李慶旭，王巧華，2*，顧 偉，高 升，馬美湖

1. 華中農(nóng)業(yè)大學(xué)工學(xué)院，湖北 武漢 430070 2. 農(nóng)業(yè)部長(zhǎng)江中下游農(nóng)業(yè)裝備重點(diǎn)實(shí)驗(yàn)室，湖北 武漢 430070 3. 國(guó)家蛋品加工技術(shù)研發(fā)分中心 ，湖北 武漢 430070

引 言

我國(guó)是鴨蛋與鴨肉生產(chǎn)和消費(fèi)大國(guó)，為此每年需要孵化大量雛鴨才能滿足鴨肉和鴨蛋生產(chǎn)需要。 由于無(wú)精蛋無(wú)法孵化出雛鴨，隨著孵化時(shí)間推移會(huì)變質(zhì)且對(duì)受精蛋會(huì)造成污染，因此盡可能早地剔除出無(wú)精蛋，可以有效地減少資源的浪費(fèi)，提高鴨蛋孵化業(yè)和種鴨養(yǎng)殖業(yè)的經(jīng)濟(jì)效益。 目前國(guó)內(nèi)鴨蛋孵化行業(yè)去除無(wú)精蛋的方法依然是在種鴨蛋孵化7天以后進(jìn)行人工照蛋，效率低下且挑選出的無(wú)精蛋已失去食用價(jià)值，造成資源的巨大浪費(fèi)。 在孵化之前鑒別出來(lái)無(wú)精蛋是目前禽蛋孵化產(chǎn)業(yè)需要解決的老大難問題，因此研究入孵前種鴨蛋的受精信息無(wú)損檢測(cè)技術(shù)，將會(huì)擁有廣闊的應(yīng)用空間。

針對(duì)禽蛋孵化，國(guó)內(nèi)外學(xué)者做了相關(guān)的研究，研究人員嘗試使用了生物電[1]、機(jī)器視覺[2]、光譜、高光譜成像[3]等技術(shù)手段實(shí)現(xiàn)了禽蛋入孵前及孵化早期受精信息的無(wú)損判別。 但大都針對(duì)的是雞蛋孵化，針對(duì)鴨蛋孵化的研究很少，由于種鴨蛋品種差異大、表面臟污多、蛋殼厚度差異大，故與種雞蛋相比種鴨蛋的檢測(cè)難度更大。 張偉等[4]提出利用機(jī)器視覺與敲擊振動(dòng)相結(jié)合的方法實(shí)現(xiàn)了對(duì)孵化5 d的種鴨蛋受精信息檢測(cè)，這種使用敲擊振動(dòng)裝置部署到實(shí)際生產(chǎn)難度較大。 Dong等[5]提出了利用可見-近紅外光譜技術(shù)初步實(shí)現(xiàn)了對(duì)入孵前種鴨蛋受精信息的無(wú)損判別，但是要求種鴨蛋顏色和尺寸一致，此研究證明了運(yùn)用可見-近紅外光譜技術(shù)對(duì)入孵前種鴨蛋受精信息無(wú)損檢測(cè)的可行性，但還不適于實(shí)際應(yīng)用。

可見-近紅外光譜由有機(jī)物的含氫基團(tuán)振動(dòng)的合頻與倍頻組成，譜圖中含有大量能夠反映物質(zhì)差異的信息，具有快速、無(wú)損、簡(jiǎn)單的特點(diǎn)，目前被廣泛應(yīng)用于農(nóng)產(chǎn)品無(wú)損檢測(cè)。 文獻(xiàn)[6]研究結(jié)果表明可見-近紅外光譜可以穿透禽蛋的表面，并將禽蛋的內(nèi)部物質(zhì)信息在光譜圖中反映出來(lái)。 深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks，CNN)目前被廣泛應(yīng)用于農(nóng)產(chǎn)品分類檢測(cè)中，卷積神經(jīng)網(wǎng)絡(luò)含有更多的隱含層，通過(guò)卷積和非線性變換操作自動(dòng)提取數(shù)據(jù)本身的大量特征可用于擬合復(fù)雜模型[7]。 近年有學(xué)者利用光譜信息與卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合檢測(cè)夏威夷果、煙葉、花椒等，但是利用兩者結(jié)合起來(lái)檢測(cè)禽蛋尚未有文獻(xiàn)記載。 本文利用可見-近紅外透射光譜技術(shù)與深度學(xué)習(xí)相結(jié)合對(duì)入孵前種鴨蛋受精信息進(jìn)行無(wú)損檢測(cè)，探索一種更符合實(shí)際生產(chǎn)的區(qū)分入孵前無(wú)精鴨蛋和受精鴨蛋的鑒別技術(shù)。

