基于可见-近红外光谱的鸡只粪便分类判别.pdf

基于可见-近红外光谱的鸡只粪便分类判别周敏，崔志航，单蕾（中国农业大学工学院，北京100083）摘要：鸡只粪便的性状是反映鸡只健康状况的重要特征之一，不同性状的鸡便往往与特定的疾病相关联。针对鸡只粪便性状主要依靠人工监测，存在速度慢且易发生交叉感染等问题，该研究提出一种基于可见-近红外光谱技术的鸡只粪便分类判别模型。首先，通过扫描 4 类典型的鸡只粪便样本（正常粪便、红血丝粪便、绿色粪便和饲料粪便）在400900nm 波段范围的光谱数据，对每一类别的鸡便样本按随机性原则以 31 划分为校正集和测试集。其次，分别采用多元散射校正、SG 卷积平滑和标准差标准化进行数据预处理，并建立偏最小二乘判别分析模型，根据模型评价指标确定最优预处理方法。然后，使用主成分分析、竞争性自适应重加权采样、改进的混合蛙跳 3 种方法对预处理后的样本进行数据降维，并最终建立分类判别模型。结果表明：基于模型评价指标确定最优数据预处理方法后，再采用改进后的混合蛙跳降维方法建立的判别模型区分正常粪便、红血丝粪便、绿色粪便表现最优，测试集判别准确率分别为92.27%、92.59%、100%；而对于饲料粪便，所选 3 种降维方法建立的判别模型，其测试集准确率均可达 100%。因此，通过可见-近红外光谱检测手段，结合特征波长优选与偏最小二乘判别分析，可以有效判别不同类型的鸡只粪便，为实现鸡病智能化监测提供技术支持。关键词：光谱；判别分析；鸡只粪便；偏最小二乘判别分析；特征波长优选；分类判别；可见-近红外光谱doi：10.11975/j.issn.1002-6819.202304145中图分类号：S858.31文献标志码：A文章编号：1002-6819(2023)-14-0200-07周敏，崔志航，单蕾.基于可见-近红外光谱的鸡只粪便分类判别J.农业工程学报，2023，39(14)：200-206.doi:10.11975/j.issn.1002-6819.202304145http:/www.tcsae.orgZHOUMin,CUIZhihang,SHANLei.Classificationanddiscriminationofchickenfecesusingvisible-nearinfraredspectroscopyJ.TransactionsoftheChineseSocietyofAgriculturalEngineering(TransactionsoftheCSAE),2023,39(14):200-206.(inChinesewithEnglishabstract)doi:10.11975/j.issn.1002-6819.202304145http:/www.tcsae.org0引言鸡只粪便与鸡只健康状况有着紧密联系，不同颜色、性状的粪便与不同的鸡病相关联1-2，因此鸡便是畜禽养殖人员最为关注的对象。目前，鸡便的监测主要依靠有经验的工作人员或兽医人工巡检进行判断，主观性强，准确性低，且易引发人与动物的交叉感染。因此，十分有必要采用先进的检测技术对鸡的粪便进行分析判断，以提高鸡便判别效率和准确性，为智能化、无人化养殖3-7提供技术支持。可见-近红外光谱检测技术因其简单、快速、准确等优点8-10，近年来已在动物疾病诊断、动物生产信息和动物组分检测11-13方面取得了一定的研究进展。梁亮等14获取粪便的可见-近红外光谱数据并建立判别模型对高山麝慢性肠炎进行诊断，诊断准确率达 93.3%，疾病检出率达 100%。TOLLESON 等15对牛和马在蜱虫轻微和严重感染状态下所产生的粪便进行分析，提出一种通过功能性近红外光谱成像技术手段分析蜱虫感染严重程度的判定方法。WALKER 等16对山羊粪便的近红外光谱研究发现，山羊的品种、年龄、性别都会对粪便光谱产生影响。ATANASSOVA 等17用近红外光谱技术（波长为 4001100nm）检测牛奶样品中的体细胞数量并通过偏最小二乘法建立变量数为 10 的判别模型，判定奶牛是否患有乳腺炎。在动物生产信息方面，LI 等18采集绵羊粪便光谱数据并建立偏最小二乘模型和逐步回归模型检测绵羊日粮的质量，试验表明绵羊个体差异对预测模型的判别结果影响很小。JANCEWICZ 等19指出使用近红外光谱检测牛粪便中的蛋白质浓度，可用于监测牛的生长状况。LANDAU 等20利用山羊粪便的近红外光谱构建模型，实现了通过粪便检测对山羊饲料的化学成分百分比和成分组成的预测。