在预化和早期化时使用超光谱成像和可解释的人工智能进行非破坏性胚胎死亡率预测
M W Ahmed1, J L Emmert2, M Kamruzzaman1
1The Grainger College of Engineering, College of Agricultural, Consumer and Environmental Sciences, Department of Agricultural and Biological Engineering, University of Illinois Urbana-Champaign, Urbana, IL, USA.
British poultry science
|February 20, 2026
概括
可见近红外高光谱成像与机器学习相结合,准确地预测了胚胎死亡率. 这种非破坏性方法可以在化前和化期间识别早期死亡率,有助于家禽管理.
科学领域:
- 农业科学 农业科学
- 生物技术是生物技术.
- 频谱学是一种光谱学.
背景情况:
- 早期发现胚胎死亡率对于家禽业的效率至关重要.
- 需要使用非破坏性方法来评估胚胎的生存能力,而不影响化率.
研究的目的:
- 评估可见近红外高光谱成像 (Vis-NIR HSI) 结合机器学习和可解释的AI来预测胚胎死亡率.
- 在化前和化4天后 (ED4) 评估预测准确性.
主要方法:
- 开发并验证了部分最小平方差分分析 (PLS-DA),随机森林 (RF) 和分类增强 (CatBoost) 模型.
- 利用原始和合成数据与光谱预处理和特征选择.
- 解释了使用Shapley增量解释 (SHAP) 解释AI的最佳模型.
主要成果:
- PLS-DA模型在预化 (86.7%的试验组) 和ED4 (97.3%的试验组) 死亡分类方面取得了高准确性.
- 使用减少光谱特征的模型显示出强大的预测性能,效率和可解释性.
- SHAP分析确定了与胚胎水合,血液形成和新陈代谢相关的关键波长.
结论:
- 具有机器学习的Vis-NIR HSI提供了一种强大的,非破坏性的方法,用于预测幼早期胚胎死亡率.
- 通过SHAP解释增强的PLS-DA模型,为胚胎生存能力指标提供了有价值的见解.
- 这项技术在改善家禽养殖和管理实践方面具有重大潜力.
