[发明专利]基于卷积神经网络与时序特征的鸡蛋胚胎分类方法

说明书

本发明公开基于卷积神经网络与时序特征的鸡蛋胚胎分类方法，包括以下步骤：(1)利用近红外激光和传感器透过胚蛋采集胚蛋心跳信号数据；(2)对采集到的数据进行预处理，对采集到的胚蛋心跳信号进行低通和高通滤波以滤除部分噪声；(3)利用处理后的时序数据生成二维心跳波形图构建数据集；(4)搭建卷积神经网络；(5)利用卷积神经网络对制作的小规模鸡蛋胚胎心跳数据集进行训练和测试；(6)调整超参数继续训练网络直到得到性能最佳的网络模型。本发明可真实简便的判别胚蛋活性，提高分类准确率，有效地对胚蛋进行分类，使用通道加权提升模型性能和防止梯度爆炸，且有助于加速网络的收敛和提升网络非线性，模型泛化能力较强。

技术领域

本发明属于鸡蛋胚胎活性检测技术领域，特别涉及基于卷积神经网络与时序特征的鸡蛋胚胎分类方法。

背景技术

当前，禽流感疫苗接种是预防禽流感的主要途径，而禽流感疫苗的制备主要是通过在鸡蛋活胚中接种和培养后才被灭活，在毒株胚胎培养过程中，未剔除的死亡胚蛋会导致毒株增殖培养失败。如果死亡胚蛋未能及时准确地从鸡蛋活胚中分离出来将会导致同一批培养的鸡蛋胚胎受到污染，造成重大的安全卫生隐患。因此接种胚蛋的成活性检测与分类对禽流感疫苗的制备具有重要意义。

近年来，对于鸡蛋胚胎的活性检测主要是通过传统的人工照蛋方式，通过人工判断鸡蛋胚胎血管特征是否正常来检测鸡蛋胚胎的成活性，这种检测方法效率低成本较高且容易受到主观因素影响。此外，工人长时间高强度工作压力下容易造成误检和漏检。

目前，对于鸡蛋胚胎活性检测主要有如下方法：

通过机器视觉技术检测鸡蛋胚胎活性,通过对采集到的鸡蛋背光图像进行灰度处理，从灰度直方图中得到峰值比，各阶导数等特征参数，根据这些特征参数采用序贯分类的方法判断鸡蛋胚胎的成活性。将鸡蛋胚胎图像的RGB颜色空间转换为HIS空间，利用主成分分析寻找H值颜色特征的主成分向量，以此作为神经网络的输入，该方法有效提高了识别率准确率。

基于机器视觉的非破坏性检测系统，利用SUSAN(Small Univalue SegmentAssimilating Nucleus)算法对散斑噪声进行检测和消除，并用最近邻法根据鸡蛋图像特征参数进行分类，分类精度为97.78％。

通过使用红外热象技术检测鸡蛋胚胎的表面温度来分析其成活性。通过选择合适的透光光源测量鸡蛋的透光光谱，用光谱判断鸡蛋胚胎的成活性。

通过对鸡蛋胚胎的图像、温度、透光度等特征信息进行融合并使用BP神经网络对融合后的信息进行训练和分类，准确率达到96.25％，然而该方法操作复杂，对硬件设备要求较高。

使用高光谱图像处理技术检测鸡蛋胚胎的发育情况。利用近红外高光谱成像检测早期胚胎发育的鸡蛋，从原始和Gabor滤波图像中提取的两种类型的光谱传输特性被用于k-均值聚类，但是该方法对硬件要求较高且没有实现多分类。Mc Quinn等人在检测鸡蛋胚胎心血管组织的发育情况过程中使用高频超声成像技术。

在研究鸡蛋胚胎心血管的发育状况过程中使用改进的B超与多普勒效应,该方法会对鸡蛋胚胎造成物理性损坏，不能用于实际生产中的成活性检测。

胚胎心率检测技术，通过监测鸡蛋胚胎的心率以及观察鸡胚表面因心脏搏动产生的变化来判断鸡胚的成活性。

通过一个检测孵化期成活鸡蛋胚胎胎动信号的系统，使用半侵入法检测胚胎的胎动，但该方法需要用针刺破蛋壳，不利于实际生产。