JOHNSON 等21应用近红外反射光谱采集粪便样本信息，分析并预测肉牛日粮营养特征及自愿采食量。而在动物粪便组分检测方面，梁浩等22设计了近红外实时在线检测装置用以检测畜禽粪污降解过程中产生的挥发性脂肪酸。GALVEZ-SOLA等23指出可利用近红外光谱测定粪肥中的电导率、pH 值、总有机质等一系列指标和宏量营养素含量（N、P、K）等，实现对粪便堆肥质量的判别。孙迪等24对处理后的奶牛粪水样本采集其近红外光谱数据，建立粪水氮磷季节内预测模型，表明季节因素对粪水中氮磷含量的模型预测结果存在不同程度的影响。SAEYS 等25应收稿日期：2023-04-18修订日期：2023-06-19基金项目：国家重点研发计划（国际合作）：规模化鸡舍环境和集群健康智能感知机器人技术研发与应用（2017YFE2122200）资助作者简介：周敏，博士，副教授，研究方向为智能农机装备。Email：第39卷第14期农 业 工 程 学 报Vol.39No.142002023年7月TransactionsoftheChineseSocietyofAgriculturalEngineeringJuly2023用可见-近红外光谱技术建立了猪粪中各组成成分预测模型，对 K、Ca 含量实现了定性分析，对有机质、干物质、NH3、N、P、Mg 等实现了定量测量。上述研究表明，通过可见-近红外光谱检测动物粪便可定性或定量地获取动物的生理信息，但目前未见针对鸡只粪便进行检测从而为鸡病诊断提供依据的研究。为此，本文提出采用可见-近红外光谱技术解决鸡只粪便的分类判别问题，优选数据预处理方法、数据降维方法，对 4 类典型的鸡只粪便分别建立最佳分类判别模型，实现 4 类典型鸡便的快速、准确判别，以期为智能化、无人化的智慧养殖提供技术基础。1材料与方法1.1仪器设备试验采用美国 OceanOpticsInc.S 公司的可见-近红外光纤光谱仪（USB2000+），光谱数据采集范围为 3391024nm，光源分辨率为 1.3nm，光谱数据点数为 2048个。光源采用 PHILIPS35W12V 卤素光源，光纤采用优等抗紫外曝光光纤，光纤前端加装 74-UV 光纤准直透镜。使用时将样品和光纤置于暗箱中，并将光源打开预热 30min 以上，待光谱数据稳定后进行黑白板校正。数据处理使用 MATLAB2018b，整套采集装置如图 1所示。123456789101.计算机2.光纤3.电源开关4.稳压器5.电源 6.暗箱7.光源8.支架9.操作台10.光谱仪1.Computer 2.Optical fiber 3.Power switch 4.Voltage stabilizer 5.Power6.Blackbox7.Illuminant8.Support9.Operationconsole10.Spectrograph图 1光谱采集试验平台Fig.1Spectralacquisitionexperimentplatform1.2数据采集与标定本试验所需样本均来源于河北省唐山市一蛋鸡养殖场，场内鸡只采用叠层笼养方式养殖，鸡粪利用鸡笼下方的传送带自动清理，随清粪带的运转可采集到一层鸡笼内不同鸡只的粪便。采样开始时鸡只平均日龄为250d 左右，采样共持续 14d。每日清粪带首次运转时，采集传送带上的正常和异常的粪便样本，将其放入玻璃培养皿中并标注每份样本的取样日期，获取到的粪便样本在 2h 内完成光谱数据采集。为保证原始样本的一致性，采集光谱数据前用干净镊子将样本中的明显干扰物（如羽毛）去除，每个样本每次采集 2048 个光谱数据点，采集 3 次，取 3 次的平均值作为最终数据，去除首尾光谱噪声后保留 1732 个数据点。根据粪便的形状、颜色、水分等表面特征，在兽医的协助下，对每份样本进行标定。最终共获取正常鸡只粪便样本 105 份，异常粪便样本 110 份。异常粪便样本进一步分为 3 类：红血丝粪便 48 份、绿色粪便 30 份、饲料粪便 32 份。其中，红血丝鸡便是由于肠道受细菌感染，肠粘膜增厚、脱落、出血，造成粪便呈现红色水样稀便；绿色鸡便则是因为病毒和细菌感染导致肝脏解毒功能加快，肝脏回收胆囊胆汁功能受损，引起胆汁随粪便排出并将粪便染成绿色；饲料鸡便的出现存在多种原因，鸡群热应激、肠道菌群紊乱、鸡只感染小肠球虫都会引起饲料在肠道中未完全消化就排出体外，形成“饲料颗粒粪便”的现象。4 类典型粪便样本如图 2 所示，其具体表征如表 1 所示。