UNIVERSIDAD NACIONAL DE TRUJILLO

FACULTAD DE CIENCIAS AGROPECUARIAS

ESCUELA DE INGENIERÍA AGROINDUSTRIAL

Curso: Ingeniería de Operaciones Agroindustriales II

PROYECTO DE TRABAJO FINAL

Predicción del tiempo máximo de almacenamiento del huevo
fértil, línea genética Hisex Brown, mediante imágenes
hiperespectrales

AUTORES:

PROFESOR:

TRUJILLO – PERÚ
 Semestre 2019-II
Predicción del tiempo máximo de almacenamiento del huevo fértil, línea genética Hisex Brown, mediante
imágenes hiperespectrales

I. ANTECEDENTES
Suktanarak y Teerachaichayut (2017) investigaron el uso de la reflectancia de imágenes hiperespectrales en
el rango de longitud de onda de 900-1700 nm para la predicción no destructiva de la frescura de los huevos y
comparó estas mediciones con la Unidad Haugh (HU). Los huevos frescos se almacenaron a 25 °C y se
midieron después del almacenamiento durante 0, 4, 7, 10, 14, 18 y 21 días mediante la técnica de imagen
hiperespectral y se compararon con HU para cada huevo. Los resultados muestran que la técnica de imagen
hiperespectral del infrarrojo cercano puede utilizarse para presentar las imágenes de huevo relacionadas con
HU para evaluar de manera no destructiva la frescura de los huevos de gallina.
Zhang (2015) desarrollaron una prueba no destructiva basada en imágenes hiperespectrales utilizando una
combinación de técnicas analíticas existentes para determinar la calidad interna de los huevos (la frescura, la
formación de burbujas y la yema dispersa). El algoritmo de proyecciones sucesivas (SPA) combinado con la
regresión del vector de soporte estableció un modelo de detección de frescura, que logró un coeficiente de
determinación de 0.87, un error cuadrático medio de 4.01% y una relación de predicción a desviación de 2.80
en el conjunto de validación. Además, los huevos con burbujas internas y yema dispersa podrían ser
discriminados por el modelo de clasificación de vectores de soporte (SVC) con una precisión de
identificación de 90.0% y 96.3% respectivamente, indicando que las imágenes hiperespectrales pueden ser
útiles para evaluar de forma no destructiva y rápida la calidad interna del huevo.
Liu y Ngadi (2013) desarrollaron un sistema de imágenes hiperespectrales de infrarrojo cercano para
detectar la fertilidad y el desarrollo embrionario temprano. En este estudio se utilizaron un total de 174
huevos de gallina de cáscara blanca, incluidos 156 huevos fértiles y 18 huevos infértiles, y todos los
huevos se incubaron en una incubadora comercial durante 4 días.  Se tomaron imágenes hiperespectrales
para todos los huevos en cada día de incubación. Los resultados de la clasificación sugirieron la utilidad de
la información de textura de la imagen para la detección del desarrollo embrionario temprano.  También se
obtuvieron resultados prometedores cuando solo se utilizaron las tres primeras bandas con la respuesta
máxima de las características de transmisión espectral, lo que indica el potencial de aplicar técnicas de
imágenes hiperespectrales para desarrollar un sistema en tiempo real para detectar la fertilidad y el
desarrollo embrionario temprano de los huevos de gallina.
Smith et al. (2008) evaluaron un sistema de imágenes hiperespectrales y una técnica de modelado
predictivo para determinar la fertilidad y el desarrollo embrionario temprano de huevos para incubar pollos
de engorde. Se recolectaron veinticuatro huevos de engorde (12 fértiles, 12 infértiles) para cada uno de los
8 ensayos repetidos (n = 192) y se tomaron imágenes en los días 0, 1, 2 y 3 de incubación para
capacitación y validación del modelo. Los datos indican que el modelo particular de MD / PCA utilizado
no es apropiado para predecir la fertilidad y el desarrollo temprano.

