Hyperspectrale afbeeldingsdataset voor niet-destructieve beoordeling van vruchtbaarheid en structuur van kippeneieren

Waarom in eieren kijken ertoe doet

Eieren behoren tot de meest voorkomende voedingsmiddelen op aarde, maar boeren en voedingsbedrijven worstelen nog steeds met fundamentele vragen: Is een ei vruchtbaar voordat het in een broedmachine gaat? Breekt de schaal tijdens transport? Hoeveel voedzaam eigeel bevat het? Veel van deze vragen worden vandaag beantwoord door eieren open te breken of dagen te wachten om te zien of ze zich ontwikkelen—methoden die traag, verspilling veroorzakend en kostbaar zijn. Deze studie introduceert een nieuwe, openbaar beschikbare beelddataset waarmee onderzoekers met licht in duizenden ongeschonden kippeneieren kunnen "kijken", en zo de weg vrijmaken voor slimmer, niet-destructief ei-onderzoek.

Licht door hele eieren laten schijnen

In plaats van eieren te breken om ze te inspecteren, gebruikten de onderzoekers een techniek genaamd hyperspectrale beeldvorming, die niet alleen een kleurenafbeelding vastlegt maar honderden golflengten van licht die door het ei gaan. Elke golflengte bevat subtiele informatie over wat erin zit, zoals water, vet en eiwitten. Het team scande 1.228 eieren met witte schalen met een gespecialiseerd camerasysteem in een donkere kamer, met een sterke lamp van onderen en de camera die van bovenaf keek. De opstelling stelde hen in staat vast te leggen hoe licht door elk ei reisde, pixel voor pixel, over het zichtbare en nabij-infrarode bereik van 374 tot 1.015 nanometer.

Het opbouwen van een rijke bibliotheek van eigenschapen van eieren

Om de beeldgegevens echt bruikbaar te maken, koppelden de auteurs elke ei-scan aan zorgvuldige fysieke metingen. Ze namen basisafmetingen en gewicht op, maar ook cruciale eigenschappen die van belang zijn voor broederijen en de voedselindustrie: of het ei vruchtbaar was vóór de incubatie, hoe dik en sterk de schaal was, en hoe zwaar het eigeel was zodra het ei uiteindelijk werd geopend. Deze combinatie verandert elk ei in een goed gedocumenteerd geval: een driedimensionale datakubus van lichtinformatie plus een set referentielabels uit de echte wereld. De eieren kwamen uit gecontroleerde koppels waar de vruchtbaarheid van tevoren bekend was, en de instrumenten die gebruikt werden voor dikte, sterkte en massa werden regelmatig gekalibreerd, wat bijdraagt aan de betrouwbaarheid van de referentiewaarden.

Patronen verborgen in licht

Toen het team de lichtsignaturen van alle eieren onderzocht, kwamen er duidelijke patronen naar voren. Bepaalde golflengten waren sterk gekoppeld aan pigmenten die het eigeel kleuren, aan watergehalte en aan eiwit- of vetrijke regio’s—kenmerken die verband houden met zowel voeding als schaalkwaliteit. De eieren vertoonden ook een natuurlijke spreiding in gewicht, grootte, schakeldikte, eigeelmassa en schaalsterkte, wat de diversiteit weerspiegelt die op echte boerderijen voorkomt in plaats van geïdealiseerde laboratoriummonsters. Die diversiteit is waardevol: ze daagt computermodellen uit om betrouwbaar te werken over veel soorten eieren in plaats van alleen goed te presteren op een smalle, uniforme set.

Machines leren eieren lezen

Om te testen hoe nuttig de dataset is, trainden de onderzoekers relatief eenvoudige machine learning-modellen op de hyperspectrale gegevens. Eén model probeerde de eigeelmassa te voorspellen, terwijl een ander eieren classificeerde als vruchtbaar of onvruchtbaar vóór incubatie. Zelfs zonder uitschieters te verwijderen of geavanceerde kunstmatige intelligentie toe te passen, labelde het vruchtbaarheidsmodel ongeveer 90% of meer van de eieren correct in onafhankelijke testsets, en het eigeelvoorspellingsmodel leverde redelijk nauwkeurige schattingen op. Deze resultaten suggereren dat meer geavanceerde algoritmen—zoals deep learning—de prestaties nog verder kunnen verbeteren, en dat de dataset consistent en robuust genoeg is om dergelijke inspanningen te ondersteunen.

De deur openen naar slimmer eierbeheer

Voor niet-specialisten is de hoofdboodschap eenvoudig: deze open dataset vormt een basis voor machines die door eieren heen kunnen kijken zonder ze te breken. Door zowel de ruwe hyperspectrale beelden als gebruiksvriendelijke tabellen met spectra en metingen te delen, bieden de auteurs onderzoekers, ingenieurs en industriepartners een gemeenschappelijk vertrekpunt om nieuwe hulpmiddelen te ontwikkelen. In de toekomst zouden dergelijke hulpmiddelen automatisch onvruchtbare eieren kunnen sorteren voordat ze ooit in een broedmachine terechtkomen, verspilling en besmetting verminderen, en helpen om consistente schaalsterkte en eigeelinhoud te garanderen—waardoor eierproductie veiliger, efficiënter en minder hulpbronnenintensief wordt.

Bronvermelding: 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

Trefwoorden: hyperspectrale beeldvorming, eikwaliteit, vruchtbaarheidsdetectie, niet-destructief testen, pluimveewetenschap