多位置可見/近紅外光譜檢測與種雞蛋受精信息的關系研究

張 伏， 崔夏華， 張亞坤， 王永縣

1. 河南科技大學農業裝備工程學院， 河南 洛陽 471003 2. 江蘇大學現代農業裝備與技術教育部重點實驗室, 江蘇 鎮江 212013 3. 機械裝備先進制造河南省協同創新中心， 河南 洛陽 471003

引 言

種雞蛋胚胎發育過程耗能、 耗時， 但其孵化率不足100%， 若能在孵化早期及時判別未受精種蛋， 可避免未受精種蛋失去食用價值造成的浪費和因其腐敗霉變影響其他正常胚胎的發育[1]。 因此， 在種雞蛋孵化早期及時判別受精情況， 具有重要意義。

目前， 種雞蛋的無損檢測法有敲擊振動法、 光電學檢測法、 高光譜圖像法和計算機視覺法等， 利用敲擊振動法檢測種蛋時， 需對種蛋兩次敲擊檢測， 且第二次檢測時的判別效果較準確， 但此時無精蛋已不具有優質的食用價值[2-3]； 光電學檢測法雖在一定程度上解決了種蛋個體差異性大的問題， 但由于蛋殼顏色、 蛋殼厚度、 蛋黃顏色等因素會吸收或反射入射光中特定波長的光， 影響種蛋透光率的準確性， 存在誤判的可能性[4-5]； 計算機視覺法僅獲取圖像信息， 褐殼蛋蛋殼上的色素會使圖像產生噪聲， 此法對白殼種蛋的檢測效果優于褐殼種蛋[6-8]； 高光譜圖像檢測法雖具有準確率高的優點， 但其成本高， 運算量大， 僅適于實驗室研究用[10]。

目前檢測種雞蛋受精信息所選擇的位置并不單一、 確定。 潘磊慶等[11]采用高光譜圖像技術分別對雞種蛋胚胎的鈍端、 中間、 銳端3個位置進行早期胚胎性別鑒定； 劉瑩瑩等[12]從種雞蛋鈍端采集圖像， 建立新鮮度預測分級模型； 秦五昌等[13]采集種雞蛋鈍端數據研究入孵后雞蛋品質的變化； Das等[14]利用黑白機器視覺系統從種蛋赤道側透射， 采集孵化早期的種蛋圖像， 經過處理后根據生命活力的差別判別剔除無精蛋。

利用近紅外光譜分析技術對種蛋早期光譜數據采集位置進行研究， 從而實現在不損壞種蛋的前提下， 為受精蛋和無精種蛋檢測與判別提供新思路和新方法。

1 實驗部分

1.1 材料

試驗樣本為181個殼色相近、 表面無裂紋的新鮮種雞蛋， 清理蛋殼表面， 采用0.1%新潔爾滅溶液消毒后將樣本標號， 且分別對種蛋的銳端、 鈍端和赤道的兩相對位置標記為1， 2， 3和4。 樣本集中放置在溫度為37.8 ℃、 濕度為60%的孵化機中， 且孵化機的溫度和濕度根據變溫孵化法調節。 種雞蛋測量位置見圖1。

圖1 種雞蛋測量位置圖

1.2 儀器

試驗用可見/近紅外光譜檢測系統見圖2， 系統包括光源(150 W鹵素燈)、 USB 4000光纖光譜儀(Ocean Optics)、 裝有與光譜儀配套采集軟件Spectrasuite的計算機和一根Y型光纖。 光源為入射光強度可調的便攜式光源， 光譜儀的波長范圍為345～1 041 nm， 計算機與光譜儀間通過數據線連接。 種雞蛋孵化使用的是WQ-192孵化機(德州市通達孵化設備制造廠， 山東德州)。

圖2 可見/近紅外光譜檢測系統

1.3 方法

1.3.1 光譜采集

采集345～1 041 nm波長范圍的種蛋樣品表殼漫反射光譜， 采集位置為所標記的4個位置， 采集時將光纖探頭緊貼樣本表面， 避免除入射光外其他光源的影響。 每次采集光譜數據前設備預熱30 min， 設置光譜采集軟件的積分時間為4 ms， 積分次數為10次， 平滑度為5。 將探頭緊貼校準白板， 調節光源使最大反射率為最大量程的80%， 而后在不漏光的情況下采集暗光譜。 光譜校正可有效消除暗電流的影響。 樣本反射率計算公式為

式中，R為所測樣本反射率；I為樣本的反射光譜強度；IC為參考光譜；IA為暗光譜(無單位)。 從放入孵化機時開始， 每隔24 h采集一次光譜數據， 采集時待光譜曲線穩定后保存所測數據。