II. JUSTIFICACIÓN
En los últimos 50 años la producción de huevos ha sido uno de los productos agroindustriales que ha
experimentado un crecimiento bastante acelerado. Donde el volumen de producción aumentó en casi 52
millones de toneladas durante el período de 1962 a 2012 (Windhorst, 2014). A nivel mundial Asia – Pacifico
contribuyo de forma mayoritaria con 41 millones de toneladas, lo que representa el 59% del total mundial. En
segundo lugar, Europa suministro 11 millones de toneladas y en tercer lugar América del Norte con 6.2
millones de toneladas, lo que representa un 16% y 9% del total mundial. En un ranking mucho menor se
encuentra América del Sur con un 4.7 millones de toneladas representando un 6.75% (AgNet, 2015).
En el Perú, según él MINAGRI (2019) el sector avícola presenta un comportamiento dinámico, como
resultado de una mayor producción de huevo y aves con un crecimiento de 8.9% y 7.5% en lo que respecta el
periodo 2017-2018, en comparación con otras actividades pecuarias: porcino (3%), vacuno (0.5%) y leche
fresca (2.7%), representando una oportunidad de desarrollo e impulso del sector avícola.
La calidad del huevo es un factor influyente en la fertilidad (Zakaria et al., 2005), y está referido a ciertas
condiciones internas y externas que estos deben poseer (Koelkebeck, 1999). Las condiciones externas
incluyen densidad de cáscara, grosor de cáscara, peso de cáscara, textura (Kingori, 2012), peso huevo
(Rodríguez, 2016), forma (Saer, et al., 2017) y color (Zaviezo, 2016), siendo estos tres últimos factores más
influyentes en la clasificación, incubabilidad y precio (Kingori, 2012). Las condiciones internas del huevo
 tienen en cuenta el albumen (altura y viscosidad), tamaño de la cámara de aire, la forma, el color de la yema
entre otros aspectos (Kingori, 2012). La apariencia externa del huevo no nos indica ningún rasgo de frescura,
por lo que es necesario obtener una serie de parámetros de calidad que garanticen que el huevo cumpla con
las características necesarias para ser incubados, por lo que se desarrollaron una serie de métodos
destructivos, cuyo empleo representa pérdidas monetarias (Suktanarak & Teerachaichayut, 2017). Técnicas
destructivas como medición del tamaño de cámara de aire, parámetros de la yema y albumina, grosor y
textura de cáscara.
Por lo que se busca métodos emergentes y no destructivos de análisis (Suktanarak y Teerachaichayut, 2017)
para detectar automáticamente aspectos externos como las grietas, suciedad, manchas de sangre y forma;
además de aspectos internos como frescura, fertilidad, entre otras (Deng et al., 2010; Wang y Jiang, 2005).
Desarrollándose algunos métodos de evaluación no destructiva de huevos, entre los cuales se tiene: la
detección dieléctrica en el rango de radiofrecuencia de 40 kHz a 20 MHz (Soltani y Omid, 2015), la
espectroscopia de transmitancia visible (UV / VIS 200–800 nm) (Liu et al., 2007), relajación de Resonancia
Magnética Nuclear (RMN) de protones (Laghi et al., 2005) e imagen hiperespectrales (Valous et al., 2009).
Esta ultima una técnica que integra la espectroscopia convencional y el procesamiento de imágenes para la
evaluación de ciertos aspectos (Valous et al., 2009). Además, proporciona información tanto del espectro
como espacial de la composición de las muestras (Manley et al., 2009).

III. OBJETIVOS
Predecir el tiempo máximo de almacenamiento del huevo fértil de línea genética HISEX BROWN,
mediante imágenes hiperespectrales.

IV. METODOLOGÍA
En la Figura 1 se presenta el esquema experimental del presente trabajo de investigación, donde se observa
los principales pasos para la obtención de la información espectral, empleada del análisis de calidad
(interna y externa) y la evaluación de los días de almacenamiento en huevos fértiles mediante imágenes
hiperespectrales, para la obtención de un modelo predictivo.

Figura 1. Diseño de experimental para la predicción de las condiciones de calidad y tiempo de almacenamiento óptimo.
Leyenda:
- Donde las letras codificadas A, B, C, D, E, F, G, H, I representan los días de almacenamiento que son 1,3,5,7,9,11,13,15,17,19
respectivamente.
- El tamaño de muestra para evaluación de parámetros de calidad del huevo será N:3 para cada día de evaluación.
- El tamaño de muestra para la evaluación de parámetros de calidad de la pollita bebe será N: 5 para cada día de evaluación.
Diagrama de flujo

En la Figura 2 se presenta el diagrama de flujo del proceso de incubación.

