Применение гиперспектрального машинного зрения в птицеводстве

27.11.2025

views

Следуя основам ГСВ для анализа изображений, данный обзор обобщает и обсуждает недавние применения технологии ГСВ для анализа столовых и инкубационных яиц, рассматривая её ограничения и потенциальные проблемы. Текущие исследования демонстрируют эффективность ГСВ в быстром и точном определении таких параметров, как свежесть, целостность скорлупы, наличие дефектов, химический состав и обнаружение поддельных яиц.

Несмотря на многообещающие результаты, широкое промышленное применение ГСВ сталкивается с рядом трудностей из-за присущих образцам свойств (например, сложной формы, коэффициента светопропускания, свето- и термочувствительности) и существующих технологических ограничений.

Следует отметить, что существующих исследований недостаточно для раннего прогнозирования некоторых критических параметров, таких как фертильность, пол яйца и эмбриональная смертность при высокопроизводительном скрининге.

Однако текущие исследования подчёркивают огромный потенциал технологии ГСВ, отмечая, что передовое машинное обучение в сочетании с технологией ГСВ может коренным образом изменить традиционные процессы производства яиц и инкубаториев, повысив автоматизацию, экономическую устойчивость и благополучие животных во всём мире.

Этот обзор может помочь исследователям и политикам понять современные проблемы технологии ГСВ, разработать современные инновационные решения, усовершенствовать нормативно-правовую базу и способствовать развитию, чтобы максимально использовать преимущества этой передовой экологичной технологии.

1. Введение

ГСВ (по английски – Hyperspectral imaging или сокращенно HSI) — это оптический метод зондирования, который захватывает изображения объектов во многих узких и смежных спектральных длинах волн. Этот метод собирает сотни изображений на разных длинах волн для одной и той же пространственной области.

NASA изначально применяло HSI в дистанционном зондировании (т. е. мониторинге целей машиной без личного взаимодействия) для исследования космоса и наблюдения за Землей, но в настоящее время он используется в различных областях исследований ( Patel et al., 2024a ).

Совмещенный характер визуализации и спектроскопии в HSI позволил этому методу одновременно предоставлять физические (например, цвет, текстуру) и геометрические (например, размер и форму) характеристики продукта, а также внутренние свойства (например, содержание белка и жира в яичном желтке) ( Ram et al., 2024, Zhang and Ma, 2024 ).

Поведение электромагнитной энергии, поглощаемой, отражаемой, рассеиваемой и испускаемой при прохождении света определенной длины волны через объект, известно как спектральная сигнатура или отпечаток пальца, который уникален для конкретного объекта ( Hajaj et al., 2024, Liu et al., 2023a ). Например, каждый тип образца имеет значительное поглощение в своих спектрах, которое можно использовать для извлечения интересующих свойств с помощью HSI.

Таким образом, HSI может однозначно характеризовать, идентифицировать и различать классы материалов. Более того, хемометрический анализ спектральных данных позволяет отображать градиент объекта и пространственное распределение определенных компонентов ( Shao et al., 2024 ).

HSI обеспечивает высокое пространственное разрешение , позволяя получать детальные изображения объектов и обеспечивая точную идентификацию и дифференциацию материалов, которые может быть трудно или невозможно различить с помощью других обычных методов визуализации ( Min et al., 2023 , Liu et al., 2024a ).

Более того, как неразрушающий и неинвазивный метод, HSI не требует физического контакта с образцом, что делает его идеальным для изучения чувствительных материалов ( Ahmed et al., 2023; Patel et al., 2024b). В результате HSI находит применение в различных областях, включая дистанционное зондирование , сельскохозяйственные науки и пищевую промышленность ( Feng et al., 2023, Liu et al., 2024b, Sun et al., 2024a ).

Недавние достижения в технологии HSI сделали ее более доступной и экономичной, что делает ее практичным вариантом для широкого спектра применений. Эта интеллектуальная технология вывела сельское хозяйство и яичную промышленность в новую эру эффективности, точности и устойчивости ( Олаканми и др., 2024 г., Теджасри и Агиландисвари, 2024 г. , Чжу и др., 2022 г. ).

Яйца уже давно являются неотъемлемой частью рациона человека, поскольку они считаются одним из важных и полноценных источников ежедневного белка (т. е. идеальным источником белка), наряду с другими необходимыми и ценными питательными веществами, витаминами и минералами ( Ahmed et al., 2024a , Kumar et al., 2023 ).

Поскольку люди становятся более заботливыми о своем здоровье и осознают преимущества сбалансированного питания, яйца стали популярным выбором для удовлетворения потребностей в питании. Из-за растущего спроса на яйца, питательную ценность, технологического прогресса и глобализации, яичная промышленность непрерывно развивается во всем мире.

За последние два десятилетия наблюдается значительный рост мирового производства яиц и мяса птицы, что привело к наиболее значительному увеличению удовлетворения потребностей в белке для населения мира. В 21 веке появились сообщения о таких инновационных технологиях, как акустические, электронные и оптические сенсорные технологии, для неразрушающего анализа яиц.

Однако большинство новейших оптических сенсорных технологий пока не получили широкого распространения в промышленном производстве яиц для быстрой оценки качества столовых и инкубационных яиц.

Метод HSI имеет большие перспективы в оценке качества яиц, предлагая комплексное понимание как внешних, так и внутренних характеристик ( Adegbenjo et al., 2020, So et al., 2022 ). В период четвёртой промышленной революции благополучие животных, а также экономические и экологические проблемы значительно повысили важность HSI как неразрушающего и неинвазивного метода для коммерческого применения ( Guo et al., 2024 , Haider et al., 2024 ).

В результате многие исследователи сообщили об эффективности технологии HSI для определения качества яиц, например, свежести ( Liu et al., 2024c ), инкубационных свойств ( Zhang et al., 2014 ), фертильности ( Ghaderi et al., 2024 ), происхождения ( Sahachairungrueng et al., 2023 ) и внутренних качеств ( Huang et al., 2020a , Yao et al., 2022a , Zhang et al., 2022 ) и других.

Хотя было опубликовано несколько обзоров по использованию HSI, таких как сельское хозяйство ( Centorame et al., 2024 ), инспекция и контроль безопасности пищевых продуктов ( Ferreira et al., 2024 ), качество зерна ( Aviara et al., 2022 ), качество мяса ( Kamruzzaman, 2023, Kucha and Olaniyi, 2024, Matenda et al., 2024 ), оценка качества фруктов и овощей ( Patel & Pathare, 2024 ), фальсификация, загрязнение и определение подлинности ( Aqeel et al., 2024 , Ferrari et al., 2024 , Malavi et al., 2024 ), насколько нам известно, нет всеобъемлющего обзора и критического анализа технологии HSI для развития яичной и инкубаторной промышленности.

Поэтому в этом обзоре суммируются и оцениваются существующие исследования, чтобы обеспечить ценное направление для яичной и инкубаторной промышленности следующего поколения . В данной статье определены пробелы в исследованиях и области, требующие дальнейшего изучения для решения конкретных проблем и возможностей в отрасли производства яиц и инкубаториев.

2. Экспериментальная установка и метод получения изображений

Система HSI состоит из нескольких основных компонентов, которые собирают и анализируют подробную спектральную информацию. Типичная система HSI включает гиперспектральный датчик или камеру, источник света, оптические элементы и компьютер с программным обеспечением для управления процессом получения изображения и дальнейшей обработки, такой как оцифровка, хранение, моделирование и принятие решений ( Рис. 1 ) (Ismail et al., 2023, Min et al., 2023).

Гиперспектральный датчик, как правило, специализированная камера, способная обнаруживать широкий диапазон электромагнитных длин волн от ультрафиолетового до инфракрасного, является основным компонентом системы HSI (Sun et al., 2024b). В отличие от обычных камер, которые записывают три цветовых канала (красный-зеленый-синий: RGB), гиперспектральный датчик собирает данные в многочисленных узких, смежных спектральных диапазонах.

Спектральный диапазон, интенсивность, стабильность и характеристики источника света должны быть тщательно рассмотрены на основе конкретных требований приложения. Оптические компоненты включают в себя систему линз, спектрограф (также называемый блоком спектральной дисперсии), оптические фильтры и калибровочные компоненты.

В некоторых установках HSI для получения гиперспектральных изображений больших площадей используется моторизованная сканирующая система. Эта система позволяет датчику или образцу перемещаться относительно друг друга, сканируя различные области образца для получения данных с разных точек. Правильный выбор компонентов системы крайне важен для обеспечения надлежащей работы системы HSI и получения надежных высококачественных гиперспектральных изображений.

Рис. 1. Схематическое изображение гиперспектральной визуализации (ГСИ): (а) Типичная система ГСИ линейного сканирования с концептуальным представлением гиперкуба и спектров (заимствовано из Ахмеда и др. (2023)), (б) Специализированная система ГСИ для определения пола яйцеклеток, фертильности и эмбриональной смертности, разработанная группой авторов данного исследования.

Выход системы HSI — это гиперспектральное изображение с большим количеством данных, представляющее собой трехмерный куб данных, также известный как воксель I (x, y, λ), который можно интерпретировать как набор изображений в градациях серого I (x, y) для каждой длины волны λ или как спектр I (λ) для каждого пикселя (x, y) ( Рис. 1 ).

Например, если система HSI захватывает 100 спектральных каналов для выборки размером 100×100 пикселей, то результирующее гиперспектральное изображение будет кубом данных размером 100x100x100. Каждый элемент куба данных (т. е. каждый пиксель) содержит спектральную информацию, а куб данных захватывает все спектральные характеристики изображения. В гиперспектральном гиперкубе изображения на двух соседних длинах волн демонстрируют высокое сходство, в то время как изображения на далеких длинах волн часто менее похожи и могут содержать независимую информацию.

HSI охватывает три основных режима: отражение, пропускание и взаимодействие. Каждый режим использует различные конфигурации освещения и детектора, что приводит к различным эффектам на сбор данных. Когда падающий свет взаимодействует с поверхностью объекта, только часть этого света отражается от поверхности (отражение), в то время как большая часть проникает в объект.

Внутри объекта часть этого проникшего света поглощается, в то время как другая часть проходит насквозь и выходит с противоположной стороны (пропускание). Одновременно часть света отражается от внутренней части материала и снова выходит с той же стороны, с которой он вошел (взаимодействие). Поскольку яйцо является сильно рассеивающим материалом из-за своей формы и сложной внутренней структуры, падающий свет попадает в рассеиватели яйца в разных направлениях, а не проходит прямо.

Во время рассеяния часть света поглощается или отражается внутри. Следовательно, разделение пропускаемого света от поглощенного или отраженного света является сложной задачей. Поэтому крайне важно иметь постоянную интенсивность света и общую ориентацию системы визуализации. Более того, важно использовать единообразный эталонный материал, чтобы получить равномерную интенсивность поглощения или пропускания яйца.

Согласно закону Бера-Ламберта, поглощение образца прямо пропорционально концентрации поглощающего вещества и длине пути света через образец. Однако модифицированный закон Бера-Ламберта (уравнение (1)) может быть использован для яиц, поскольку яйцо демонстрирует отклонения в спектре поглощения света по сравнению с идеальным образцом ( Ахмадинури и др., 2024 ). (1) $M o d i f i e d B e e r - L a m b e r t L a w : A = \log_{10} (\frac{I_{o}}{I}) = ε . c . l . F (λ)$ Где А — поглощение, – интенсивность падающего и прошедшего света соответственно. c – концентрация поглощающего вещества, ε – коэффициент поглощения, l – длина пути, F(λ) – поправочный коэффициент, учитывающий отклонения от идеального поведения. Поправочный коэффициент зависит от геометрии образца и угла падения света. Он часто определяется экспериментально или посредством теоретического моделирования. Поскольку яйцо не является стандартной геометрической формой, расчет такого поправочного коэффициента, вероятно, потребует сочетания численного моделирования и экспериментальных измерений ( Adegbenjo et al., 2020 ).

Основные режимы сканирования образцов в системе HSI – это точечное, линейное и площадное сканирование ( Рис. 2 ) ( Moharram и Sundaram, 2023 , Zhang и др., 2024a ). Недавно разработанная функция моментального снимка или однократной визуализации захватывает спектральное и пространственное разрешение всего образца за одну экспозицию ( Wang и др., 2020 ).

Однако основные режимы визуализации могут использоваться независимо или в комбинации, в зависимости от конкретного применения ( Barbedo, 2023 ). Точечное сканирование, также известное как визуализация whissbroom, фокусирует свет на один пиксель или местоположение образца. Процесс повторяется для каждой желаемой точки в целевой области, чтобы создать всеобъемлющий гиперкуб.

При линейном сканировании (или визуализации Pushbroom) детектор перемещается над неподвижным образцом и непрерывно сканирует образец, чтобы собирать спектральные данные вдоль линейного пути. Датчик установлен на движущейся платформе для непрерывного сканирования земли под ней, пока платформа движется вперед, чтобы собрать спектральные данные для всей строки пикселей. Сканирование области, часто называемое прицельной визуализацией, позволяет последовательно получать данные гиперкуба для всех длин волн, одну за другой, охватывая весь интересующий объект.

Рис. 2. Три режима сканирования образцов при гиперспектральной визуализации : (а) точечное сканирование (визуализация методом «метания с метлой»), (б) линейное сканирование (визуализация методом «толкания с метлой») и (а) сканирование по длине волны (визуализация методом «зонной визуализации»). Стрелки указывают направление сканирования.

Точечное сканирование обеспечивает точный и подробный спектральный анализ в точке или небольшой области, помогая в анализе состава и обнаружении примесей или любых аномалий образца. Точечное сканирование обеспечивает более высокое пространственное разрешение, предоставляя подробную информацию о сканируемой области.

Этот тип сканирования полезен для обнаружения небольших дефектов, трещин, пятен или любого загрязнения яиц. Линейное сканирование обеспечивает быстрый и эффективный сбор данных, что делает его пригодным для крупномасштабного картирования и мониторинга ( Moharram and Sundaram, 2023 ). Непрерывный процесс сканирования позволяет эффективно собирать данные в режиме реального времени, что делает линейное сканирование идеальным для контроля качества , инспекции и анализа яиц в промышленных условиях ( Mukasa et al., 2024 ).

Линейное сканирование особенно ценно в конвейерных системах, облегчая мониторинг в реальном времени и позволяя автоматическую сортировку и классификацию яиц. Сканирование области или плоскости (также известное как сканирование по длине волны) используется при инспекции стационарных образцов, когда блок формирования изображения и образец остаются неподвижными. Этот режим позволяет проводить всесторонний спектральный анализ яиц, предоставляя подробную информацию о составе и других характеристиках качества.

Режим моментального снимка — ещё один интересный подход, при котором вся пространственная и спектральная информация собирается одновременно с помощью массива детекторов. В этом режиме гиперспектральные данные регистрируются за один сеанс, что делает процесс быстрым и динамичным. Режим настраиваемого фильтра — это специализированный подход, использующий настраиваемый фильтр для выбора определённых длин волн или узких спектральных полос и позволяющий быстро переключаться между различными спектральными диапазонами ( Ahn et al., 2023 ).

Однако каждый режим сканирования имеет свои преимущества и ограничения, поэтому крайне важно выбрать подходящий режим в соответствии с требованиями к пространственному и спектральному разрешению конкретного приложения .

3. Обработка изображений и извлечение спектров

После получения изображения необработанные изображения подвергаются важному процессу коррекции или преобразования для преобразования их в единицы отражения или пропускания. Изображения отражения и пропускания имеют уникальное значение в HSI яиц. Изображения отражения полезны для анализа поверхностных и пространственных свойств яиц, таких как цвет, твердость, толщина, пористость и внешнее загрязнение.

С другой стороны, изображения пропускания предоставляют ценные внутренние свойства яиц, такие как химический состав яичного желтка, определение пола, фертильности, смертности и мониторинг эмбрионального роста ( Feng et al., 2019 ). Современные устройства HSI часто включают в себя передовые технологии и встроенные механизмы коррекции изображений. Интеграция механизмов коррекции изображений в реальном времени непосредственно в устройства гарантирует, что полученные данные более надежны и готовы к анализу без обширной постобработки.

Для извлечения содержательной информации, повышения интерпретируемости и подготовки необработанных гиперспектральных изображений к дальнейшему анализу требуется ряд операций, таких как извлечение признаков, разработка классификации, прогнозирование и разработка регрессионной модели ( Peraza-Alemán et al., 2024 ). Основные этапы анализа и визуализации гиперспектральных данных показаны на рис. 3 .

Рис. 3. Обзор анализа и визуализации гиперспектральных данных.