a.正常鸡便a.Norbal fecesb.红血丝鸡便b.Red-blooded fecesc.绿色鸡便c.Green fecesd.饲料粪便d.Fodder feces图 24 类粪便样本图Fig.2Fourtypeoffecessamples表1鸡只粪便性状对比Table1Comparisonofchickenfecestraits样品Samples硬度Hardness形状Shape颜色Color正常粪便Normalfeces软硬适中 堆状或粗条状整体为灰色或灰褐色，粪便的顶端有少量的白色尿酸盐红血丝鸡便Red-bloodedfeces偏稀状滩状灰褐色为主体，有红色血丝，部分可观测到混有肠粘膜绿色鸡便Greenfeces软硬适中 堆状或粗条状整体色彩呈现绿色、黄绿色饲料鸡便Fodderfeces软硬适中 堆状或粗条状整体呈黄褐色，粪便内部掺杂有明显的未经消化的饲料为保证校正集与测试集中两类样本分布的均匀性，对每一类粪便样本的光谱数据，按照随机性原则，以 31的比例，划分校正集和测试集，即校正集 162 个样本，测试集 53 个样本，且校正集和测试集均包含 4 类典型鸡便。校正集样本用于建立判别模型，测试集样本用于检验判别模型的准确性。粪便样本的具体情况如表 2 所示。表2鸡只粪便样本数据统计Table2Statisticsofchickenfecessamples序号Sequence类别Categories校正集Calibrationset测试集Testset总计Total1正常79261052异常8327110总计Total16253215第14期周敏等：基于可见-近红外光谱的鸡只粪便分类判别2011.3数据处理方法将 4 种典型粪便样本的光谱数据分别采用无处理、多元散射校正（multivariatescatteringcorrection,MSC）、SG 卷积平滑（Savitzky-Golayconvolutionsmoothing）和标准差标准化（Z-score）4 种方法进行数据预处理。偏最 小 二 乘 判 别 分 析（partial least squares discriminantanalysis,PLS-DA）方法26是有监督的分类机器学习方法中的一种，可以很好的区分组间差异性较小的样本。其通过在原始样本数据和所属类别间建立响应函数，来预测未知样本类别，适用于样本数量少，变量数多的样本集。因此，采用 PLS-DA 方法建立分类判别模型，根据评价标准选择各类型粪便最适合的预处理方法。将预处理完成的数据分别通过主成分分析（principalcomponentanalysis,PCA）、竞争性自适应重加权采样（competitiveadapativereweightedsampling,CARS）和改进的混合蛙跳算法（improvedshuffledfrogleapingalgorithm,ISFLA）3种变量优选方法27-29进行数据降维，以对模型进行轻量化改进，根据模型评价指标确定各类型粪便最优的数据降维方法，最终建立基于 PLS-DA 的鸡只粪便分类判别轻量化模型。1.4模型评价所建立的分类判别模型采用受试者工作特征（receiveroperatingcharacteristic,ROC）曲线30结合判别准确率的方法进行综合评判。其中 ROC 曲线评价法包含 3 个指标，分别为敏感性、特异性、曲线下面积（areaundercurve,AUC）值。敏感性代表被正确预测的正实例样本占所有正实例样本的比例，特异性代表被正确预测的负实例样本占所有负实例样本的比例。AUC 值用来表征模型分类性能的好坏。对于所有指标来说，其值均分布在 0 和 1 之间，且值越趋近于 1，代表模型的分类效果越好。2结果与分析2.1鸡只粪便反射光谱特征图 3 所示为 3 种异常鸡便在 400900nm 波段的反射光谱曲线，红色、绿色和蓝色分别为红血丝粪便、绿色粪便和饲料粪便的曲线。从图 3 可知，从反射强度来看，饲料粪便的光强明显高于其他 2 种类型。由于采集数据过程中，样本为非定量采集，所以反射强度的差异是由样本体积差异造成的，故不能将反射强度作为区分粪便类型的依据。从 3 种类别粪便的光谱曲线走势看，波峰波谷出现位置基本一致，无法直接进行类别区分。因此，需要对光谱数据进行进一步的处理。