菜单

Resonon | 不破壳也能“识别性别”?!高光谱成像仪助力鸡蛋孵化前精准辨别雌雄

来源:
时间: 2025-08-20

每年,全球有超过 70亿只雄性雏鸡在孵化后被淘汰,仅因“性别不符”。这种传统做法在动物福利、资源浪费和伦理层面引发广泛关注。有没有可能——在鸡蛋孵化前,就知道性别?

美国伊利诺伊大学研究团队近日在权威期刊《Food Control》发表成果,提出了一种基于高光谱成像与机器学习的非破坏性性别识别技术,成功在孵化前对鸡蛋进行精准“性别筛选”,为蛋禽行业带来颠覆性突破。

实验方法简述

本研究由美国伊利诺伊大学厄本那-香槟分校团队开展,实验在校内家禽科研平台进行。研究共采集了264枚白壳鸡蛋,鸡种为 White Leghorn,母鸡年龄约29周。所有鸡蛋在清洁、编号后,于12.8°C、相对湿度78%的条件下冷藏过夜,以保证实验一致性。

次日,鸡蛋在室温下静置30分钟恢复温度后,使用Resonon Pika L 型高光谱成像仪进行图像采集。系统配置如下:

光谱范围:374–1015nm

光谱分辨率:2.7nm,共281个波段

相机类型:线扫描式,空间分辨率900×900像素

照明系统:330W钨灯,位于蛋体正下方

采集软件:Spectronon Pro

扫描环境:暗室,距离镜头20cm,采集参数固定控制

图1. 用于鸡蛋性别鉴定的线扫描高光谱成像系统:(a)。图像采集的整体系统设置,(b)。在暗室中扫描的样本,(c)。Spectronon Pro 软件中的鸡蛋 RGB 图像。

实验中每个鸡蛋以垂直放置、气室朝上的方式安装在黑色样品架中,通过透射光进行成像。采集过程前对光源进行了预热,确保光强稳定。再通过AI算法识别微小差异,实现对胚胎性别的非接触式判断。

图2. 图像分割和光谱提取过程:(a)。高光谱透射图像;(b)。样本的 ROI;(c)。图像 ROI 的提取光谱(即像素强度)。

研究团队基于 Spectronon Pro 采集的高光谱数据,开发多种机器学习模型(CatBoost、XGBoost、PLS-DA等),在全波段数据及精细预处理基础上,识别出关键特征波段。最终:

CatBoost 模型 + Savitzky-Golay 预处理

校准集准确率达88.6%

验证集准确率达75.5%

特征压缩后仅需35个波段,性能依然稳定

这一方法展现出强大的非侵入性、高通量潜力,有望取代传统“孵化后人工识别”的方式,走向商业化应用。

图3. 孵化前蛋的透射光谱:所有蛋的光谱(左)和雄性和雌性蛋的平均光谱及其标准差(右);DN 代表数字。


表1. 全波长模型在预孵化蛋中性别鉴定的表现。

图4. 用于孵化前鸡蛋性别分类的全功能 CatBoost 模型的混淆矩阵:左图表示校准性能,右图表示验证性能。

图5. 通过递归特征消除选择波长,用于稳健的 CatBoost 模型对鸡蛋进行孵化前性别分类;DN 代表数字。

科研与产业双赢

✅ 动物福利:避免孵化后的雄性雏鸡被大规模淘汰

✅ 节省成本:减少不必要孵化流程,降低饲养成本

✅ 环保可持续:精准育种,减少资源浪费

✅ 自动化应用:Resonon 高光谱系统+AI算法,具备未来规模化部署潜力


相关推荐
Copyright ©2018-2023 北京理加联合科技有限公司 犀牛云提供企业云服务