Сегментация изображений направлена на разделение изображений на области интереса (ROI) таким образом, чтобы пиксели в каждой ROI имели схожие визуальные характеристики, такие как цвет, текстура, интенсивность или другие визуальные свойства. Процесс сегментации включает в себя определение и отделение областей объекта от фона изображения. К популярным методам сегментации изображений относятся сегментация на основе порогового значения, сегментация на основе границ, сегментация на основе областей, сегментация на основе градиента и сегментация на основе классификации, хотя достижение высокой точности на различных изображениях является сложной задачей (Grewal et al. 2023).

Сегментация изображений на основе порогового значения классифицирует изображение на области интереса (ROI) путем применения порогового значения к значениям интенсивности пикселей. Пиксели ниже порогового значения считаются фоном, в то время как остальные формируют объект. Этот метод прост и эффективен с точки зрения вычислений. Яйца обычно имеют четкие границы, что делает сегментацию на основе порогового значения подходящей для точного отделения от фона (Yao 2022b).

Сегментация на основе границ определяет границы объектов путем обнаружения резких перепадов интенсивности, используя операторы для определения областей с заметными различиями в уровнях серого. Методы, основанные на границах, могут быть затруднены шумом, преградами или нечеткими границами, что может привести к фрагментированной сегментации (Grewal et al. 2023). Сегментация на основе областей делит изображения на однородные области по цвету или текстуре, используя такие методы, как выращивание областей, слияние областей и алгоритмы разделения и слияния.

Сегментация на основе градиентов использует дифференциальные операторы для поиска границ объектов путем обнаружения быстрых изменений интенсивности или цвета с помощью алгоритмов, таких как Canny. Сегментация на основе классификации категоризирует пиксели или области, используя машинное обучение на основе признаков цвета, текстуры и формы, с помощью классификаторов, таких как опорные векторные машины (SVM) или нейронные сети ( Liu et al., 2024d ).

После идентификации областей интереса из этих областей извлекаются спектры, представляющие уникальные свойства образца. Существует несколько методов извлечения спектров из областей интереса. Обычные методы извлечения спектров из областей интереса включают ручной выбор, спектральное усреднение, извлечение конечных членов и сопоставление спектральной библиотеки ( Zhou et al., 2020 ).

Каждый метод имеет свои преимущества и подходит для различных сценариев в зависимости от сложности данных, требуемой точности и свойств образца. Извлеченные спектры представляют собой полное изображение образца и, таким образом, могут содержать некоторую нерелевантную информацию или шум, что требует соответствующей предварительной обработки ( Hsu et al., 2023 ). Предварительная обработка может включать ряд методов и алгоритмов для повышения точности и надежности данных для дальнейшего анализа.

4. Многомерный анализ гиперспектральных данных

Многомерный анализ — это математический и статистический метод, который разбивает сложные многомерные данные на более простые и понятные структуры. Многомерная модель классификации — это мощный статистический инструмент, который классифицирует или разделяет данные на отдельные классы на основе нескольких входных переменных. В HSI яиц сложность возникает из-за овальной формы и рассеивания падающего света, что создает трудности в различении отраженного и проходящего света.

Однако для таких важных параметров, как пол, фертильность, выводимость и смертность цыплят, способность устройства различать интенсивность света, проходящего через яйцо, в зависимости от его типа (например, оплодотворенное или неоплодотворенное) имеет первостепенное значение. В таких случаях многомерные модели классификации оказываются более подходящими, чем многомерные регрессионные модели ( Chen et al., 2023a ).

Линейные многомерные модели классификации полезны благодаря своей интерпретируемости, вычислительной эффективности и простоте. Нелинейные многомерные модели классификации производят революцию в многомерном анализе данных, учитывая сложные взаимосвязи между переменными, которые традиционные линейные модели с трудом улавливают.

В отличие от линейных, нелинейные модели могут эффективно извлекать замысловатые, комплексные закономерности, что позволяет делать более точные прогнозы для биологических образцов. Например, определение пола, оценка плодовитости и прогнозирование смертности цыплят с использованием HSI основаны на тонких спектральных вариациях, где линейные модели могут не классифицировать эффективно.

Обычные нелинейные модели включают k-ближайших соседей (KNN), деревья решений, SVM, случайные леса, искусственные нейронные сети (ANN), сверточные нейронные сети (CNN) и адаптированные подходы к глубокому обучению ( Ahmed et al., 2024e , Wang et al., 2024 ). Эти продвинутые модели классификации превосходно справляются с обработкой сложных нелинейных отношений, присущих гиперспектральным данным. KNN и деревья решений обеспечивают простоту и интерпретируемость, в то время как SVM предлагают надежное разделение классов в многомерных пространствах. Случайные леса повышают точность прогнозирования и уменьшают переобучение за счет ансамблевого обучения.

Искусственные и сверточные нейронные сети (ИИНС), особенно последние, выделяются своей способностью автоматически извлекать сложные характеристики из данных, что приводит к высокоточным классификациям. Эти возможности делают их критически важными для точного и надёжного определения ключевых параметров инкубационных яиц, таких как пол, фертильность и смертность эмбрионов, превосходя ограничения линейных моделей ( Chen et al., 2024a ).

Многомерные регрессионные модели являются мощными статистическими инструментами, которые устанавливают связь между спектрами образца и эталонным параметром для количественного анализа неизвестных образцов. Множественная линейная регрессия (МЛР), регрессия главных компонентов (ПЦР) и регрессия частных наименьших квадратов (ПЛСК) являются наиболее распространенными методами линейной многомерной регрессии ( Ли и др., 2024 ).

Принцип МЛР заключается в разработке линейной модели с двумя или более независимыми переменными (например, спектрами) с целевой зависимой переменной (например, содержанием белка в яичном желтке). МЛР терпит неудачу, если количество переменных превышает количество образцов. ПЦР представляет собой двухэтапный метод, включающий анализ главных компонентов (ПК), за которым следует МЛР, решающий проблемы коллинеарности и высокой размерности, часто встречающиеся только при МЛР ( Джо и др., 2024 ).

На первом этапе МЛР применяется к исходным предикторным переменным, чтобы преобразовать их в набор независимых и некоррелированных ПК. Эти PC представляют собой линейные комбинации исходных переменных, упорядоченных по их дисперсии, где первый PC объясняет наибольшую изменчивость данных, за ним следует второй PC и так далее. В PLSR предикторные и ответные переменные разлагаются на некоторые ортогональные латентные переменные (LV).

Эти размерно редуцированные LV статистически независимы (некоррелированы), легко интерпретируются и представляют наиболее релевантную информацию из обеих исходных переменных. Первый LV объясняет наибольшую ковариацию, за ним следует второй LV и так далее. Оптимальное количество LV имеет решающее значение для достижения точных прогнозов PLSR, в то время как количество извлеченных LV зависит от свойств выборки и цели модели PLSR ( Ahmed et al., 2024b ).

Как правило, PLSR обеспечивает лучшие прогнозы с меньшим количеством LV, чем PC для PCR ( Milinovic et al., 2023 ). Модель PLSR чувствительна к выбросам и мультиколлинеарности и не подходит для нелинейных переменных. В таких случаях нелинейные регрессии, такие как ANN и SVM, эффективны благодаря их расширенным возможностям улавливать сложные нелинейные закономерности в переменных для обнаружения скрытых идей, повышения точности прогнозов и содействия более глубокому пониманию составных выборок ( Dashti et al., 2023 , Jamshid Moghadam et al., 2023 ).

В многомерном анализе надежная разработка модели и четкое объяснение модели с использованием искусственного интеллекта (ИИ) имеют решающее значение для получения точных и применимых на практике идей ( Ахмед, Монжур и Камруззаман, 2024 ). Надежная разработка модели гарантирует, что анализ сможет справиться со сложностью и взаимодействием многомерных данных, что приводит к более надежным и обобщаемым результатам.

Выбор признаков играет решающую роль в определении наиболее релевантных переменных, тем самым повышая производительность и интерпретируемость многомерной модели. Кроме того, такие инструменты, как SHAP (SHapley Additive exPlanations), предоставляют всеобъемлющую структуру для объяснения модели, позволяя визуализировать и понимать вклад каждого признака в прогнозы модели. Эта прозрачность жизненно важна для укрепления доверия к моделям ИИ, содействия принятию более эффективных решений и обеспечения точности и интерпретируемости идей.

Одним из основных преимуществ визуализации гиперспектральных изображений является возможность наблюдать пространственное распределение и градиенты концентрации различных компонентов образца. Визуализация может отображать любую скрытую информацию или закономерность, которая будет качественно (на карте классификации) или количественно (на карте прогнозирования) описывать целевое свойство ( Mariotti et al., 2023 ).

Химические компоненты яиц, такие как белки и холестерин, демонстрируют уникальные спектральные сигнатуры , что помогает в пространственном картировании и анализе. Более того, непрерывный мониторинг с помощью методов визуализации изображений помогает отслеживать изменения качества яиц с течением времени. Карта классификации направлена на отнесение каждого пикселя гиперспектрального изображения к определенному предопределенному классу на основе его спектральных свойств.

В результате классификацию на основе пикселей можно расширить до классификации на основе изображения, где все пиксели на изображении коллективно классифицируются вместе. Для этой цели существует несколько качественных многомерных методов, таких как PCA, LDA, PLS-DA и t-SNE. Карта прогнозирования, или химическая карта ( рис. 4 ), представляет собой количественный анализ, позволяющий оценить пространственное распределение определенных химических компонентов или физических свойств на изображении.

Существуют различные линейные и нелинейные методы построения карт прогнозирования. Карты прогнозирования могут быть представлены в виде непрерывных поверхностей или цветных тепловых карт, что позволяет легко интерпретировать вариации параметров на изображении ( Liu et al., 2023b ). Выбор алгоритма для построения карты распределения (классификационной или прогнозной) зависит от конкретных требований анализа и характеристик визуализируемых данных.

Рис. 4. Визуализация содержания S-овальбумина в куриных яйцах на химической карте ( Яо и др., 2022c ).

5. Программное обеспечение для многомерного анализа и визуализации изображений

Программное обеспечение играет ключевую роль в анализе гиперспектральных данных, особенно в многомерном анализе и визуализации изображений. Появилось несколько вариантов программного обеспечения для анализа больших данных, включая гиперспектральные данные. Среди известных вариантов — ENVI, Unscrambler, eCognition, MATLAB и Python с библиотеками ( Neo et al., 2022 ). ENVI — это ведущий программный инструмент для обработки изображений , специально разработанный для обработки и анализа изображений в приложениях дистанционного зондирования.

Он предлагает удобный интерфейс для визуализации изображений, спектрального анализа и исследования данных, поддерживая различные форматы для бесшовной интеграции. Усовершенствованные алгоритмы ENVI позволяют выполнять спектральное разделение , классификацию и извлечение признаков, помогая в обнаружении закономерностей, слиянии изображений, мозаике и обнаружении изменений. Хотя он предоставляет инструменты многомерного анализа , ему может не хватать глубины специализированного хемометрического анализа.

Unscrambler — это мощное хемометрическое программное обеспечение, широко используемое для многомерного анализа и моделирования данных. Это программное обеспечение предоставляет удобные интерфейсы и интерактивный анализ данных, что позволяет пользователям эффективно интерпретировать результаты.

Однако это программное обеспечение относительно дорогое и не подходит для классификации и построения карт прогнозирования. eCognition, разработанное компанией Trimble, является ведущим программным решением для объектно-ориентированного анализа изображений и автоматического извлечения признаков.

Несмотря на то, что eCognition превосходно справляется с обработкой данных высокого разрешения для объектно-ориентированного анализа и классификации, оно имеет ограничения при многомерном анализе спектральных данных. Более того, освоение этого программного обеспечения требует дополнительного времени и обучения, а его производительность может снижаться при работе с очень большими наборами данных.

MATLAB — мощный и широко используемый язык программирования и программная среда для анализа изображений и больших данных. MATLAB предлагает разнообразные графические функции, включая функции построения 2D и 3D графиков, возможности визуализации и многомерного анализа. Инструментарий обработки изображений MATLAB предлагает широкий спектр функций улучшения изображений, фильтрации, сегментации и извлечения признаков.

Такие функции, как эффективное обнаружение контуров, распознавание объектов и анализ текстур, делают MATLAB мощным инструментом для анализа изображений. Более того, интеграция MATLAB с инструментами глубокого обучения облегчает использование нейронных сетей и методов глубокого обучения для классификации изображений и обнаружения объектов.

Однако он может не обладать таким же уровнем специализированных функций, как специализированные программные пакеты, такие как ENVI или Unscrambler для определенных операций. Поскольку MATLAB является коммерческим программным обеспечением, стоимость лицензирования MATLAB относительно высока, что создает ограничения для частных лиц или организаций с ограниченным бюджетом.

Python — это свободный язык программирования с открытым исходным кодом для анализа больших данных, включая многомерный анализ и анализ изображений. Язык Python легко интегрируется с другими языками программирования (например, C/C++, Java и Julia) и платформами (например, Windows, macOS, Linux и UNIX), обеспечивая взаимодействие и совместную работу в различных системах и платформах. Важно отметить, что Python предлагает широкий спектр библиотек с открытым исходным кодом, таких как NumPy, SciPy и sci-kit-learn, которые охватывают многие области анализа больших данных, машинного обучения и научных вычислений.

Поддержка Python глубокого обучения посредством таких библиотек, как TensorFlow и Keras, позволяет пользователям использовать нейронные сети для сложного многомерного анализа. Возможности обработки изображений Python, поддерживаемые такими библиотеками, как OpenCV и Pillow, обеспечивают эффективную обработку и анализ изображений, включая такие задачи, как фильтрация, обнаружение границ, распознавание объектов и извлечение признаков, что делает его хорошо подходящим для приложений анализа изображений.

Помимо упомянутых платформ, существует несколько языков программирования, таких как C/C++, Java, Julia, R, а также программное обеспечение на основе соответствующих языков программирования, таких как IDL (язык интерактивных данных), LabVIEW и Visual Basic, для разработки процедур анализа и обработки гиперспектральных данных ( Вонг и др., 2023 ).

Помимо упомянутых высокоуровневых платформ программирования, существует множество свободно доступных графических интерфейсов пользователя (GUI), обеспечивающих удобный многомерный хемометрический анализ без каких-либо навыков программирования. HYPER-Tools ( Mobaraki и Amigo, 2018 ), SpectroChat ( Ahmed, Ahmed и Kamruzzaman, 2024 ), SDAT ( Sahadevan и др., 2023 ), Colourgrams ( Calvini и др., 2020 ), ParLeS ( Viscarra Rossel, 2008 ), MBA-GUI ( Mishra и др., 2020 ), imDEV ( Grapov и Newman, 2012 ) — вот лишь немногие известные удобные графические интерфейсы для многомерного хемометрического анализа.

Однако большинство этих графических интерфейсов были разработаны с использованием высокоуровневых платформ программирования и библиотек. Например, Python с библиотеками Numpy, Pandas, Scikit-learn, PyQt5 и Py6S широко используются благодаря их гибкости и простоте интеграции с библиотеками науки о данных, как это было отмечено для SpectroChat и SDAT. MATLAB, известный своими мощными возможностями численных вычислений, является основой для нескольких графических интерфейсов, таких как HYPER-Tools и MBA-GUI, обеспечивающих расширенный спектральный анализ и визуализацию. R с пакетом Shiny часто используется для веб-интерфейсов, таких как imDEV, обеспечивая интерактивные и доступные интерфейсы анализа данных.

Графический интерфейс ParLeS создан с использованием LabVIEW™, графической среды программирования, которая использует G-программирование вместе с математическими, линейными алгебраическими инструментами и инструментами для работы с массивами для эффективной обработки сложных хемометрических вычислений. Несмотря на то, что эти графические интерфейсы разработаны на различных языках программирования, большинство из них не требуют установки базовых платформ или каких-либо знаний в области программирования. Вместо этого они предлагают автономные, удобные интерфейсы, делающие расширенный хемометрический анализ доступным для неспециалистов в программировании.

6. Применение HSI при производстве яйца

Поскольку требования потребителей к качеству и безопасности продолжают расти во всем мире, современная яичная индустрия нуждается в быстрых и автоматизированных методах оценки качества яиц. HSI считается одной из ведущих технологий Индустрии 4.0, облегчая переход текущей яичной и инкубаторной промышленности к современной промышленной среде с повышенной производительностью и автоматизацией, гарантируя высокий уровень точности и целостности.

