基于RF-DS图谱信息融合的孵化早期鸡胚蛋性别无损检测

祝志慧，叶子凡，何昱廷，杨 凯，王巧华，马美湖

基于RF-DS图谱信息融合的孵化早期鸡胚蛋性别无损检测

祝志慧1,2，叶子凡1，何昱廷1，杨 凯1，王巧华1,2，马美湖3

（1. 华中农业大学工学院，武汉 430070；2. 农业部长江中下游农业装备重点实验室，武汉 430070；3. 华中农业大学食品科学技术学院，武汉 430070）

针对图像或光谱单一信息检测孵化早期胚蛋性别识别率不高的问题，该研究提出一种随机森林（Random Forest，RF）和证据理论（Dempster-Shafer，D-S）的图谱信息融合的无损检测方法。利用机器视觉和光谱仪分别采集孵化期第4天水平横放的胚蛋信息，在对胚蛋图像和光谱预处理的基础上，提取图像纹理特征和光谱特征，再分别以2类单特征的RF分类结果作为独立证据构造基本概率分配函数，运用D-S证据理论进行决策级融合，根据分类判决门限得出最终的识别结果。试验结果表明，图像和光谱单特征RF模型识别准确率最高分别达78.00%和82.67%，多特征决策融合识别法准确率达到88.00%，其中雌雄识别率分别达到90.00%和86.25%，单个鸡蛋的平均判别用时为2.843 s。结果表明，该光谱-图像信息融合方法可以提高孵化早期胚蛋雌雄识别准确率。

可见-近红外光谱；机器视觉；胚蛋；性别检测；信息融合；D-S证据理论；随机森林

0 引 言

蛋鸡产业中，公鸡由于不能产蛋且肉少质低，经济价值远低于母鸡，一出生就会被挑拣出来宰杀，全世界范围内每年有近70亿只一日龄公鸡被屠宰[1]。这不仅导致禽蛋高质低用、造成巨额资源浪费，同时也有悖于动物福利和伦理道德[2]。由于孵化期第7日（d7）后胚胎能够感知到痛觉，d7前检测出雄蛋并剔除符合动物福利[3-4]。所以迫切需要找到一种兼顾生产和社会伦理的孵化早期胚蛋性别检测方法。

目前已经有大量学者通过光谱、图像和光电检测等方法对胚蛋性别进行鉴定。Steiner等[5-6]、Galli等[3-4,7]利用光谱技术检测雌雄胚蛋，识别率达到90%以上，但是这些方法都需要破壳检测，目前难以在孵化工厂大规模应用。无损检测方面，潘磊庆等[8]利用600～900 nm波段高光谱建立神经网络模型，在第10日（d10）识别率达到82.86%。Alin等[9]利用光电检测法研究胚蛋透光性，所建立模型在第16日至第18日识别率达到84%。汤勇、祝志慧等[10-12]利用机器视觉技术提取胚蛋图像的血管纹理特征并建模，在第4日（d4）识别率达到83.33%，利用透射光谱技术对第7日（d7）胚蛋性别识别率达到87.14%。

以上研究均基于光谱或图像单一信息建立模型，而种蛋孵化涉及内部化学成分和胚胎血管纹理等多方面的变化，单一检测技术在模型预测精度上有一定的局限性。为了进一步提高识别精度、效率和稳定性，本文提出一种随机森林（Random Forest，RF）和证据理论（Dempster-Shafer，D-S）相结合的决策级多特征融合鸡胚蛋雌雄识别方法。利用RF识别率高、鲁棒性好和D-S证据理论组合不完全、不清晰信息的优势，融合图像和光谱单特征模型识别信息，根据决策融合规则得到最终的识别结果并比较决策级融合模型与单一光谱及图像模型的差异，为客观、准确评价胚蛋性别提供理论依据。

1 材料与方法

1.1 试验材料

本研究试验样本选用荆州峪口种蛋孵化场223日龄母鸡生产的京粉1号白壳鸡蛋。试验共采集566枚种蛋，其中雌278枚、雄288枚。种蛋的参数范围如表1所示。

表1 种蛋参数范围

用体积分数5%苯扎溴铵溶液对样本擦洗消毒，待自然风干后在鸡蛋小头端侧面进行编号并入孵。孵化期第4日（d4）、第5日（d5）、第6日（d6）、第7日（d7）采集鸡胚蛋可见-近红外光谱和机器视觉图像数据。第15日（d15）时破壳鉴定胚蛋性别[13]并记录，作为后续数据分析和建模的依据。

