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