Учитывая значительный спрос на утиные и гусиные яйца, особенно в Азиатско-Тихоокеанском регионе, способность HSI собирать подробные спектральные данные дает существенное преимущество для различения этих типов яиц на основе тонких различий в составе и скорлупе ( Chen et al., 2023b ). Эта возможность поддерживает более точную сортировку, улучшенную однородность продукта и более эффективные процессы классификации, напрямую принося пользу контролю качества и удовлетворяя конкретные требования рынка.

Следовательно, использование технологии HSI в исследованиях яиц и инкубаториев становится все более заметным, что стимулирует дальнейшие исследования и разработки приложений в этой области.

В то время как технология HSI показывает значительные перспективы для классификации и анализа качества яиц, ее коммерческое внедрение для высокопроизводительных приложений остается ограниченным. Для продвижения индустриализации HSI в яичной и инкубаторной промышленности необходима структурированная дорожная карта, подробно описывающая ключевые этапы внедрения, технологические требования и соображения по интеграции ( Sun et al., 2024a , Ahmed et al., 2023 ).

Начальный шаг включает анализ осуществимости для определения оптимальных спектральных диапазонов и конфигураций для характеристик качества яиц в лабораторных масштабах. Впоследствии разработка и тестирование прототипа должны уточнить параметры HSI в контролируемых или докоммерческих условиях, уделяя особое внимание калибровке для различных типов яиц. Последующие усилия по валидации, автоматизации и масштабируемости должны интегрировать HSI с производственными линиями, использующими высокоскоростные алгоритмы обработки и робототехнику для удовлетворения требований отрасли к производительности.

Протоколы стандартизации имеют решающее значение для гармонизации интерпретации спектральных данных на всех предприятиях, обеспечивая постоянный контроль качества. Учитывая многообещающие результаты, продемонстрированные как в лабораторных условиях, так и в ходе пилотных испытаний, а также начало предкоммерческих испытаний в некоторых странах, ожидается, что технология HSI вскоре будет внедрена в промышленное производство.

Это позволит проводить высокопроизводительный скрининг и контроль качества, продвигая более устойчивый подход в птицеводстве и инкубаторной промышленности ( Sun et al., 2024a , Adhikari et al., 2023 , Javaid et al., 2023 ). Недавнее применение HSI для оценки качества и классификации яиц представлено в таблице 1 .

Таблица 1. Краткое изложение последних исследований гиперспектральной визуализации для анализа качества яиц.

Приложение	Спектральный диапазон (нм)	Скорость сканирования (время экспозиции сенсора)	Хемометрическая модель	Метрики оценки модели / Точность	Ссылка
Свежесть	441–950	10 мм/с (45 мс)	КНН, РФ, ПЛС-ДА, СВМ	∼ 92 %	(Лю и др., 2024c)
	401–1002	1 мм/с (0,1 с)	BCARS, SMA-SVR, SVR	R ²_c = 0,95 R ²_p = 0,91	(Яо и др., 2022a)
	401–1002	1 мм/с (0,1 с)	HHO-СВР	R ² p = 0,95 RMSEP = 3,04 %	(Яо и др., 2021)
	401–1002	1 мм/с (0,1 с)	ИРИВ-ГА-СВМ	99,3––97,9 %	(Яо и др., 2020)
	400–2500	ИЗ	Евклидово расстояние	90–97 %	(Хуан и др., 2020b)
	400–2500	36 мм/с (9 мс)	СПА	96,2–100 %	(Дай и др., 2020)
	500–1000	ИЗ	ПЛСР, МЛР	88–100 %	(Ван и др., 2016)
Информация о качестве яиц	380–1038	0,28 м/с	CNN, Сеть ECA, Сеть SK, Сеть CBAM, Сеть MDFA	∼98,88 %	(Чжан и др., 2022)
Содержание S-овальбумина	300–1100	1,7 мм/с (0,15 с)	СПА, МЛР, ПЛСР	R = 0,91–0,92 RMSE = 0,08–0,11 % RPD = 2,35	(Фу и др., 2019)
Распределение влаги и кислоты в яичном белке	550–1700	6 мм/с (34 мс)	ПЛСР	R ² c > 0,82 (для влаги), R ² c > 0,88 (для кислоты)	(Сомаратне и др., 2019)
Классификация яичных желтков (сырые, вареные и смешанные).	400–1000	ИЗ	Модель евклидового расстояния	Спектральный угол = 2,4–16,2	(Хуан и др., 2020a)
Фертильность	400–1000	0,33 мм/с (50 мс)	PCA, фильтр Габора	99 %	(Парк и др., 2019)
	400–1000	OF (100 мс)	SIMCA, ANN, LDA, QDA	∼93,5 %	(Гадери и др., 2024)
	900–1700	ИЗ	ПЛСР	∼100 %	(Адегбенджо и др., 2024)
Образование пятен крови	450–1000	ИЗ	КНН, СВМ	96,4 %	(Фэн и др., 2019)
Трещины на яичной скорлупе	401–1002	1 мм/с (0,1 с)	XGBoost	93,3–97,3 %	(Яо и др., 2022b)
Проверка яиц на наличие дефектов	400–1000	ИЗ	DNN, CNN, MobileNet	100 %	(Чен и др., 2023a)
Классификация обычных и органических яиц	935–1720	15 мм/с (5 мс)	PLS-DA	96,03 %	(Сахачайрунгруенг и др., 2023 г.)
Классификация яиц по системам кормления кур	380–1038	28 мм/с (НГ)	RDCR-Net	∼97,5 %	(Лин и др., 2022)
Общее количество жизнеспособных бактерий	982–2562	13,78 мм/с (2 мс)	СПА, ПЛС, СВМ	R _c = 0,88, R _p = 0,84	(Нэн и др., 2019)
Поддельное яйцо	460–800	ИЗ	Дисперсионный анализ	87,2 %	(Ким и др., 2022)
Упругость консервированного яйца	427–843	2,0 мм/с (0,15 с)	УВЕ-ПЛСР	R ²_p = 0,85 RPD = 2,35	(Чен и др., 2023b)
Соль в вяленом яйце	400–1000	1,5 мм/с (0,45 с)	ПЛСР	R ²_p = 0,91 RPD = 3,37	(Чен и др., 2024b)

Сокращения: KNN – Метод k-ближайших соседей определяется как гибкий алгоритм, используемый как для задач классификации, так и для задач регрессии, который идентифицирует k-ближайших соседей на основе метрики расстояния и присваивает метку класса или среднее целевое значение на основе этих соседей., K-ближайшие соседи; RF – случайный лес; PLS-DA – дискриминантный анализ с использованием метода частичных наименьших квадратов; SVM – машина опорных векторов; BCARS – двоичная конкурентная адаптивная повторная выборка; SVR – регрессия опорных векторов; SMA-SVR – метод, оптимизированный для алгоритма SVR; HHO-SVR – метод, оптимизированный для SVR Харриса-Хокса; IRIV-GA-SVM – метод, итеративно сохраняющий информативные переменные – генетический алгоритм – SVM; SPA – алгоритм последовательного проецирования; MLR – множественная линейная регрессия; PLSR – регрессия с использованием метода частичных наименьших квадратов; ECA-Net – сеть внимания эффективного канала (сеть); SK-Net – селективная ядерная сеть; CBAM-Net – сверточный блочный модуль; MDFA-Net – сеть слияния нескольких данных; PCA – главный компонентный анализ ; XGBoost – экстремальный градиентный бустинг; DNN – глубокие нейронные сети; CNN – сверточные нейронные сети; ANOVA – дисперсионный анализ; NG – не дано.

6.1. Определение свежести яйца

Определение свежести яиц имеет первостепенное значение из-за его прямого влияния на безопасность пищевых продуктов, качество и благополучие потребителей. Ухудшение свежести яиц в первую очередь связано с потерей влаги через яичную скорлупу, что приводит к разжижению альбумина (яичного белка) и последующим изменениям его химического состава. Это приводит к снижению содержания CO2, повышению кислотности и изменению структуры белка альбумина, что в совокупности способствует снижению свежести яиц ( Сюй и др., 2022 , Яо и др., 2022a ).

По мере старения яиц увеличивается риск бактериального заражения , такого как сальмонелла, что может вызвать серьезные последствия для общественного здравоохранения. Единица Хау (HU) — это широко используемый показатель свежести яиц, который измеряет высоту слоя белка путем разбивания яйца ( Нарушин и др., 2021 , Сехирли и Арслан, 2022 ). Другие традиционные методы определения свежести яиц включают сенсорную оценку , такую как визуальный осмотр, обоняние и тест на плавучесть.

Эти методы не обладают научной точностью и могут приводить к ошибкам в оценке свежести яиц, что подчеркивает необходимость в более совершенных и надежных методах для обеспечения безопасности пищевых продуктов и удовлетворения потребителей. Более того, эти методы утомительны, требуют много времени и не подходят для промышленных производственных линий ( Nakaguchi and Ahamed, 2024 ). Несколько недавних исследований показали, что HSI является эффективным, неразрушающим методом для быстрого и точного определения свежести яиц ( таблица 1 ).

Недавно Лю и др. (2024c) предложили отражательную систему HSI (441–950 нм) с галогенной лампой мощностью 420 Вт (Вт) для определения свежести яиц в коричневой скорлупе. Они использовали несколько методов слияния на уровне принятия решений ( таблица 1 ) и сообщили о точности классификации около 92,5%.

Отражательная ближняя инфракрасная система HSI с ПЗС-камерой, вольфрамовой галогенной лампой мощностью 300 Вт в диапазоне длин волн 900–1700 нм используется для получения изображений на 0, 4, 7, 10, 14, 18 и 21 день (дн.) хранения ( Suktanarak и Teerachaichayut, 2017 ). После спектрального извлечения и предварительной обработки разработанная калибровочная модель PLSR показала R2c = 0,91 и RMSEC = 4,58. Чжан и др. (2015) использовали HSI и SPA в сочетании с алгоритмом SVM для определения свежести яйца, образования пузырьков или разбросанного желтка.

Они получили модель обнаружения свежести с коэффициентом детерминации 0,87, RMSE 4,01% и RPD 2,80 в проверочном наборе. Кроме того, яйца с внутренними пузырьками и разбросанными желтками были распознаны моделью классификации опорных векторов (SVC) с точностью идентификации 90,0% и 96,3% соответственно. Модель прогнозирования HU, использующая алгоритм бинарной конкурентной адаптивной повторной выборки (BCARS) и оптимизированный для алгоритма слизевика SVR (SMA-SVR), была зарегистрирована с удовлетворительной точностью прогнозирования (R²_c = 0,95 и R²_p = 0,91) ( Yao et al., 2022a ). Они также разработали карту распределения свежести для облегчения управления во время хранения и реализации яиц.

Эта исследовательская группа опубликовала несколько исследований по определению свежести яиц с помощью технологии HSI. Их система визуализации HSI состоит из ПЗС-камеры с двумя галогенными лампами мощностью 150 Вт, фокусирующихся на одном яйце для получения изображений в спектральном диапазоне 401–1002 нм. Эксперименты проводились в темном ящике, чтобы избежать помех от внешнего света.

В другом исследовании Яо и др. (2021) использовали алгоритм SPA и алгоритм бутстраппинговой мягкой усадки (BOSS) для выбора нескольких преобладающих длин волн, связанных с HU в диапазоне 530–800 нм. Используя выбранные длины волн, они разработали модель оптимизированной регрессии опорных векторов Харриса-Хокса (HHO-SVR) с высокой точностью прогнозирования и более высокой надежностью (R2p = 0,95 и RMSEP = 3,04).

Ранее эта группа предложила систему HSI для неразрушающей оценки свежести яиц ( Яо и др., 2020).). Они использовали алгоритм расстояния Махаланобиса и SG-SNV для удаления аномальных образцов и спектральной предварительной обработки. Наконец, они разработали модель классификации IRIV-GA-SVM с превосходной точностью (97,9–99,3 %).

Гиперспектральные изображения сырого и вареного желтка были получены в широком спектральном диапазоне (400–2500 нм) и разработали модель классификации свежести с использованием евклидова расстояния (Huang et al., 2020b). Они сообщили, что предложенная ими модель была достаточно точной для различных партий для классификации свежего и вареного желтка с диапазоном точности 90–97 %.

Рассеяние, отражение, пропускание и смешанный режим HSI были отдельно протестированы для разработки модели определения свежести яйца (Dai et al., 2020). Они использовали три классификатора для разработки метамоделей в рамках ансамбля стекирования, повысив пиковую точность с 96,25 % до 100 %. При оценке моделей HSI самые высокие точности соответственно составляют 100,00%, 88,75%, 95,00% и 96,25% для режимов рассеяния, отражения, пропускания и смешанных режимов.

Эти результаты подчеркивают, что использование гиперспектральных данных рассеяния заметно превосходит другие атрибуты при определении свежести яиц. Наличие пятен крови в желтке может способствовать ухудшению свежести яиц. Пятна крови могут создавать благоприятную среду для роста микробов , что потенциально приводит к порче и повышенному риску заражения.

Фэн и др. (2019) использовали только пять информативных длин волн, выбранных SPA, для разработки модели на основе SVM для прогнозирования пятен крови на яйцах. Разработанная модель показала 96,4% точность классификации для идентификации яиц с пятнами крови. Пропускание гиперспектральных данных в диапазоне 500–1000 нм создает модель PLSR для прогнозирования свежести яиц ( Wang et al., 2016 ).

В этом исследовании также использовались несколько выбранных длин волн на основе CARS для модели MLR. Результаты показали 100% и 88% точности при использовании моделей PLSR и MLR для прогнозирования свежести яиц с белой скорлупой. Недавно была предложена сеть слияния множества данных и внимания (MDFA-Net) в сочетании с электронным носом (e-nose) и гиперспектральной системой для определения качества яиц (Zhang et al., 2022b).

Разработанная модель MDFA-Net сравнивалась с различными моделями сетей глубокого обучения (DNN). Они сообщили о модели MDFA-Net с точностью 99,88%, правильностью 99,87%, полнотой 99,88% и оценкой F1 99,90%, что демонстрирует лучшую производительность классификации и стабильность по сравнению с моделями DNN.

6.2 Анализ химического состава

Сочетание спектральных и пространственных характеристик, HSI позволяет одновременно характеризовать различные химические составы образцов, наряду с оценкой однородности и градиентного распределения. Хотя количественный анализ среднего количества химического состава имеет достаточное значение, распределение химических компонентов имеет огромное значение для достижения всесторонней характеристики яиц.

Например, количественный и качественный анализ необходимы для оценки пригодности яичных белков или желтков для определенных диетических потребностей и предпочтений. Кроме того, анализ химического состава дает важную информацию о свежести яиц, сроке годности и потенциальных дефектах. Несколько исследований сообщили об эффективности технологии HSI в эффективном определении химического состава яиц ( таблица 1 ).

Фу и др. (2019) предложили метод HSI для быстрого и неразрушающего анализа содержания S-овальбумина в яйцах. Они использовали SPA для выбора важных признаков, а затем разработали модели MLR и PLSR. Производительность прогнозирования MLR (R_c = 0,92, RMSEC = 0,08, R_p= 0,91, RMSEP = 0,11, RPD = 2,35) была лучше, чем у модели PLSR. Уравнение регрессии модели MLR было применено для расчета значения для каждого пикселя и позволило создать псевдоцветное изображение, визуализирующее распределение содержания S-овальбумина в яйце. Количественная оценка n-3 полиненасыщенных жирных кислот (ПНЖК) важна для контроля качества и классификации яиц. Система визуализации гиперспектрального пропускания в диапазоне 900–1700 нм сообщила о 100 % точности классификации яиц на основе содержания ПНЖК ( Abdel-Nour & Ngadi, 2011 ). Они провели кластерный анализ МК для классификации яиц на основе заранее определенного содержания ПНЖК. Для количественного прогнозирования была разработана модель PLSR с коэффициентами корреляции между измеренными и прогнозируемыми значениями альфа-линоленовой кислоты, эйкозапентаеновой кислоты и докозагексаеновой кислоты , которые составили 0,94, 0,73 и 0,87 соответственно. Была оценена система HSI для прогнозирования пространственного распределения кислоты и воды в геле яичного белка ( Somaratne et al., 2019 ). Разработанные модели PLS показали, что спектральный диапазон всей длины волны (550–1700 нм) обладает хорошей способностью прогнозировать пространственное распределение кислоты (R²_c > 0,82) и влаги (R²_c > 0,88). Huang et al. (2020) Предложена система HSI для классификации различных желтков (сырых, варёных и смешанных) и определения их прослеживаемости. Для оценки яиц использовались евклидово расстояние и спектральный угол. Полученные значения спектрального угла (диапазон: 2,4 – 16,2) подтвердили пригодность технологии HSI для классификации яиц.