1.2 鸡胚蛋光谱和图像数据采集

如图1，胚蛋孵化信息图谱采集系统由可见-近红外透射光谱检测系统和图像检测系统两部分构成。其中，光谱采集系统由Maya2000Pro光纤光谱仪（Ocean Optics，美国）、150 W石英卤素灯光源、PC等构成。图像采集系统由Basler ace acA1600-20gc工业相机（Basler，德国）配合16 mm焦距镜头、30 W正白光LED光源、PC等组成。随孵化天数增加，胚蛋的透光性变差，为避免采样值过低无法分析，经过反复试验对比，将光谱仪积分时间设置为500 ms，平均次数和平滑宽度分别设置为3和5，最终采集的光谱有效波段范围为400～900 nm。调整相机焦距、光圈大小、物距，将工业相机软件的曝光参数设定为80 ms。试验过程中，将鸡蛋水平横放静置5 min后，分别安置在光谱和图像检测平台上采集胚蛋孵化信息。

1.计算机2.USB传输线3.载物台4.鸡蛋5.暗箱6.玻璃光纤7.卤素灯光源 8.聚焦透镜9.84UV准直透镜10.光纤光谱仪11.LED 光源12.工业相机

1.3 数据处理方法

1.3.1 光谱特征变量提取

本试验中Maya2000Pro光谱仪采集的光谱维数高达2068维，其中包含大量的无效波段；而表征雌雄差异的光谱特征集合中也存在一些相关性很强的波段。本研究分别采用竞争性自适应重加权采样算法（Competitive Adaptive Reweighted Sampling，CARS）[14]和连续投影算法（Successive Projection Algorithm，SPA）[15]对孵化早期胚蛋光谱特征进行筛选。

1.3.2 图像特征变量提取

采用几种典型的纹理描述子提取胚蛋血管图像的纹理特征。灰度直方图（Gray Level Histogram Statistics，GLHS）[16]是一种典型的纹理特征量化方法，易用性好；灰度共生矩阵（Grey Level Co-occurrence Matrix，GLCM）[17]用于分析血管纹路灰度像素的相邻间隔、变化幅度以及方向性；分形维数（Fractal Dimension，FD）[18]可以描述复杂不规则纹理中的结构和秩序。本研究从胚蛋血管图像中提取出GLHS的均值、标准偏差、平滑度、三阶矩、一致性，GLCM的对比度、能量、相关性、同质性、熵以及FD共11个血管纹理特征作为图像模型的输入变量。

1.4 RF-DS建模方法

1.4.1 随机森林算法

随机森林（Random Forest，RF）[19-20]基于自适应重采样原则，通过并行生成多个决策树建模，计算速度快，能够有效抑制过拟合、减小预测方差。本试验中RF模型默认参数设置如下：决策树棵数为100，最大树深不限制，叶子节点最小样本数为1，节点分裂所需最小样本数为2。

1.4.2 D-S证据理论

D-S证据理论[21-22]是Dempster和Shafer提出的一种模糊推理理论，其基本原理是通过融合多个证据的信任函数获得一个新的信度函数作为决策依据。

由此，根据D-S证据理论对光谱和图像识别模型进行决策融合，步骤如下：

1）分别建立光谱和图像单一特征的RF模型，获得两种模型对雌、雄胚蛋的识别率，假设模型对类别的识别率表示为P。

每种模型的BPA函数对所有可能发生事件的支持度之和为1。由此对支持度进行归一化

图2 胚蛋光谱-图像融合建模示意图

建模前，对处理后的566枚样本集通过Kennard-stone算法[25]按3∶1划分训练集和测试集，其中训练集416枚（雌性胚蛋208枚，雄性胚蛋208枚），测试集150枚（雌性胚蛋70枚，雄性胚蛋80枚）。采用AUC（Area Under Curve）和准确率作为模型评价指标，试验中光谱数据的降维使用Matlab2017a软件（MathWorks，美国），图像处理使用OpenCV和Skimage工具包，胚蛋图像和光谱特征数据分析处理及建模使用Pycharm2021.1软件（Jetbrains，美国），试验中自行开发了一款胚蛋性别检测软件，通过对软件加载、处理图谱信息并给出预测的全流程进行计时获得单个胚蛋的平均检测时间。

