一种非破坏性禽蛋品质性状预测方法及系统与流程

技术特征：
1.一种非破坏性禽蛋品质性状预测方法，其特征在于，包括如下步骤：采集样品禽蛋的图像数据集和所述样品禽蛋相应蛋鸡的基因型数据集，所述图像数据集中包括多张已标注蛋品质表型性状的禽蛋图像，所述基因型数据集包括所述蛋鸡的dna序列，所述dna序列通过全基因组dna重测序或靶向测序获得；根据所述图像数据集和所述基因型数据集对预设的蛋品质性状预测模型进行训练，得到训练完成后的蛋品质性状预测模型；根据训练完成后的蛋品质性状预测模型从目标禽蛋的目标图像和目标dna序列中预测所述目标禽蛋的表型性状。2.根据权利要求1所述的非破坏性禽蛋品质性状预测方法，其特征在于，所述禽蛋图像包括可见光图像、红外图像和高光谱图像，所述高光谱图像包括多个波段的光谱图像。3.根据权利要求2所述的非破坏性禽蛋品质性状预测方法，其特征在于，所述根据所述图像数据集和所述基因型数据集对预设的蛋品质性状预测模型进行训练，包括：根据深度卷积神经网络从所述图像数据集中提取图像特征；根据dna编码算法对所述基因型数据集中的dna序列进行编码，得到编码结果，根据深度递归神经网络从所述编码结果中提取dna序列特征；融合所述图像特征和所述dna序列特征，得到融合特征，并根据全连接层和softmax层从所述融合特征中预测所述样品禽蛋的表型性状。4.根据权利要求3所述的非破坏性禽蛋品质性状预测方法，其特征在于，所述深度卷积神经网络依次包括：卷积层、池化层、正则化层、递归层以及全连接层。5.根据权利要求3所述的非破坏性禽蛋品质性状预测方法，其特征在于，所述根据dna编码算法对所述基因型数据集中的dna序列进行编码，得到编码结果，根据深度递归神经网络从所述编码结果中提取dna序列特征，包括：根据onehot对所述dna序列进行编码，得到第一编码结果，根据dbe对所述dna序列进行编码，得到第二编码结果，根据ncp对所述dna序列进行编码，得到第三编码结果，根据k_mer对所述dna序列进行编码，得到第四编码结果；对所述第一编码结果至所述第四编码结果进行序列集成学习，得到序列集成学习结果；将所述序列集成学习结果输入至所述深度递归神经网络中，得到所述深度递归神经网络提取的dna序列特征。6.根据权利要求5所述的非破坏性禽蛋品质性状预测方法，其特征在于，根据xgboost对所述第一编码结果至所述第四编码结果进行序列集成学习。7.根据权利要求1至6任一项所述的非破坏性禽蛋品质性状预测方法，其特征在于，所述表型性状包括蛋白质含量、蛋白ph值、哈氏单位、卵磷脂含量、蛋黄颜色以及蛋黄比例。8.一种非破坏性禽蛋品质性状预测系统，其特征在于，包括：样本获取单元，用于采集样品禽蛋的图像数据集和所述样品禽蛋相应蛋鸡的基因型数据集，所述图像数据集中包括多张已标注蛋品质表型性状的禽蛋图像，所述基因型数据集包括所述蛋鸡的dna序列，所述dna序列通过全基因组dna重测序或靶向测序获得；模型训练模块，用于根据所述图像数据集和所述基因型数据集对预设的蛋品质性状预测模型进行训练，得到训练完成后的蛋品质性状预测模型；
模型预测单元，用于根据训练完成后的蛋品质性状预测模型从目标禽蛋的目标图像和目标dna序列中预测所述目标禽蛋的表型性状。9.一种电子设备，其特征在于：包括至少一个控制处理器和用于与所述至少一个控制处理器通信连接的存储器；所述存储器存储有可被所述至少一个控制处理器执行的指令，所述指令被所述至少一个控制处理器执行，以使所述至少一个控制处理器能够执行权利要求1至7任一项所述的非破坏性禽蛋品质性状预测方法。10.一种计算机可读存储介质，其特征在于：所述计算机可读存储介质存储有计算机可执行指令，所述计算机可执行指令用于使计算机执行权利要求1至7任一项所述的非破坏性禽蛋品质性状预测方法。

技术总结
本发明公开了一种非破坏性禽蛋品质性状预测方法及系统，本方法包括采集样品禽蛋的图像数据集和基因型数据集；根据图像数据集和基因型数据集对预设的蛋品质性状预测模型进行训练，得到训练完成后的蛋品质性状预测模型；根据训练完成后的蛋品质性状预测模型从目标禽蛋的目标图像和目标DNA序列中预测目标禽蛋的表型性状。本发明结合禽蛋的外在图像数据与其所对应蛋鸡的基因型数据，通过构建蛋品质性状预测模型无损的反演出必须破坏后才能测定的禽蛋的表型性状，提升表型性状预测的结果的准确性。相较于现有方案，本发明更准确、简便、易行。易行。易行。


技术研发人员：余沛毅 龙晓波 田冰川 贾高峰 叶昌荣 程计华 李为国 赵健
受保护的技术使用者：华智生物技术有限公司
技术研发日：2021.12.31
技术公布日：2022/4/5