

单位: 华中农业大学工学院,农业部长江中下游农业装备重点实验室,华中农业大学食品科学技术学院

基金: 中央高校基本科研业务费(2662017PY057),公益性行业(农业)科研专项(201303084)资助

分类号: S831;O657.3

页码: 2780-2787

总页数: 8

文件大小: 1004K

下载量: 173

基于紫外-可见透射光谱技术和极限学习机的早期鸡胚雌雄识别

论文摘要

论文目录

文章来源

相关论文文献

猜你喜欢