[0001] 本发明涉及蛋品质无损检测技术，特别涉及一种构建蛋黄体积‑蛋黄重量模型的方法和蛋黄比例预测方法。

[0002] 品种选育对于产业发展而言至关重要。以家禽鸡为例，每一只种鸡处于繁育金字塔的塔尖，从纯代鸡种繁育到祖代、父母代再到商品代的蛋鸡，有1:24万倍的放大效应，即纯代鸡种的选育对后代有巨大影响。

[0003] 蛋黄比例指蛋黄重量占全蛋重量的百分比，不同鸡种所产鸡蛋的蛋黄比例具有显著的差异。研究表明，蛋黄比例的遗传力为中等,数值大约在0.2～0.4之间，通过对蛋黄比例的选择，能够同时实现对蛋黄和蛋重的选择，从而进行品种选育。

[0004] 传统蛋黄比例的测定需要在测量全蛋重后将鸡蛋打破，去除蛋白和系带，测定蛋黄重量，计算蛋黄占整个蛋重的百分比，传统做法既费时又费力，检测效率低下。打破的鸡蛋也无法完整销售，造成浪费，仅适用于抽样检查，在生产上很难得到应用。

[0048] 下面结合附图和具体实施方式对本发明作进一步说明，实施例仅为了解释本发明，但不限定于本发明。

[0049] 本发明中未注明具体技术或条件的，按照本领域内的惯常做法进行处理。本发明所用鸡蛋样本为选自市场销售的常规产品。

[0050] 本实施例提供了一种构建蛋黄体积‑蛋黄重量模型的方法，

[0051] 构建蛋黄体积‑蛋黄重量模型用于根据蛋黄体积预测蛋黄重量，构建步骤如下：

[0052] 物理测定：采用物理称重的方式测量鸡蛋样本的全蛋重量及蛋黄重量；操作方法为在测量全蛋重量后，将鸡蛋打破，去除蛋白和系带，测定蛋黄重量，进而得到全蛋重量和蛋黄重量。

[0053] 图像采集：采用核磁共振成像系统，基于核磁共振成像技术对鸡蛋样本进行扫描，输出鸡蛋的图像数据。

[0054] 参数测定：使用鸡蛋的图像数据可视化软件，对图像数据中的蛋黄和蛋白进行分割，得到样本的蛋黄体积值。

[0055] 模型构建：随机将样本分为训练集样本和验证集样本；采用数据分析软件对训练集样本的蛋黄体积值和蛋黄重量检测值进行相关性分析，根据相关性分析结果，进行回归分析，得到蛋黄体积‑蛋黄重量模型。

[0056] 模型验证：使用验证集样本对蛋黄体积‑蛋黄重量模型进行验证，获得验证结果，若验证结果满足预设条件，则确定蛋黄体积‑蛋黄重量模型为最终输出模型。

[0057] 本实施例提供的构建蛋黄体积‑蛋黄重量模型的方法，包括如下步骤：

[0058] 物理测定：通过物理称重得到鸡蛋样本的全蛋重量和蛋黄重量检测值；样本随机选取，分为训练集样本和验证集样本。

[0059] 具体地，用电子称检测鸡蛋及蛋黄的重量，优选的，采用多次检测取平均值的方法以增加样品检测的准确性，每个鸡蛋测量3次，取平均值作为检测值。其中，为了增加训练集样本的多样性，可以依据尺寸、重量、颜色挑选不同的鸡蛋作为样本。挑选小(<48g)、中(48‑58g)、大(58‑68g)三种尺寸的新鲜鸡蛋各10枚，蛋重在38.2‑66.5g之间。同时，蛋壳的颜色包括白、粉、褐三种，共计30枚鸡蛋作为训练集样本。训练集样本的相关参数见表1。

[0060] 表1鸡蛋样本的选择

[0061]

