تشخیص غیرمخرب و خودکار کیفیت تخم‌مرغ بر مبنای روشهای یادگیری ماشین از تصاویر کندلینگ مادون‌قرمز

تشخیص سریع و غیرمخرب تخم‌مرغ سالم و خراب در خطوط تولید صنعتی یکی از چالش‌های مهم صنایع غذایی و کشاورزی است. روش‌های سنتی مبتنی بر شکست پوسته تخم‌مرغ مخرب هستند و امکان استفاده مستقیم در تولید صنعتی را ندارند. در این پژوهش، یک سیستم خودکار مبتنی بر تصاویر کندلینگ مادون‌قرمز (ir) و استخراج ویژگی‌های هیبریدی شامل ویژگی های بافتی (lbp)، لبه‌ای، شکل (hog) و ویژگی‌های هندسی ارائه شده است تا تخم‌مرغ‌ها تنها از روی پوسته به‌صورت سالم یا خراب طبقه‌بندی شوند. تصاویر جمع‌آوری شده شامل 1000 نمونه از تخم‌مرغ‌های سالم و خراب در محیط صنعتی با نور مادون‌قرمز تاریک بود. تمامی تصاویر پیش‌پردازش شده و ویژگی‌های بافتی، لبه‌ای و هندسی از آن‌ها استخراج گردید. برای طبقه‌بندی، دو الگوریتم یادگیری ماشین کلاسیک شامل svm با کرنل rbf و random forest با 100 درخت آموزش داده شدند و عملکرد آن‌ها با stratified 10-fold cross-validation ارزیابی شد. نتایج نشان داد که هر دو مدل دقت بالای 95٪ دارند و عملکرد آن‌ها در تمام foldها پایدار است. علاوه بر دقت بالا، استفاده از ویژگی‌های ساده و مدل‌های کلاسیک، سیستم را سبک، تفسیرپذیر و مناسب برای کاربرد صنعتی می‌کند. این پژوهش برای نخستین بار، ترکیب تصاویر کندلینگ مادون‌قرمز با یادگیری ماشین کلاسیک را برای تشخیص کیفیت تخم‌مرغ بررسی می‌کند و امکان پیاده‌سازی عملی و سریع در خطوط تولید صنعتی را فراهم می‌سازد.

non‑destructive, automated egg‑quality detection based on machine‑learning methods applied to infrared candling images.

**rapid and non-destructive detection of fresh and defective eggs** in industrial production lines is a major challenge in the food and agricultural industries. traditional methods based on eggshell breakage are destructive and unsuitable for direct application in industrial manufacturing. in this study, an automated system based on **infrared (ir) candling images** and **hybrid feature extraction**—including **textural features (lbp)**, edge-based features, **shape features (hog)**, and geometric features—is proposed to classify eggs as fresh or defective using only shell images. the collected dataset comprised 1000 samples of fresh and defective eggs captured in an industrial environment under dark-field infrared illumination. all images were preprocessed, and textural, edge-based, and geometric features were extracted. for classification, two classical machine learning algorithms—**svm with rbf kernel** and **random forest with 100 trees**—were trained, and their performance was evaluated using **stratified 10-fold cross-validation**. results showed that both models achieved an accuracy of over **95%**, with stable performance across all folds. in addition to high accuracy, the use of simple features and classical models makes the system lightweight, interpretable, and suitable for industrial deployment. this study is the first to investigate the combination of infrared candling imaging with classical machine learning for egg quality assessment, enabling practical and rapid implementation in industrial production lines.