Исследовательская группа под руководством доктора Дэвида Хелмана с факультета сельского хозяйства, продовольствия и окружающей среды Еврейского университета в Иерусалиме разработала новую модель машинного обучения, использующую гиперспектральную визуализацию для оценки качества томатов перед сбором урожая.
Гиперспектральные изображения определенных диапазонов длин волн света, известных как спектральные полосы, используются для изучения свойств объектов на основе того, как они отражают свет.
Научная работа под названием «Модели машинного обучения на основе гиперспектральной визуализации для мониторинга качества плодов томатов до сбора урожая» была опубликована в журнале Computers and Electronics in Agriculture. Этот новаторский подход решает проблемы, связанные с традиционными методами, предлагая более быструю, неразрушающую и экономически эффективную альтернативу.
Исследование, проведенное совместно с учеными из Университета Бар-Илан и Центра Волкани, использовало портативную гиперспектральную камеру для сбора данных с 567 плодов томатов пяти сортов.
Алгоритмы машинного обучения, включая Random Forest и искусственные нейронные сети, использовались для прогнозирования семи критических параметров качества: веса, твердости, общего содержания растворимых твердых веществ (TSS), лимонной кислоты, аскорбиновой кислоты, ликопина и pH. Модели продемонстрировали высокую точность в определении характеристик.
ToMAI-SENS-визуализация плодов в разных диапазонах, идентификация томатов и оценка их качественных параметров. Автор фото: Йедидья Харрис.
Основные выводы исследования включают в себя:
- Эффективность выбора диапазона: модель эффективно прогнозирует параметры качества, используя всего пять спектральных диапазонов, что открывает путь к разработке доступных портативных устройств.
- Более широкая применимость: протестированная на различных сортах и условиях выращивания, модель демонстрирует надежность и масштабируемость.
- Преимущества перед сбором урожая: теперь фермеры могут контролировать качество фруктов на этапах созревания, оптимизируя сроки сбора урожая и улучшая качество продукции.
«Наше исследование направлено на преодоление разрыва между передовыми технологиями визуализации, искусственным интеллектом и практическими сельскохозяйственными приложениями, - говорит доктор Хелман. - Эта работа может произвести революцию в мониторинге качества не только томатов, но и других культур. Нашим следующим шагом станет создание недорогого устройства (ToMAI-SENS) на основе нашей модели, которое будет использоваться по всей цепочке создания стоимости плодов - от ферм до потребителей».
В исследовании подчеркивается потенциальная интеграция этой технологии в сельскохозяйственную практику: от интеллектуальных систем сбора урожая до потребительских инструментов для оценки качества продукции в супермаркетах.
Источник: Hebrew University of Jerusalem.
Заглавное фото: Медведева Анна, AgroXXI.ru.
