Zestaw danych obrazów hiperspektralnych do niedestrukcyjnej oceny płodności i struktury jaj kurzych

Dlaczego warto zajrzeć do wnętrza jaj

Jaja należą do najpowszechniejszych produktów spożywczych na świecie, ale rolnicy i firmy spożywcze wciąż stają przed podstawowymi pytaniami: czy jajko jest płodne zanim trafi do inkubatora? Czy skorupka pęknie podczas transportu? Ile pożywnego żółtka zawiera? Obecnie wiele z tych pytań rozwiązuje się przez stłuczenie jajka lub czekanie kilku dni, aby sprawdzić rozwój—metody powolne, marnotrawne i kosztowne. Niniejsze badanie przedstawia nowy, otwarty zestaw danych obrazowych, który pozwala badaczom „zobaczyć” wnętrze tysięcy nieuszkodzonych jaj kurzych za pomocą światła, torując drogę do inteligentniejszego, niedestrukcyjnego sortowania jaj.

Przepuszczanie światła przez całe jaja

Zamiast rozbijać jaja w celu inspekcji, badacze zastosowali technikę nazwaną obrazowaniem hiperspektralnym, która rejestruje nie tylko kolor, lecz setki długości fal światła przechodzącego przez jajko. Każda długość fali niesie subtelną informację o zawartości, takiej jak woda, tłuszcz czy białka. Zespół zeskanował 1 228 jaj o białej skorupce przy użyciu wyspecjalizowanego systemu kamery w ciemnym pomieszczeniu, z mocną lampą świecącą od spodu i kamerą patrzącą z góry. Ustawienie pozwoliło na zapisanie, jak światło przemieszcza się przez każde jajko, piksel po pikselu, w zakresie widzialnym i bliskiej podczerwieni od 374 do 1 015 nanometrów.

Budowanie bogatej biblioteki cech jaj

Aby dane obrazowe były naprawdę użyteczne, autorzy sparowali każdy skan z dokładnymi pomiarami fizycznymi. Zanotowali podstawowe wymiary i masę, a także kluczowe cechy istotne dla wylęgarni i przemysłu spożywczego: czy jajko było płodne przed inkubacją, jak gruba i wytrzymała jest skorupka oraz jak ciężkie było żółtko po otwarciu jajka. Takie połączenie zmienia każde jajko w dobrze udokumentowany przypadek: trójwymiarową kostkę danych świetlnych oraz zbiór etykiet z rzeczywistego świata. Jaja pochodziły z kontrolowanych stad, gdzie płodność była znana z wyprzedzeniem, a używane instrumenty do pomiaru grubości, wytrzymałości i masy były regularnie kalibrowane, co pomaga zapewnić wiarygodność wartości referencyjnych.

Wzory ukryte w świetle

Gdy zespół przeanalizował sygnatury świetlne wszystkich jaj, ujawniły się wyraźne wzory. Pewne długości fal były silnie powiązane z pigmentami barwiącymi żółtko, z zawartością wody oraz z obszarami bogatymi w białko lub tłuszcz—cechami, które odnoszą się zarówno do wartości odżywczej, jak i jakości skorupki. Jaja wykazywały też naturalne zróżnicowanie wagi, rozmiaru, grubości skorupki, masy żółtka i wytrzymałości skorupki, odzwierciedlając różnorodność spotykaną na prawdziwych fermach, a nie tylko idealizowane próbki laboratoryjne. Ta różnorodność jest cenna: zmusza modele komputerowe do niezawodnej pracy w wielu typach jaj zamiast osiągania dobrych wyników tylko na wąskim, jednorodnym zestawie.

Nauczanie maszyn "czytania" jaj

Aby ocenić użyteczność zestawu danych, badacze wytrenowali stosunkowo proste modele uczenia maszynowego na danych hiperspektralnych. Jeden model próbował przewidzieć masę żółtka, podczas gdy inny klasyfikował jaja jako płodne lub niepłodne przed inkubacją. Nawet bez usuwania wartości odstających czy użycia zaawansowanej sztucznej inteligencji, model wykrywający płodność poprawnie oznaczył około 90% lub więcej jaj w niezależnych zestawach testowych, a model prognozujący masę żółtka dawał stosunkowo dokładne estymaty. Wyniki te sugerują, że bardziej zaawansowane algorytmy—na przykład głębokie uczenie—mogłyby poprawić wydajność jeszcze bardziej, a zestaw danych jest wystarczająco spójny i odporny, by wspierać takie prace.

Otwarcie drzwi do inteligentniejszego obchodzenia się z jajami

Dla osób niebędących specjalistami główne przesłanie jest proste: ten otwarty zestaw danych stanowi podstawę dla maszyn, które mogą zajrzeć przez jaja bez ich rozbijania. Poprzez udostępnienie zarówno surowych obrazów hiperspektralnych, jak i łatwych w użyciu tabel ze spektrami i pomiarami, autorzy dają badaczom, inżynierom i partnerom przemysłowym wspólny punkt wyjścia do opracowywania nowych narzędzi. W przyszłości takie narzędzia mogłyby automatycznie odseparowywać jaja niepłodne zanim trafią do inkubatora, zmniejszać odpady i ryzyko skażenia oraz pomagać zapewnić stałą wytrzymałość skorupki i zawartość żółtka—czyniąc produkcję jaj bezpieczniejszą, wydajniejszą i mniej zasobożerną.

Cytowanie: 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

Słowa kluczowe: obrazowanie hiperspektralne, jakość jaj, wykrywanie płodności, badania niedestrukcyjne, nauki o drobiu