波长 Wavelength/nm反射强度 Reflection intensity80706050403020100400500600700800900红血丝粪便 Red-blooded feces绿色粪便 Green feces饲料粪便 Fodder feces图 33 种类别粪便反射光谱曲线Fig.3Threetypesofstoolreflectancespectrumcurve2.2光谱数据预处理对采集到的 215 份鸡只粪便样本，分别采用无处理、SG 卷积平滑、MSC、SG 卷积平滑-MSC-Z-Score 标准化 4 种方法进行数据预处理。杜树新等31研究中提出SG 平滑多项式的阶次通常为奇数，对平滑效果影响并不显著，但平滑的窗宽大小对应平滑效果有一定的影响，窗宽过小起不到平滑效果，窗宽过大增加了计算复杂度。综合考虑模型性能影响，SG 平滑中多项式拟合的阶数为 3，平滑窗口宽度设置为 5。对于 4 种不同类型的粪便建立 PLS-DA 模型进行判别分析，综合多项指标评价判别模型的优劣，结果如表 3 所示。表3不同预处理方法模型判别结果Table3Discriminantresultsofmodelsbydifferentpreprocessingmethods粪便类型Categories光谱预处理方法Spectralpreprocessingmethods校正集Calibrationset测试集Testset敏感性Sensitivity特异性SpecificityAUC准确率Accuracy/%敏感性Sensitivity特异性SpecificityAUC准确率Accuracy/%正常粪便Normalfeces无处理0.811.000.9288.790.540.710.8475.93SG 卷积平滑0.850.890.9486.790.840.650.8474.07MSC0.850.780.9181.130.750.740.8574.07SG-MSC-Z-scores0.880.890.9588.680.850.840.9084.57红血丝粪便Red-bloodedfeces无处理0.500.870.8897.560.440.970.9085.18SG 卷积平滑0.500.980.8786.790.390.950.9082.72MSC0.830.950.9692.450.810.950.9891.98SG-MSC-Z-scores0.500.930.8883.020.500.930.8883.02绿色粪便Greenfeces无处理0.431.000.9292.450.260.970.7487.04SG 卷积平滑0.141.000.8688.680.130.990.7886.42MSC0.860.981.0098.230.910.991.0096.15SG-MSC-Z-scores0.290.980.9288.680.300.990.9088.89饲料粪便Fodderfeces无处理0.131.000.7986.790.291.000.7389.51SG 卷积平滑0.251.000.9488.680.380.990.8188.12MSC1.001.001.00100.001.001.001.00100.00SG-MSC-Z-scores0.381.000.8990.570.291.000.8589.51注：AUC 为受试者工作特征曲线下的面积；MSC，多元散射校正。下同。Note：AUCistheareaunderreceiveroperatingcharacteristic(ROC)curve;MSC,multirariatescatteringcorrection.Samebelow.202农业工程学报（http:/www.tcsae.org）2023年由表 3 可知，对于正常粪便而言，经 SG 卷积平滑和 SG-MSC-Z-scores 处理后模型的测试集敏感性相近，均高于其他 2 种方法；无处理、SG 卷积平滑和 MSC 的AUC 值相当，均低于 SG-MSC-Z-scores；而特异性和准确率方面，SG-MSC-Z-scores 均远远高于其他 3 种方法，因此，SG-MSC-Z-scores 预处理得到的光谱数据建立的判别模型效果最佳。对于红血丝粪便，经 MSC 处理后，模型测试集的敏感性、AUC 值和准确率均高于其他 3 种方法，尤其敏感性和准确率高出较多；其特异性值 0.95虽低于无处理的 0.97，但相差不大，故综合考虑，MSC为最佳预处理方法。