Умный сбор урожая: машинное обучение для томатов

Исследовательская группа под руководством доктора Давида Хельмана с факультета сельского хозяйства, продовольствия и окружающей среды Еврейского университета в Иерусалиме разработала новую модель машинного обучения, использующую гиперспектральную визуализацию для оценки качества томатов до сбора урожая.

Этот подход решает проблемы традиционных методов, предлагая более быструю, неразрушающую и экономически эффективную альтернативу.

В исследовании, проведенном совместно с учеными из Университета Бар-Илан и Центра Вулкани, использовалась портативная гиперспектральная камера для сбора данных с 567 плодов томатов пяти сортов.

Алгоритмы машинного обучения, включая Random Forest и искусственные нейронные сети, применялись для прогнозирования семи критически важных параметров качества: вес, твердость, общее содержание растворимых сухих веществ (TSS), лимонная кислота, аскорбиновая кислота, ликопин и pH. Модели продемонстрировали высокую точность: алгоритм Random Forest достиг R² 0.94 для веса и 0.89 для твердости.

Ключевые выводы исследования:

• Эффективность выбора спектральных полос: Модель эффективно предсказывает параметры качества, используя всего пять спектральных полос, что открывает путь к созданию доступных портативных устройств.
• Широкая применимость: Протестированная на различных сортах и условиях выращивания, модель демонстрирует надежность и масштабируемость.
• Преимущества для предуборочной оценки: Фермеры теперь могут отслеживать качество плодов на стадиях созревания, оптимизируя время сбора и улучшая качество продукции.

По словам доктора Хельмана, следующей целью является создание недорогого устройства (ToMAI-SENS) на основе этой модели для использования во всей цепочке создания стоимости фруктов — от ферм до потребителей.