24、鹌鹑蛋早期胚胎检测：热成像与深度学习的应用

鹌鹑蛋早期胚胎检测：热成像与深度学习的应用

1. 引言

在农业生产中，精准方法对于提高产量至关重要。对于动物生产而言，将精准技术与集约化养殖系统相结合，是提高生产力和可持续性的有效途径。在鹌鹑养殖中，目前存在一些亟待解决的问题。

传统的孵化方式存在精度低的问题，缺乏快速、高置信度的方法来识别早期未受精的蛋和死亡的胚胎，这导致了能源和空间的浪费。同时，在胚胎层面进行性别分离也缺乏实时方法和工业设备。常见的胚胎检测技术——照蛋法，既低效又耗人力，且主观性强，对于鹌鹑蛋来说，由于其体积小和蛋壳颜色多样，该方法并不适用。

近年来，计算机视觉（CV）方法结合深度学习神经网络（DNN）为胚胎检测带来了新的机遇。其中，YOLO目标检测算法是目前图像分类中速度快且准确的模型之一。而热成像相机能够克服光学相机对光反射的依赖，通过测量物体表面温度和红外光谱波长强度来获取辐射信息。本研究旨在探讨热成像微型相机在鹌鹑蛋早期胚胎检测中的潜力，以提高孵化率，并为自动孵化系统的进一步发展做出贡献。

2. 热成像原理

热成像作为一种非接触式无损检测方法，其辐射量可由材料发出的辐射、环境辐射和大气传输共同决定，公式如下：
[R_{cam} = \tau\varepsilon R_{mat} + \tau(1 - \varepsilon)R_{env} + (1 - \varepsilon)R_{atm}]
其中，(R_{cam})是相机读取的辐射量，(R_{mat})是感兴趣材料或物体发出的辐射量，(R_{atm})是大气辐射量。

热成像的解释面临一些挑战，主要包括以下几个方面：
- 透射率（(\tau