对绿色粪便和饲料粪便，经 MSC 处理后，模型测试集的敏感性、特异性、AUC 值和准确率均高于其他 3 种方法，且敏感性和准确率高出较多，故MSC 为最佳预处理方法。综上，正常粪便选择 SG-MSC-Z-scores 作为预处理方法；异常粪便，选用 MSC 进行光谱数据的预处理。2.3模型优化为减少冗余波长，改善模型计算性能，在保证判别准确率的前提下，提取用于区分粪便类型的特征波长，减少特征波长数量，实现模型轻量化。对经过预处理的鸡便样本数据分别采用 PCA、CARS 和改进的 ISFLA 方法进行数据降维处理，使原本的 1732 个特征波长变量大大减少，然后利用降维后的数据建立 PLS-DA 分类判别模型，实现模型的轻量化。其中，相比原 ISFLA 算法，改进的 ISFLA 算法选用五折交叉验证结合 PLS 模型回归的方法，确定了更为精确的主因子数 l，具体步骤为：将校正集所有样本按照每 5 个一组，分为 32 组，每次取一组作为测试集，其余为训练集，建立 PLS-DA 判别模型并输出判别结果，计算判别误差，最终选取判别误差最小的一组，将此时的 l 作为最终的主因子数；迭代次数由原本根据经验值选定，改为以模型交叉验证的均方根误差值最小为目标确定，正常粪便、红血丝粪便、绿色粪便、饲料粪便的迭代次数由原来的 1000 分别降为500、240、300 和 30。对各个模型的评价参数进行统计，结果见表 4 所示。由表 4 可知，降维后特征波长的数量由 1732 最低可降到 3（红血丝粪便和饲料粪便经 PCA 降维），最高也只有 48 个（正常粪便经 CARS 降维），大大降低了特征波长冗余，减少了模型变量。此外，对正常粪便、红血丝和绿色粪便，采用改进的 ISFLA 方法进行数据降维后建立的 PLS-DA 模型在各方面的指标几乎都优于采用其他方法所对应的指标（除正常粪便测试集的敏感性 ISFLA方 法为 0.91，略 低 于 CARS 方 法 0.92）。其 中，正常粪便 ISFLA 方法测试集的准确率为 92.27%，比 PCA和 CARS 方法准确率分别高出 16.80 和 7.36 个百分点；红血丝粪便 ISFLA 方法测试集的准确率为 92.59%，比PCA 和 CARS 方法准确率分别高出 3.70 和 11.11 个百分点；绿色粪便 ISFLA 方法测试集的准确率为 100%，比PCA 和 CARS 方法准确率分别高出 11.11 和 3.70 个百分点。可见，ISFLA 方法在敏感性、特异性和 AUC 值均高于其他方法的同时，其准确率也高于其他 2 种算法超过 3 个百分点。尽管 ISFLA 方法的优选特征波长数不是三种方法中最低的，但该方法针对 3 种粪便的特征波长数仍下降了 98.27%、99.19%和 99.19%。因此，综合来看，改进的 ISFLA 方法为最佳降维方法。对饲料粪便而言，不同降维方法得到的分类模型的 ROC 曲线评价指标均为 1，准确率均为 100%，因此不能通过这些指标筛选模型，但经 PCA 降维后的特征波长数由 1732 减少到3，优于其他 2 种模型，故针对饲料粪便，PCA 方法略优。对比表 3 的数据可知，优化后的模型特征波长变量减少的同时，各项性能指标均有所提高或与优化前持平。其中，针对正常粪便、红血丝粪便、绿色粪便，优化后的模型校正集的准确率相比优化前，分别提高了 7.70，0.61 和 3.85 个百分点，而饲料粪便的各项指标均与优化前相同且为最大值。综上，正常鸡便、红血丝粪便和绿色粪便的最优判别模型为 ISFLA-PLS-DA，而饲料粪便的最佳判别模型为 PCA-PLS-DA。由于饲料粪便各模型的差别仅在于降维后的特征波长数不同，且该变量最大值与最小值差别较小，对模型计算性能影响不大，故仍可选择 ISFLA-PLS-DA 作为分类判别模型。因此，为提高判别算法效率，可确定 ISFLA-PLS-DA 为鸡只粪便分类判别最佳模型。