Huevos fértiles

Recepción

Selección

Clasificación

Embandejado

T°:15-21°C
Almacenamiento HR: 75%
Días: 1,3,5,7,9,11,13,15,17,19

T°: 32°C
Precalentamiento x 12 horas

T°: 37-38°C
Incubación I HR: 86 %
x 19-20 días

Transferencia Transferencia

T°: 37-38°C
Incubación II HR: 86%
x 2-21/2 días

Sacada de pollita

Parámetros evaluados:
- N° de pollitos nacidos
- control de pesos
- Sexado
- Porcentaje de fertilidad
- Porcentaje de nacimiento

Figura 2. Diagrama de proceso para la obtención de pollitas bebes.

 Recepción
Se deberá descargar del vehículo climatizado las jabas de plástico que contienen las celdas plásticas
con huevos incubables provenientes de granja reproductora.
 Selección
Los huevos se seleccionarán separando los huevos incubables óptimos de los huevos rajados,
deformes, porosos, blancos, cáscara débil y doble yema.
 Clasificación
El proceso de clasificación consiste en separar aquellos huevos incubables cuyo peso es superior a
50 gramos (g) de aquellos cuyo peso es inferior.
 Embandejado
Los huevos incubables óptimos cuyo peso es superior a 50 gramos (g) son depositados en bandejas
de incubación, para luego ser colocado en el coche portabandejas.
 Almacenamiento
 Los coches con huevos incubables son almacenados en una cámara de refrigeración en la cual la
temperatura y humedad relativa serán controladas entre 15 – 21°C y 75% respectivamente, durante
1,3,5,7,9,11,13,15,17,19 días.
 Pre-calentamiento
Llegado el día de carga a la incubadora, los huevos incubables deberán pasar un periodo de pre-
calentamiento durante 12 horas en un ambiente diseñado para ese fin, en el cual se irá subiendo la
temperatura gradualmente desde temperatura de almacenamiento (la cual puede ser entre 15 a 21 °C)
hasta llegar aproximadamente a 32 °C.
 Incubación I
El proceso de incubación dura entre 19-20 días, debiéndose mantener la temperatura a 37-38°C y la
humedad relativa en 86% dentro de las cámaras de incubación.
 Ovoscopía
Entre los 10 – 12 días de incubación y siguiendo un plan de muestreo, se tomará una muestra de
bandejas incubados para realizar la prueba de ovoscopía. Para su realización será necesario utilizar
una caja de miraje, para facilitar la remoción de los huevos claros (infértiles, muertos y desechos).
 Transferencia
Culminado el periodo de incubación, los huevos serán transferidos a las cestas de nacimiento, los
cuales serán colocados uno encima de otro teniendo como base un coche portacestas de nacimiento.
 Incubación II
Los coches con huevos incubados serán transferidos a la cámara de nacimiento donde culminarán el
periodo de incubación durante 2 – 2 ½ aproximadamente a una temperatura de 38°C y 86%
humedad relativa.
 Sacada de pollita
Las pollitas están listas para ser retirados de la nacedora cuando la mayoría están secas y sin plumón
húmedo. Posteriormente son sexadas, evalúa el porcentaje de nacimiento y control de peso, para
finalmente sean depositadas en las cajas.

Métodos de Análisis
Mediciones del huevo
b. Calidad externa de huevo
- Peso de huevo
Se evaluó por pesaje directo del huevo en la balanza, colocando sobre una base para evitar que el
huevo se desplace por alrededor de la balanza.
- Ancho de huevo
Se midió ubicando el vernier en la parte más extensa de la línea ecuatorial del huevo, se realizó
dos medidas de ancho haciendo rotar el huevo, utilizando el promedio de ambas mediciones.
- Largo de huevo
Se determinó colocando el vernier sobre las puntas de los polos más alejados del huevo.
c. Calidad de cáscara
- Peso de cáscara
Se determinó por pesaje directo de la cáscara previamente secada durante tres (3) días. Evitando
que se pierda alguna parte del huevo en el proceso.
- Grosor de cáscara
Para determinar el grosor de cáscara se realizó el desprendimiento de cuatro porciones de la
cáscara (evitando utilizar partes de los polos), a cada porción se le realizó tres mediciones del
grosor con vernier, teniendo un total de 12 mediciones por huevo. Se utilizó el promedio de las
12 mediciones para tener el valor de grosor de cáscara de cada huevo.

