نطفه‌سنجي و ارزيابي زودهنگام رشد جنين تخم‌مرغ با استفاده از تصويربرداري ابرطيفي مرئي - فروسرخ نزديك

اصفهان : دانشگاه صنعتي اصفهان

مكانيك بيوسيستم

دكتري

يكي از مهم‌ترين مشكلات مرغداري، وجود تخم‌مرغ‌هاي بدون نطفه و با جنين مرده در دستگاه انكوباسيون است. وجود اين تخم‌مرغ‌ها علاوه بر اشغال فضاي دستگاه و كاهش راندمان جوجه‌كشي، باعث آلوده‌شدن ساير تخم‌مرغ‌ها نيز مي‌شود. بنابراين، توسعه يك سامانه غيرمخرب براي تشخيص تخم‌مرغ‌هاي نطفه‌دار ترجيحاً قبل از شروع فرآيند انكوباسيون و حتي در روزهاي اول آن مي‌تواند گام مؤثري در افزايش راندمان جوجه‌كشي و جلوگيري از هدررفت ميليون‌ها تخم‌مرغ بدون نطفه‌اي داشته باشد كه حتي در صورت تشخيص زودهنگام، مي‌توانند به مصرف خوراكي برسند. تاكنون، روش‌هاي مختلفي براي تشخيص تخم‌مرغ‌هاي بدون نطفه و داراي جنين مرده توسعه يافته است. در اين مطالعه، امكان استفاده از روش تصوير‌برداري ابرطيفي براي تشخيص زودهنگام تخم‌مرغ‌هاي بارور در قبل (روز صفر) و بعد از شروع انكوباسيون بررسي شد. بدين منظور، يك محفظه تصويربرداري به همراه منابع نور مؤثر طراحي و ساخته شد كه در آن به كمك يك دوربين ابرطيفي در محدوده طيفي 400-1000 نانومتر، تصاوير ابرطيفي تخم‌مرغ‌ها قبل و حين فرآيند انكوباسيون تهيه ‌شد. براي تهيه تخم‌مرغ‌هاي نطفه‌دار و بدون نطفه يكسان از نظر سن مرغ، تغذيه و مديريت نگهداري، تعداد 60 قطعه مرغ و 4 قطعه خروس نژاد هاي‌لاين خريداري و در مزرعه دانشگاه صنعتي اصفهان نگهداري شد. مرغ‌ها به دو زيرگله شامل 30 مرغ بدون خروس و 30 مرغ به همراه 4 خروس براي تهيه تخم‌مرغ‌هاي به ترتيب بدون نطفه و داراي شانس نطفه‌داري تقسيم شدند. نمونه‌ها روزانه جمع‌آوري و تصاوير ابرطيفي آن‌ها پس از اندازه‌گيري مشخصه‌هاي فيزيكي، جمع‌آوري ‌شد. سپس در حداقل زمان ممكن، نمونه‌ها وارد دستگاه انكوباسيون شده و تصاوير ابرطيفي آن‌ها در روزهاي اول، دوم، سوم و چهارم تهيه ‌شد. از دو روش تحليل داده‌هاي تصاوير ابرطيفي شامل تحليل‌هاي طيفي و مكاني پيكسل-مبنا براي نطفه‌سنجي در قبل و بعد از فرآيند انكوباسيون و همچنين تشخيص روند رشد جنين استفاده شد. در تحليل‌هاي طيفي، ابتدا پس‌زمينه حذف و داده‌هاي طيفي متعلق به كل ناحيه تخم‌مرغ استخراج شد. از اين داده‌ها ميانگين‌گيري و از طيف ميانگين پيش‌پردازش شده با روش‌هاي مختلف به عنوان ورودي به مدل‌هاي مختلف طبقه‌بند شامل روش‌هاي مدلسازي نرم و مستقل شبا‌هت‌هاي بين كلاسي (SIMCA)، تحليل‌هاي جداسازي خطي (LDA) و درجه دو (QDA) و شبكه‌هاي عصبي مصنوعي (ANN) استفاده شد. در تحليل‌هاي مكاني، از اطلاعات طيفي تعداد 400 نقطه تصادفي در تصاوير ابرطيفي هر نمونه، به عنوان ورودي به مدل‌هاي ANN و يادگيري عميق بكارگرفته شد. پس از اطمينان از عملكرد مدل‌هاي طبقه‌بند، اين مدل‌ها بر روي تصاوير ابرطيفي دسته آزمون اعمال و تصاوير سودوكالر مربوط به آزمايشات نطفه‌سنجي و رشد جنين استخراج شدند. نتايج تحليل‌هاي طيفي روز صفر نشان داد در استفاده از روش SIMCA، بهترين صحت طبقه‌بندي (67/86 درصد) با پيش‌پردازش‌هاي مشتق اول و دوم بدست آمد. با بررسي نمودار قدرت تفكيك، طول‌موج‌هايي كه بيشترين تأثير بر تفكيك دو كلاس را داشتند، استخراج شدند. سپس، تفاوت‌هاي طيفي بين دو جفت طول‌موج انتخاب شده براي شبيه‌سازي عمليات مشتق اول بكار گرفته و از آن‌ها به عنوان ورودي به مدل ANN استفاده شد. اين مدل توانست با صحت 33/93 درصد، تخم‌مرغ‌هاي نطفه‌دار و بدون نطفه روز صفر را جدا كند. در تشخيص روند رشد جنين با استفاده از تحليل‌هاي طيفي نيز، مدل ANN با پيش‌پردازش مشتق اول توانست با صحت‌هاي 10/96، 10/96، 81/94 و40/97 درصد، رشد جنين به ترتيب در روزهاي اول، دوم، سوم و چهارم را تشخيص دهد. در تحليل‌هاي مكاني پيكسل-مبنا، بهترين نتيجه در آزمايش نطفه‌سنجي روز صفر با پيش‌پردازش مشتق اول و روش مدلسازي ANN بدست آمد (صحت 83/95 درصد در مرحله آزمون). در مقايسه با بهترين مدل بدست آمده در تحليل‌هاي طيفي، تحليل مكاني پيكسل-مبنا توانست 5/2 درصد صحت را افزايش دهد. در تحليل‌هاي مكاني پيكسل-مبنا براي تشخيص روند رشد جنين، مدل ANN توانست با صحت‌هاي 08/96، 20/90، 20/90 و 08/96 درصد، رشد جنين در روزهاي اول، دوم، سوم و چهارم را تشخيص دهد. در مقايسه با تحليل‌هاي طيفي، نتايج تحليل‌هاي مكاني تشخيص جنين كمي ضعيف‌تر عمل كرد.

226965

طراحي و ساخت

مهندسي كشاورزي

دانشگاه صنعتي اصفهان