1 實(shí)驗(yàn)部分

1.1 儀器與材料

實(shí)驗(yàn)樣品為499枚縉云麻鴨種蛋，均為新鮮生產(chǎn)的種蛋。 采購(gòu)于湖北神丹種鴨場(chǎng)。 對(duì)種鴨蛋表面使用酒精進(jìn)行清理消毒并編號(hào)。

種鴨蛋光譜采集系統(tǒng)如圖1，由Maya2000Pro光纖光譜儀、暗箱、光源、光纖探頭等組成。 光譜儀能夠采集的波長(zhǎng)范圍在200～1 100 nm之間，光譜儀的最小采樣間隔為0.5 nm，光源為100 W鹵素?zé)簟?另外還有智能孵化器1臺(tái)。

圖1 光譜采集系統(tǒng)1： 計(jì)算機(jī)； 2： 光源; 3： Maya2000Pro光纖光譜儀； 4： 光纖探頭； 5： 鴨蛋； 6： 暗箱Fig.1 Spectrum acquisition system1： Computer; 2： Light source; 3： Maya2000Pro fiber optic spectrometer; 4： Fiber optic probe； 5： Duck eggs; 6： Dark box

1.2 方法

1.2.1 光譜采集

使用可見-近紅外透射光譜采集系統(tǒng)對(duì)清洗消毒后的入孵前種鴨蛋進(jìn)行透射光譜采集，采集光譜時(shí)將種蛋豎直放置，大頭向上。 考慮到模型后續(xù)將部署到生產(chǎn)中，將光譜儀的采集積分時(shí)間設(shè)置為100 ms，掃描次數(shù)設(shè)置為3。

1.2.2 受精結(jié)果的人工判別

將智能孵化箱預(yù)熱1 h，把采集數(shù)據(jù)后的499枚種蛋同時(shí)放入智能孵化箱中。 設(shè)置智能孵化箱模式為“鴨”，智能孵化箱會(huì)根據(jù)模式自動(dòng)調(diào)節(jié)適用于鴨蛋孵化的最佳溫濕度。 鴨蛋入孵后7 d對(duì)其進(jìn)行破殼處理，蛋殼含有血絲為受精蛋，得到準(zhǔn)確的受精結(jié)果。

1.3 數(shù)據(jù)處理與建模

1.3.1 樣本集劃分

為了避免樣本分布不均勻，利用了Kennard-Stone法對(duì)樣本集進(jìn)行劃分，將變量空間中的相對(duì)歐式距離差異較大的樣本劃入訓(xùn)練集，其余樣本劃入測(cè)試集[8]。 為了更好地驗(yàn)證模型的泛化能力，從測(cè)試集樣本中再劃出一個(gè)驗(yàn)證集。 本實(shí)驗(yàn)共采集499個(gè)入孵前種鴨蛋樣本，按照7∶2∶1的比例對(duì)應(yīng)劃分出訓(xùn)練集、測(cè)試集和驗(yàn)證集樣本。 其中訓(xùn)練集樣本數(shù)量為350個(gè)(無(wú)精197個(gè)，受精153個(gè))，測(cè)試集樣本數(shù)量為100個(gè)(受精54個(gè)，無(wú)精46個(gè))，驗(yàn)證集樣本數(shù)量為49個(gè)(受精27個(gè)，無(wú)精22個(gè))。