[0062] 验证集样本不同于训练集样本，本实施例随机选择30枚商品蛋作为验证集样本，蛋重介于43.2至66.1g之间，平均蛋重为58.13g。

[0063] 图像采集，采用核磁共振成像系统对样本进行扫描，输出图像数据。

[0064] 具体地，由于鸡蛋自身的生物构造，鸡蛋的蛋黄和蛋白之间组分差异较大，在核磁信号作用下，各组分反馈的弛豫信号强度不同，使得核磁共振图像中能够非常清晰地辨别出鸡蛋内部各组织结构的差异，可清晰地区分蛋白和蛋黄。

[0065] 为提高蛋黄和蛋白之间的信号对比度。可以采用不同的核磁共振成像系统，选择不同的加权图像、设定不同的扫描参数和角度对鸡蛋进行扫描。本实施例采用1.5T核磁共振成像系统，将鸡蛋放置在核磁共振成像系统中。由于T2序列在蛋黄和蛋白之间产生了更高的信号对比度，因此选择T2加权图像来呈现结果。对鸡蛋进行矢状面的T2序列扫描，设定扫描参数为：TR＝1600ms，TE＝272ms，体素0.63mm×0.63mm×0.63mm，翻转角20度，矩阵256×192，视野160mm×160mm，层厚8mm，数据输出为DICOM格式。核磁共振成像系统的扫描参数设置界面见图1。

[0066] 参数测定，使用图像数据可视化软件，对鸡蛋的图像数据中的蛋黄和蛋白进行分割，得到样本的蛋黄体积值。

[0067] 具体地，本实施例选择3D Slicer(3D Slicer 5.6.1版本)软件作为图像数据可视化软件，将DICOM图像数据文件导入后，调节Volumes体数据的窗宽窗位改变图片的灰度，再点击Threshold(阈值)按钮，调整合适阈值，对图片进行分割，从而实现对蛋黄和蛋白的分割和显示。经过初始强度阈值处理后，进行手动校正。点击Show 3D即可生成蛋黄的3D结构图。经3D Slicer软件预处理后鸡蛋的核磁共振图像如图3所示。利用3D Slicer软件进行分析并进行蛋黄的体积提取，得到各鸡蛋的蛋黄体积值。

[0068] Volumes体数据的窗宽窗位为CT‑brain软件推荐值，使用减法操作来分割蛋黄。减法操作是通过从原始图像中减去另一个图像来实现的，其中被减去的图像通常包含了想要排除的背景或无关区域。在研究中，发明人选择了蛋清作为背景图像，因为其是拟从图像中去除的部分。通过观察直方图和手动调整阈值滑块找到最佳的阈值范围，所选阈值范围应当确保背景图像(蛋清)的灰度值被有效地从原始图像中分离出来。之后在“阈值”模块中选择“减法”(Subtract)选项，并指定蛋清作为减数。然后，点击“应用”(Apply)按钮，3D Slicer执行减法操作，从而将蛋黄分割出来。

[0069] 更具体地操作步骤包括：

[0070] 原始图像的预处理：图像加载完成后，软件默认显示三个正交切面视图。为便于观察，增加Volumes体数据视图，并调整显示参数。操作步骤如下：依次点击“Active Volume”与“presets”模块，选择待建模的序列，并选择“CT‑brain”预设以调节原始图像。

[0071] 蛋黄的分割及三维模型的建立：

[0072] 使用3D Slicer的“Segment Editor”模块进行蛋黄的分割。目的是精确描绘并分割出蛋黄结构。操作步骤如下：进入“Segment Editor”体积分割页面，点击“Add”添加新片段，再点击“Threshold”调整阈值进行图像分割。本过程创建两个片段，分别命名为“albumen”(蛋白)和“total”(整体)；对蛋白区域进行修饰，确保其完全覆盖蛋白，使用“Islands”和“Smoothing”工具；通过“Logical Operators”逻辑操作模块提取蛋黄，操作选择“Subtract”，用整体选区减去蛋白选区，以精确分割出蛋黄。对每个蛋黄进行分离，并使用“show 3D”功能生成三维立体模型，结果见图4。