表4不同数据降维方法建立 PLS-DA 模型判别结果Table4DiscriminantresultsofPLS-DAmodelsestablishedbydifferentdatadimensionalityreductionmethods粪便类型Categories降维方法DimensionalityreductionmethodsNl校正集Calibrationset测试集Testset敏感性Sensitivity特异性SpecificityAUC准确率Accuracy/%敏感性Sensitivity特异性SpecificityAUC准确率Accuracy/%正常粪便NormalfecesPCA430.810.700.9075.470.810.700.9075.47CARS4860.940.820.9387.650.920.780.9284.91ISFLA301410.960.9998.110.910.860.9792.27红血丝粪便Red-bloodedfecesPCA3110.830.9790.360.7510.9888.89CARS36610.810.9789.160.670.930.9781.48ISFLA146111100.000.831192.59绿色粪便GreenfecesPCA310.5710.9887.950.571188.89CARS3250.910.980.9996.390.8610.9996.30ISFLA1460.960.98197.59111100.00饲料粪便FodderfecesPCA31111100.00111100.00CARS53111100.00111100.00ISFLA76111100.00111100.00注：N 为特征波长数量，l 为主因子数。PCA，主成分分析；CARS，竞争性自适应重加权采样；ISFLA，改进的混合蛙跳算法。Note：Nisthenumberofcharacteristicwavelengthandlisthenumberofprimaryfactor.PCA,principalcomponentanalysis;CARS,competitiveadapativereweightedsampling;ISFLA,improvedshuffledfrogleapingalgorithm.第14期周敏等：基于可见-近红外光谱的鸡只粪便分类判别2033结论本研究基于可见-近红外光谱技术构建了一套针对 4类典型鸡只粪便的偏最小二乘判别分析（partialleastsquaresdiscriminantanalysis,PLS-DA）模型，该模型对于不同类型的样本均实现了良好的判别效果。主要结论如下：1）针对不同类型的鸡只粪便，利用无处理、多元散射校正（multivariatescatteringcorrection,MSC）、SG 卷积平滑（Savitzky-Golayconvolutionsmoothing）和标准差标准化（Z-scores）4 种数据预处理方法，PLS-DA 有着不同的表现：正常粪便样本数据经过 SG 卷积平滑-MSC-Z-Scores 方法处理后建立的 PLS-DA 模型表现最佳，3 类异常粪便样本数据则是通过 MSC 方法处理建立的PLS-DA 模型表现更佳。2）应用改进后的混合蛙跳算法（improvedshuffledfrogleapingalgorithm,ISFLA）进行数据降维处理后构建的 ISFLA-PLS-DA 模型在判别 4 类典型鸡只粪便样本时均有良好表现。从测试集准确率的角度看，ISFLA-PLS-DA 在判别正常粪便、红血丝粪便、绿色粪便样本时均有良好表现，准确率高于其他 2 种算法超过 3 个百分点；而对于饲料粪便，该模型仍能与使用主成分分析（principalcomponentanalysis,PCA）最优模型 PCA-PLS-DA 的准确率持平。3）通过不同方法对数据进行降维，可大大减少特征波长变量数，同时提升各典型粪便样本校正集的准确率：正常粪便、红血丝粪便、绿色粪便校正集的准确率相比模型优化前分别提高了 7.70，0.61，3.85 个百分点。参考文献THORNTON,PK.Livestockproduction:Recenttrends,futureprospectsJ.PhilosophicalTransactionsoftheRoyalSocietyB:BiologicalSciences,2010,365:2853-2867.1彭欠欠，苏佳文，崔子鹤，等.鸡组织滴虫病的病理学诊断J.中国动物传染病学报，2017，25(1)：72-74.PENG Qianqian,SU Jiawen,CUI Zihe,et al.PathologicaldiagnosisofhistomoniasisinchickenJ.ChineseJournalofAnimalInfectiousDiseases,2017,25(1):72-74.