2 结果与分析

2.1 光谱模型的建立

2.1.1 孵化天数和鸡蛋放置方式的确定

如图3所示，采集孵化期d4、d5、d6、d7鸡蛋大头朝上竖放和水平横放两种状态下的透射光谱并构建随机森林RF、梯度上升树（Gradient Boosting Decision Tree，GBDT）和支持向量机（Support Vector Machine，SVM）3种模型，结果显示，d4水平横放样本的RF模型测试集准确率最高（65.11%），因此确定d4水平横放为光谱模型的较佳检测时间和鸡蛋摆放方式组合。

注：孵化期第n天记为dn，横放记为h，竖放记为s。如，d4h表示孵化期第4天横放采集的样本集。

2.1.2 较佳预处理方法的选择

图4展示了使用不同预处理方法后的胚蛋光谱图，表2是使用不同预处理方法的RF模型测试集准确率。其中归一化模型识别率最高（70.20%）。归一化处理时，对训练集样本进行尺度变化后，应用于测试集，避免了训练集泄露。因此将光谱预处理方法确定为归一化。

图4 不同预处理方法的胚蛋光谱图

表2 不同预处理方法识别准确率对比

2.1.3 孵化早期鸡胚蛋光谱特征提取及模型建立

使用CARS算法对归一化后光谱进行特征筛选，蒙特卡洛采样数设置为50，交叉验证次数为10。由于CARS算法提取特征具有一定随机性，因此试验运行10次CARS算法并选出了出现次数最高的4维特征变量，分别是587.14、588.04、588.49、589.39 nm；使用SPA算法筛选归一化后的胚蛋光谱，确定了12个筛选特征波长，分别为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。利用筛选出的特征变量分别建立RF模型，结果如表3。可以看到，CARS筛选特征所建立RF模型测试集准确率最高（82.07%），使用的光谱特征维数最低，仅占原始光谱的4.42‰，这意味着模型体积是三者中最小的。CARS-RF模型的4个光谱特征波长按照重要性排序为587.14、588.04、589.39、588.49 nm，对应的贡献率分别为0.26、0.25、0.25、0.24。4个光谱特征波长对模型的贡献率权重接近，表明该组特征变量有效。

表3 不同特征筛选方法的建模对比

进一步，对RF模型进行参数优化。将模型评价指标设置为AUC，决策树棵数和最大树深的搜索范围分别设置为1～100，使用网格搜索法对光谱样本训练集进行五折交叉验证建模。结果显示，树最大深度为90、决策树棵数为16时，训练集AUC（Area Under Curve）达到最优（0.997），此时模型测试集AUC为0.894，训练集和测试集准确率分别为97.12%和82.67%。

2.2 图像模型的建立

将鸡蛋水平横向放置采集机器视觉图像，d3时鸡蛋胚胎初始显现；d4胚胎血管完全展开；d5后血管分支增多，纹路过于复杂[10-11]。为获取形态完整、边缘清晰分明的胚蛋血管图像，试验将d4水平横放采集的鸡蛋图像作为样本。图5展示了第1日至第7日鸡蛋机器视觉图像。

图5 鸡蛋机器视觉图像

2.2.1 图像处理方法

图6显示了胚蛋图像样本的预处理流程。首先利用最小外接矩形等方法提取出感兴趣区域（Region Of Interest，ROI）。ROI的分量包含丰富血管纹理信息，因而分离出分量。通过减顶帽去除胚蛋图像上的亮斑和划痕。利用限制对比度的自适应灰度直方图均衡化算法（Contrast Limited Adaptive Histogram Equalization，CLAHE）[26]增强纹理特征，通过调整算法的对比度限制和网格尺寸参数，获得两组不同程度增强的图像。使用大津法（Otsu）[27]对第一组图像进行阈值分割，提取出胚胎中心部分；对第二组图像先通过减顶帽和黑帽操作进一步突出血管纹理，再利用闭操作和腐蚀操作对血管像素进行修补，接着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“与”操作将降噪后图像映射到提取的胚胎区域，获得了形态完整、纹路分明的胚胎血管形态图。

图6 鸡胚蛋图像处理流程图

2.2.2 孵化早期鸡蛋的纹理特征提取及模型建立

从处理后图像中提取出11维纹理特征变量。表4显示了雌雄胚蛋纹理特征的均值，利用霍特林轨迹检验方法分析特征显著性，统计结果为=0.002，由此表明，胚蛋图像11维纹理特征向量存在雌雄显著差异（<0.01）。

