En la cría de aves a gran escala, la medición en línea en tiempo real del peso de los huevos y los parámetros de forma sigue siendo un desafío. Para abordar esto, desarrollamos FEgg3D, un dispositivo de medición dinámica sin contacto basado en un escáner láser de diseño propio. El dispositivo utilizó un subconjunto de la nube de puntos generada para predecir los parámetros de forma y el peso de los huevos utilizando algoritmos de aprendizaje automático. Diferentes colores y tamaños de huevos en varios fondos fueron escaneados utilizando FEgg3D montado en un sistema de puente grúa. Nuestros resultados demostraron lo siguiente: (1) El modelo de Regresión de Vectores de Soporte (SVR) fue óptimo para la estimación de la longitud del eje mayor, con un R de 0.932 utilizando seis líneas láser y ocho puntos por línea. (2) El modelo de Regresión de Proceso Gaussiano (GPR) sobresalió en la estimación de la longitud del eje menor, logrando un R de 0.974 con seis líneas láser y 16 puntos por línea. (3) SVR fue óptimo para la estimación del volumen, alcanzando un R de 0.962 con seis líneas láser y 16 puntos por línea. (4) GPR mostró un rendimiento superior en la predicción del peso, con un R de 0.964 utilizando cinco líneas láser y 16 puntos por línea. Incluir características de densidad mejoró significativamente la precisión a un R de 0.978. Este enfoque allana el camino para una medición avanzada de huevos en línea en entornos comerciales.