یکی از مهم‌ترین مشکلات مرغداری، وجود تخم‌مرغ‌های بدون نطفه و با جنین مرده در دستگاه انکوباسیون است. وجود این تخم‌مرغ‌ها علاوه بر اشغال فضای دستگاه و کاهش راندمان جوجه‌کشی، باعث آلوده‌شدن سایر تخم‌مرغ‌ها نیز می‌شود. بنابراین، توسعه یک سامانه غیرمخرب برای تشخیص تخم‌مرغ‌های نطفه‌دار ترجیحاً قبل از شروع فرآیند انکوباسیون و حتی در روزهای اول آن می‌تواند گام مؤثری در افزایش راندمان جوجه‌کشی و جلوگیری از هدررفت میلیون‌ها تخم‌مرغ بدون نطفه‌ای داشته باشد که حتی در صورت تشخیص زودهنگام، می‌توانند به مصرف خوراکی برسند. تاکنون، روش‌های مختلفی برای تشخیص تخم‌مرغ‌های بدون نطفه و دارای جنین مرده توسعه یافته است. در این مطالعه، امکان استفاده از روش تصویر‌برداری ابرطیفی برای تشخیص زودهنگام تخم‌مرغ‌های بارور در قبل (روز صفر) و بعد از شروع انکوباسیون بررسی شد. بدین منظور، یک محفظه تصویربرداری به همراه منابع نور مؤثر طراحی و ساخته شد که در آن به کمک یک دوربین ابرطیفی در محدوده طیفی 400-1000 نانومتر، تصاویر ابرطیفی تخم‌مرغ‌ها قبل و حین فرآیند انکوباسیون تهیه ‌شد. برای تهیه تخم‌مرغ‌های نطفه‌دار و بدون نطفه یکسان از نظر سن مرغ، تغذیه و مدیریت نگهداری، تعداد 60 قطعه مرغ و 4 قطعه خروس نژاد های‌لاین خریداری و در مزرعه دانشگاه صنعتی اصفهان نگهداری شد. مرغ‌ها به دو زیرگله شامل 30 مرغ بدون خروس و 30 مرغ به همراه 4 خروس برای تهیه تخم‌مرغ‌های به ترتیب بدون نطفه و دارای شانس نطفه‌داری تقسیم شدند. نمونه‌ها روزانه جمع‌آوری و تصاویر ابرطیفی آن‌ها پس از اندازه‌گیری مشخصه‌های فیزیکی، جمع‌آوری ‌شد. سپس در حداقل زمان ممکن، نمونه‌ها وارد دستگاه انکوباسیون شده و تصاویر ابرطیفی آن‌ها در روزهای اول، دوم، سوم و چهارم تهیه ‌شد. از دو روش تحلیل داده‌های تصاویر ابرطیفی شامل تحلیل‌های طیفی و مکانی پیکسل-مبنا برای نطفه‌سنجی در قبل و بعد از فرآیند انکوباسیون و همچنین تشخیص روند رشد جنین استفاده شد. در تحلیل‌های طیفی، ابتدا پس‌زمینه حذف و داده‌های طیفی متعلق به کل ناحیه تخم‌مرغ استخراج شد. از این داده‌ها میانگین‌گیری و از طیف میانگین پیش‌پردازش شده با روش‌های مختلف به عنوان ورودی به مدل‌های مختلف طبقه‌بند شامل روش‌های مدلسازی نرم و مستقل شبا‌هت‌های بین کلاسی (SIMCA)، تحلیل‌های جداسازی خطی (LDA) و درجه دو (QDA) و شبکه‌های عصبی مصنوعی (ANN) استفاده شد. در تحلیل‌های مکانی، از اطلاعات طیفی تعداد 400 نقطه تصادفی در تصاویر ابرطیفی هر نمونه، به عنوان ورودی به مدل‌های ANN و یادگیری عمیق بکارگرفته شد. پس از اطمینان از عملکرد مدل‌های طبقه‌بند، این مدل‌ها بر روی تصاویر ابرطیفی دسته آزمون اعمال و تصاویر سودوکالر مربوط به آزمایشات نطفه‌سنجی و رشد جنین استخراج شدند. نتایج تحلیل‌های طیفی روز صفر نشان داد در استفاده از روش SIMCA، بهترین صحت طبقه‌بندی (67/86 درصد) با پیش‌پردازش‌های مشتق اول و دوم بدست آمد. با بررسی نمودار قدرت تفکیک، طول‌موج‌هایی که بیشترین تأثیر بر تفکیک دو کلاس را داشتند، استخراج شدند. سپس، تفاوت‌های طیفی بین دو جفت طول‌موج انتخاب شده برای شبیه‌سازی عملیات مشتق اول بکار گرفته و از آن‌ها به عنوان ورودی به مدل ANN استفاده شد. این مدل توانست با صحت 33/93 درصد، تخم‌مرغ‌های نطفه‌دار و بدون نطفه روز صفر را جدا کند. در تشخیص روند رشد جنین با استفاده از تحلیل‌های طیفی نیز، مدل ANN با پیش‌پردازش مشتق اول توانست با صحت‌های 10/96، 10/96، 81/94 و40/97 درصد، رشد جنین به ترتیب در روزهای اول، دوم، سوم و چهارم را تشخیص دهد. در تحلیل‌های مکانی پیکسل-مبنا، بهترین نتیجه در آزمایش نطفه‌سنجی روز صفر با پیش‌پردازش مشتق اول و روش مدلسازی ANN بدست آمد (صحت 83/95 درصد در مرحله آزمون). در مقایسه با بهترین مدل بدست آمده در تحلیل‌های طیفی، تحلیل مکانی پیکسل-مبنا توانست 5/2 درصد صحت را افزایش دهد. در تحلیل‌های مکانی پیکسل-مبنا برای تشخیص روند رشد جنین، مدل ANN توانست با صحت‌های 08/96، 20/90، 20/90 و 08/96 درصد، رشد جنین در روزهای اول، دوم، سوم و چهارم را تشخیص دهد. در مقایسه با تحلیل‌های طیفی، نتایج تحلیل‌های مکانی تشخیص جنین کمی ضعیف‌تر عمل کرد.

کلمات کلیدی: جوجه‌کشی، مرغ نژاد هایلان، پیش‌پردازش، تحلیل پردازش، شبکه‌های عصبی مصنوعی، فرآیند انکوباسیون.