6.3. Инкубационные свойства, плодовитость и рост эмбриона

Коммерческие инкубатории ежегодно инкубируют много неоплодотворенных яиц из-за отсутствия соответствующих технологий обнаружения ( Ghaderi et al., 2024 ). В секторе инкубаториев США ежегодно инкубируют от 130 миллионов до более чем одного миллиарда неоплодотворенных яиц, что приводит к отсутствию развития эмбриона ( Adegbenjo et al., 2020 ).

Инкубация неоплодотворенных яиц наносит вред инкубаторной отрасли, занимая место и энергию и потенциально распространяя бактерии или плесень, загрязняя весь инкубаторийный шкаф ( Lawrence et al., 2006 , Syduzzaman and Khaliduzzaman, 2022 ). Однако некоторые оплодотворенные яйца могут не развить эмбрионы из-за экологических и генетических факторов, в то время как низкое качество яиц, врожденные аномалии и неблагоприятные условия инкубации могут привести к эмбриональной смертности ( Khaliduzzaman et al., 2019 ).

Просвечивание — традиционный метод оценки инкубационных свойств, фертильности и развития эмбриона, при котором яйца держат против яркого источника света, что является трудоемким, занимает много времени и сопряжено с высоким уровнем человеческих ошибок. Современный сектор инкубаториев требует интеграции высокоточного, неразрушающего, неинвазивного и автоматизированного интеллектуального метода для снижения значительных экономических и технических рисков. Куриным яйцам требуется 21 день для вылупления ( Jalili-Firoozinezhad et al., 2020 , Nordquist et al., 2022 ).

Таким образом, если возможно предсказать инкубационные свойства до или в течение нескольких дней инкубации, это может сэкономить огромную энергию и средства. Чжан и др. (2014) разработали систему HSI для раннего прогнозирования выводимости яиц с целью повышения эффективности коммерческих инкубаториев. Гиперспектральные изображения были собраны на 0, 1, 2, 3 и 4 день инкубации, за которыми следовали алгоритмы PCA и обучения векторной квантованной нейронной сети (LVQNN).

Исследование показало, что использование морфологических характеристик изображения в модели обеспечивает более высокую точность и обобщение по сравнению с использованием спектральных характеристик. Точность идентификации яиц с развивающимися эмбрионами была исключительной: 97% на 3-й день и 100% на 4-й день.

Для быстрой сортировки была предложена система HSI с линейным сканированием для быстрой оценки жизнеспособности оплодотворенных эмбрионов яйцеклеток ( Park et al., 2019 ). Вначале они сделали снимки партии из 88 яиц в диапазоне 400–1000 нм, которые затем были проанализированы с помощью PCA и фильтра Габора.

Наконец, они сообщили о жизнеспособности оплодотворения с помощью однополосного алгоритма (560 нм) с точностью приблизительно 99%. Zhihui et al. (2015) сообщили о системе HSI для обнаружения неоплодотворенных яиц с использованием первых шести PC и трех моделей SVM. Показатели точности моделей SVM составили 84,00%, 90,00% и 93,00% соответственно. Была разработана система пропускания HSI с вольфрамово-галогеновой подсветкой с временем экспозиции всего 30 мс (мс) для обнаружения оплодотворенных яиц ( Smith et al., 2005 ).

Система имеет низкую точность при тестировании свежих яиц или до 2 дней инкубации, но показала 91% точности на 3 день. В сочетании с алгоритмом GA-BP система HSI показала 93,5% общую точность сортировки оплодотворенных и неоплодотворенных яиц ( Zhu et al., 2014 ). Лю и Нгади (2013) разработали систему NIR-HSI для определения оплодотворенности яиц и развития эмбриона. В их эксперименте использовались 174 куриных яйца с белой скорлупой, включая 156 оплодотворенных яиц и 18 неоплодотворенных.

Все эти яйца прошли 4-дневный инкубационный период в коммерческом инкубаторе. Развитие эмбриона некоторых случайно выбранных оплодотворенных яиц было остановлено инъекцией азида натрия . С помощью гиперспектральных изображений ROI отдельных изображений сегментировалась, а затем данные изображения извлекались с помощью фильтров Габора.

Этот метод продемонстрировал точность прогнозирования кластеризации МК до 100 % для классификации оплодотворенных яиц. Более того, они сообщили о многообещающих результатах в раннем развитии эмбриона с использованием информации о текстуре изображения. Чжан и др. (2012) сообщили о модели LVQNN, использующей пять характерных полос для раннего прогнозирования роста эмбриона.

Проверочное исследование показало, что модель дискриминации была стабильной с точностью прогнозирования 78,8 % на 1-й день, 90,3 % на 2-й день и 98,6 % на 3-й день инкубации. Модель классификации на основе расстояния Махаланобиса и модель регрессии PLS были разработаны с использованием гиперспектральных данных для 3-го дня инкубации яиц ( Lawrence et al., 2006 ).

Обе модели были на 100 % точными (n = 96) на 2-й день инкубации. Недавно с помощью системы HSI были опубликованы многочисленные нелинейные методы высокопроизводительной классификации яиц на основе фертильности ( Ghaderi et al., 2024, Adegbenjo et al., 2024).). Представленные исследования показали потенциал применения методов HSI для разработки системы в режиме реального времени для определения характеристик инкубации, фертильности и раннего развития эмбриона куриных яиц.

6.4 Внешние характеристики яиц

Внешние свойства яиц, включая цвет, дефекты и трещины, играют важную роль в определении качества, безопасности и товарности. Хотя цвет яичной скорлупы не влияет на пищевую ценность, он влияет на потребительские предпочтения. Внешние дефекты снижают воспринимаемое качество и увеличивают риск заражения, влияя на безопасность и срок годности. Треснувшая скорлупа способствует проникновению бактерий, что приводит к риску порчи и заболеваний пищевого происхождения ( Jan et al., 2018 ).

Ручной контроль неэффективен для производств с высокой пропускной способностью, часто пропуская едва заметные дефекты и рискуя испортить яйца из-за недостаточной чувствительности. HSI превосходит традиционные методы внешней оценки качества яиц благодаря своей точности, объективности, эффективности и способности обеспечивать более глубокое понимание дефектов и трещин.

Сообщалось, что система HSI и хемометрика определяют цвет, прочность яичной скорлупы и трещины ( Xie & He, 2016 ). Они разработали отдельные модели для каждого изучаемого параметра. Для цвета яичной скорлупы они обнаружили, что модель PLSR показала хорошие результаты с R_p 0,79 для L*, 0,81 для a*, 0,77 для b* и 0,84 для прочности яичной скорлупы.

Модели RC-PLS также получили R_p 0,77 для L*, 0,81 для a*, 0,77 для b* и 0,84 для прочности яичной скорлупы. Результаты классификации составили 97,1% в модели PLS-DA и 88,24% в модели RC-PLS-DA. Общий результат классификации составил 97,06% в модели PLS-DA. Сообщалось о системе Vis-NIR-HSI и анализе изображений для улучшения трещин для быстрой классификации (Yao et al., 2022b).

Сообщалось о двухпороговой сегментации для извлечения геометрических характеристик трещин, в то время как они разработали метод классификации XGBoost для обнаружения трещин с точностью 93,33%. Недавно Чен и др. (2023a) разработали метод гиперспектрального контроля дефектов яиц в реальном времени в сочетании с алгоритмом нейронной сети.

Разработанная система протестировала 1800 яиц и показала 100% точность проверки дефектов. Для промышленного применения время проверки яиц поддерживалось на уровне 31 мс, а точность была установлена на уровне 95%, что указывает на возможность применения системы на коммерческих линиях по производству яиц. Лоуренс и др. (2008) разработали автоматизированную технологию сортировки яиц на основе HSI для обнаружения треснувших яиц.

Они использовали всего 80 треснувших яиц и традиционные алгоритмы обнаружения краев с точностью 98,75%. В инкубаторной отрасли треснувшие и дырявые яйца, как правило, считаются нежелательными, поскольку они могут привести к снижению выводимости, повышению смертности и уровню заражения. Смит и др. (2006) Сообщалось о системе HSI для выявления дефектов инкубационных и столовых яиц. Однако по сравнению с недавними исследованиями точность системы оказалась относительно ниже (83–91%), а результаты для яиц с белой и коричневой скорлупой различались.

6.5. Классификация яиц по системе содержания

Яйца в скорлупе делятся на две основные категории: экстенсивные яйца, которые куры производят в более естественной среде, и интенсивные яйца, которые куры производят на искусственных фермах ( Pires et al., 2021 ). Несмотря на многочисленные споры, многие считают, что экстенсивные яйца имеют более высокое содержание белка и жира ( Ochs et al., 2019 ).

Исследования также показали, что экстенсивные яйца имеют отличный от интенсивных яиц химический состав и некоторые физические характеристики ( Kowalska et al., 2021 , Lordelo et al., 2020 , Vlčková et al., 2019 , Zita et al., 2018 ). В дополнение к яйцам от кур свободного выгула и пастбищ, органические яйца являются одним из типов экстенсивных яиц, произведенных в соответствии с определенными стандартами органического земледелия, в которых приоритет отдается благополучию животных , экологической устойчивости и сокращению использования химикатов, что вызывает больший интерес у потребителей по сравнению с другими.

Тем не менее, сложно классифицировать яйца на основе системы кормления или содержания птиц невооруженным глазом или с использованием традиционных методов классификации. В этом отношении HSI и хемометрика показали многообещающие результаты ( таблица 1 ).

Недавно Сахачаирунгрюенг и др. (2023) протестировали систему NIR-HSI для обнаружения органических яиц. Имея изображения 210 органических и 210 обычных свежих яиц, они применили PCA к спектральным данным, а затем разработали модель PLS-DA. Используя комбинацию первой производной и предварительной обработки MSC, модель классификации PLS-DA показала 96,03% точность в классификации обычных и органических яиц.

Сообщается, что система HSI с алгоритмом остаточной плотной всесторонне регулируемой сверточной нейронной сети (RDCR-Net) является точным методом обнаружения яиц на основе системы кормления кур ( Lin et al., 2022 ). После получения спектральных данных они применили всесторонне регулируемый алгоритм свертки для извлечения признаков.

Они сообщили, что RDCR-Net очень эффективен для извлечения глубоких признаков спектральной информации, а разработанные модели имели классификационную эффективность 96,29% точности, 97,53% достоверности, 97,14% полноты и 96,19% коэффициента каппа. Сан и др. (2017) успешно классифицировали яйца на основе систем содержания. Алгоритм поиска по сетке, генетический алгоритм, алгоритм оптимизации роя частиц и алгоритм поиска кукушки были объединены с использованием метода опорных векторов (SVM) для создания идентификационной модели с точностью от 96% до 99,3%.

6.6. Прогноз пола яйцеклетки

Массовая выбраковка цыплят-самцов вскоре после вылупления является проблемой благополучия животных, которая вызывает значительные этические опасения ( Xie et al., 2023a ). Определение пола яйца до инкубации предлагает потенциальное решение этой проблемы, предотвращая вылупление цыплят-самцов, которые в конечном итоге будут выбракованы.

Более того, определяя пол яйца, инкубатории могут выборочно выводить яйца, сокращая потенциальные отходы и затраты и максимизируя эффективность своего производства ( Alin et al., 2019 , Islam et al., 2015 ). Не существует экономически эффективного метода определения пола свежих яиц или ранних стадий развития эмбриона в инкубатории для коммерческого применения.

В этом отношении HSI имеет высокий потенциал благодаря своей быстрой, неразрушающей и неинвазивной природе. Göhler et al. (2017) разработали прошедшую систему HSI в диапазоне 400–1000 нм, где только одно яйцо освещается галогенной лампой мощностью 35 Вт. Используя модель классификации LDA, они определили пол эмбриона на 11–14 день инкубации, в то время как общая точность составила приблизительно 97% для 14-дневных эмбрионов.

В том же спектральном диапазоне Pan et al. (2016) изучали различные линейные и нелинейные алгоритмы определения пола эмбриона. На 10 день инкубации они обнаружили, что SVM и PLDA имели точность прогнозирования 75%, в то время как ANN обеспечили лучшую классификацию с точностью 82,9%. В патенте США сообщалось о методе HSI с алгоритмом нейронной сети для определения пола яйца ( Rozenboim et al., 2016 ).

Предложенный ими метод имел точность 77,6% на 12 день инкубации. Несмотря на то, что у этого метода есть потенциал, он требует значительных инкубационных периодов и дает некоторые ложноположительные/отрицательные результаты, что является основными ограничениями исследования. Ожидается, что дальнейшие исследования повысят точность прогнозирования пола яйца или раннего эмбриона за счет разработки более точных и устойчивых алгоритмов.

6.7 Другие приложения

Яйца подвержены загрязнению различными типами бактерий. Потребление загрязненных яиц может быть особенно опасным для уязвимых групп, таких как дети, пожилые люди, беременные женщины и люди со слабой иммунной системой . Отслеживание количества бактерий и результатов тестирования позволяет лучше прослеживать яйца по всей цепочке поставок.

В этой связи Нан и др. (2019) сообщили о технологии NIR-HSI для определения микробной нагрузки в яйцах. Образцы яиц вручную инокулировались смешанной бактериальной суспензией Escherichia coli и Pseudomonas aeruginosa . После получения изображения предварительно обработанные данные используются для разработки моделей PLS и SVM. Модель SVM превзошла другие (R_c = 0,88, R_p = 0,84, RMSEC = 0,86 и RMSEP = 0,97).

Поддельные яйца, также известные как поддельные или сфабрикованные яйца, разработаны так, чтобы имитировать настоящие куриные яйца. Такие искусственные яйца изготавливаются из несъедобных или некачественных материалов, таких как пластик, желатин, крахмал, карбонат кальция и пищевой краситель . Эти искусственные яйца могут производиться и продаваться как более дешевая альтернатива настоящим яйцам, часто в регионах, где цены на яйца относительно высоки или наблюдается их дефицит.

Важность обнаружения поддельных яиц невозможно переоценить из-за ее далеко идущих последствий. Помимо проблем со здоровьем, обнаружение поддельных яиц поддерживает основу доверия между потребителями и пищевой промышленностью. Недавно Ким и др. (2022) сообщили о флуоресцентной системе HSI для быстрого неразрушающего обнаружения поддельных или искусственных яиц. Флуоресцентные изображения настоящих и поддельных яиц были получены с использованием режима линейного сканирования, а затем проанализированы с помощью дисперсионного анализа .

Они показали 87,2% точность в классификации настоящих и поддельных яиц. Анализ состава консервированных или консервированных яиц важен для обеспечения их пищевой ценности , безопасности пищевых продуктов и контроля качества, что способствует планированию питания, кулинарному применению и соблюдению нормативных требований. Недавно одна исследовательская группа провела быстрое и неразрушающее исследование упругости геля и содержания соли в консервированных яйцах с помощью HSI ( Chen et al., 2023b , Chen et al., 2024b ). Они сообщили о многообещающих результатах прогнозирования упругости геля в консервированных яйцах (R2^p = 0,85) и содержания соли (R2^p = 0,91).

7. Проблемы, потенциал и будущие тенденции

HSI — это универсальная и ценная технология с широким спектром применения. Несмотря на множество преимуществ, технология HSI имеет ряд ограничений и сложностей. Основными ограничениями для широкого внедрения технологии HSI являются диффузионная природа яйца, огромный объём данных, скорость и сложность вычислений, аппаратные требования и стоимость. Более того, чувствительность к условиям окружающей среды и интеграция с другими датчиками также представляют собой сложности в различных областях.

Одной из существенных проблем при HSI яиц является внутренняя диффузия образца из-за его овальной формы, что затрудняет различение отраженного и проходящего света. Поэтому определение ключевых параметров, таких как пол, фертильность, выводимость и смертность цыплят, с использованием какого-либо конкретного типа спектра (например, поглощения или пропускания) не является хорошим подходом; вместо этого лучше использовать интенсивность света, чтобы избежать проблем с интерпретацией.

Хотя многие исследователи сообщали о режимах освещения пропусканием или диффузным пропусканием для оценки внутренних качеств яиц, настройка таких режимов в коммерческих приложениях довольно сложна из-за сложности формы и интерпретации полученных спектров ( Saifullah & Khaliduzzaman, 2022 ). Кроме того, воздействие на яйца мощного света во время освещения может привести к повышению температуры, что потенциально может вызвать денатурацию белка или поставить под угрозу фертильность ( Strack, 2023 ). Для преодоления этих технических проблем системы HSI требуют инновационных установок, передовых алгоритмов спектрального разделения и соответствующих систем освещения с минимальным тепловыделением .

