小波影像分析提升蛋殼數位表型精度，降低育種資料需求 - 農業知識入口網

文章來源 : 農業科技新脈動    2026-11-03

育種表型資料的取得瓶頸

　　基因體選拔、SNP晶片與全基因組關聯分析等技術已大幅提升家畜遺傳資訊取得效率，但育種實務中的另一項瓶頸是「表型」：人工量測通常速度慢、成本高，部分性狀又帶有主觀判讀差異；若改用深度學習，往往又需要數千筆已標註資料，對本來就不容易大量取得的育種表型而言形成新的限制。巴西農業研究公司豬與家禽中心（Embrapa Swine and Poultry）因此以蛋殼顏色為範例，測試較適合小樣本育種資料的影像表型分析方式。

小波轉換擷取蛋殼空間特徵

　　傳統色度法通常將整個物體的顏色濃縮為平均亮度與色彩數值，容易忽略蛋殼表面斑點、條帶、漸層等「顏色在空間上如何分布」的資訊。研究利用小波轉換（Wavelet transform）將影像分解為不同尺度的空間成分，使模型不只判斷整體顏色深淺，也能辨識局部紋理與色素分布，再搭配機器學習建立數位表型。

影像分析提高表型判別精度

　　結果顯示，小波影像特徵對蛋殼顏色變異的解釋能力達R²=0.976，高於傳統色度法的R²=0.834；其樣本效率亦提升約50%，使用60個樣本即可達到傳統色度法需120個樣本才能取得的表現。而進一步分析發現，模型77%的判別能力來自條帶、斑點及漸層等平均色值無法呈現的空間模式，並辨識出約3.3%的「隱性表型」，亦即平均顏色相近、但實際空間分布明顯不同的樣本。

小樣本數位表型的育種應用潛力

　　研究顯示，數位表型不一定需要依賴大型深度學習模型；對樣本數有限的育種族群而言，先利用具生物或物理意義的影像轉換擷取特徵，再以機器學習分析，也可能有效提高表型解析能力。蛋殼顏色只是本研究的示範性狀，相同概念未來可望應用於肌內脂肪分布、皮膚病灶或色素沉著等具有空間或時間結構的性狀，作為基因體選拔與遺傳分析的表型資料來源；但這些延伸用途仍需分別進行實證驗證。

【延伸閱讀】-整合智慧精準高效 開啟數位育種新局

Journal of Animal Breeding and GeneticsPubMed