(inChinesewithEnglishabstract)2史兵，赵德安，刘星桥，等.基于无线传感网络的规模化水产养殖智能监控系统J.农业工程学报，2011，27(9)：136-140.SHI Bing,ZHAO Dean,LIU Xingqiao,et al.Intelligentmonitoring system for industrialized aquaculture based onwireless sensor networkJ.Transactions of the ChineseSocietyofAgriculturalEngineering(TransactionsoftheCSAE),2011,27(9):136-140.(inChinesewithEnglishabstract)3杨柳，李保明.蛋鸡福利化养殖模式及技术装备研究进展J.农业工程学报，2015，31(23)：214-221.YANG Liu,LI Baoming.Research progress of welfare-oriented breeding mode and technical equipments for layinghenJ.Transactions of the Chinese Society of AgriculturalEngineering(TransactionsoftheCSAE),2015,31(23):214-221.(inChinesewithEnglishabstract)4李保明，王阳，郑炜超，等.中国规模化养鸡环境控制关键技术与设施设备研究进展J.农业工程学报，2020，36(16)：212-221.LIBaoming,WANGYang,ZHENGWeichao,etal.Researchprogressinenvironmentalcontrolkeytechnologies,facilitiesand equipment for laying hen production in ChinaJ.TransactionsoftheChineseSocietyofAgriculturalEngineering(TransactionsoftheCSAE),2020,36(16):212-221.(inChinesewithEnglishabstract)5杨飞云，曾雅琼，冯泽猛，等.畜禽养殖环境调控与智能养殖装备技术研究进展 J.中国科学院院刊，2019，34(2)：163-173.YANG Feiyun,ZENG Yaqiong,FENG Zemeng,et al.Research status on environmental control technologies andintelligentequipmentforlivestockandpoultryproductionJ.BulletinofChineseAcademyofSciences,2019,34(2):163-173(inChinesewithEnglishabstract)6张铁民，黄俊端.基于音频特征和模糊神经网络的禽流感病鸡检测J.农业工程学报，2019，35(2)：168-174.ZHANG Tiemin,HUANG Junduan.Detection of chickeninfectedwithavianinfluenzabasedonaudiofeaturesandfuzzyneural networkJ.Transactions of the Chinese Society ofAgricultural Engineering(Transactions of the CSAE),2019,35(2):168-174.(inChinesewithEnglishabstract)7褚小立，陆婉珍.近五年我国近红外光谱分析技术研究与 应 用 进 展J.光 谱 学 与 光 谱 分 析，2014，34(10)：2595-2605.CHUXiaoli,LUWanzhen.Researchandapplicationprogressofnearinfraredspectroscopyanalyticaltechnologyinchinainthe past five yearsJ.Spectroscopy and Spectral Analysis,2014,34(10):2595-2605.