HSI представляет собой значительную проблему на предприятиях по производству яиц из-за огромного объема яиц и получаемых данных изображений, требующих ежедневной обработки. Точная классификация каждого яйца требует сложных методов анализа изображений для эффективной обработки этого огромного потока данных.

Сложность заключается в извлечении соответствующих спектральных характеристик из многомерных данных, что часто приводит к вычислительным узким местам и увеличению времени обработки. Неправильная классификация яиц может иметь пагубные экономические последствия, такие как неправильная сортировка, которая влияет на ценообразование, и потенциальные риски для безопасности пищевых продуктов, если дефектные яйца не будут обнаружены ( Ahmed et al., 2023 ). Чтобы смягчить эти проблемы, передовые алгоритмы машинного обучения и высокопроизводительные вычислительные системы имеют решающее значение для анализа в реальном времени.

Такие методы, как глубокое обучение и параллельная обработка архитектур, могут повысить точность и скорость классификации, снижая риск ошибок и обеспечивая стабильное качество продукта .

Большие объемы данных в HSI по сравнению с традиционными изображениями RGB представляют собой значительную проблему из-за обширной спектральной информации, полученной в многочисленных смежных диапазонах для каждого пикселя изображения. HSI часто требует высокого пространственного разрешения для подробной информации, что еще больше увеличивает объем данных. Управление, хранение и передача таких массивных наборов данных требуют значительных ресурсов хранения, вычислительных ресурсов и передовых методов сжатия и управления данными ( Pu et al., 2023 ; Shukla et al., 2023).

В HSI скорость и сложность вычислений существенно влияют на применимость технологии. Большой объем и высокая размерность данных HSI создают значительные вычислительные проблемы, требующие эффективных алгоритмов для обработки. Эффективное управление гиперспектральными данными требует владения языками программирования высокого уровня и навыков работы с программным обеспечением.

Исследователи постоянно совершенствуют вычислительные методы, уделяя особое внимание передовым методам сжатия данных , извлечения признаков и классификации, чтобы ускорить анализ, сохраняя при этом высокую точность. Тем не менее, высокая размерность гиперспектральных данных остается ограничением для ускорения обработки данных, при этом такие методы, как PCA и LDA, в основном используются для снижения размерности, хотя они могут не полностью улавливать сложные нелинейные зависимости внутри данных ( Tian et al., 2023 ). HSI чувствителен к условиям окружающей среды, при этом изменения в освещении и температуре влияют на качество и точность гиперспектральных данных ( Sarić et al., 2022 ). Условия освещения могут изменить спектр освещения, влияя на измерения спектрального отражения.

Правильные методы калибровки и коррекции необходимы для обеспечения согласованных и точных спектральных данных. Колебания температуры также могут влиять на гиперспектральные камеры и датчики, приводя к тепловому шуму и нестабильности данных ( Shekarau Luka et al., 2024 , Zhang et al., 2024a ). Поэтому контроль среды получения изображений и мониторинг температурных условий имеют решающее значение для минимизации этих эффектов.

Калибровочные модели обычно разрабатываются для прогнозирования свойств неизвестного образца, опираясь на справочные данные. Однако неточности в справочной информации могут привести к ошибочным прогнозам. Создание глобально доступного и разнообразного справочного набора данных остается сложной, но критически важной задачей для точной оценки внутренних и внешних свойств яиц.

Для разработки эффективных моделей данных необходимы различные хемометрические подходы. Тем не менее, не существует стандартизированных правил для разработки или оценки методов многомерного интеллектуального анализа данных ( García-Pérez et al., 2024 ). Экспертиза в выборе подходящей хемометрики необходима для надежных калибровочных моделей, адаптированных к конкретным приложениям.

Перенос калибровки между приборами представляет собой еще одну значительную проблему, поскольку различия в характеристиках оборудования и датчиков могут повлиять на последовательность измерений. Биологические образцы, такие как яйца, могут демонстрировать различные свойства из-за внутренних и внешних факторов , что потенциально может вводить в заблуждение калибровочные модели, если их не учитывать.

В таких случаях может потребоваться повторная калибровка. Решение этих проблем требует обширных исследований для создания единой глобальной системы калибровки, применимой к различным системам HSI, обеспечивающей согласованную и точную калибровку для различных датчиков, платформ и наборов данных.

Такой унифицированный подход может быть полезен для многоплатформенных систем HSI, интегрирующих различные датчики. В промышленных условиях переход от лабораторной офлайн-калибровки к онлайн-калибровке в режиме реального времени сталкивается с трудностями, связанными с обработкой данных и прогнозированием в режиме реального времени.

Факторы окружающей среды и эксплуатации могут существенно влиять на стабильность, точность данных и срок службы оборудования HSI в промышленных условиях. Регулирование температуры имеет решающее значение, поскольку колебания могут привести к дрейфу датчика и ошибкам калибровки ( Shekarau Luka et al., 2024 , Zhang et al., 2024a ).

Корпуса с контролируемым климатом и термоэлектрическими системами охлаждения или обогрева помогают стабилизировать работу датчика. Демпфирование вибрации с помощью амортизирующих креплений или изолированных корпусов обеспечивает выравнивание и точность в условиях сильных вибраций на производственных объектах.

Для пыли и твердых частиц пылезащитные корпуса, плановая очистка и высокоэффективные воздушные фильтры (HEPA) помогают поддерживать оптическую прозрачность. Плановое профилактическое обслуживание и диагностический мониторинг в реальном времени позволяют своевременно корректировать и отслеживать состояние системы и статус калибровки.

Протоколы избыточности данных дополнительно защищают точность, обеспечивая устойчивость в неоптимальных условиях и повышая надежность системы. Эти меры в совокупности помогают защитить оборудование HSI, обеспечивая надежность в сложных промышленных условиях.

HSI предлагает существенные перспективы для революции в индустрии яиц и инкубаториев, предлагая всестороннее и подробное понимание свойств яиц. Техника HSI обеспечивает точную классификацию и сортировку яиц, оптимизируя эффективность производства и обеспечивая стабильное качество. Кроме того, она облегчает проверку яичных продуктов на предмет порчи, загрязнения или посторонних материалов, повышая безопасность пищевых продуктов и снижая риск заболеваний пищевого происхождения.

С ростом населения мира и ростом спроса на яйца и птицу усиливаются опасения по поводу мошенничества с продуктами питания. Поддельные яйца, содержащие вредные добавки и химические вещества, представляют собой значительную проблему, часто сложную для визуального обнаружения ( Kim et al., 2022 ). Хотя исследования по выявлению поддельных или искусственных яиц остаются ограниченными, HSI демонстрирует замечательный потенциал. Натуральные и поддельные яйца имеют различные составы и характеристики поверхности, что приводит к различимым спектральным узорам.

Мониторинг фертильности яиц имеет решающее значение для эффективного разведения и надзора за болезнями в птицеводческой промышленности. Раннее обнаружение бесплодных яиц оптимизирует распределение ресурсов , улучшая показатели выводимости.

Автоматизированный анализ больших партий яиц HSI повышает эффективность обработки в коммерческих инкубаториях. Несмотря на ограниченность, исследования HSI для определения фертильности яиц показывают многообещающие результаты.

Использование HSI с передовым машинным обучением (МО) может дать объективные результаты, снижая человеческий фактор ( Чжан и др., 2024b ). Каждый год до 7 миллиардов суточных цыплят мужского пола бросают в измельчительные машины, травят газом или душат в пластиковых пакетах — процесс, известный как выбраковка цыплят ( Корион и др., 2023 ).

Выбраковка цыплят мужского пола является проблемой благополучия животных в инкубаторной промышленности, что вызывает существенные этические соображения. С этой целью HSI с передовым МО может произвести революцию в определении пола яиц, что приведет к более эффективной работе инкубаторов и улучшению методов разведения.

Экономически эффективная многоспектральная съемка или съемка в нескольких отдельных спектральных диапазонах является многообещающей для исследований яиц, поскольку они доступны по цене и генерируют меньше данных по сравнению с HSI ( Cao et al., 2023, Mengu et al., 2023 ).

Создание многоспектральных изображений с использованием меньшего количества переменных и надежных алгоритмов может повысить скорость HSI и снизить затраты на оборудование для анализа в реальном времени. Алгоритмы ИИ и МО могут автоматизировать и точно классифицировать характеристики качества яиц, облегчая оценку в реальном времени для больших партий яиц. Кроме того, объединение HSI с другими технологиями датчиков, такими как ультразвук или акустический резонанс, улучшает понимание сложных внутренних свойств. Интеграция HSI с различными датчиками является растущей тенденцией со значительным потенциалом в индустрии яиц и инкубаториев.

Объединение HSI с такими датчиками, как LiDAR, тепловые и погодные датчики, а также спектроскопия, обеспечивает более полное понимание производственной среды ( Khan et al., 2024 ). Например, объединение гиперспектральных данных с данными лидара позволяет создавать подробные 3D-карты с богатой спектральной информацией, что способствует точной идентификации объектов. Интеграция HSI с тепловыми датчиками улучшает обнаружение и мониторинг тепловых аномалий на объектах хранения и переработки яиц. Такое синергетическое объединение гиперспектральных данных с другими датчиками повышает качество инспекций яиц, предоставляя исследователям и отрасли мощный инструментарий для решения возникающих задач.

Тенденции развития сетей для современной технологической Индустрии 4.0 быстро формируют ландшафт промышленной автоматизации и производства. Сетевое подключение, например, с помощью беспроводной связи 5G, может подключить систему HSI к облаку, чтобы перенести часть более интенсивной и алгоритмической работы по обработке в удаленный центр обработки данных , который может находиться на расстоянии многих миль от предприятия, используя безопасные протоколы связи ( Ислам и др., 2023 ).

По мере развития четвертой промышленной революции все большее внимание уделяется созданию высоковзаимосвязанных и интеллектуальных систем. Одной из ключевых тенденций является внедрение сетей промышленного Интернета вещей (IoT), в которых датчики, устройства и машины взаимосвязаны для сбора и обмена данными в реальном времени ( Маджид и др., 2024 , Тешоме и др., 2023 ). Эти сети обеспечивают бесперебойную связь и обмен данными, упрощая предиктивное обслуживание, оптимизируя производственные процессы и повышая общую эксплуатационную эффективность.

Еще одной тенденцией является внедрение мощных периферийных вычислений, которые включают обработку данных ближе к источнику для снижения требований к полосе пропускания. Edge computing on local, как правило, превосходят облачные вычисления для промышленных приложений благодаря своей способности обрабатывать данные в реальном времени и повышенной безопасности данных ( Adhikari et al., 2023 ; Di and Ahamed., 2024).

Обрабатывая данные локально, edge computing минимизирует задержки, что критически важно для требований реального времени и немедленного реагирования в производственных процессах. Edge computing остается работоспособным во время сетевых сбоев и легко адаптируется для масштабируемых приложений, включающих облачные технологии IoT ( Di and Ahamed, 2024 ). Однако сетевая безопасность стала главным приоритетом, поскольку киберфизические системы становятся все более распространенными.

Сети Industry 4.0 включают в себя передовые меры кибербезопасности для защиты конфиденциальных данных и охраны критической инфраструктуры от киберугроз. Более того, интеграция алгоритмов ИИ и МО в эти сети обеспечивает интеллектуальную автоматизацию, предиктивную аналитику и адаптивное управление, позволяя отраслям стать более гибкими, отзывчивыми и управляемыми данными ( Di and Ahamed, 2024 ). По мере развития Индустрии 4.0 разработка надежных, безопасных и интеллектуальных сетей остается на переднем крае, стимулируя инновации и преобразуя современные технологические операции.

Машинное обучение значительно улучшило анализ гиперспектральных данных, обеспечив расширенное извлечение признаков, классификацию и количественную оценку ( Lin et al., 2023 ). Будущие тенденции машинного обучения, особенно в области глубокого обучения для HSI в яичной промышленности, произведут революцию в оценке и производстве яиц.

Развивающиеся алгоритмы ИИ повысят точность и эффективность прогнозирования качества яиц за счет обработки более крупных и сложных наборов данных и выявления тонких закономерностей. Достижения в области аппаратного обеспечения будут поддерживать обработку в реальном времени, интегрируя HSI в сортировочные установки.

Небольшие производители выиграют от доступных решений глубокого обучения, способствуя широкому внедрению. Значительный потенциал машинного обучения в HSI заключается в разработке удобного программного обеспечения и инструментов обработки данных. Поскольку анализ данных является основной частью оценки образцов в HSI, люди, не имеющие опыта программирования, сталкиваются с трудностями при обработке данных HSI. Специально разработанное программное обеспечение с разнообразными функциями раскрывает потенциал этой технологии, способствуя инклюзивности и инновациям.

Будущие достижения будут интегрировать глубокое обучение, дополнение данных и облачные решения для автоматизированного и точного анализа. Передовое шифрование, безопасный обмен данными и методы сохранения конфиденциальности станут критически важными функциями инструментов анализа изображений, особенно при работе с промышленными данными ( Xie et al., 2023b ).

Производители инструментов стремительно движутся в этом направлении. Компания SPECIM разработала платформу спектральной визуализации SpecimONE, чтобы упростить эксплуатацию систем HSI в промышленном производстве ( Specim, 2023 ). Таким образом, исследования, направленные на разработку эффективных, точных и удобных для пользователя решений для анализа изображений, будут способствовать прогрессу в области HSI.

Технология цифровых двойников обещает произвести революцию в применении HSI в исследованиях яиц и инкубаториев за счет создания подробных виртуальных копий систем HSI, что обеспечивает точный контроль и оптимизацию. Настройка цифрового двойника включает в себя три основных элемента: физическую систему (устройства HSI, датчики и средства контроля окружающей среды), виртуальную модель (собственно цифровой двойник) и непрерывный поток данных в реальном времени, который их связывает ( Adhikari et al., 2023, Javaid et al., 2023 ).

Синхронизация в реальном времени позволяет операторам моделировать условия, прогнозировать производительность и улучшать результаты, такие как сортировка яиц и определение пола in ovo, с помощью продвинутой аналитики и машинного обучения ( Sneha et al., 2024 ). Автоматизация еще больше упрощает калибровку и проверку качества. Инициативы Европы и Азиатско-Тихоокеанского региона, такие как структура Siemens в области обработки пищевых продуктов ( Javaid et al., 2023 , Sneha, 2024 ), демонстрируют потенциал цифровых двойников для повышения стабильности калибровки, обеспечения прогностического обслуживания и оптимизации энергопотребления, прокладывая путь к эффективному, устойчивому и точному производству яиц.

Реконструкция гиперспектрального изображения из изображений RGB имеет огромный значительный потенциал для качественного и количественного анализа. Эта реконструкция позволяет извлекать подробную спектральную информацию помимо той, что обычно фиксируется обычными камерами. Экстраполяция гиперспектральных данных из изображений RGB обеспечивает экономически эффективную и эффективную альтернативу прямой съемке гиперспектральных изображений.

Одним из основных преимуществ этого подхода является его доступность, поскольку он устраняет необходимость в специализированном оборудовании HSI, которое может быть дорогим и неудобным ( Liu et al., 2024e ). В этом процессе реконструкции используются различные методы, включая методы глубокого обучения, такие как сверточные нейронные сети, которые могут изучать сложные сопоставления между изображениями RGB и соответствующими гиперспектральными данными ( Ahmed et al. 2024c ).

Кроме того, алгоритмы спектрального разложения используются для разделения и идентификации различных спектральных сигнатур в реконструированных гиперспектральных изображениях ( Tao et al., 2024 ). Ожидается, что область реконструкции гиперспектральных изображений станет свидетелем значительного прогресса, обусловленного продолжающимися исследованиями в области машинного обучения, компьютерного зрения и технологий спектральной визуализации.

Усовершенствованные алгоритмы и модели, вероятно, повысят точность и достоверность реконструированных гиперспектральных данных, делая их всё более ценными для различных приложений, включая неразрушающую оценку яиц с помощью обычных RGB-камер. Более того, развитие аппаратных возможностей может обеспечить реконструкцию в режиме реального времени, открывая путь к повышению ситуационной осведомленности и принятию решений в различных областях. Ожидается, что реконструкция RGB-гиперспектральных изображений станет переломным моментом, позволяющим в полной мере использовать преимущества дорогостоящих систем HSI, используя экономичные смартфоны.