对图像特征归一化处理后划分样本集，建立图像RF模型，训练集和测试集准确率分别为100.00%和63.80%。模型特征重要性排序结果如表4所示，第10维（分形维数FD）和第7维（灰度共生矩阵GLCM的相关性特征）贡献率高于其他特征，在模型中对信息不纯度的降低发挥了重要作用。

表4 胚蛋图像纹理特征参数的均值及贡献率

因此，模型参数保持不变，改用FD和GLCM相关性2维特征变量建立RF模型，训练集准确率为100.00%，测试集准确率达到74.33%，相对于原始模型提高了10.53个百分点。这可能是由于初始提取的特征中存在一定的冗余信息，部分特征包含噪声较多也会对模型预测性能造成不利影响。

对RF模型进行参数优化。将模型评价指标设置为AUC，决策树棵数和最大树深的搜索范围分别设置为1～100，使用网格搜索法对图像样本训练集进行五折交叉验证建模。通过试验确定树最大深度为48、决策树棵数为70时，训练集AUC达到最优（0.999），此时测试集AUC为0.798，训练集和测试集准确率分别为100.00%和78.00%。综上，图像特征提取及模型参数优化结果见表5。

表5 图像特征提取及模型参数优化结果

2.3 光谱-图像信息融合建模

本文2.1和2.2章节确定了胚蛋光谱与图像建模的较佳天数为孵化期d4，样本较佳放置方式为水平横放，采样时间与样本摆放方式保持了一致。因而，从试验数据处理和实际工业应用角度，胚蛋光谱和图像融合建模具备可行性。

首先，试验联合筛选出的光谱4维特征和图像2维特征进行了特征级融合建模。模型建立前采用归一化将同一维特征映射到（-1，1）区间。

如表6所示，D-S融合模型识别结果如下：训练集准确率达到100.00%，测试集准确率达到88.00%，其中，雌性和雄性识别率分别为90.00%和86.25%。图7展示了测试集雌雄胚蛋分别作为正样本时融合模型的ROC（Receiver Operating Characteristic Curve）曲线，模型对胚蛋性别识别具备一定预测能力。

2.4 信息融合模型与单一信息源模型的对比

表6对比了单一光谱和图像模型、光谱图像特征融合模型以及RF-DS决策融合模型的建模结果。

由表6可知，特征级融合模型测试集相对单一光谱和图像模型识别率均有下降，且出现了较严重的过拟合问题。这一现象可能与融合的两组光谱图像特征有关：当融合的特征存在共线性情况时，拟合过程中模型对其中一个或几个特征的权重过高，很可能会出现过拟合现象，导致模型泛化能力下降。

图7 融合模型雌雄类别的ROC曲线

RF-DS模型测试集准确率达到88.00%，相比较佳光谱模型和较佳图像模型分别提高了5.33个百分点和10.00个百分点，在4种模型中表现最佳。另外，D-S融合模型对雌性胚蛋识别率为90.00%，略低于光谱RF模型（91.43%）；对雄性蛋识别率则达到了86.25%，相较于两类单一特征模型提升了11.25个百分点。这说明结合了光谱和图像两种胚蛋孵化信息后，融合模型的识别能力得到了增强，可以在尽可能保留雌性胚蛋的前提下检测出大部分雄性胚蛋。检测用时方面，光谱RF模型用时最短，仅0.037 s，这由于随机森林的并行计算结构；其他3种模型预测前需要对鸡蛋图像进行预处理，因此用时更长，其中D-S决策级融合模型检测单个鸡蛋平均用时为2.843 s。总的来说，决策级融合比单一信息模型和特征级融合模型识别精度有所提升，对雌雄胚蛋识别具有较好效果。