(inChinesewithEnglishabstract)8田燕龙，王毅，王箫，等.近红外光谱技术在微生物检测中的应用进展J.光谱学与光谱分析，2022，42(1)：9-14.TIANYanlong,WANGYi,WANGXiao,etal.Advancesindetectionofmicroorganismsusingnear-infraredspectroscopyJ.Spectroscopy and Spectral Analysis,2022,42(1):9-14.(inChinesewithEnglishabstract)9李明，韩东海，鲁丁强，等.近红外光谱通用模型在农产品及食品检测中的研究进展J.光谱学与光谱分析，2022，42(11)：3355-3360.LI Ming,HAN Donghai,LU Dingqiang,et al.Researchprogressofuniversalmodelofnear-infraredspectroscopyinagriculturalproductsandfoodsdetectionJ.SpectroscopyandSpectralAnalysis,2022,42(11):3355-3360.(inChinesewithEnglishabstract)10严旭，杜周和，白史且，等.动物粪便近红外光谱的应用潜力J.光谱学与光谱分析，2015，35(12)：3382-3387.YANXu,DUZhouhe,BAIShiqie,etal.Potentialapplicabilityoffecalnirs:AreviewJ.SpectroscopyandSpectralAnalysis,2015,35(12):3382-3387.(inChinesewithEnglishabstract)11黄珏，王正亮，李慕雨，等.基于电子舌和近红外光谱技术的进口牛肉产地溯源J.中国食品学报，2021，21(12)：254-260.HUANG Yu,WANG Zhengliang,Li Muyu,et al.OrigintraceabilityofimportedbeefbasedonelectronictongueandnirspectraJ.JournalofChineseInstituteofFoodScienceand12204农业工程学报（http:/www.tcsae.org）2023年Technology,2021,21(12):254-260.(inChinesewithEnglishabstract)王巧华，马逸霄，付丹丹.基于光谱技术的禽蛋内部品质无损检测研究进展J.华中农业大学学报，2021，40(6)：220-230.WANG Qiaohua,MA Yixiao,Fu Dandan.Progress of non-destructivedetectionofpoultryegginternalqualitybasedonspectroscopyJ.JournalofHuazhongAgriculturalUniversity,2021,40(6):220-230.(inChinesewithEnglishabstract)13梁亮，刘志霄，潘世成，等.基于粪便可见-近红外反射光谱的高山麝慢性肠炎诊断J.光谱学与光谱分析，2009，29(7)：1772-1776.LIANGLiang,LIUZhixiao,PANShicheng,etal.Diagnosisofchronicenteritisofalpinemuskdeer(moschuschrysogaster)basedonvisible-nearinfraredreflectancespectraoffecesJ.SpectroscopyandSpectralAnalysis,2009,29(7):1772-1776.(inChinesewithEnglishabstract)14TOLLESONDR,TEELPD,STUTHJW,etal.Effectsofalonestartick(amblyommaamericanum)burdenonperformanceandmetabolicindicatorsingrowingbeefsteersJ.VeterinaryParasitology,2010,173(1/2):99-106.15WALKER