Conjunto de datos de imagen hiperespectral para la evaluación no destructiva de la fertilidad y la estructura de huevos de gallina

Por qué importa mirar dentro de los huevos

Los huevos están entre los alimentos más comunes del planeta, pero los granjeros y las empresas alimentarias aún lidian con preguntas básicas: ¿Es un huevo fértil antes de meterlo en una incubadora? ¿Se romperá su cáscara durante el transporte? ¿Cuánto contenido nutritivo tiene la yema? Hoy muchas de estas preguntas se responden rompiendo los huevos o esperando días para ver si se desarrollan—métodos lentos, derrochadores y costosos. Este estudio presenta un nuevo conjunto de imágenes de acceso abierto que permite a los investigadores “ver” el interior de miles de huevos de gallina intactos usando luz, allanando el camino hacia un cribado de huevos más inteligente y no destructivo.

Iluminar huevos enteros

En lugar de romper los huevos para inspeccionarlos, los investigadores usaron una técnica llamada imagen hiperespectral, que captura no solo una imagen en color sino cientos de longitudes de onda de luz que atraviesan el huevo. Cada longitud de onda lleva información sutil sobre lo que hay dentro, como agua, grasas y proteínas. El equipo escaneó 1.228 huevos de gallina de cáscara blanca usando un sistema de cámara especializado en una sala oscura, con una lámpara intensa que iluminaba desde abajo y la cámara mirando desde arriba. La configuración les permitió registrar cómo la luz viajaba a través de cada huevo, píxel por píxel, en el rango visible y del infrarrojo cercano desde 374 hasta 1.015 nanómetros.

Construyendo una biblioteca rica de rasgos del huevo

Para que los datos de imagen fueran realmente útiles, los autores emparejaron cada exploración con mediciones físicas cuidadosas. Registraron tamaño y peso básicos, pero también rasgos clave que importan a las incubadoras y a la industria alimentaria: si el huevo era fértil antes de la incubación, qué tan gruesa y resistente era la cáscara y cuánto pesaba la yema una vez que el huevo se abrió. Esta combinación convierte cada huevo en un caso bien documentado: un cubo de datos tridimensional de información lumínica más un conjunto de etiquetas del mundo real. Los huevos procedían de parvadas controladas donde la fertilidad se conocía de antemano, y los instrumentos empleados para medir grosor, resistencia y masa se calibraron regularmente, lo que ayuda a garantizar que los valores de referencia sean confiables.

Patrones ocultos en la luz

Cuando el equipo examinó las firmas de luz de todos los huevos, surgieron patrones claros. Ciertas longitudes de onda se vincularon fuertemente a pigmentos que colorean la yema, al contenido de agua y a regiones ricas en proteínas o grasas—rasgos relacionados tanto con la nutrición como con la calidad de la cáscara. Los huevos también mostraron una variación natural en peso, tamaño, grosor de la cáscara, masa de la yema y resistencia de la cáscara, reflejando la diversidad que se encuentra en las granjas reales en lugar de muestras idealizadas de laboratorio. Esa diversidad es valiosa: obliga a los modelos informáticos a funcionar de forma fiable en muchos tipos de huevos en vez de sobresalir solo en un conjunto estrecho y uniforme.

Enseñar a las máquinas a leer huevos

Para probar la utilidad del conjunto de datos, los investigadores entrenaron modelos de aprendizaje automático relativamente simples con los datos hiperespectrales. Un modelo intentó predecir la masa de la yema, mientras que otro clasificó los huevos como fértiles o infértiles antes de la incubación. Incluso sin eliminar valores atípicos ni usar inteligencia artificial avanzada, el modelo de fertilidad etiquetó correctamente alrededor del 90% o más de los huevos en conjuntos de prueba independientes, y el modelo de predicción de yema produjo estimaciones razonablemente precisas. Estos resultados sugieren que algoritmos más sofisticados—como el aprendizaje profundo—podrían mejorar aún más el rendimiento, y que el conjunto de datos es lo bastante consistente y robusto para respaldar tales esfuerzos.

Abriendo la puerta a un manejo de huevos más inteligente

Para los no especialistas, el mensaje principal es directo: este conjunto de datos abierto es una base para máquinas que pueden ver a través de los huevos sin romperlos. Al compartir tanto las imágenes hiperespectrales en bruto como tablas fáciles de usar de espectros y mediciones, los autores ofrecen a investigadores, ingenieros y socios de la industria un punto de partida común para desarrollar nuevas herramientas. En el futuro, esas herramientas podrían clasificar automáticamente los huevos infértiles antes de que entren en una incubadora, reducir desperdicio y contaminación, y ayudar a garantizar una resistencia de cáscara y un contenido de yema consistentes—haciendo la producción de huevos más segura, eficiente y con menos recursos.

Cita: Ahmed, M.W., Song, D., Ahmed, M.T. et al. Hyperspectral imaging dataset for non-destructive fertility and structural evaluation of chicken eggs. Sci Data 13, 237 (2026). https://doi.org/10.1038/s41597-026-06556-1

Palabras clave: imagen hiperespectral, calidad del huevo, detección de fertilidad, ensayo no destructivo, ciencia avícola