صنعت پرورش طیور یکی از بزرگ ترین صنایع تأمین کننده ی نیاز غذایی انسان است. تلاش های بسیاری برای افزایش راندمان صنعت پرورش طیور شده است. تشخیص کیفیت تخم مرغ یکی از معضلات این صنعت محسوب می شود، به نحوی که عوامل متعددی مانند زمان نگهداری، شرایط نگهداری و حمل ونقل و تغذیه ی مرغ بر روی آن اثرگذار است. همچنین یکی از مهم ترین ارکان صنعت پرورش طیور تشخیص تخم مرغ های نطفه دار، ترجیحا قبل از شروع فرآیند انکوباسیون است که می تواند نقش بسیار مهمی در افزایش راندمان صنعت جوجه ی یکروزه داشته باشد. امروزه صنعت مدرن طیور به جای روش های سنتی درجه بندی و نطفه سنجی تخم مرغ مانند روش های نوربینی و بازرسی چشمی، به دنبال روش های جدیدتری است. در این رساله از سامانه ی دی الکتریک فضای آزاد برای ارزیابی غیرمخرب کیفیت داخلی و باروری تخم مرغ استفاده شد. سامانه ی اندازه گیری فضای آزاد ابتدا در نرم افزار HFSS طراحی شد. این سامانه دارای بخش های اصلی شامل تحلیل گر شبکه با قابلیت ثبت پارامترهای پراکندگی در محدوده ی فرکانسی تعیین شده (8 تا 12 گیگاهرتز) و دو مبدل موجبر به کواکسیال باند X به عنوان آنتن های سامانه ی فضای آزاد بود. در بخش ارزیابی کیفیت، بلافاصله بعد از اندازه گیری طیف های 252 عدد تخم مرغ ذخیره شده به مدت 1، 3، 5، 7، 15 و 24 روز در دمای اتاق در سه جهت قرارگیری مختلف افقی 1، افقی 2 و عمودی، آزمایش های مرجع به منظور اندازه گیری شاخص های کیفیت تخم مرغ انجام شدند. رگرسیون حداقل مربعات جزئی (PLS) برای پیش بینی شاخص های کیفیت تخم مرغ، از جمله ارتفاع سلول های هوا (ACH)، ضریب زرده (YC)، ارتفاع سفیده ی ضخیم (TAH)، واحد هاو (HU) و pH Albumen اعمال شد. با توجه به تحلیل رگرسیون PLS، ACH بالاترین قابلیت پیش بینی را با انحراف پیشگوی باقیمانده (RPD) چشمگیر برابر 80/4 ارائه کرد. پس از آن، YC، Albumen pH، TAH و HU نیز مقادیر RPD عالی به ترتیب برابر 00/4، 962/3، 44/3 و 19/3 را نشان دادند. با بررسی اثرات طیف ها و جهت های قرارگیری مختلف تخم مرغ بر روی RPDهای بدست آمده از بهترین مدل های PLS، طیف PR_S22 و موقعیت قرارگیری افقی 1 بهترین نتایج را نشان دادند. با استفاده از طیف PR_S22 در موقعیت قرارگیری افقی 1، روش های انتخاب ویژگی شامل روش حداقل مربعات جزئی- اهمیت متغیر در نگاشت (PLS-VIP)، انتخاب ویژگی مبتنی بر همبستگی (CFS) و نمونه گیری بازموزون تطبیقی رقابتی (CARS) برای شناسایی مؤثرترین فرکانس ها به کار گرفته شد. سپس از شبکه های عصبی مصنوعی (ANN) برای توسعه ی مدل های پیش بینی براساس مؤثرترین فرکانس ها استفاده شد. روش CARS نسبت به سایر روش های انتخاب ویژگی برتری داشت و مدل های ANN قوی با مقادیر RPD عالی برابر 80/4، 00/4، 27/3، 03/3 و 72/3 به ترتیب برای شاخص های ACH، YC، TAH، HU، و pH Albumen ارائه کرد. برای طبقه بندی روزهای ماندگی تخم مرغ از روش طبقه بندی مدل سازی نرم و مستقل شباهت های بین کلاسی (SIMCA) استفاده شد. روش طبقه بند SIMCA با استفاده از طیف RL_S22 در هر سه موقعیت قرارگیری تخم مرغ توانست روزهای ماندگی تخم مرغ ها را با حساسیت، تشخیص پذیری، دقت، صحت و امتیاز F1 برابر 100 درصد از یکدیگر جدا کند. در بخش نطفه سنجی قبل از شروع فرآیند انکوباسیون، ابتدا طیف های 100 عدد تخم مرغ نطفه دار و 125 عدد تخم مرغ بدون نطفه در روز صفر در دو جهت قرارگیری مختلف افقی 1 و عمودی اندازه گیری شدند و سپس در حداقل زمان ممکن، نمونه ها وارد دستگاه جوجه کشی شده و طیف های آن ها در روزهای اول، دوم، سوم و چهارم انکوباسیون اندازه گیری شدند. با شکستن تخم مرغ ها در روز ششم انکوباسیون، وجود یا عدم وجود نطفه در نمونه ها مشخص شد. برای طبقه بندی تخم مرغ های نطفه دار روز صفر (روز قبل از انکوباسیون) و بدون نطفه از روش های SIMCA، ماشین بردار پشتیبان (SVM)، تجزیه و تحلیل تفکیکی حداقل مربعات جزئی (PLS-DA)، تجزیه و تحلیل تفکیک خطی (LDA)، تجزیه و تحلیل تفکیک درجه دوم (QDA) و ANN استفاده شد. در تمام روش های طبقه بندی، بهترین نتایج با استفاده از طیف IL_S21 و پیش پردازش مشتق دوم در موقعیت قرارگیری عمودی بدست آمد، به جز روش طبقه بندی PLS-DA که در موقعیت قرارگیری افقی 1 بهترین نتیجه بدست آمد. همچنین در بین روش های طبقه بندی مختلف، روش ANN توانست با حساسیت، تشخیص پذیری، دقت، صحت و امتیاز F1 به ترتیب برابر 00/92، 35/93، 00/92، 86/92 و 00/92 درصد تخم مرغ های نطفه دار روز صفر و بدون نطفه را بهتر از بقیهی روش ها از یکدیگر جدا کند. با استفاده از طیف IL_S21 در موقعیت قرارگیری عمودی، روش های انتخاب ویژگی شامل PLS-VIP، CFS، CARS و روش درخت طبقه بندی و رگرسیون (CART) برای شناسایی مؤثرترین فرکانس ها به کار گرفته شد. سپس از رو