Since the mid-10s, the era of Deep Learning (DL) has continued to this day, bringing forth new superlatives and innovations each year. Nevertheless, the speed with which these innovations translate into real applications lags behind this fast pace. Safety-critical applications, in particular, underlie strict regulatory and ethical requirements which need to be taken care of and are still active areas of debate. eXplainable AI (XAI) and privacy-preserving machine learning (PPML) are both crucial research fields, aiming at mitigating some of the drawbacks of prevailing data-hungry black-box models in DL. Despite brisk research activity in the respective fields, no attention has yet been paid to their interaction. This work is the first to investigate the impact of private learning techniques on generated explanations for DL-based models. In an extensive experimental analysis covering various image and time series datasets from multiple domains, as well as varying privacy techniques, XAI methods, and model architectures, the effects of private training on generated explanations are studied. The findings suggest non-negligible changes in explanations through the introduction of privacy. Apart from reporting individual effects of PPML on XAI, the paper gives clear recommendations for the choice of techniques in real applications. By unveiling the interdependencies of these pivotal technologies, this work is a first step towards overcoming the remaining hurdles for practically applicable AI in safety-critical domains.

本研究旨在使用支持向量机（SVM）分类器方法识别鸡蛋生育率。分类基础使用一阶统计（FOS）参数作为识别过程中的特征提取。该研究是根据该过程的识别过程开发的，这是仍然是手动（常规）的。虽然目前在识别过程中有很多技术，但它们仍然需要开发。因此，该研究是图像处理技术领域的发展之一。示例数据使用以前研究的数据集，共有100个鸡蛋图像。图像中的蛋对象是单个对象。根据这些数据，每个肥沃和不孕蛋的分类是50个图像数据。鸡蛋图像数据在图像处理中输入，初始过程是分段。此初始分割旨在根据对象获取裁剪图像。使用具有灰度和图像增强方法的图像预处理修复裁剪图像。这种方法（图像增强）使用了两种组合方法：对比度有限的自适应直方图均衡（CLAHE）和直方图均衡（HE）。使用FOS方法，改进的图像成为特征提取的输入。 FOS使用五个参数，即均值，熵，方差，偏振和峰氏症。输入了SVM分类方法的五个参数，以识别鸡蛋的生育率。这些实验的结果，识别过程中提出的方法的成功率为84.57％。因此，该方法的实现可以用作未来研究改进的参考。另外，可以使用二阶特征提取方法来提高其准确性和改进对分类的监督学习。

除了固有的卵子因素外，孵化过程的质量影响了孵化速率的成功。消除不育或死鸡蛋以及监测胚胎生长是有效孵化场实践中非常重要的因素。该过程旨在对只有胚胎保留在孵化器中的卵进行分类，直到孵化过程结束。该过程旨在对胚胎进行分类，以保持孵化直到结束。最大检查是在孵化期的第一周完成。这项研究旨在检测卵中胚胎的存在并通过分割处理。使用基于实验室颜色图像的K均值算法对鸡蛋图像进行分割。图像采集的结果转换为实验室色彩空间图像。实验室颜色空间图像的结果是使用每种颜色的K-均值处理的。 K-均值过程使用群集K = 3并分为三个部分：背景，鸡蛋和蛋黄。蛋黄是具有胚胎特征的卵的一部分。这项研究在最初的阶段中应用了最初分割和灰度的颜色概念。初始阶段结果表明，基于实验室颜色空间的K均值聚类的图像分割结果提供了三个部分的分组。在灰度图像处理阶段，颜色图像分割的结果通过灰度，图像增强和形态处理。因此，很明显，蛋黄分段显示了卵子胚胎的存在。基于此结果，胚胎检测过程的初始阶段使用基于实验室颜色空间的K均值进行分割。该评估使用MSE和MSSIM，值为0.0486和0.9979；这可以用来引用所获得的结果可以检测到蛋黄中的胚胎。该方案可以用于对胚胎及其形态的非破坏性定量研究，以便将来在精确的家禽生产系统中。