1.3.2 譜區(qū)選擇與光譜預(yù)處理

譜區(qū)選擇對(duì)光譜信息分析十分重要，若選取范圍較大會(huì)帶入大量噪聲和冗余信息導(dǎo)致后續(xù)建模出現(xiàn)過(guò)擬合現(xiàn)象，反之選取范圍較小會(huì)丟失大量信息導(dǎo)致后續(xù)建模出現(xiàn)欠擬合現(xiàn)象。 采集得到的入孵前種鴨蛋原始譜圖如圖2所示，由于譜圖兩端的噪音較大無(wú)法有效地反映出種鴨蛋內(nèi)部真實(shí)的物質(zhì)信息，故截取400～1 000 nm范圍內(nèi)的透射光譜信息用于后續(xù)的分析與處理，選擇的譜區(qū)范圍如圖3所示。

圖2 入孵前種鴨蛋原始光譜圖Fig.2 Original spectrum of duck eggs before hachted

圖3 入孵前種鴨蛋400～1 000 nm光譜圖Fig.3 400～1 000 nm spectrum of duck eggs before hachted

由于儀器操作、溫度變化和雜散光的原因會(huì)使采集得到的原始光譜數(shù)據(jù)引入噪聲與無(wú)關(guān)信息，選取的400～1 000 nm范圍內(nèi)的透射原始光譜依然含有較為明顯的噪聲(光譜信號(hào)中含有雜波)。 為此，采用SG卷積平滑處理對(duì)截取后的種鴨蛋光譜進(jìn)行預(yù)處理。 經(jīng)反復(fù)嘗試，本實(shí)驗(yàn)使用窗口寬度為9的2階微分進(jìn)行平滑處理。 平滑后的曲線如圖4所示，可以看出SG平滑處理后消除了雜波干擾，光譜曲線變得更加平滑[12]。

圖4 入孵前種鴨蛋SG平滑后光譜圖Fig.4 SG smoothed spectrum of duck eggs before hachted

1.3.3 光譜特征波段選擇

預(yù)處理后的光譜信息依然高達(dá)1 361維，部分波段依然存在很強(qiáng)的相關(guān)性，高維光譜信息中不僅含有反映內(nèi)部物質(zhì)差異的信息還包含大量冗余信息，若直接使用高維光譜信息建立種鴨蛋受精信息判別模型會(huì)導(dǎo)致模型出現(xiàn)過(guò)擬合現(xiàn)象，進(jìn)而導(dǎo)致模型的泛化能力變差。 同時(shí)考慮將光譜信息輸入給卷積神經(jīng)網(wǎng)絡(luò)，若光譜波段存在很強(qiáng)的相關(guān)性則不利于卷積神經(jīng)網(wǎng)絡(luò)自動(dòng)學(xué)習(xí)光譜的有效特征，從而導(dǎo)致網(wǎng)絡(luò)過(guò)擬合現(xiàn)象的出現(xiàn)，且數(shù)據(jù)維數(shù)太高會(huì)大大降低網(wǎng)絡(luò)的訓(xùn)練速度，不利于后期模型的部署。 因此對(duì)預(yù)處理后的光譜數(shù)據(jù)進(jìn)行特征波長(zhǎng)選取，降低光譜數(shù)據(jù)的維數(shù)顯得十分重要。 本文使用了CARS與SPA這兩種較為常用的特征波長(zhǎng)篩選算法，篩選出能夠反映受精蛋與無(wú)精蛋差異的關(guān)鍵波長(zhǎng)點(diǎn)。