Calidad interna de huevo

a. Calidad de Albumen
- Altura de albumen
Se estableció mediante la ubicación de la varilla del vernier en el albumen denso. Se
realizaron dos mediciones de altura de albumen por huevo, ubicando ambos puntos
indistintamente (evitando que los puntos se encuentren muy cercanos a la yema para no
realizar lecturas erróneas).
 b. Calidad de Yema
- Ancho de Yema
Se determinó trazando una línea perpendicular a la medición del largo de yema, ubicando en
esta línea los puntos más distantes de la yema.
- Largo de Yema
Se determinó mediante la medición de los puntos más alejados de la yema.
- Altura de Yema
Se estableció mediante la ubicación de la varilla de profundidad del vernier en la parte media
de la yema.

Indicadores de calidad de huevo

Para realizar el cálculo de los indicadores se utilizaron fórmulas obtenidas de Romanoff y Romanoff
(1949), Paganelli et al. (1974), Singh (1995), Kul y Seker (2004), Alkan et al. (2013) y Debnath y
Ghosh (2015).
Indicadores de calidad externa de huevo
Las ecuaciones fueron utilizadas en los tres experimentos:
- Índice de forma del huevo
Se calculó empleando la fórmula siguiente:

- Área superficial del huevo

Fue calculada empleando la siguiente fórmula, donde ASH: Área superficial del huevo
(cm2) y W: Peso de huevo (g).
Ec. (2)
- Peso de cáscara por unidad superficial
Se estimó utilizando la siguiente fórmula, donde PCUS: Peso de cáscara por unidad
superficial (mg/cm2) y ASH: Área superficial del huevo (cm2).
Ec. (3)

- Porcentaje de cáscara
Fue calculada empleando la siguiente fórmula:

Ec. (4)

Indicadores de calidad interna de huevo

- Unidad Haugh
Fue estimada empleando la siguiente formula, donde UH: Unidades Haugh, H: Altura
de albumen (mm) y W: peso de huevo (g). Las Unidades Haugh fueron introducidas por
Raymond Haugh en 1973.
) Ec. (5)
- Índice de Yema:
Se calculó utilizando la siguiente fórmula, donde HY: Altura de yema (mm), LY: Largo
de yema (mm) y AY: Ancho de yema (mm).

Ec. (6)

Adquisición y tratamiento de imágenes hiperespectrales

Se utilizó un equipo de imágenes hiperespectrales en el rango de reflectancia de 900-1700 nm con
enfoque en línea. Este sistema consistió principalmente de una cámara de imágenes hiperespectrales
(Pica XC, Resonon Inc., USA) con cámara CMOS (GX 1660, Allied-Visión Technology, Canadá) y
lentes objetivos (Xenoplan 1.4/23, Schneider-kreuznach, Germany); un sistema de iluminación
(Resonon inc., USA) con lámparas de angulo de 45° (3GD0, Solux, Japan) y una fuente de alimentación
(SEC 1223CE, Samlex America, Taiwan); una plataforma de transporte (LPS-12-20, Servo Systems
Co., USA), con motor (DMX-J-SA-17, Arcus Technology Inc., USA); un ordenador Think Pad Intel
inside CORE i7 (Lenovo Inc., USA) con el software de adquisición y procesamiento de datos (software
Hyperspec III, USA) que muestra y regula el tiempo de exposición, la velocidad del motor, el modo de
combinación, la gama de longitud de onda y la adquisición de la imagen. En este estudio se consideró
una resolución espectral de 8 nm e intervalos de longitud de onda de 3.12 nm (256 bandas espectrales
en el rango de 900-1700nm), velocidad de 0.3 cm/s para la plataforma móvil. La distancia entre el lente
y la plataforma será fijada en 27.5 cm. Durante la adquisición de imágenes, cada muestra de huevo fértil
fue transportada por la plataforma móvil hacia el campo de visión de la cámara para ser escaneado línea
por línea, donde una imagen en bruto fue adquirida y almacenada en el ordenador.
Corrección de imagen hiperespectral
Para realizar la corrección se tomaron dos imágenes de referencia de las cuales se extrae su espectro
(Gómez, 2010; Iqbal, et al., 2013), las cuales son:
a) Una imagen oscura (D), adquirida apagando el sistema de iluminación y cubriendo la lente con su
tapa.
b) Una imagen blanca (W), la cual se extrae de una lámina de teflón.
Utilizando los mismos parámetros de captura de imagen para todas las muestras, luego de la obtención
de la imagen corregida obtenida de ambas imágenes (ec. 7).

