[发明专利]一种非破坏性禽蛋品质性状预测方法及系统

说明书

本发明公开了一种非破坏性禽蛋品质性状预测方法及系统，本方法包括采集样品禽蛋的图像数据集和基因型数据集；根据图像数据集和基因型数据集对预设的蛋品质性状预测模型进行训练，得到训练完成后的蛋品质性状预测模型；根据训练完成后的蛋品质性状预测模型从目标禽蛋的目标图像和目标DNA序列中预测目标禽蛋的表型性状。本发明结合禽蛋的外在图像数据与其所对应蛋鸡的基因型数据，通过构建蛋品质性状预测模型无损的反演出必须破坏后才能测定的禽蛋的表型性状，提升表型性状预测的结果的准确性。相较于现有方案，本发明更准确、简便、易行。

技术领域

本发明涉及蛋品质无损检测技术领域，特别涉及一种非破坏性禽蛋品质性状预测方法及系统。

背景技术

蛋品质性状是家禽在育种和生产中关注的重要的经济性状，家禽的蛋品质表型性状包括外在品质和内在品质两个方面，是典型的由微效多基因控制的数量性状，同时受环境、营养以及饲养管理等多个因素的影响。

虽然目前国内外有一些检测装置和实验室方法能检测禽蛋（家禽产出的蛋）相应的指标，但禽蛋品质的测定往往是破坏性的，现有的禽蛋品质检测的化学方法都是将蛋打破来测定一些理化因子，如蛋白品质和蛋黄品质等，这无疑是不利于育种生产实际的，而且破坏后的种蛋无法再孵化，也难以有效的揭示蛋品质性状对育种个体生长性能或繁殖性能的选择或影响。

发明内容

本发明旨在至少解决现有技术中存在的技术问题。为此，本发明提出一种非破坏性禽蛋品质性状预测方法及系统。能无损的反演出必须破坏后才能测定的禽蛋的表型性状，提升表型性状预测的结果的准确性。

本发明的第一方面，提供了一种非破坏性禽蛋品质性状预测方法，包括如下步骤：

采集样品禽蛋的图像数据集以及其相应蛋鸡的基因型数据集，所述图像数据集中包括多张已标注蛋品质表型性状的禽蛋图像，所述基因型数据集包括所述蛋鸡的DNA序列，所述DNA序列通过全基因组DNA重测序或靶向测序获得；

根据所述图像数据集和所述基因型数据集对预设的蛋品质性状预测模型进行训练，得到训练完成后的蛋品质性状预测模型；

根据训练完成后的蛋品质性状预测模型从目标禽蛋的目标图像和目标DNA序列中预测所述目标禽蛋的表型性状。

根据本发明的实施例，至少具有如下技术效果：

本方法克服现有检测装置检测的局限性及其实验室方法的复杂性与破坏性等问题，利用人工智能技术，结合禽蛋的外在图像数据与基因型数据，利用融合外部图像数据的外部特征和基因型信息，通过构建蛋品质性状预测模型无损的反演出必须破坏后才能测定的禽蛋的表型性状，提升表型性状预测的结果的准确性。本预测方法相较于现有方案更准确、简便、易行。

根据本发明的一些实施例，所述禽蛋图像包括可见光图像、红外图像和高光谱图像，所述高光谱图像包括多个波段的光谱图像。

根据本发明的一些实施例，所述根据所述图像数据集和所述基因型数据集对预设的蛋品质性状预测模型进行训练，包括：

根据深度卷积神经网络从所述图像数据集中提取图像特征；

根据DNA编码算法对所述基因型数据集中的DNA序列进行编码，得到编码结果，根据深度递归神经网络从所述编码结果中提取DNA序列特征；

融合所述图像特征和所述DNA序列特征，得到融合特征，并根据全连接层和softmax层从所述融合特征中预测所述样品禽蛋的表型性状。

根据本发明的一些实施例，所述深度卷积神经网络依次包括：卷积层、池化层、正则化层、递归层以及全连接层。

根据本发明的一些实施例，所述根据DNA编码算法对所述基因型数据集中的DNA序列进行编码，得到编码结果，根据深度递归神经网络从所述编码结果中提取DNA序列特征，包括：