A produção de ovos em linhas industriais cresceu consideravelmente ao longo dos anos. essa produção alcança valores superiores a 15.000 ovos por hora, tornando cada vez mais difícil a utilização de operadores humanos para a tarefa de identificação visual e detecção de defeitos. nesse cenário, as indústrias avícolas, com o objetivo de garantir e aumentar a eficácia e eficiência do processo de controle de qualidade, têm investido em novas soluções tecnológicas. neste trabalho propõe-se comparar três soluções baseadas em processamento de imagens para realizar a inspeção automática de ovos comerciais, a fim de determinar a solução com o melhor equilíbrio em termos de precisão e velocidade. as abordagens propostas são executadas em um sistema de inspeção visual de ovos com simulação real de linhas de produção avícola. a primeira abordagem consiste na aplicação de técnicas clássicas de processamento de imagens e a segunda e terceira abordagens usam técnicas de aprendizagem profunda: classificação de imagens e segmentação semântica para a classificação do ovo em quatro categorias: normal, sujo, geometricamente anormal e ovos fissurados. essas abordagens foram validadas com sucesso, alcançando uma acurácia média de 81 %, 85 % e 87 % e um tempo médio de processamento em cpu de 0,04 ms, 0,11 ms e 1,35 ms para as abordagens clássicas, classificação de imagens e segmentação semântica, respectivamente. considerando os critérios de avaliação definidos para este projeto, obteve-se que as abordagens baseadas em técnicas clássicas apresentam um melhor equilíbrio nas métricas de avaliação, permitindo a detecção de várias características dos ovos como cor, formato e defeitos na superfície da casca.