Ec. (7)
Dónde: I es la imagen de reflectancia relativa de la muestra, I 0 es la imagen en bruto de la muestra, W es
la imagen de referencia blanca (~ 99% de reflectancia), y D es la imagen oscura adquirida al cubrir
completamente la lente de la cámara con su tapa negra opaca no reflectante (~ 0% de reflectancia).
Selección de la región de interés (ROI) y extracción de datos espectrales.
La reflectancia relativa se registró en cada píxel de la ROI para una longitud de onda entre 900-1700
nm. Un espectro de reflectancia se determinó promediando los espectros de reflectancia relativa de
todos los pixeles de la ROI. Finalmente, estos datos se exportaron a una matriz que permitió la
aplicación de análisis multivariados. Para este paso se utilizó el software Matlab 7.1 R2010a (The
Mathworks Inc., Natick, MA, USA.).
Pre-tratamiento de datos espectrales
Los espectros medios de la ROI de cada muestra serán almacenados en una matriz de datos.
Adicionalmente se aplicará un pre-tratamiento espectral llamado variable normal estándar (SNV)
debido a la variación de la forma y tamaño del huevo fértil, empleado generalmente por actuar
individualmente a cada espectro sin depender de espectros de referencia (Rodríguez-Pulido et al., 2014;
Iqbal et al., 2014)
La SNV fue aplicada usando la siguiente ecuación:

Donde: RSNV: es el espectro de reflectancia normalizado, R es el espectro de reflectancia calibrado, es

el promedio del espectro de reflectancia, y σ es la desviación estándar del espectro de reflectancia.
6.1.1.1. Desarrollo y evaluación de modelos.
En este estudio, se empleará un modelo lineal multivariado como la regresión de mínimos cuadrados
parciales (PLSR) para desarrollar el modelo de calibración. Los modelos de calibración desarrollados se
validaron utilizando el conjunto de predicción independiente. Representamos el modelo resultante de la
siguiente forma (Ec. (8)):
Ec. (8)
Dónde: “Y” es la matriz de respuesta de las mediciones independientes (n huevos fértiles x 1) que son
los valores de un parámetro de calidad (calidad del huevo y en la evaluación de la pollita), “X” es el
conjunto de datos predictores (n huevos fértiles de muestras x 256 longitudes de onda) que son los
valores de la matriz ER, “b” es la matriz de los coeficientes de regresión β, obtenidos mediante el
análisis PLSR, finalmente “e” es la matriz de información residual no explicada por las VL (Douglas et
al., 2013).
Los resultados del análisis de los datos multivariados fueron calculados con el Software MATLAB
R2011a (The Mathworks Inc., MA, EEUU). El número óptimo de variables latentes (VL), el cual nos
permite establecer el modelo de calibración se determinó utilizando el valor mínimo de la raíz cuadrada
del error cuadrático medio de validación cruzada (RMSECV).
 A continuación, se validó el modelo multivariado. Para lo cual empleamos el método de validación
cruzada completa, la cual pudo realizarse mediante la eliminación de la muestra de prueba dentro del
conjunto de datos y a continuación se pudo establecer un modelo PLSR, para las muestras restantes,
conocidas como muestras de entrenamiento. A continuación, quedan expresadas las ecuaciones que se
usaron para el cálculo Ec. (9) y (10):