(1)競(jìng)爭(zhēng)性自適應(yīng)重加權(quán)(CARS)算法利用自適應(yīng)重加權(quán)采樣手段選出PLS模型中回歸系數(shù)絕對(duì)值相對(duì)較大的波長(zhǎng)點(diǎn)，去除權(quán)重相對(duì)較小的波長(zhǎng)點(diǎn)，并使用交叉驗(yàn)證來(lái)選擇RMSECV值最低的子集，可以有效地尋找到變量的最優(yōu)組合[9]。 對(duì)預(yù)處理后的訓(xùn)練集光譜數(shù)據(jù)使用CARS進(jìn)行特征波長(zhǎng)選擇，選取入孵前種鴨蛋受精信息預(yù)測(cè)最優(yōu)波長(zhǎng)組合過(guò)程如下： 經(jīng)反復(fù)嘗試，本實(shí)驗(yàn)將蒙特卡羅采樣次數(shù)設(shè)定為50，采用10折交叉驗(yàn)證。 由圖5(a)可知，隨著取樣運(yùn)行次數(shù)的增加，選取變量的數(shù)量逐步遞減 。 由圖5(b)可知，RMSECV值先緩慢遞減后遞增，RMSECV值遞減，說(shuō)明種鴨蛋光譜數(shù)據(jù)中部分無(wú)用的信息被剔除，RMSECV值遞增，說(shuō)明種鴨蛋光譜數(shù)據(jù)中有部分重要信息被剔除。 當(dāng)RMSECV值達(dá)到最小時(shí)，各變量的回歸系數(shù)如圖5(c)中豎線處，此時(shí)的采樣運(yùn)行次數(shù)是35，CARS提取的最優(yōu)波長(zhǎng)點(diǎn)數(shù)量為15。

(2)連續(xù)投影算法(SPA)是使向量空間的共線性最小化的前向變量選擇算法，能夠從原始光譜信息中將冗余信息去除，從而解決共線性問題。 對(duì)于處理后的訓(xùn)練集光譜數(shù)據(jù)使用SPA選擇特征波長(zhǎng)，由SPA的原理可知，利用均方根誤差(RMSE)最小化的原則，選出均方根誤差的導(dǎo)數(shù)變小的過(guò)渡點(diǎn)，在過(guò)渡點(diǎn)之前冗余信息被剔除，過(guò)渡值之后冗余信息已基本被剔除[10]。 SPA選取入孵前種鴨蛋受精信息預(yù)測(cè)最優(yōu)波長(zhǎng)組合如圖6(a,b)所示，SPA選取的特征波長(zhǎng)數(shù)為11。

圖5 (a)取樣變量數(shù)； (b)RMSECV； (c)回歸系數(shù)路徑Fig.5 (a) Number of sampling variables； (b) RMSECV； (c) Regression coefficient path

圖6 (a)RMSE； (b)選取的最優(yōu)波長(zhǎng)編號(hào)索引Fig.6 (a) RMSE； (b) Selected optimal wavelengthnumber index

2 結(jié)果與討論

2.1 卷積神經(jīng)網(wǎng)絡(luò)搭建

經(jīng)過(guò)CARS或SPA提取特征波長(zhǎng)后，數(shù)據(jù)維數(shù)已經(jīng)降到較低維度，若繼續(xù)對(duì)其進(jìn)行降維處理可能會(huì)導(dǎo)致光譜有用信息的丟失。 針對(duì)分類問題，一般使用機(jī)器學(xué)習(xí)或者深度學(xué)習(xí)進(jìn)行建模。 本研究先使用邏輯回歸(logistic regression, LR)和支持向量機(jī)(support vector machines, SVM)兩種常用的機(jī)器學(xué)習(xí)算法并使用十折交叉驗(yàn)證對(duì)CARS和SPA提取的特征波長(zhǎng)建立入孵前種鴨蛋受精信息判別模型。 為方便起見，此處KS劃分的測(cè)試集和驗(yàn)證集合并為測(cè)試集，判別結(jié)果如表1，不難發(fā)現(xiàn)LR和SVM模型不能完全擬合光譜數(shù)據(jù)導(dǎo)致模型效果不佳，但證明了使用CARS或SPA提取的特征波長(zhǎng)建立區(qū)分無(wú)精蛋和受精蛋的可行性。 由于機(jī)器學(xué)習(xí)模型對(duì)較為復(fù)雜的模型擬合效果不佳，往往會(huì)產(chǎn)生過(guò)擬合或欠擬合的現(xiàn)象，本研究?jī)煞N機(jī)器學(xué)習(xí)模型則是出現(xiàn)了輕微欠擬合現(xiàn)象。 卷積神經(jīng)網(wǎng)絡(luò)引入了局部連接和權(quán)值共享的機(jī)制，使其能含有更多的隱層，這種機(jī)制使得卷積神經(jīng)網(wǎng)絡(luò)在擬合復(fù)雜模型時(shí)具有明顯的優(yōu)勢(shì)，故考慮使用卷積神經(jīng)網(wǎng)絡(luò)對(duì)入孵前種鴨蛋是否受精進(jìn)行判別。