Современные отрасли производства яиц все чаще используют портативные гиперспектральные технологии для повышения качества продукции и оценки ( Alam & Kaiser, 2023 ). Переносные устройства HSI предлагают быстрый неразрушающий анализ свойств яиц на молекулярном уровне. На фермах они применяются для мониторинга внутренних и внешних свойств яиц для сортировки в режиме реального времени, даже мелкими производителями. Интеграция HSI со смартфонами является многообещающей тенденцией для революции в различных секторах ( Aggarwal et al., 2022 , Stuart et al., 2021 ).

Достижения в технологии камер смартфонов, дополненные гиперспектральными датчиками, позволяют пользователям получать подробную спектральную информацию для различных приложений, в том числе в яичной промышленности и инкубаторной промышленности ( Davies et al., 2022 ). HSI на основе смартфона упрощает анализ качества и состава яиц.

Помимо промышленного и научного применения, технология расширяет возможности дополненной реальности, позволяя идентифицировать объекты и материалы на основе спектральных отпечатков ( Ариано и др., 2023 , Рамеш и др., 2023 ). Ожидаемые достижения включают более компактные и доступные гиперспектральные датчики, интегрированные в смартфоны, что делает мощные аналитические возможности доступными и способствует широкому внедрению этой передовой технологии визуализации.

8. Заключение

В этом обзоре представлен всесторонний обзор последних достижений в области неразрушающего анализа параметров качества яиц с использованием технологии HSI. HSI показала многообещающие результаты для широкого спектра свойств, включая свежесть, инкубационные свойства, разбросанный желток, трещины скорлупы, газовый состав и определение фертильности.

В большинстве исследований использовался спектральный диапазон Vis-NIR (380–1766 нм), в то время как в наиболее применяемом многомерном регрессионном анализе использовались методы PLSR. Все применяемые методы МО показали достаточно точные результаты для прогнозирования целевых свойств. Несмотря на то, что соответствующие методы МО и HSI обладают достаточным потенциалом для определения внутренних свойств яиц, некоторые важные области с точки зрения благополучия животных и экономической перспективы, такие как смертность, фертильность и определение пола, изучены меньше.

Несмотря на хорошую развитость технологии, существует ряд проблем, таких как большой объем данных, меньшая скорость и сложность вычислений, затраты и аппаратные ограничения, которые препятствуют устойчивому промышленному применению технологии HSI для оценки качества яиц. Эти проблемы требуют инновационных решений для более эффективной интеграции технологии HSI в протоколы оценки качества яиц, обеспечивая её применимость и эффективность в реальных промышленных условиях.

Многоспектральная визуализация с высокоскоростным сбором и обработкой данных, интеграция с различными датчиками с высокоскоростным сетевым подключением, передовое машинное обучение и реконструкция гиперспектральных изображений обладают высоким потенциалом для дальнейшего развития применения HSI в яичной промышленности.

Недавний технологический бум обусловливает растущий интерес к тенденциям миниатюризации гиперспектральных технологий с более быстрой обработкой данных, что создаст новые возможности для производства яиц и инкубаториев, способствуя повышению производительности, качества и устойчивости.

Литература

Abdel-Nour and Ngadi, 2011

N. Abdel-Nour, M. Ngadi

Detection of omega-3 fatty acid in designer eggs using hyperspectral imaging

Int J Food Sci Nutr, 62 (2011), pp. 418-422, 10.3109/09637486.2010.542407
Adegbenjo et al., 2020

A.O. Adegbenjo, L. Liu, M.O. Ngadi

Non-destructive assessment of chicken egg fertility

Sensors (switzerland), 20 (2020), pp. 1-23, 10.3390/s20195546
Adegbenjo et al., 2024

A.O. Adegbenjo, L. Liu, M.O. Ngadi

An adaptive partial least-squares regression approach for classifying chicken egg fertility by hyperspectral imaging

Sensors, 24 (2024), p. 1485, 10.3390/s24051485
Adhikari et al., 2023

M.S. Adhikari, N. Thakur, P.K. Malik

Advanced digital twin technology

Opportunity and Challenges., 233–250 (2023), 10.1007/978-3-031-46092-0_14
Aggarwal et al., 2022

Lt.P. Aggarwal, F.A. Papay

Applications of multispectral and hyperspectral imaging in dermatology

Exp Dermatol (2022), 10.1111/exd.14624
Ahmadinouri et al., 2024

F. Ahmadinouri, P. Parvin, A.R. Rabbani

Assessment of asphaltene and resin fractions in crude oil using laser-induced fluorescence spectroscopy based on modified Beer-Lambert (LIFS-MBL)

Spectrochim Acta A Mol Biomol Spectrosc, 304 (2024), Article 123314, 10.1016/j.saa.2023.123314
Ahmed et al., 2024c

M.T. Ahmed, M.W. Ahmed, O. Monjur, J.L. Emmert, M. Kamruzzaman

Hyperspectral image reconstruction for predicting chick embryo mortality towards advancing egg and hatchery industry

Smart Agric. Technol. (2024), 10.1016/j.atech.2024.100533
Ahmed et al., 2024e

M.T. Ahmed, M.W. Ahmed, M. Kamruzzaman

SpectroChat: a windows executable graphical user interface for chemometrics analysis of spectroscopic data

Software Impacts, 100698 (2024), 10.1016/J.SIMPA.2024.100698
Ahmed et al., 2023

M.W. Ahmed, S.J. Hossainy, A. Khaliduzzaman, J.L. Emmert, M. Kamruzzaman

Non-destructive optical sensing technologies for advancing the egg industry toward Industry 4.0: a review

Compr Rev Food Sci Food Saf. (2023), 10.1111/1541-4337.13227
Ahmed et al., 2024a

M.W. Ahmed, A. Khaliduzzaman, J.L. Emmert, M. Kamruzzaman

Non-destructive prediction of eggshell strength using FT-NIR spectroscopy combined with PLS Regression

2024 Anaheim, California July 28-31, 2024. American Society of Agricultural and Biological Engineers, St. Joseph, MI. (2024)

10.13031/aim.202400254
Ahmed et al., 2024b

M.W. Ahmed, C.A. Esquerre, K. Eilts, D.P. Allen, S.M. McCoy, S. Varela, V. Singh, A.D.B. Leakey, M. Kamruzzaman

Rapid and high-throughput determination of sorghum (Sorghum bicolor) biomass composition using near infrared spectroscopy and chemometrics

Biomass Bioenergy, 186 (2024), Article 107276, 10.1016/j.biombioe.2024.107276
Ahmed et al., 2024d

M.T. Ahmed, O. Monjur, M. Kamruzzaman

Deep learning-based hyperspectral image reconstruction for quality assessment of agro-product

J Food Eng, 382 (2024), Article 112223, 10.1016/j.jfoodeng.2024.112223
Ahn et al., 2023

M. Ahn, J. Jeon, C.S.H. Hwang, D.S. Jeon, M.H. Kim, K. Jeong

Actively tunable spectral filter for compact hyperspectral camera using angle‐sensitive plasmonic structures

Adv Mater Technol, 8 (2023), 10.1002/admt.202201482
Alam and Kaiser, 2023
Alam, A.F., Kaiser, M.S., 2023. Low-Cost Energy Efficient Encryption Algorithm for Portable Device. pp. 357–366. DOI: 10.1007/978-981-19-9483-8_30.
Alin et al., 2019

K. Alin, S. Fujitani, A. Kashimori, T. Suzuki, Y. Ogawa, N. Kondo

Non-invasive broiler chick embryo sexing based on opacity value of incubated eggs

Comput Electron Agric, 158 (2019), pp. 30-35, 10.1016/j.compag.2019.01.029
Aqeel et al., 2024

M. Aqeel, A. Sohaib, M. Iqbal, H.U. Rehman, F. Rustam

Hyperspectral identification of oil adulteration using machine learning techniques

Curr Res Food Sci, 8 (2024), Article 100773, 10.1016/j.crfs.2024.100773
Ariano et al., 2023

R. Ariano, M. Manca, F. Paternò, C. Santoro

Smartphone-based augmented reality for end-user creation of home automations

Behav. Inform. Technol., 42 (2023), pp. 124-140, 10.1080/0144929X.2021.2017482
de Mariotti et al., 2023

K.de.C. ariotti, R.S. Ortiz, M.F. Ferrão

Hyperspectral imaging in forensic science: an overview of major application areas

Sci. Justice, 63 (2023), pp. 387-395, 10.1016/j.scijus.2023.04.003
Aviara et al., 2022

N.A. Aviara, J.T. Liberty, O.S. Olatunbosun, H.A. Shoyombo, S.K. Oyeniyi

Potential application of hyperspectral imaging in food grain quality inspection, evaluation and control during bulk storage

J Agric Food Res, 8 (2022), 10.1016/j.jafr.2022.100288
Barbedo, 2023

J.G.A. Barbedo

A review on the combination of deep learning techniques with proximal hyperspectral images in agriculture

Comput Electron Agric, 210 (2023), Article 107920, 10.1016/j.compag.2023.107920
Calvini et al., 2020

R. Calvini, G. Orlandi, G. Foca, A. Ulrici

Colourgrams GUI: A graphical user-friendly interface for the analysis of large datasets of RGB images

Chemom. Intel. Lab. Syst., 196 (2020), Article 103915, 10.1016/j.chemolab.2019.103915
Cao et al., 2023

J. Cao, J. Chang, Y. Huang, Y. Wu, Z. Ji, X. Lai, J. Wang, Y. Li, W. Zhu, X. Li

Optical design and fabrication of a common-aperture multispectral imaging system for integrated deep space navigation and detection

Opt Lasers Eng, 167 (2023), Article 107619, 10.1016/j.optlaseng.2023.107619
Centorame et al., 2024

L. Centorame, A. Ilari, A. Del Gatto, E. Foppa Pedretti

A systematic review on precision agriculture applied to sunflowers, the role of hyperspectral imaging

Comput Electron Agric, 222 (2024), Article 109097, 10.1016/j.compag.2024.109097
Chen et al., 2024b

Y. Chen, Z. Chen, Q. Yan, Y. Liu, Q. Wang

Non-destructive detection of egg white and yolk morphology transformation and salt content of salted duck eggs in salting by hyperspectral imaging

Int J Biol Macromol, 262 (2024), Article 130002, 10.1016/j.ijbiomac.2024.130002
Chen et al., 2024a

J. Chen, Z. Guo, X. Xu, G. Jeon, D. Camacho

Artificial intelligence for heart sound classification: a review

Expert Syst (2024), 10.1111/exsy.13535
Chen et al., 2023a

S.-Y. Chen, S.-H. Hsu, C.-Y. Ko, K.-H. Hsu

Real-time defect and freshness inspection on chicken eggs using hyperspectral imaging

Food Control, 150 (2023), Article 109716, 10.1016/j.foodcont.2023.109716
Chen et al., 2023b

Y. Chen, Q. Wang, W. Fan, B. Xu

Non-destructive determination and visualization of gel springiness of preserved eggs during pickling through hyperspectral imaging

Food Biosci, 53 (2023), Article 102605, 10.1016/j.fbio.2023.102605
Corion et al., 2023

M. Corion, S. Santos, B. De Ketelaere, D. Spasic, M. Hertog, J. Lammertyn

Trends in in ovo sexing technologies: insights and interpretation from papers and patents

J Anim Sci Biotechnol, 14 (2023), p. 102, 10.1186/s40104-023-00898-1
da Pires et al., 2021

P.G.da.S. da Pires, C. Bavaresco, B.S. Prato, M.L. Wirth, P.de.O. Moraes

The relationship between egg quality and hen housing systems – A systematic review

Livest Sci, 250 (2021), Article 104597, 10.1016/J.LIVSCI.2021.104597
Dai et al., 2020

D. Dai, T. Jiang, W. Lu, X. Shen, R. Xiu, J. Zhang

Nondestructive detection for egg freshness based on hyperspectral scattering image combined with ensemble learning

Sensors (switzerland), 20 (2020), 10.3390/s20195484
Dashti et al., 2023

A. Dashti, J. Müller-Maatsch, E. Roetgerink, M. Wijtten, Y. Weesepoel, H. Parastar, H. Yazdanpanah

Comparison of a portable Vis-NIR hyperspectral imaging and a snapscan SWIR hyperspectral imaging for evaluation of meat authenticity

Food Chem X, 18 (2023), Article 100667, 10.1016/j.fochx.2023.100667
Davies et al., 2022

M. Davies, M.B. Stuart, M.J. Hobbs, A.J.S. McGonigle, J.R. Willmott

Image correction and in situ spectral calibration for low-cost

Smartphone Hyperspectral Imaging. Remote Sens (basel), 14 (2022), p. 1152, 10.3390/rs14051152
Di and Ahamed, 2024

W. Di, T. Ahamed

Design of navigation system for transportation mobile robot for agricultural farms

IoT and AI in Agriculture, Springer Nature Singapore, Singapore (2024), pp. 57-84

10.1007/978-981-97-1263-2_5
Feng et al., 2019

Z. Feng, C. Ding, W. Li, D. Cui

Detection of blood spots in eggs by hyperspectral transmittance imaging

International Journal of Agricultural and Biological Engineering, 12 (2019), pp. 209-214, 10.25165/j.ijabe.20191206.5376
Feng et al., 2023

B. Feng, Y. Liu, H. Chi, X. Chen

Hyperspectral remote sensing image classification based on residual generative adversarial neural networks

Signal Process. (2023), Article 109202, 10.1016/j.sigpro.2023.109202
Ferrari et al., 2024

V. Ferrari, R. Calvini, C. Menozzi, A. Ulrici, M. Bragolusi, R. Piro, A. Tata, M. Suman, G. Foca

Addressing adulteration challenges of dried oregano leaves by NIR HyperSpectral Imaging

Chemom. Intel. Lab. Syst., 249 (2024), Article 105133, 10.1016/j.chemolab.2024.105133
da Ferreira et al., 2024

L.da.C. Ferreira, I.C.B. Carvalho, L.A.de C. Jorge, A.M. Quezado-Duval, M. Rossato

Hyperspectral imaging for the detection of plant pathogens in seeds: recent developments and challenges

Front Plant Sci, 15 (2024), 10.3389/fpls.2024.1387925
Fu et al., 2019

D.D. Fu, Q.H. Wang, M.H. Ma, Y.X. Ma, C.N. Vong

Prediction and visualisation of S-ovalbumin content in egg whites using hyperspectral images

Int J Food Prop, 22 (2019), pp. 1077-1086, 10.1080/10942912.2019.1628775
García-Pérez et al., 2024

P. García-Pérez, P.P. Becchi, L. Zhang, G. Rocchetti, L. Lucini

Metabolomics and chemometrics: the next-generation analytical toolkit for the evaluation of food quality and authenticity

Trends Food Sci Technol, 147 (2024), Article 104481, 10.1016/j.tifs.2024.104481
Ghaderi et al., 2024

M. Ghaderi, S.A. Mireei, A. Masoumi, M. Sedghi, M. Nazeri

Fertility detection of unincubated chicken eggs by hyperspectral transmission imaging in the Vis-SWNIR region

Sci Rep, 14 (2024), p. 1289, 10.1038/s41598-024-51874-2
Göhler et al., 2017

D. Göhler, B. Fischer, S. Meissner

In-ovo sexing of 14-day-old chicken embryos by pattern analysis in hyperspectral images (VIS/NIR spectra): a non-destructive method for layer lines with gender-specific down feather color

Poult Sci, 96 (2017), pp. 1-4, 10.3382/ps/pew282
Grapov and Newman, 2012

D. Grapov, J.W. Newman

imDEV: a graphical user interface to R multivariate analysis tools in Microsoft Excel

Bioinformatics, 28 (2012), pp. 2288-2290, 10.1093/bioinformatics/bts439
Guo et al., 2024

M. Guo, K. Wang, H. Lin, L. Wang, L. Cao, J. Sui

Spectral data fusion in nondestructive detection of food products: strategies, recent applications, and future perspectives

Compr Rev Food Sci Food Saf, 23 (2024), 10.1111/1541-4337.13301
Haider et al., 2024

A. Haider, S.Z. Iqbal, I.A. Bhatti, M.B. Alim, M. Waseem, M. Iqbal, A. Mousavi Khaneghah

Food authentication, current issues, analytical techniques, and future challenges: a comprehensive review

Compr Rev Food Sci Food Saf, 23 (2024), 10.1111/1541-4337.13360
Hajaj et al., 2024

S. Hajaj, A. El Harti, A.B. Pour, A. Jellouli, Z. Adiri, M. Hashim

A review on hyperspectral imagery application for lithological mapping and mineral prospecting: machine learning techniques and future prospects