圖3 第2次照蛋及部分種蛋破殼結果

1.3.2 受精信息判別

對孵化10 d的種蛋照蛋， 初步判別受精信息， 孵化15 d時， 第2次照蛋， 對通過照蛋無法準確受精信息的種蛋破殼處理， 以殼內是否有血絲或胚胎為依據， 判別該樣本的受精信息， 第2次照蛋及部分種蛋破殼結果見圖3。 通常判別時間越早無精蛋的食用價值越大， 越能降低因種蛋不可食用造成的經濟損失。 因此， 探索入孵120 h內的種蛋受精判別， 尋找光譜與位置信息的普遍規律很有意義。

2 結果與討論

2.1 統計結果

對181個種蛋統計發現， 共有166個受精蛋， 15個無精蛋。 分析時隨機選擇61個樣本交叉驗證。 本試驗受精蛋類別變量設為1， 無精蛋類別變量設為-1。

2.2 數據處理

光譜兩端的噪聲大， 信噪比低且信息少， 選取440.27～874.6 nm區域內的數據進行分析。

由圖4和圖5發現， 受精蛋和無精蛋光譜曲線的總趨勢相同， 在500～700 nm間有3個明顯的波峰， 且位置3和4的光譜曲線明顯高于位置1和2。 建模前， 利用S-G平滑法、 二階導數法(SD)、 標準正態變量校正SNV、 變量標準化Normalization(Nor)和多元散射校正MSC對原始光譜數據預處理， 將預處理后的數據完成主成分分析(principal component analysis)。 在實際應用中， 累計貢獻率一般大于85%， 據此可決定主成分選取的個數。 種雞蛋原始光譜數據主成分分析發現， 前2個主成分的累積貢獻率為97%， 可準確反映光譜數據信息， 代表原始變量。

圖4 樣本平均原始光譜圖

圖5 主成分得分

2.3 建模方法比較

采用PCA-SVM建模方法得出不同位置多種預處理方法訓練集和驗證集判別準確率， 不同位置的判別準確率見表1。

表1 不同位置的判別準確率

續表1

對比發現SD和MSC的判別準確率無變化， 說明兩種預處理方式對數據來源位置不敏感； 而SNV預處理的準確率隨著位置的變化波動較大， 說明其對數據來源位置敏感， 因此在涉及樣本多位置變化的實驗時， 不建議使用二階導數法和多元散射校正對所測數據預處理。 由表1發現， 不同位置的Nor預處理和S-G平滑預處理驗證集的判別準確率則隨著時間的推移在一定范圍內波動， 在種雞蛋胚胎發育120 h內對受精信息有效判別， 驗證集的最佳判別準確率為91.71%， 而SNV預處理位置3的驗證集判別準確率隨著時間的推移逐漸上升， 位置4的驗證集判別準確率雖有波動， 但總體上升， 種雞蛋胚胎發育越長判別效果越佳， 見圖6， 在種雞蛋胚胎發育120 h內對受精信息有效判別， 判別準確率為91.16%， 數據采集位置為赤道處。 研究發現， 上述三種預處理方式均在赤道側的判別準確率最佳， 這主要是由于赤道側較種雞蛋兩端表面平緩， 可采集到更多的信息。

圖6 SNV預處理的驗證集判別準確率

3 結 論

(1)基于可見/近紅外光譜的受精蛋判別位置和判別時間， 通過對光譜數據的截取， 確定440.27～874.6 nm波段的光譜可實現對種雞蛋的判別。

(2)入孵后不同位置、 不同預處理方式對模型判別準確率的影響。 發現二階導數SD和多元散射校正MSC兩種預處理方式對數據來源位置不敏感， 對判別準確率無影響； 變量標準化Nor對數據來源位置略敏感， 對準確率影響較小； 而S-G平滑和標準正態變量校正SNV兩種預處理結果則對數據來源位置敏感， 對判別準確率的影響最大。 因此在涉及樣本多位置變化的試驗時， 不建議使用二階導數SD和多元散射校正MSC對所測數據預處理。

(3)入孵后不同時間、 不同預處理方式對模型判別準確率的影響。 不同位置的Nor預處理和S-G平滑預處理驗證集的判別準確率則隨著時間的推移在一定范圍內波動， 胚胎發育120 h內的判別準確率為91.71%， 而SNV預處理的判別準確率隨著種雞蛋胚胎發育時間越長判別效果越佳， 在120 h內的判別準確率為91.16%， 上述三種預處理方式在赤道側判別準確率最高。