使用低成本的成像设备和机器学习对胚胎进行基于形态的卵内性别分离

科学领域:

• 动物科学动物科学
• 农业技术 农业技术
• 机器学习应用 机器学习应用

背景情况:

• 产卵行业经常屠杀雄,引发了伦理和动物福利方面的担忧.
• 目前用于确定胚胎性别的方法是侵入性的,昂贵的和耗时的.
• 需要一种人道而高效的替代方法来识别胚胎的性别在化前.

研究的目的:

• 开发一种低成本,非侵入性的方法,利用卵形态学来预测胚胎的性别.
• 评估在蛋成像数据上训练的机器学习模型的准确性.
• 为禽业的道德挑战提供可扩展的解决方案.

主要方法:

• 使用智能手机和灯箱构建了一个定制的成像设备,用于一致的蛋图像捕捉.
• 测量了蛋的形态特征 (长度,宽度,面积,离心率,范围).
• 机器学习模型,包括广泛的神经网络,经过训练,根据蛋形态来预测胚胎的性别.

主要成果:

• 广泛的神经网络模型在预测胚胎性别方面达到最高准确率88.9%,平均准确率为81.5%.
• 定制成像设备在捕捉蛋形态方面表现出与昂贵的工业3D扫描仪相似的准确性.
• 开发的方法显示,有可能防止每年数十亿只雄的屠杀.

结论:

• 这种非侵入性卵子成像和机器学习方法为胚胎的性别确定提供了可行的和道德的替代方案.
• 该方法有可能显著改善禽业的动物福利和可持续性.
• 预计将进一步提高准确性和适应不同行业环境的适应性.