表1 CARS和SPA提取的特征波長(zhǎng)建模結(jié)果Table 1 Characteristic wavelength modelingresults of CARS and SPA extraction

卷積神經(jīng)網(wǎng)絡(luò)主要用于圖像的分類與識(shí)別，圖像數(shù)據(jù)一般為2維或3維矩陣，而本研究使用CARS或SPA提取的特征波長(zhǎng)數(shù)據(jù)為1維數(shù)據(jù)。 因此需要將一維光譜數(shù)據(jù)轉(zhuǎn)換為二維光譜信息矩陣，轉(zhuǎn)換公式如式(1)

S=XTX

(1)

式(1)中，X為一維光譜數(shù)據(jù)，XT為一維光譜數(shù)據(jù)的轉(zhuǎn)置。 二維光譜信息矩陣包含了一維光譜數(shù)據(jù)的原有信息，體現(xiàn)了樣本的方差和協(xié)方差，同時(shí)適用卷積神經(jīng)網(wǎng)絡(luò)的輸入結(jié)構(gòu)。 以SPA提取的種鴨蛋光譜特征矩陣為例，單個(gè)種鴨蛋樣本的一維光譜數(shù)據(jù)為x=[x1,x2, …,x11]二維光譜信息矩陣如式(2)

(2)

卷積神經(jīng)網(wǎng)絡(luò)通常由卷積、池化與全連接等層構(gòu)成。 卷積(conv2d)層用于提取大量特征； 池化層可以減小卷積層提取的特征的維數(shù)，從而能夠加速神經(jīng)網(wǎng)絡(luò)收斂； 全連接層可將網(wǎng)絡(luò)前端輸出的特征還原給輸出層，最后由輸出層輸出分類結(jié)果。 考慮到運(yùn)用CARS和SPA提取的二維光譜信息矩陣尺寸較小，SPA提取的二維矩陣大小為11×11、CARS為15×15，若搭建的網(wǎng)絡(luò)層數(shù)過(guò)深，容易出現(xiàn)過(guò)擬合現(xiàn)象。 結(jié)合入孵前種鴨蛋二維光譜信息矩陣的特點(diǎn)，搭建了4層的卷積神經(jīng)網(wǎng)絡(luò)，包括了3個(gè)卷積層和1個(gè)全連接層，網(wǎng)絡(luò)的結(jié)構(gòu)如圖7所示，具體實(shí)現(xiàn)過(guò)程如下，其網(wǎng)絡(luò)參數(shù)如表2所示(以CARS提取的入孵前種鴨蛋特征波長(zhǎng)為例，SPA與之結(jié)構(gòu)相同)：

(1) 輸入層： 將CARS提取的入孵前種鴨蛋特征波長(zhǎng)使用式(1)轉(zhuǎn)換為二維光譜信息矩陣作為輸入層，輸入層尺寸為15×15；

圖7 入孵前種鴨蛋網(wǎng)絡(luò)結(jié)構(gòu)Fig.7 Pre-incubation duck egg network structure

表2 入孵前種鴨蛋網(wǎng)絡(luò)參數(shù)Table 2 Network parameters of duck eggs before hatching

(2) 卷積層1： 考慮到輸入的種鴨蛋二維光譜信息矩陣尺寸較小，conv操作的核尺寸與步長(zhǎng)不宜設(shè)置過(guò)大，將卷積核尺寸設(shè)定為3×3，卷積核數(shù)量設(shè)定為64，步長(zhǎng)設(shè)定為1。 輸入層經(jīng)過(guò)卷積操作后使用ReLU函數(shù)進(jìn)行激活(可使種鴨蛋光譜矩陣變得更加稀疏)，ReLU函數(shù)的實(shí)現(xiàn)公式如式(3)

(3)

