用于鸡蛋无损生育力与结构评估的高光谱成像数据集

为什么观察蛋内部很重要

鸡蛋是全球最常见的食物之一，但养殖者和食品公司仍然面临一些基本问题：在放入孵化器之前，鸡蛋是否有生育力？在运输过程中鸟蛋壳会不会破裂？蛋黄中含有多少营养？如今，许多答案仍靠把蛋打破检查或等待几天观察是否发育——这些方法既缓慢又浪费且成本高昂。本研究介绍了一个新的、公开可用的成像数据集，使研究者能够使用光线“看见”数千枚完整鸡蛋的内部，为更智能的、无损的蛋品筛选铺平道路。

用光透视完整鸡蛋

研究人员没有通过打破鸡蛋来检查它们，而是使用一种称为高光谱成像的技术，这种技术捕捉的不仅是颜色图像，而是穿过鸡蛋的数百个波长的光。每个波长都携带关于内部材料（如水、脂肪和蛋白质）的细微信息。研究团队在暗室中用专用相机系统扫描了1,228枚白壳鸡蛋，下方有强光灯照射、相机从上方俯拍。该装置使他们能够记录每枚鸡蛋中光线的传播情况，逐像素地覆盖从374到1,015纳米的可见光与近红外波段。

构建丰富的鸡蛋性状库

为了使成像数据真正有用，作者对每次蛋的扫描都配以细致的物理测量。他们记录了基本的尺寸和重量，还记录了对孵化场和食品行业重要的关键性状：在孵化前该蛋是否有生育力、蛋壳的厚度和强度，以及当蛋最终被打开时蛋黄的重量。这样的组合使每枚鸡蛋都成为一个有良好注释的案例：一个三维的光信息数据立方体加上一组真实世界的标签。鸡蛋来自受控的群体，生育力事先已知，用于测量厚度、强度和质量的仪器也定期校准，有助于确保参考值的可靠性。

光中隐藏的模式

当团队检查所有鸡蛋的光谱特征时，出现了清晰的模式。某些波长与给蛋黄着色的色素、水含量以及富含蛋白或脂肪的区域密切相关——这些特征既与营养价值也与蛋壳质量有关。鸡蛋在重量、尺寸、蛋壳厚度、蛋黄质量和蛋壳强度上也表现出自然分布，反映了真实农场中而非理想化实验样品的多样性。这种多样性很有价值：它促使计算模型能够在多种类型的鸡蛋上可靠工作，而不是仅在狭窄且统一的样本上表现良好。

教机器“读懂”鸡蛋

为了测试数据集的用途，研究人员在高光谱数据上训练了相对简单的机器学习模型。一个模型试图预测蛋黄质量，另一个在孵化前将鸡蛋分类为有生育力或无生育力。即便没有剔除异常值或使用先进的人工智能，生育力模型在独立测试集中仍大约正确标注了90%或更多的鸡蛋，蛋黄预测模型也产生了相当准确的估计。这些结果表明，更复杂的算法（例如深度学习）可能进一步提高性能，且该数据集足够一致和稳健以支持此类工作。

为更智能的蛋品处理打开门路

对非专业读者来说，主要信息很直接：这个开放数据集为能够无损查看鸡蛋的机器提供了基础。通过共享原始高光谱图像以及易于使用的光谱和测量表格，作者为研究人员、工程师和行业合作伙伴提供了一个共同的起点来开发新工具。未来，这类工具可以在鸡蛋进入孵化器之前自动分拣出无生育力的鸡蛋，减少浪费与污染，并帮助保证稳定的蛋壳强度和蛋黄含量——让蛋品生产更安全、更高效、耗费更少资源。

引用: 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

关键词: 高光谱成像, 蛋品质量, 生育力检测, 无损检测, 家禽科学