[0073] 蛋黄体积的自动计算：在3D Slicer软件中，通过选择体积模块，计算所有已分割得到的蛋黄体积。

[0074] 蛋黄体积值与蛋黄重量检测值的获取没有顺序要求，在模型构建前完成即可。

[0075] 模型构建，采用数据分析软件对训练集样本的蛋黄体积值和蛋黄重量检测值进行相关性分析，根据相关性分析结果，进行回归分析，得到蛋黄体积‑蛋黄重量模型。

[0076] 具体地，在进行相关性分析前，可以先对样本进行正态性检验，判断样本的选取是否合理。本实施例除去因人为失误打破蛋黄和核磁设备检测结果异常(扫描图像出现伪影或者模糊感)，共采集27枚鸡蛋样品的数据。将得到的蛋黄体积值与蛋黄重量对应记录下来，采用IBM SPSS Statistics26版本软件对30枚鸡蛋的重量进行正态性检验。结果如图2所示，其中图2(A)为鸡蛋重量频率直方图，横坐标代表重量分布范围，纵坐标代表对应重量出现的频率，通过绘制正态曲线，表明鸡蛋重量满足正态分布，且重量平均值为51.56g，标准差为9.085，数量为27；图2(B)为鸡蛋重量P‑P图，横坐标代表实测累积概率，纵坐标代表预期累积概率，图中的样本点基本落在y＝x附近，呈一条直线，表明鸡蛋重量满足正态分布，因此样本的选取合理。

[0077] 利用SPSS软件对鸡蛋的蛋黄重量和蛋黄体积值进行Pearson相关性分析，结果表明，蛋黄重量与建模得到的蛋黄体积呈正相关，R＝0.961，P<0.01，相关系数具有较好的统计学意义，显著性较好。在另一些实施例中，如Pearson相关系数R的范围在0.7‑1之间，则认为蛋黄重量与蛋黄体积具有相关性，可用于模型构建。

[0078] 由于蛋黄重量和蛋黄体积值之间存在较高的相关，进一步进行回归分析寻求两者之间的具体形式。

[0079] 采用一元线性模型，利用蛋黄体积值预测蛋黄重量。线性回归分析结果显示，蛋黄体积值(X)可以显著预测蛋黄重量(Y)。一元线性回归方程为：

[0080] Y＝0.224+1.154X；一元线性回归方程的决定系数R2＝0.924。

[0081] 在另一些实施例中，得到不同的一元线性回归方程。如一元线性回归方程的决定2
系数R的范围在0.7‑1之间，则认为蛋黄体积值(X)可以显著预测蛋黄重量(Y)。

[0082] 模型验证，使用验证集样本对蛋黄体积‑蛋黄重量模型进行验证，获得验证结果，若验证结果满足预设条件则确定模型为最终输出模型。

[0083] 具体地，将验证集鸡蛋的蛋黄体积值输入至一元线性模型当中，对模型的预测结果进行验证。验证方式可以选自下述中的一种或多种，并根据实际需求选择不同的模型作为最终输出模型。

[0084] 验证方式1：根据拟合度判断模型预测效果，可根据不同的需求选择具有不同拟合2
度的模型作为最终输出模型。例如，当拟合优度R≥0.7时，判定模型的拟合优度好、相关程度高，可作为最终输出模型；和/或当MRE值≤5％时，判定模型预测结果稳定性好，偏差小，预测效果较好，可作为最终输出模型。本实施例利用验证集鸡蛋样本对模型进行验证，预测
2
结果如表2所示。预测结果显示拟合优度R 大于0.7，说明该模型的拟合优度好、相关程度高。预测结果的MRE值为1.53％，说明模型预测结果稳定性好，偏差小，预测效果较好。因此，可以通过模型根据蛋黄体积值预测蛋黄重量，再比上全蛋重量，从而用于蛋黄比例的预测。

