在家禽繁育中,鸡胚蛋孵化是一个耗时、耗能的过程,大约需要21d。鸡胚蛋在自然情况下孵化,雌雄比例大致为1:1,由于目前无法进行胚胎孵化期的鸡胚蛋性别鉴别,一般在雏鸡出壳后根据羽毛的伴性遗传和翻肛观察生殖器官等人工方法判别雏鸡的性别,将雄性雏鸡淘汰,这不仅造成资源的严重浪费,而且搅拌打浆等雏禽宰杀方式也不符合动物福利养殖的原则。因此,对鸡胚蛋进行性别鉴别,按照市场需求调整雌雄鸡胚蛋孵化比例,不仅可以节省设备减少孵化成本,具有现实的产业效益,还能避免社会伦理道德问题。本课题以京粉1号鸡胚蛋为研究对象,通过光谱技术和模式识别方法对鸡胚蛋性别鉴别模型进行研究,从而实现对鸡胚蛋孵化早期的性别无损鉴别。本课题主要的研究内容和结论如下:(1)放置方式和孵化天数的确定。采集鸡胚蛋竖向大头朝上和横向2种放置方式下孵化0d-15d的透射光谱,并建立极限学习机(Extreme Learning Machine,ELM)和随机森林(Random Forest,RF)模型对比分析,发现竖向放置且孵化至第7d的鉴别效果最好,准确率达81.43%。(2)光谱预处理。将竖向放置且孵化至第7d的透射光谱根据光的性质初步分为5个不同的波段范围来分析,筛选出紫外/可见光波段(360nm-780nm)为鸡胚蛋性别鉴别的有效波段,鉴别准确率为84.29%;利用平滑、求导、光散射校正等多种算法进行光谱的预处理,得到最佳的预处理方法为多元散射校正(Multiplicative Scatter Correction,MSC),可有效减小由于光谱纵向偏移产生的误差。(3)特征波长筛选。为了选出反映雌雄鸡胚蛋差异的特征波长点,采用竞争性自适应重加权采样算法(Competitive Adaptive Reweighted Sampling,CARS)和连续投影算法(Successive Projection Algorithm,SPA)等2种方法,对紫外/可见光波段的光谱数据进行特征波长筛选并建立ELM模型进行对比分析,发现SPA筛选效果优于CARS。SPA筛选得到9个特征波长变量分别为366nm,368nm,373nm,388nm,398nm,415nm,417nm,438nm,458nm,大大减少了模型输入变量。(4)模型建立与优化。为确定ELM模型的最佳参数,本文在3种不同激活函数下对隐含层神经元个数进行寻优,得到紫外/可见光波段下ELM、CARS-ELM和SPA-ELM等3种判别模型的最佳参数组合;并用GA算法优化ELM的输入权值和隐含层阈值,结果3种判别模型的精度均有所提高,其中经SPA筛选特征波长的GA-ELM模型预测集准确率达87.14%,SPA使用的变量数仅占紫外/可见光波段的2.14%,且模型判别时耗更短。因此,鸡胚蛋性别鉴别最佳判别模型为紫外/可见光波段经SPA筛选特征波长的GA-ELM模型,其中雌性识别率为88.57%,雄性识别率为85.71%,单个样本的平均判别时间为0.0801ms。(5)软件开发。综合运用Qt和MATLAB混合编程的思想,完成软件设计和功能模块划分,开发了鸡胚蛋性别检测软件,实现了鸡胚蛋性别的无损检测。