ReLU函數(shù)具有加速模型收斂的作用。 為了提高模型的性能，在ReLU激活后的光譜特征矩陣執(zhí)行局部響應(yīng)歸一化(LRN)操作，卷積操作可以提取光譜矩陣中的大量信息，種鴨蛋二維光譜信息矩陣經(jīng)過(guò)卷積操作之后輸出特征矩陣尺寸為15×15×64；

(3) 池化層1： 將卷積層1的輸出特征矩陣進(jìn)行降維操作，能夠提高模型的收斂速度。 池化核的尺寸和步長(zhǎng)均設(shè)置為2，池化(pool)處理后的輸出特征矩陣尺寸為8×8×64；

(4) 卷積層2： 設(shè)置卷積核的尺寸為1×1，卷積核的數(shù)目設(shè)置為192，并將步長(zhǎng)設(shè)置為1。 池化層1的輸出經(jīng)過(guò)卷積后，加入ReLU和LRN操作，輸出尺寸為8×8×192；

(5) 池化層2： 池化核的尺寸和步長(zhǎng)均設(shè)置為2，卷積層2的輸出特征矩陣經(jīng)過(guò)池化操作后，輸出尺寸為4×4×192；

(6) 卷積層3： 卷積內(nèi)核的尺寸設(shè)置為1×1，卷積內(nèi)核的數(shù)量設(shè)置為384，步長(zhǎng)設(shè)定為1。 池化層2的輸出經(jīng)過(guò)卷積后，加入ReLU和LRN操作后輸出尺寸為4×4×384；

(7) 全連接層： 全連接層(FC)的神經(jīng)元個(gè)數(shù)設(shè)置512，通過(guò)將卷積層3輸出的光譜特征矩陣轉(zhuǎn)換為1×6 144的數(shù)據(jù)，輸入給512個(gè)全連接的神經(jīng)元后輸出512個(gè)權(quán)值，為了防止模型出現(xiàn)過(guò)擬合現(xiàn)象，在輸出之前使用dropout層隨機(jī)失活部分神經(jīng)元。

(8) 輸出層： 將全連接層的512個(gè)權(quán)值經(jīng)過(guò)softmax函數(shù)得到一個(gè)二維得分矩陣，分別是受精蛋和無(wú)精蛋的得分系數(shù)。

2.2 卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練與測(cè)試

針對(duì)入孵前種鴨蛋光譜信息的卷積神經(jīng)網(wǎng)絡(luò)搭建完成后開始對(duì)其進(jìn)行訓(xùn)練，雖然卷積神經(jīng)網(wǎng)絡(luò)要求有大量數(shù)據(jù)進(jìn)行訓(xùn)練，本實(shí)驗(yàn)共采集499個(gè)入孵前種鴨蛋光譜信息樣本做二分類，針對(duì)光譜信息分類問題樣本數(shù)量已經(jīng)足夠。 卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練的核心思想是通過(guò)反向傳播連續(xù)的迭代，使得模型的預(yù)測(cè)值不斷地與實(shí)際值接近。 以CARS選取的特征波長(zhǎng)進(jìn)行訓(xùn)練為例，使用Adam優(yōu)化器選擇訓(xùn)練過(guò)程中最佳梯度下降方向，可加速模型的收斂。 使用均值平方差作為損失(loss)函數(shù)用來(lái)計(jì)算預(yù)測(cè)值與實(shí)際值的差值。 學(xué)習(xí)率(learning rate)初始化為0.00001，每次抽選8個(gè)樣本進(jìn)行訓(xùn)練(BatchSize=8)，dropout設(shè)置為0.5，迭代次數(shù)設(shè)置為20 000后開始訓(xùn)練。 訓(xùn)練過(guò)程中的損失函數(shù)變化趨勢(shì)如圖8，可以發(fā)現(xiàn)分類損失loss在訓(xùn)練的前6000次一直處于快速下降狀態(tài)，迭代到10 000次之后loss一直維持在較低水平，說(shuō)明模型達(dá)到收斂。