[0085] 表2一元线性模型预测结果

[0086]

[0087] 注：R2，拟合优度/决定系数；RMSE，均方根误差；MRE，平均相对误差。

[0088] 验证方式2：根据秩相关分析判断模型预测效果，可根据不同的需求选择具有不同秩相关系数的模型作为最终输出模型。例如，当秩相关系数≥0.5时，判定模型的预测效果较好；当秩相关系数≥0.7时，判定模型的预测效果好，可作为最终输出模型。本实施例对验证集蛋黄重量检测值和预测值进行秩相关分析，结果如表3所示。秩相关系数R为0.891，P<0.01，相关系数具有较好的统计学意义，显著性较好，说明了模型预测效果较好，可以根据蛋黄体积预测蛋黄重量，从而用于无损预测鸡蛋的蛋黄比例。

[0089] 表3验证集蛋黄重量检测结果与预测结果的秩相关分析

[0090]

[0091] 注：N1，验证集样本含量；M，平均值；SD，标准差；R，秩相关系数。

[0092] 验证方式3：根据绘制散点图判断模型预测效果，可通过观察数据点的分布，根据不同的需求选择最终输出模型。例如，若大于预设数量的数据点紧密围绕直线y＝x(即预测值等于实际值)分布，表明模型的预测准确度高，从而确认模型的有效性，可作为最终输出模型。本实施例绘制验证集鸡蛋蛋黄重量的预测散点图，如图5所示。图中横坐标代表验证集鸡蛋蛋黄重量检测值，纵坐标代表验证集鸡蛋蛋黄重量预测值，越靠近直线y＝x，表示检测值和预测值越接近。观察该图可知，大于预设数量的数据点，即大部分数据点分布在直线y＝x附近，说明实测值和预测值较接近，表明蛋黄重量的预测结果可靠。

[0093] 验证方式4：根据绘制残差图判断模型预测效果，可通过观察数据点的分布，根据不同的需求选择最终输出模型。例如，残差图显示随机分布且均匀分布在0线周围，这通常意味着模型没有系统误差，并且预测是准确的，判定模型的预测效果较好，可作为最终输出模型。若残差图显示某种模式(如漏斗形、弯曲等)，这可能表明模型存在异方差性或其他问题。本实施例绘制验证集鸡蛋蛋黄重量的预测残差图，如图6所示。图中横坐标代表样本编号，纵坐标代表残差值。数据点在0轴上方，代表检测值大于预测值，在0轴下方，代表检测值小于预测值。从图中可以看出蛋黄重量有57.9％的数据点位于水平0轴的上方。说明蛋黄重量的预测值低于检测值样本稍多，但检测值和预测值之间误差较小，且总体偏差正负分布均匀，表明蛋黄重量预测结果可靠。

[0094] 本发明还提供了基于上述构建蛋黄体积‑蛋黄重量模型的方法得到的基于蛋黄体积预测蛋黄重量的模型，即蛋黄体积‑蛋黄重量模型，以及其在无损预测蛋黄比例方面的应用。

[0095] 具体地，应用方法是将蛋黄体积值输入上述蛋黄体积‑蛋黄重量模型，得到蛋黄重量的预测值，根据预测值和全蛋重量，得到蛋黄比例的预测值。

[0096] 蛋黄体积值可通过前述图像采集、参数测定步骤获得。全蛋重量通过物理称重获得。

[0097] 对比例1：B型超声法

[0098] B型超声，简称B超。是指使用超声探头发射超声波给物体，记录物体内部结构的回波，将回波进行处理而形成灰度图像，以反映物体的内部结构。但是一些材料，例如骨头或者金属，具有能够阻断或者歪曲超声波的物理特性。本对比例使用配备6.5MHz直肠探头的兽用B超仪来对鸡蛋进行扫描，发现超声波也无法透过蛋壳，该方法不具有可行性。

