Jeu de données d’imagerie hyperspectrale pour l’évaluation non destructive de la fertilité et de la structure des œufs de poule

Pourquoi il est important de regarder à l’intérieur des œufs

Les œufs font partie des aliments les plus courants au monde, mais les éleveurs et les entreprises alimentaires sont encore confrontés à des questions de base : un œuf est-il fertile avant d’être placé dans un incubateur ? Sa coquille va‑t‑elle se fissurer pendant le transport ? Combien de jaune nutritif contient‑il ? Aujourd’hui, beaucoup de ces questions sont résolues en cassant les œufs ou en attendant plusieurs jours pour voir s’ils se développent — des méthodes lentes, gaspilleuses et coûteuses. Cette étude présente un nouveau jeu de données d’imagerie accessible au public qui permet aux chercheurs de « voir » à l’intérieur de milliers d’œufs de poule intacts à l’aide de la lumière, ouvrant la voie à des contrôles d’œufs plus intelligents et non destructifs.

Faire traverser la lumière à des œufs entiers

Plutôt que de casser les œufs pour les inspecter, les chercheurs ont utilisé une technique appelée imagerie hyperspectrale, qui capture non seulement une image en couleur mais des centaines de longueurs d’onde de la lumière traversant l’œuf. Chaque longueur d’onde porte des informations subtiles sur ce qui se trouve à l’intérieur, comme l’eau, les lipides et les protéines. L’équipe a scanné 1 228 œufs de poule à coquille blanche avec un système de caméra spécialisé dans une pièce obscure, une source lumineuse puissante éclairant par en dessous et la caméra regardant depuis le dessus. Le montage leur a permis d’enregistrer comment la lumière traversait chaque œuf, pixel par pixel, sur la gamme visible et proche infrarouge de 374 à 1 015 nanomètres.

Constituer une riche bibliothèque de caractéristiques des œufs

Pour rendre les données d’imagerie réellement exploitables, les auteurs ont associé chaque scan d’œuf à des mesures physiques soignées. Ils ont enregistré les dimensions et le poids de base, mais aussi des caractéristiques clés pour les couvoirs et l’industrie alimentaire : si l’œuf était fertile avant incubation, l’épaisseur et la résistance de la coquille, et la masse du jaune une fois l’œuf finalement ouvert. Cette combinaison transforme chaque œuf en un cas bien documenté : un cube de données tridimensionnel d’informations lumineuses accompagné d’un ensemble d’étiquettes issues du monde réel. Les œufs provenaient de troupeaux contrôlés où la fertilité était connue à l’avance, et les instruments utilisés pour l’épaisseur, la résistance et la masse ont été régulièrement étalonnés, ce qui contribue à la fiabilité des valeurs de référence.

Des motifs cachés dans la lumière

Lorsque l’équipe a examiné les signatures lumineuses de tous les œufs, des motifs clairs sont apparus. Certaines longueurs d’onde étaient fortement liées aux pigments qui colorent le jaune, au contenu en eau et aux régions riches en protéines ou en graisses — des caractéristiques en lien à la fois avec la valeur nutritive et la qualité de la coquille. Les œufs présentaient également une variation naturelle de poids, de taille, d’épaisseur de coquille, de masse du jaune et de résistance de la coquille, reflétant la diversité rencontrée dans de vraies exploitations plutôt que des échantillons idéalement uniformes en laboratoire. Cette diversité est précieuse : elle oblige les modèles informatiques à fonctionner de façon fiable sur de nombreux types d’œufs au lieu d’exceller uniquement sur un ensemble étroit et homogène.

Apprendre aux machines à lire les œufs

Pour tester l’utilité du jeu de données, les chercheurs ont entraîné des modèles d’apprentissage automatique relativement simples sur les données hyperspectrales. Un modèle a tenté de prédire la masse du jaune, tandis qu’un autre classait les œufs en fertiles ou non fertiles avant incubation. Même sans éliminer les valeurs aberrantes ni recourir à des techniques d’intelligence artificielle avancées, le modèle de fertilité a correctement étiqueté environ 90 % des œufs ou plus sur des jeux de test indépendants, et le modèle de prédiction de la masse du jaune a fourni des estimations raisonnablement précises. Ces résultats suggèrent que des algorithmes plus sophistiqués — comme l’apprentissage profond — pourraient améliorer encore les performances, et que le jeu de données est suffisamment cohérent et robuste pour soutenir de telles recherches.

Ouvrir la voie à une manipulation plus intelligente des œufs

Pour les non‑spécialistes, le message principal est simple : ce jeu de données ouvert constitue une base pour des machines capables d’examiner les œufs sans les casser. En partageant à la fois les images hyperspectrales brutes et des tableaux faciles d’utilisation de spectres et de mesures, les auteurs offrent aux chercheurs, ingénieurs et partenaires industriels un point de départ commun pour développer de nouveaux outils. À l’avenir, de tels outils pourraient trier automatiquement les œufs non fertiles avant qu’ils n’entrent dans un incubateur, réduire le gaspillage et les contaminations, et contribuer à garantir une résistance de coquille et une teneur en jaune constantes — rendant la production d’œufs plus sûre, plus efficace et moins consommatrice de ressources.

Citation: 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

Mots-clés: imagerie hyperspectrale, qualité des œufs, détection de fertilité, essai non destructif, science avicole