Remote Sens Appl, 35 (2024), Article 101218, 10.1016/j.rsase.2024.101218
Hsu et al., 2023

T.-C. Hsu, Y.-H. Tsai, W.-C.-C. Chu, S. Chen, H.-L. Tsai, Y.-K. Chang

Exploration of advanced computer technology to address analytical and noise improvement issues in machine learning

J. Syst. Softw., 205 (2023), Article 111820, 10.1016/j.jss.2023.111820
Huang et al., 2020a
Huang, S., Luo, P., Wang, Z., 2020a. Analysis and Study of Egg Quality Based on Hyperspectral Image Data of Different Forms of Egg Yolks, in: Proceedings – 2020 International Conference on Computer Vision, Image and Deep Learning, CVIDL 2020. DOI: 10.1109/CVIDL51233.2020.00042.
Huang et al., 2020

S. Huang, X. Pu, P. Luo

Application of hyperspectral images and spectral features of yolks in egg freshness detection

J Phys Conf Ser, 1634 (2020), Article 012123, 10.1088/1742-6596/1634/1/012123
Islam et al., 2015

M.H. Islam, N. Kondo, Y. Ogawa, T. Fujiura, T. Suzuki, S. Nakajima, S. Fujitani

Prediction of chick hatching time using visible transmission spectroscopy combined with partial least squares regression

Eng. Agric. Environ. Food, 8 (2015), pp. 61-66, 10.1016/j.eaef.2014.10.001
Islam et al., 2023

M.M. Islam, A.A.R. Newaz, L. Song, B. Lartey, S. Lin, W. Fan, A. Hajbabaie, M.A. Khan, A. Partovi, T. Phuapaiboon, A. Homaifar, A. Karimoddini

Connected autonomous vehicles: state of practice

Appl Stoch Models Bus Ind (2023), 10.1002/asmb.2772
Ismail et al., 2023

A. Ismail, D.-G. Yim, G. Kim, C. Jo

Hyperspectral imaging coupled with multivariate analyses for efficient prediction of chemical, biological and physical properties of seafood products

Food Eng. Rev., 15 (2023), pp. 41-55, 10.1007/s12393-022-09327-x
Jalili-Firoozinezhad et al., 2020

S. Jalili-Firoozinezhad, M. Filippi, F. Mohabatpour, D. Letourneur, A. Scherberich

Chicken egg white: hatching of a new old biomaterial

Mater. Today, 40 (2020), pp. 193-214, 10.1016/J.MATTOD.2020.05.022
Jamshid Moghadam et al., 2023

H. Jamshid Moghadam, M. Mohammady Oskouei, T. Nouri

The influence of noise intensity in the nonlinear spectral unmixing of hyperspectral data. PFG – journal of photogrammetry

Remote Sensing and Geoinformation Science, 91 (2023), pp. 29-42, 10.1007/s41064-022-00223-x
Jan et al., 2018

S. Jan, F. Baron, R. Coat, O. Gonçalves

Spoilage of egg products

Alteration of Ovoproducts, . Elsevier (2018), pp. 51-156

10.1016/B978-1-78548-271-7.50002-X
Javaid et al., 2023

M. Javaid, A. Haleem, R. Suman

Digital Twin applications toward Industry 4.0: a review

Cognit. Rob., 3 (2023), pp. 71-92, 10.1016/j.cogr.2023.04.003
Jo et al., 2024

K. Jo, S. Lee, S.-K.-C. Jeong, D.-H. Lee, H. Jeon, S. Jung

Hyperspectral imaging–based assessment of fresh meat quality: progress and applications

Microchem. J., 197 (2024), Article 109785, 10.1016/j.microc.2023.109785
Kamruzzaman, 2023

M. Kamruzzaman

Optical sensing as analytical tools for meat tenderness measurements – a review

Meat Sci, 195 (2023), Article 109007, 10.1016/j.meatsci.2022.109007
Khaliduzzaman et al., 2019

A. Khaliduzzaman, S. Fujitani, A. Kashimori, T. Suzuki, Y. Ogawa, N. Kondo

A non-invasive diagnosis technique of chick embryonic cardiac arrhythmia using near infrared light

Comput Electron Agric, 158 (2019), pp. 326-334, 10.1016/j.compag.2019.02.014
Khan et al., 2024

U.M. Khan, A. Sameen, E.A. Decker, M.A. Shabbir, S. Hussain, A. Latif, G. Abdi, R.M. Aadil

Implementation of plant extracts for cheddar-type cheese production in conjunction with FTIR and Raman spectroscopy comparison

Food Chem X, 22 (2024), Article 101256, 10.1016/j.fochx.2024.101256
Kim et al., 2022

G. Kim, R. Joshi, R. Joshi, M.S. Kim, I. Baek, J. Kim, E.S. Park, H. Lee, C. Mo, B.-K. Cho

Non-destructive identification of fake eggs using fluorescence spectral analysis and hyperspectral imaging

Korean Journal of Agricultural Science, 59 (2022), pp. 495-510
Kowalska et al., 2021

E. Kowalska, J. Kucharska-Gaca, J. Kuźniacka, L. Lewko, E. Gornowicz, J. Biesek, M. Adamski

Egg quality depending on the diet with different sources of protein and age of the hens

Sci Rep, 11 (2021), 10.1038/s41598-021-82313-1
Kucha and Olaniyi, 2024

C. Kucha, E.O. Olaniyi

Applications of hyperspectral imaging in meat tenderness detection: current research and potential for digital twin technology

Food Biosci, 58 (2024), Article 103754, 10.1016/j.fbio.2024.103754
Kumar et al., 2023

R.R. Kumar, F. Rahman, B. Bora, M. Shameeh

Importance and nutritive value of animal proteins in human diet

Processing Technologies and Food Protein Digestion., Elsevier (2023), pp. 1-25, 10.1016/B978-0-323-95052-7.00007-8
Lawrence et al., 2006

K.C. Lawrence, D.P. Smith, W.R. Windham, G.W. Heitschmid, B. Park

Egg embryo development detection with hyperspectral imaging

Int J Poult Sci, 5 (2006), 10.3923/ijps.2006.964.969
Lawrence et al., 2008

K.C. Lawrence, S.C. Yoon, G.W. Heitschmidt, D.R. Jones, B. Park

Imaging system with modified-pressure chamber for crack detection in shell eggs

Sens Instrum Food Qual Saf, 2 (2008), pp. 116-122, 10.1007/s11694-008-9039-z
Li et al., 2024

Y. Li, W. Zhang, Z. Cui, L. Shi, Y. Shang, Y. Ji, J. Wang

Machine learning-assisted nanosensor arrays: an efficiently high-throughput food detection analysis

Trends Food Sci Technol, 149 (2024), Article 104564, 10.1016/j.tifs.2024.104564
Lin et al., 2022

H. Lin, X. He, H. Chen, Z. Li, C. Yin, Y. Shi

A residual dense comprehensively regulated convolutional neural network to identify spectral information for egg quality traceability

Anal. Methods, 14 (2022), pp. 3780-3789, 10.1039/D2AY01371A
Lin et al., 2023

Y. Lin, J. Ma, Q. Wang, D.-W. Sun

Applications of machine learning techniques for enhancing nondestructive food quality and safety detection

Crit Rev Food Sci Nutr, 63 (2023), pp. 1649-1669, 10.1080/10408398.2022.2131725
Liu et al., 2023a

Y. Liu, H. Feng, J. Yue, X. Jin, Y. Fan, R. Chen, M. Bian, Y. Ma, X. Song, G. Yang

Improved potato AGB estimates based on UAV RGB and hyperspectral images

Comput Electron Agric, 214 (2023), Article 108260, 10.1016/j.compag.2023.108260
Liu et al., 2024a

Y. Liu, Y. Fan, H. Feng, R. Chen, M. Bian, Y. Ma, J. Yue, G. Yang

Estimating potato above-ground biomass based on vegetation indices and texture features constructed from sensitive bands of UAV hyperspectral imagery

Comput Electron Agric, 220 (2024), Article 108918, 10.1016/j.compag.2024.108918
Liu et al., 2024b

Y. Liu, H. Feng, Y. Fan, J. Yue, R. Chen, Y. Ma, M. Bian, G. Yang

Improving potato above ground biomass estimation combining hyperspectral data and harmonic decomposition techniques

Comput Electron Agric, 218 (2024), Article 108699, 10.1016/j.compag.2024.108699
Liu et al., 2024c

Y. Liu, S. Jin, A. Alimu, L. Jiang, H. Jin

Nondestructive detection of egg freshness based on a decision-level fusion method using hyperspectral imaging technology

J. Food Meas. Charact., 18 (2024), pp. 4334-4345, 10.1007/s11694-024-02497-8
Liu et al., 2024d

X. Liu, X. Jing, H. Jiang, S. Younas, R. Wei, H. Dang, Z. Wu, L. Fu

Performance evaluation of newly released cameras for fruit detection and localization in complex kiwifruit orchard environments

J Field Robot, 41 (2024), pp. 881-894, 10.1002/rob.22297
Liu and Ngadi, 2013

L. Liu, M.O. Ngadi

Detecting fertility and early embryo development of chicken eggs using near-infrared hyperspectral imaging

Food Bioproc Tech, 6 (2013), pp. 2503-2513, 10.1007/s11947-012-0933-3
Liu et al., 2023b

Z. Liu, W. Wang, X. Liu

Automated characterization and identification of microplastics through spectroscopy and chemical imaging in combination with chemometric: latest developments and future prospects

TrAC Trends Anal. Chem., 160 (2023), Article 116956, 10.1016/j.trac.2023.116956
Liu et al., 2024e

X. Liu, C. Wang, Q. Zhang, Z. Yu, Z. Zheng

Exploiting sparsity of hyperspectral image: a novel approach for compressive hyperspectral image reconstruction using deep learning

Opt Commun, 557 (2024), Article 130328, 10.1016/j.optcom.2024.130328
Lordelo et al., 2020

M. Lordelo, J. Cid, C.M.D.S. Cordovil, S.P. Alves, R.J.B. Bessa, I. Carolino

A comparison between the quality of eggs from indigenous chicken breeds and that from commercial layers

Poult Sci, 99 (2020), 10.1016/j.psj.2019.11.023
Majeed et al., 2024

Y. Majeed, L. Fu, L. He

Editorial: artificial intelligence-of-things (AIoT) in precision agriculture

Front Plant Sci, 15 (2024), 10.3389/fpls.2024.1369791
Malavi et al., 2024

D. Malavi, A. Nikkhah, P. Alighaleh, S. Einafshar, K. Raes, S. Van Haute

Detection of saffron adulteration with Crocus sativus style using NIR-hyperspectral imaging and chemometrics

Food Control, 157 (2024), Article 110189, 10.1016/j.foodcont.2023.110189
Matenda et al., 2024

R.T. Matenda, D. Rip, J. Marais, P.J. Williams

Exploring the potential of hyperspectral imaging for microbial assessment of meat: a review

Spectrochim Acta A Mol Biomol Spectrosc, 315 (2024), Article 124261, 10.1016/j.saa.2024.124261
Mengu et al., 2023

D. Mengu, A. Tabassum, M. Jarrahi, A. Ozcan

Snapshot multispectral imaging using a diffractive optical network

Light Sci Appl, 12 (2023), p. 86, 10.1038/s41377-023-01135-0
Milinovic et al., 2023

J. Milinovic, C. Vale, M. Azenha

Recent advances in multivariate analysis coupled with chemical analysis for soil surveys: a review

J Soils Sediments, 23 (2023), pp. 1085-1098, 10.1007/s11368-022-03377-8
Min et al., 2023

D. Min, J. Zhao, G. Bodner, M. Ali, F. Li, X. Zhang, B. Rewald

Early decay detection in fruit by hyperspectral imaging–Principles and application potential

Food Control, 152 (2023), Article 109830, 10.1016/j.foodcont.2023.109830
Mishra et al., 2020

P. Mishra, J.M. Roger, D.N. Rutledge, A. Biancolillo, F. Marini, A. Nordon, D. Jouan-Rimbaud-Bouveresse

MBA-GUI: a chemometric graphical user interface for multi-block data visualisation, regression, classification, variable selection and automated pre-processing

Chemom. Intel. Lab. Syst., 205 (2020), Article 104139, 10.1016/j.chemolab.2020.104139
Mobaraki and Amigo, 2018

N. Mobaraki, J.M. Amigo

HYPER-Tools. a graphical user-friendly interface for hyperspectral image analysis

Chemom. Intel. Lab. Syst., 172 (2018), pp. 174-187, 10.1016/j.chemolab.2017.11.003
Moharram and Sundaram, 2023

M.A. Moharram, D.M. Sundaram

Land use and land cover classification with hyperspectral data: a comprehensive review of methods, challenges and future directions

Neurocomputing, 536 (2023), pp. 90-113, 10.1016/j.neucom.2023.03.025
Mukasa et al., 2024

P. Mukasa, D. Semyalo, M.A. Faqeerzada, H. Kim, H.J. Min, M.S. Kim, I. Baek, I. Kabenge, B.-K. Cho

Deep learning application for real-time gravity-assisted seed conveying system for watermelon seeds purity sorting

Comput Electron Agric, 221 (2024), Article 108974, 10.1016/j.compag.2024.108974
Nakaguchi and Ahamed, 2024

V.M. Nakaguchi, T. Ahamed

Deep learning algorithms for postharvest quality assessment: a new sensing methodology for quail eggs freshness estimation and shelf-life revalidation

IoT and AI in Agriculture, Springer Nature Singapore, Singapore (2024), pp. 453-480

10.1007/978-981-97-1263-2_28
Nan et al., 2019

Z. Nan, L. Qiang, W. Kangli, P. Leiqing, T. Kang, Z. Wei

Visualization of the total viable count of bacteria during the polluted process of eggs based on near infrared hyperspectral imaging technology (English Abstract)

Journal of Nanjing Agricultural University, 42 (2019), pp. 543-550
Narushin et al., 2021

V.G. Narushin, M.N. Romanov, D.K. Griffin

A novel Egg Quality Index as an alternative to Haugh unit score

J Food Eng, 289 (2021), Article 110176, 10.1016/J.JFOODENG.2020.110176
Neo et al., 2022

E.R.K. Neo, Z. Yeo, J.S.C. Low, V. Goodship, K. Debattista

A review on chemometric techniques with infrared, Raman and laser-induced breakdown spectroscopy for sorting plastic waste in the recycling industry

Resour Conserv Recycl, 180 (2022), Article 106217, 10.1016/j.resconrec.2022.106217
Nordquist et al., 2022

R.E. Nordquist, J.C.M. Vernooij, C.L. Dull, A. Pascual, G. van der Linde, V.C. Goerlich

The effects of transport of 18-day old hatching eggs on physiology and behaviour of slow growing broiler chicken

Appl Anim Behav Sci, 257 (2022), Article 105789, 10.1016/J.APPLANIM.2022.105789
Ochs et al., 2019

D. Ochs, C.A. Wolf, N.O. Widmar, C. Bir, J. Lai

Hen housing system information effects on U.S. egg demand

Food Policy, 87 (2019), Article 101743, 10.1016/J.FOODPOL.2019.101743
Olakanmi et al., 2024

S.J. Olakanmi, V.S.K. Bharathi, D.S. Jayas, J. Paliwal

Innovations in nondestructive assessment of baked products: Current trends and future prospects

Compr Rev Food Sci Food Saf, 23 (2024), 10.1111/1541-4337.13385
Pan et al., 2016

L. Pan, W. Zhang, M. Yu, Y. Sun, X. Gu, L. Ma, Z. Li, P. Hu, K. Tu

Gender determination of early chicken hatching eggs embryos by hyperspectral imaging

Transactions of the Chinese Society of Agricultural Engineering, 32 (2016), pp. 181-186
Park et al., 2019

E. Park, S. Lohumi, B.-K. Cho

Line-scan imaging analysis for rapid viability evaluation of white-fertilized-egg embryos

Sens Actuators B Chem, 281 (2019), pp. 204-211, 10.1016/j.snb.2018.10.109
Patel et al., 2024

D. Patel, S. Bhise, S.S. Kapdi, T. Bhatt

Non-destructive hyperspectral imaging technology to assess the quality and safety of food: a review

Food Prod. Process. Nutr., 6 (2024), p. 69, 10.1186/s43014-024-00246-4
Patel and Pathare, 2024

K.K. Patel, P.B. Pathare

Principle and applications of near‐infrared imaging for fruit quality assessment—An overview

Int J Food Sci Technol, 59 (2024), pp. 3436-3450, 10.1111/ijfs.16862
Peraza-Alemán et al., 2024