圖8 損失函數(shù)變化趨勢(shì)Fig.8 Trend of loss function

模型訓(xùn)練20 000次后對(duì)其進(jìn)行保存，然后將訓(xùn)練集、測(cè)試集、驗(yàn)證集共499個(gè)種鴨蛋二維光譜信息矩陣輸入到訓(xùn)練好的模型進(jìn)行測(cè)試，驗(yàn)證模型的性能。 SPA提取的種鴨蛋光譜特征矩陣進(jìn)行卷積操作與CARS類似，網(wǎng)絡(luò)的結(jié)構(gòu)完全相同。 模型測(cè)試結(jié)果如表3，從測(cè)試結(jié)果可以看出，SPA和CARS提取的特征波長(zhǎng)轉(zhuǎn)換為二維信息矩陣后，使用搭建的4層卷積神經(jīng)網(wǎng)絡(luò)建立入孵前種鴨蛋受精信息判別模型，從驗(yàn)證集和測(cè)試集的效果來(lái)看，模型未出現(xiàn)過(guò)擬合或者欠擬合現(xiàn)象，模型性能取得理想效果。

表3 模型測(cè)試結(jié)果Table 3 Model test results

3 結(jié) 論

利用可見-近紅外透射光譜技術(shù)及深度學(xué)習(xí)研究了種鴨蛋孵化前受精信息的無(wú)損檢測(cè)技術(shù)，通過(guò)研究分析獲得如下結(jié)論：

(1)通過(guò)對(duì)種鴨蛋孵化前光譜信息的分析，發(fā)現(xiàn)其特征波長(zhǎng)點(diǎn)主要分布在可見-近紅外波段(400～1 000 nm)范圍內(nèi)； 經(jīng)過(guò)SG預(yù)處理后，使用CARS選取的孵前種鴨蛋特征波長(zhǎng)分別建立了邏輯回歸、SVM、CNN判別模型，三者的測(cè)試集準(zhǔn)確率分別為78.52%，79.94%，97.41%； 使用SPA選取的孵前種鴨蛋特征波長(zhǎng)分別建立了邏輯回歸、SVM、CNN判別模型，三者的測(cè)試集準(zhǔn)確率分別為72.48%，87.39%和97.41%。 無(wú)論使用CARS還是SPA選取特征波長(zhǎng)后，使用卷積神經(jīng)網(wǎng)絡(luò)建立判別模型都取得了最佳的效果，與傳統(tǒng)的機(jī)器學(xué)習(xí)方法相比性能提升明顯；

(2)光譜數(shù)據(jù)經(jīng)過(guò)預(yù)處理和特征波長(zhǎng)選取后，將一維光譜數(shù)據(jù)轉(zhuǎn)換為二維光譜信息矩陣，實(shí)現(xiàn)了將卷積神經(jīng)網(wǎng)絡(luò)與光譜數(shù)據(jù)相結(jié)合，建立了種鴨蛋受精信息判別模型。 可以避免將1 361維數(shù)據(jù)直接用卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練帶來(lái)的維數(shù)爆炸問題，大大加快了模型訓(xùn)練與測(cè)試的速度；

(3)采用3個(gè)卷積層和1個(gè)全連接層組成的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)，對(duì)入孵前種鴨蛋光譜數(shù)據(jù)的分析取得了較好的效果。 為使用卷積神經(jīng)網(wǎng)絡(luò)方法對(duì)禽蛋光譜數(shù)據(jù)進(jìn)行分析提供了參考；

研究結(jié)果利用可見-近紅外透射光譜結(jié)合卷積神經(jīng)網(wǎng)絡(luò)對(duì)種鴨蛋入孵前受精信息無(wú)損檢測(cè)具有可行性，使用CARS和SPA選取的特征波長(zhǎng)建立的卷積神經(jīng)網(wǎng)絡(luò)模型驗(yàn)證集準(zhǔn)確率均為97.44%和98.29%，可以滿足部署到實(shí)際生產(chǎn)的精度要求，為后續(xù)相應(yīng)裝置的研發(fā)提供了模型支持。 但模型仍有再提高之處，使用的實(shí)驗(yàn)樣本僅為縉云麻鴨種蛋，后續(xù)需要采集其他地區(qū)鴨品種的種蛋光譜數(shù)據(jù)來(lái)提高模型的通用性。