[0099] 对比例2：CT(Computed Tomography，计算机断层扫描)法

[0100] CT成像是利用X线束扫描待观测的物体。医学上利用X射线束对人体某部位进行断层扫描，获得人体被检部位的断面或立体图像。它可以提供人体被检查部位的完整三维信息，可使器官和结构清楚显影。然而CT属于密度成像，内部结构密度不同，对射线的吸收率不同，通过后处理系统产生的密度差别的图像。因此CT只能辨别有密度差的组织，对软组织的分辨力不高。蛋白与蛋黄的密度十分接近，CT扫描的效果并不是特别理想。此外，由于CT是利用电离辐射来成像的，射线有一定的致畸风险，可能会对种蛋的孵化造成一定的不良影响。

[0101] MRI是一种较新的医学成像技术，它采用静磁场和射频磁场使组织成像，属于水质子成像，利用外加磁场改变水质子周围电子的自旋方向，然后通过这个原理产生的质子成像。在成像过程中，既不用电子离辐射、也不用造影剂就可获得高对比度的清晰图像。与CT相比，它具有无放射线损害，无骨性伪影，能多方面、多参数成像，有高度的软组织分辨能力。已广泛用于检测蛋品质及监测鸡胚孵化等领域。

[0102] 采用CT与MRI分别对23枚褐壳蛋鸡所产的鸡蛋进行扫描，之后利用图像数据可视化软件进行三维图像重建，并通过上述参数测定、模型构建步骤得到蛋黄体积值与实际测量所得蛋黄重量的相关系数，结果见表4。Pearson秩相关系数分别为0.369(CT)和0.758(MRI)，结果表明CT扫描得到的蛋黄体积值与蛋黄重量的相关性不显著，而MRI扫描得到的蛋黄体积值与蛋黄重量的相关性则极为显著。这一结果证实了CT和MRI均能有效获取鸡蛋内部结构的信息，但基于MRI技术所建立的模型在准确性上明显优于CT法。

[0103] 表4不同影像学方法的秩相关分析

[0104]

[0105]

[0106] 注：N2表示CT或MRI扫描的鸡蛋个数；M：平均值；SD：标准差；R：蛋黄体积与蛋黄重量的相关系数；**表示P<0.01。

[0107] 对比例3：MRI扫描对种蛋孵化率的影响。

[0108] 发育中的胚胎易受到物理和化学物质的损伤，Lei Chen等人利用MRI监测鸡胚在孵化期间的发育情况(Chen L,Wang Z,Fu X,et al.Dynamic 3D morphology of chick embryos and allantois depicted nondestructively by 3.0T clinical magnetic resonance imaging.Poult Sci.2023)，试验结果表明20枚经磁共振扫描后孵化的种蛋，在21天孵化率达到了100％，MRI扫描对孵化率的影响较小，扫描后的种蛋可以继续孵化。

[0109] 本对比例选取白来航种蛋60枚均分为MRI组和对照组，对MRI组30枚进行1.5T核磁扫描，扫描时间为29min34s，对照组不进行扫描处理。之后，将60枚种蛋同时放入孵化器中进行孵化，在孵化的第21天统计两组种蛋的孵化率及健雏率。用SPSS软件对MRI组和对照组的结果进行卡方检验，结果见表5、表6。卡方检验结果显示，两组孵化率差异不显著，两组健雏率差异也不显著。因此，借助MRI扫描来筛选适宜蛋黄比例的种蛋，该方案是可行的。

[0110] 表5MRI扫描对种蛋孵化率的影响

[0111]

[0112] 以上具体示例可以说明本发明实施例提供的模型及预测方法可有效地满足选种育种过程的需求。

[0113] 以上仅为本申请的实施例而已，并不用于限制本申请。对于本领域技术人员来说，本申请可以有各种更改和变化。凡在本申请的精神和原理之内所作的任何修改、等同替换、改进等，均应包含在本申请的权利要求范围之内。