C.M. Peraza-Alemán, A. López-Maestresalas, C. Jarén, N. Rubio-Padilla, S. Arazuri

A systematized review on the applications of hyperspectral imaging for quality control of potatoes

Potato Res (2024), 10.1007/s11540-024-09702-7
Pu et al., 2023

H. Pu, J. Yu, D.-W. Sun, Q. Wei, Z. Wang

Feature construction methods for processing and analysing spectral images and their applications in food quality inspection

Trends Food Sci Technol, 138 (2023), pp. 726-737, 10.1016/j.tifs.2023.06.036
Ram et al., 2024

B.G. Ram, P. Oduor, C. Igathinathane, K. Howatt, X. Sun

A systematic review of hyperspectral imaging in precision agriculture: analysis of its current state and future prospects

Comput Electron Agric, 222 (2024), Article 109037, 10.1016/j.compag.2024.109037
Ramesh et al., 2023

M.S. Ramesh, J. Naveena Ramesh Vardhini, S. Murugan, J. Albert Mayan

Indoor navigation using augmented reality for mobile application

2023 7th International Conference on Intelligent Computing and Control Systems (ICICCS), IEEE (2023), pp. 1049-1052

10.1109/ICICCS56967.2023.10142362
Rozenboim et al., 2016
Rozenboim, I., Batya, M., Ben Dor, E., Lezion, R., 2016. Hyperspectral identification of egg fertility and gender. US 9.435,732 B2.
Sahachairungrueng et al., 2023

W. Sahachairungrueng, A.K. Thompson, A. Terdwongworakul, S. Teerachaichayut

Non-destructive classification of organic and conventional hens’ eggs using near-infrared hyperspectral imaging

Foods, 12 (2023), p. 2519, 10.3390/foods12132519
Sahadevan et al., 2023
Sahadevan, A.S., Lyngdoh, R.B., Nidhin, P., Rathore, P.S., Putrevu, D., 2023. SDAT: An Open Source Tool for Processing, Analysis and Simulation of Spectroradiometer Data, in: 2023 International Conference on Machine Intelligence for GeoAnalytics and Remote Sensing (MIGARS). IEEE, pp. 1–4. DOI: 10.1109/MIGARS57353.2023.10064549.
Saifullah and Khaliduzzaman, 2022

S. Saifullah, A. Khaliduzzaman

Imaging technology in egg and poultry research

Informatics in Poultry Production, Springer Nature Singapore, Singapore (2022), pp. 127-142

10.1007/978-981-19-2556-6_8
Sarić et al., 2022

R. Sarić, V.D. Nguyen, T. Burge, O. Berkowitz, M. Trtílek, J. Whelan, M.G. Lewsey, E. Čustović

Applications of hyperspectral imaging in plant phenotyping

Trends Plant Sci, 27 (2022), pp. 301-315, 10.1016/j.tplants.2021.12.003
Sehirli and Arslan, 2022

E. Sehirli, K. Arslan

An application for the classification of egg quality and haugh unit based on characteristic egg features using machine learning models

Expert Syst Appl, 205 (2022), Article 117692, 10.1016/J.ESWA.2022.117692
Shao et al., 2024

Y. Shao, S. Ji, G. Xuan, K. Wang, L. Xu, J. Shao

Soluble solids content monitoring and shelf life analysis of winter jujube at different maturity stages by Vis-NIR hyperspectral imaging

Postharvest Biol Technol, 210 (2024), Article 112773, 10.1016/j.postharvbio.2024.112773
Shekarau Luka et al., 2024

B. Shekarau Luka, B. Mohammed Yunusa, Q. Msurshima Vihikwagh, K. Fanan Kuhwa, T. Hannah Oluwasegun, R. Ogalagu, T. Kenneth Yuguda, M. Adnouni

Hyperspectral imaging systems for rapid assessment of moisture and chromaticity of foods undergoing drying: Principles, applications, challenges, and future trends

Comput Electron Agric, 224 (2024), Article 109101, 10.1016/j.compag.2024.109101
Smith et al., 2005
Smith, D.P., Mauldin, J.M., Lawrence, K.C., Park, B., Heitschidt, G.W., 2005. Detection of fertility and early development of hatching eggs with hyperspectral imaging, in: XI Th European Symposium on the Quality of Eggs and Egg Products. Doorwerth, The Netherlands, pp. 176–180. DOI: https://www.ars.usda.gov/research/publications/publication/?seqNo115=173689.
Smith et al., 2006
Smith, D.P., Lawrence, K.C., Heitschimdt, G.W., 2006. Detection of hatching and table egg defects using hyperspectral imaging , in: European Poultry Conference Proceedings.
Sneha, 2024
Sneha, Singh, P.D., Tripathi, V., 2024. Digital Twins: A Comprehensive Study on Models, Platforms, Applications and Challenges, in: 2024 11th International Conference on Computing for Sustainable Global Development (INDIACom). IEEE, 1072–1077. DOI: 10.23919/INDIACom61295.2024.10498975.
So et al., 2022

J.-H. So, S.Y. Joe, S.H. Hwang, S.J. Hong, S.H. Lee

Current advances in detection of abnormal egg: a review

J Anim Sci Technol, 64 (2022), pp. 813-829, 10.5187/jast.2022.e56
Somaratne et al., 2019

G. Somaratne, M.M. Reis, M.J. Ferrua, A. Ye, F. Nau, J. Floury, D. Dupont, R.P. Singh, J. Singh

Mapping the spatiotemporal distribution of acid and moisture in food structures during gastric juice diffusion using hyperspectral imaging

J Agric Food Chem, 67 (2019), pp. 9399-9410, 10.1021/acs.jafc.9b02430
Specim, 2023
Specim, 2023. Hyperspectral imaging cameras and systems [WWW Document].
Strack, 2023

R. Strack

Capturing hyperspectral images

Nat Methods, 20 (2023), p. 783, 10.1038/s41592-023-01921-z
Stuart et al., 2021

M.B. Stuart, A.J.S. McGonigle, M. Davies, M.J. Hobbs, N.A. Boone, L.R. Stanger, C. Zhu, T.D. Pering, J.R. Willmott

Low-Cost hyperspectral imaging with a smartphone

J Imaging, 7 (2021), p. 136, 10.3390/jimaging7080136
Suktanarak and Teerachaichayut, 2017

S. Suktanarak, S. Teerachaichayut

Non-destructive quality assessment of hens’ eggs using hyperspectral images

J Food Eng, 215 (2017), pp. 97-103, 10.1016/j.jfoodeng.2017.07.008
Sun et al., 2017

J. Sun, S.L. Cong, H.P. Mao, X. Zhou, X.H. Wu, X.D. Zhang

Identification of eggs from different production systems based on hyperspectra and CS-SVM

Br Poult Sci, 58 (2017), pp. 256-261, 10.1080/00071668.2017.1278625
Sun et al., 2024a

D.-W. Sun, H. Pu, J. Yu

Applications of hyperspectral imaging technology in the food industry

Nat. Rev. Electr. Eng., 1 (2024), pp. 251-263, 10.1038/s44287-024-00033-w
Sun et al., 2024b

J. Sun, F. Yang, J. Cheng, S. Wang, L. Fu

Nondestructive identification of soybean protein in minced chicken meat based on hyperspectral imaging and VGG16-SVM

J. Food Compos. Anal., 125 (2024), Article 105713, 10.1016/j.jfca.2023.105713
Syduzzaman and Khaliduzzaman, 2022
Syduzzaman, Md., Khaliduzzaman, A., 2022. Grading of Hatching Eggs, in: Informatics in Poultry Production. Springer Nature Singapore, Singapore, pp. 53–75. DOI: 10.1007/978-981-19-2556-6_4.
Tao et al., 2024

X. Tao, M.E. Paoletti, Z. Wu, J.M. Haut, P. Ren, A. Plaza

An abundance-guided attention network for hyperspectral unmixing

IEEE Trans. Geosci. Remote Sens., 62 (2024), pp. 1-14, 10.1109/TGRS.2024.3353259
Tejasree and Agilandeeswari, 2024

G. Tejasree, L. Agilandeeswari

An extensive review of hyperspectral image classification and prediction: techniques and challenges

Multimed Tools Appl (2024), 10.1007/s11042-024-18562-9
Teshome et al., 2023

F.T. Teshome, H.K. Bayabil, G. Hoogenboom, B. Schaffer, A. Singh, Y. Ampatzidis

Unmanned aerial vehicle (UAV) imaging and machine learning applications for plant phenotyping

Comput Electron Agric, 212 (2023), Article 108064, 10.1016/j.compag.2023.108064
Tian et al., 2023

C. Tian, Y. Xu, Y. Zhang, Z. Zhang, H. An, Y. Liu, Y. Chen, H. Zhao, Z. Zhang, Q. Zhao, W. Li

Combining hyperspectral imaging techniques with deep learning to aid in early pathological diagnosis of melanoma

Photodiagnosis Photodyn Ther, 43 (2023), Article 103708, 10.1016/j.pdpdt.2023.103708
Viscarra Rossel, 2008

R.A. Viscarra Rossel

ParLeS: Software for chemometric analysis of spectroscopic data

Chemom. Intel. Lab. Syst., 90 (2008), pp. 72-83, 10.1016/j.chemolab.2007.06.006
Vlčková et al., 2019

J. Vlčková, E. Tůmová, K. Míková, M. Englmaierová, M. Okrouhlá, D. Chodova

Changes in the quality of eggs during storage depending on the housing system and the age of hens

Poult Sci, 98 (2019), pp. 6187-6193, 10.3382/PS/PEZ401
Wang et al., 2024

W. Wang, J.-S. Chang, D.-J. Lee

Machine learning applications for biochar studies: a mini-review

Bioresour Technol, 394 (2024), Article 130291, 10.1016/j.biortech.2023.130291
Wang et al., 2020

P. Wang, J. Liang, L.V. Wang

Single-shot ultrafast imaging attaining 70 trillion frames per second

Nat Commun, 11 (2020), p. 2091, 10.1038/s41467-020-15745-4
Wang et al., 2016

Q. Wang, K. Zhou, L. Wu, C. Wang

Egg freshness detection based on hyper-spectra

Guang Pu Xue Yu Guang Pu Fen Xi (Chinese), 36 (2016), pp. 2596-2600
Wong et al., 2023

M.-F. Wong, S. Guo, C.-N. Hang, S.-W. Ho, C.-W. Tan

Natural language generation and understanding of big code for AI-assisted programming: a review

Entropy, 25 (2023), p. 888, 10.3390/e25060888
Xie et al., 2023b

S. Xie, C. Hai, S. He, H. Lu, L. Xu, H. Fu

Discrimination of free-range and caged eggs by chemometrics analysis of the elemental profiles of eggshell

J Anal Methods Chem, 2023 (2023), pp. 1-8, 10.1155/2023/1271409
Xie and He, 2016

C. Xie, Y. He

External characteristic determination of eggs and cracked eggs identification using spectral signature

Sci Rep, 6 (2016), p. 21130, 10.1038/srep21130
Xie et al., 2023a

C. Xie, W. Tang, C. Yang

A review of the recent advances for the in ovo sexing of chicken embryos using optical sensing techniques

Poult Sci, 102 (2023), Article 102906, 10.1016/j.psj.2023.102906
Xu et al., 2022

Z. Xu, Y. Liu, F. Yang, L. Huang, H. Yu, W. Yao, Y. Xie

A novel malachite green staining approach for evaluating the internal freshness of egg by detecting the quality of egg cuticle

Food Biosci, 50 (2022), Article 102069, 10.1016/J.FBIO.2022.102069
Yao et al., 2020

K. Yao, J. Sun, X. Zhou, A. Nirere, Y. Tian, X. Wu

Nondestructive detection for egg freshness grade based on hyperspectral imaging technology

J Food Process Eng, 43 (2020), 10.1111/jfpe.13422
Yao et al., 2021

K. Yao, J. Sun, L. Zhang, X. Zhou, Y. Tian, N. Tang, X. Wu

Nondestructive detection for egg freshness based on hyperspectral imaging technology combined with harris hawks optimization support vector regression

J Food Saf, 41 (2021), 10.1111/jfs.12888
Yao et al., 2022a

K. Yao, J. Sun, C. Chen, M. Xu, Y. Cao, X. Zhou, Y. Tian, J. Cheng

Visualization research of egg freshness based on hyperspectral imaging and binary competitive adaptive reweighted sampling

Infrared Phys Technol, 127 (2022), Article 104414, 10.1016/J.INFRARED.2022.104414
Yao et al., 2022b

K. Yao, J. Sun, C. Chen, M. Xu, X. Zhou, Y. Cao, Y. Tian

Non-destructive detection of egg qualities based on hyperspectral imaging

J Food Eng, 325 (2022), 10.1016/j.jfoodeng.2022.111024
Yao et al., 2022c

K. Yao, J. Sun, J. Cheng, M. Xu, C. Chen, X. Zhou, C. Dai

Development of simplified models for non-destructive hyperspectral imaging monitoring of s-ovalbumin content in eggs during storage

Foods, 11 (2022), pp. 1-12, 10.3390/foods11142024
Zhang et al., 2024b

Y. Zhang, X. Bao, Y. Zhu, Z. Dai, Q. Shen, Y. Xue

Advances in machine learning screening of food bioactive compounds

Trends Food Sci Technol (2024), Article 104578, 10.1016/j.tifs.2024.10457
Zhang et al., 2022

Q. Zhang, S. Kang, C. Yin, Z. Li, Y. Shi

An adaptive learning method for the fusion information of electronic nose and hyperspectral system to identify the egg quality

Sens Actuators A Phys, 346 (2022), Article 113824, 10.1016/j.sna.2022.113824
Zhang and Ma, 2024

J. Zhang, Y. Ma

Formation mechanism and inhibition methods of frozen egg yolk gelation: a review

Trends Food Sci Technol, 148 (2024), Article 104491, 10.1016/j.tifs.2024.104491
Zhang et al., 2012

W. Zhang, L. Pan, K. Tu

Detecting early embryo development of chicken hatching eggs by hyperspectral transmittance imaging

Transactions of the Chinese Society of Agricultural Engineering, 28 (2012), pp. 149-155
Zhang et al., 2014

W. Zhang, L. Pan, K. Tu, Q. Zhang, M. Liu

Comparison of spectral and image morphological analysis for egg early hatching property detection based on hyperspectral imaging

PLoS One, 9 (2014), 10.1371/journal.pone.0088659
Zhang et al., 2015

W. Zhang, L. Pan, S. Tu, G. Zhan, K. Tu

Non-destructive internal quality assessment of eggs using a synthesis of hyperspectral imaging and multivariate analysis

J Food Eng, 157 (2015), pp. 41-48, 10.1016/j.jfoodeng.2015.02.013
Zhang et al., 2024a

K. Zhang, F. Yan, P. Liu

The application of hyperspectral imaging for wheat biotic and abiotic stress analysis: a review

Comput Electron Agric, 221 (2024), Article 109008, 10.1016/j.compag.2024.109008
Zhihui et al., 2015

Z. Zhihui, L. Ting, X. Dejun, W. Qiaohua, M. Meihu

Nondestructive detection of infertile hatching eggs based on spectral and imaging information

Int. J. Agric. Biol. Eng., 8 (2015), pp. 69-76, 10.3965/j.ijabe.20150804.1672
Zhou et al., 2020

Y. Zhou, E.B. Wetherley, P.D. Gader

Unmixing urban hyperspectral imagery using probability distributions to represent endmember variability

Remote Sens Environ, 246 (2020), Article 111857, 10.1016/j.rse.2020.111857
Zhu et al., 2022

Y. Zhu, A. Abdalla, Z. Tang, H. Cen

Improving rice nitrogen stress diagnosis by denoising strips in hyperspectral images via deep learning

Biosyst Eng, 219 (2022), pp. 165-176, 10.1016/j.biosystemseng.2022.05.001
Zhu et al., 2014

Z. Zhu, T. Liu, L. Xiong, M. Ma

Identification of the hatching egg before the incubation based on hyperspectral imaging and GA-BP network

Computer Modelling and New Technologies, 18 (2014), pp. 388-393
Zita et al., 2018

L. Zita, M. Jeníková, H. Härtlová

Effect of housing system on egg quality and the concentration of cholesterol in egg yolk and blood of hens of native resources of the Czech Republic and Slovakia

J. Appl. Poult. Res., 27 (2018), pp. 380-388, 10.3382/JAPR/PFY009

Авторы: Md Wadud Ahmed, Alin Khaliduzzaman, Jason Lee Emmert, Mohammed Kamruzzaman

ЗАКАЗАТЬ СИСТЕМУ