表6 光谱、图像单一特征模型与融合模型的建模结果对比

2.5 与其他文献方法的对比

表7给出了现有胚蛋性别无损检测文献的方法、检测时间和识别率，主要包括光谱方法[8,12]、光电检测法[9]、机器视觉法[10-11]。祝志慧等[12]在孵化期d7使用紫外-可见-近红外波段光谱建模，识别率达到87.14%。本研究确定的RF-DS融合模型在检测时间上更为提前（孵化期d4），识别率方面表现也相对更好（88.00%）。机器视觉方面，汤勇等[11]从d4胚蛋图像中提取HOG特征建立人工神经网络模型，识别率达到83.33%，判别时间为7.835 s，而RF-DS融合模型识别率更高，单个鸡蛋的判别用时也相对更短（2.843 s），这表明了RF-DS融合模型具有较高的检测效率。此外，本试验在样本量方面是现有文献中最多的[8-12]，说明该方法对大量胚蛋样本仍具有较稳定的检测效果。因此通过对比可知，在检测精度、效率和稳定性等方面，本研究确定的融合模型在孵化期胚蛋性别检测任务中具备一定优越性。

表7 与其他方法的比较

3 结 论

针对目前蛋鸡产业宰杀一日龄公鸡引起的资源浪费与动物福利问题，本研究提出一种基于可见-近红外透射光谱和机器视觉图像融合的胚蛋性别检测方法。试验确定了光谱和图像检测的最佳孵化天数和鸡蛋摆放方式为孵化第4日水平横放；确定归一化处理、竞争性自适应重加权采样算法（Competitive Adaptive Reweighted Sampling，CARS）筛选的4维特征变量（587.14、588.04、588.49、589.39 nm）建立的随机森林（Random Forest，RF）模型较优；对图像进行预处理，提取的分形维数和灰度共生矩阵相关性2个纹理特征所建立的RF模型较优。利用D-S证据理论对胚蛋最优光谱模型和图像模型进行决策级融合建模，融合模型测试集准确率达到88.00%，雌雄识别率分别达到90.00%和86.25%，单个鸡蛋样本的平均判别用时为2.843 s。结果表明，该方法对孵化期第4日雌雄胚蛋均具备一定识别能力。由于本文确定的最佳摆放方式是横放，而孵化工厂中，鸡蛋在工业蛋托中竖直放置，所以需要设计翻蛋装置将鸡蛋横向放置采样。与目前现有文献相比，本文提出方法具有较短的检测用时，后续将通过优化算法效率，进一步降低检测用时，从而满足在线检测的需求。此外，可以对褐壳及粉壳鸡蛋进行采样及试验，进一步提高方法的普适性。

[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] 向小乐. 鸡雌雄种蛋气味、多组学基质差异及无损鉴别研究[D]. 武汉：华中农业大学，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] 潘磊庆，张伟，于敏莉，等. 基于高光谱图像的鸡种蛋孵化早期胚胎性别鉴定[J]. 农业工程学报，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] 汤勇，洪琪，王巧华，等. 基于血线纹理特征和GA-BP神经网络的鸡种蛋性别鉴定[J]. 华中农业大学学报，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，汤勇，洪琪，等. 基于种蛋图像血线特征和深度置信网络的早期鸡胚雌雄识别[J]. 农业工程学报，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，吴林峰，等. 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[J]. 光谱学与光谱分析，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] 俸艳萍. 鸡的性比及性分化早期胚胎性别差异表达基因研究[D]. 武汉：华中农业大学，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，陈文涛，乐章燕，等. 基于随机森林算法和气象因子的砀山酥梨始花期预报[J]. 农业工程学报，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] 雷震烁，刘松涛，陈奇. 基于SVM-DS融合的干扰效果在线评估方法[J]. 探测与控制学报，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] 何东健，乔永亮，李攀，等. 基于SVM-DS多特征融合的杂草识别[J]. 农业机械学报，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. 基于多分类器DS证据理论融合的水果识别研究[J]. 中国农机化学报，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] 张天亮，张东兴，崔涛，等. 基于支持向量机和ReliefF算法的玉米品种抗倒伏预测[J]. 农业工程学报，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] 杨茂祥. 低照度环境下彩色图像增强算法研究[D]. 南京：南京邮电大学，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] 汪维华，张景中，吴文渊. 改进的形态学与Otsu相结合的视网膜血管分割[J]. 计算机应用研究，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，叶子凡，何昱廷，等. 基于RF-DS图谱信息融合的孵化早期鸡胚蛋性别无损检测[J]. 农业工程学报，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

国家自然科学基金项目面上项目（32072302）；蛋品加工技术国家地方联合研究中心-蛋品肉品加工分析平台项目（109/11090010147）

祝志慧，博士，副教授，研究方向为无损检测及其自动化、机器视觉。Email：zzh@mail.hzau.edu.cn