RMSECV = Ec. (9)

RMSEP = Ec. (10)

De donde n es el número de muestras, el valor actual del atributo de calidad, el valor

calculado del modelo de calibración, es el valor predicho de las condiciones de calidad y
tiempo óptimo de almacenamiento.
Para la selección de las longitudes de onda óptimas y construcción de modelos simplificados PLSR y
MLR, la mejor manera para evitar una elevada cantidad de defectos en los datos espectrales es
seleccionar los puntos que están al borde de la muestra, debido a que mientras más al centro se tomen
los puntos, mayor será la posibilidad de encontrar datos irrelevantes que entorpezcan el trabajo por lo
tanto si evitamos estos datos podemos facilitar la interpretación de resultados (Douglas et al., 2013;
Cheng et al., 2014; Jun-Hu et al., 2014).
En base a las longitudes de onda obtenidas, se realizaron modelos MLR (Regresión Lineal Múltiple)
para la cual utilizamos en software “Excel” para producir el siguiente modelamiento (Ec. 11):
Ec. (11)
Donde Y es el valor predicho del parámetro. K es el número de longitudes de onda seleccionadas; a o y ak
son los coeficientes de regresión y es la reflectancia a una longitud de onda correspondiente al
término K.
Una vez obtenidos los modelos MLR, los parámetros de calidad de nuestras muestras en cuanto a
calibración y validación serán predichos usando los coeficientes de regresión, así podremos evaluar la
capacidad predictiva de los modelos, en base a R2c y R2p y los errores SEC y SEP.

V. REFERENCIAS BIBLIOGRÁFICAS. Seguir el modelo siguiente:

AgNet, W., 2015. La producción mundial de huevos: situación actual y previsiones. [En línea]
Available at: https://seleccionesavicolas.com/avicultura/2016/01/la-produccion-mundial-de-huevos-situacion-
actual-y-previsiones
Alkan, S., Karsli, T., Galic, A. & Karabag, K., 2013. Determination of phenotypic correlations between internal
and external quality traits of guinea fowl eggs. Kafkas Üniversitesi Veteriner Fakültesi Dergisi , 19(5), pp.
861-867.
Cheng, J. H., Da-Wen, S., Hong-Bin, P. & Xin-An, Z., 2014. Non-destructive and rapid determination of TVB-N
content for freshness evaluation of grass carp (Ctenopharyngodon idella) by hyperspectral imaging.
Innovative Food Science & Emerging Technologies, Volumen 21, pp. 179-187.
Debnath, B. C. & Ghosh, T. K., 2015. Phenotypic correlations between some external and internal egg quality
traits in gramapriya layers. Explor Anim, 5(1), pp. 78-85.
Deng, X., Wang, Q., Chen, H. & Xie, H., 2010. Eggshell crack detection using a wavelest-based support vector
machine. Comput. Electron. Agric, Volumen 70, pp. 135-143.
Douglas, F. B., Da-Wen, S. & Chao, S., 2013. NIR hyperspectralimaging as non destructive evaluation tool for
the recognition of fresh and frozen- thawed porcine longissimus dorsi muscles. Inovate Food Science and
Emerging Tecnologies, Volumen 18, pp. 226-236.
Douglas, F. B. y otros, 2013. Non-destructive assessment of microbial contamination in porcine meat using NIR
hyperspectral imaging. Innovative Food Science & Emerging Technologies, Volumen 17, pp. 180-191.
Gómez, J., 2010. Detección automática de podredumbres en cítricos mediante procesado (Tesis doctoral),
Valencia: Universidad de Valencia.
Iqbal, A., Sun, D. & Allen, P., 2013. Prediction of mosisture, color and ph in cooked, pre-sliced turkey hams by
NIR hyperspectral imaging system. Journal of Food Engineering, Volumen 117, pp. 42-51.
Iqbal, A., Sun, D.-W. & Allen, P., 2014. An overview on principle, techniques and application of hyperspectral
imaging with special reference to ham quality evaluation and control. Food Control, Volumen 46, pp. 242-
254.
Jun-Hu, C., Da-Wen, S., Xin-An, Z. & Hong-Bin, P., 2014. Non destrutive and rapid determination of TVN-N
content for freshness evaluation of grass carp by hyprspectral imaging. Innovate Food Scince and Emerging
Tecnologies, Volumen 21, pp. 179-187.
Kingori, A. M., 2012. Egg quality deffects: types, causes and occurrence. Journal of Animal Production
Advances, Volumen 8, pp. 350-357.
Koelkebeck, W. K., 1999. Poultry ILLINOIS LIVESTOCK TRAIL. [En línea]
Available at: http://livestocktrail.illinois.edu/poultrynet/paperDisplay.cfm?ContentID=522
Kul, S. & Seker, I., 2004. Phenotypic correlation between some external and internal egg quality traits in the
Japanese quail (Coturnix coturnix Japonica). International Journal of Poultry Sciences, 3(6), pp. 400-405.
Laghi, L., Cremonini, M., Placucci, G. & Sykora, S., 2005. A proton NMR relaxation study of hen egg quality.
Magnetic Resonance Imaging, 23(3), pp. 501-510.
Liu, L. & Ngadi, M., 2013. Detecting Fertility and Early Embryo Development of Chicken Eggs Using Near-
Infrared Hyperspectral Imaging. Food and Bioprocess Technology, 6(9), pp. 2503-2513.
Liu, Y., Ying, Y., Ouyang, A. & Li, Y., 2007. Measurement of internal quality in chicken eggs using visible
transmittance spectroscopy technology. Food control, 18(1), pp. 18-22.
Manley, M., Williams, P., Nilsson, D. & Geladi, P., 2009. Near infrared hyperspectral imaging for the evaluation
of endosperm texture in whole yellow maize (Zea maize L.) kernels. Journal Agricultural and Food
Chemistry, 57(19), p. 8761–8769.
MINAGRI, 2019. Anuario Estadístico Producción Pecuaria e Industria Avícola. s.l.:s.n.
Rodríguez, M. A., 2016. Tipificación de la calidad del huevo de gallina ecológico y convencional, España: s.n.
Rodríguez-Pulido, F. J. y otros, 2014. A novel method for evaluating flavanols in grape sedes by near infrared
hyperspectral imaging. Talanta, Volumen 122, pp. 145-150.
Romanoff, A. L. & Romanoff, A., 1949. The Avian Egg. s.l.:John Wiley & Sons.
Saer, S. A., Causillas, C. A. & Blanco, N., 2017. Actualidad Avipecuaria. [En línea]
Available at: https://Actualidadavipecuaria.com
Singh, R. A., 1995. Poultry production. 2 ed. Daryaganj, New Dheli : Kalyani publishers.
Smith, D., Lawrence, K. & Heitschmidt, G., 2008. Fertility and Embryo Development of Broiler Hatching Eggs
Evaluated with a Hyperspectral Imaging and Predictive Modeling System. International Journal of Poultry
Science, 7(10), pp. 1001-1004.
Suktanarak, S. & Teerachaichayut, S., 2017. Non-destructive quality assessment of hens’ eggs using
hyperspectral images. Journal of Food Engineering, Volumen 215, pp. 97-103.
Valous, N. A., Mendoza, F., Sun, D. W. & Allen, P., 2009. Colour calibration of a laboratory computer vision
system for quality evaluation of pre-sliced hams. Meat Science, 81(1), p. 132–141.
Wang, J. & Jiang, R., 2005. Eggshell crack detection by dynamic frequency analysis. Eur. Food Res. Technol,
Volumen 221, pp. 214-220..
Windhorst, H., 2014. Global Egg Production Dynamics - Past, Present and Future of a Remarkable Success
Story - Report September. s.l.:International Egg Commission Special Economic.
Zakaria, A. H. y otros, 2005. Oviposition pattern, egg weight, fertility, and hatchability of young and old broiler
breeders. Poult. Science, Volumen 84, pp. 1505-1509.
Zaviezo, D., 2016. Nutrinews. [En línea]
Available at: http://nutricionanimal.info/
Zhang, 2015. Non-destructive internal quality assessment of eggs using a synthesis of hyperspectral imaging and
multivariate analysis. Journal of Food Engineering, Volumen 157, pp. 41- 48.