Integrating postharvest quality assessment and deep learning to identify the optimal harvest maturity stage of apricot fruit
Diese Studie identifiziert Stadium 3 als die optimale Erntereife für Aprikosen basierend auf der überlegenen Erhaltung der Qualität nach der Ernte und entwickelt ein leichtgewichtiges Deep-Learning-Modell unter Verwendung von RGB-Bildern, um Reifestadien schnell und zerstörungsfrei zur verbesserten Entscheidungsfindung bei der Ernte zu klassifizieren.
Originalarbeit lizenziert unter CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dies ist eine KI-generierte Erklärung des untenstehenden Papers. Sie wurde nicht von den Autoren verfasst oder gebilligt. Für technische Genauigkeit konsultieren Sie das Originalpaper. Vollständigen Haftungsausschluss lesen
Jedes Jahr produzieren Obstplantagen auf der ganzen Welt Millionen von Aprikosen, einer Frucht, die für ihren süßen Geschmack und ihren reichen Nährwert geschätzt wird. Doch diese Früchte stehen in einem unerbittlichen Wettlauf gegen die Zeit. Im Gegensatz zu vielen anderen Erzeugnissen, die geerntet und monatelang gelagert werden können, sind Aprikosen weich, verderblich und reifen schnell, sobald sie den Baum verlassen. Wenn sie zu früh gepflückt werden, bleiben sie hart und geschmacklos; wenn sie zu spät gepflückt werden, werden sie matschig und verderben, bevor sie den Markt erreichen. Der Schlüssel zur Lösung dieses Problems liegt darin, den exakten Moment der Ernte zu finden – ein Entwicklungsstadium, in dem die Frucht reif genug ist, um gut zu schmecken, aber noch fest genug, um die Reise zu einem Supermarkt zu überstehen. Jahrzehntelang haben sich Landwirte auf ihre Augen und ihre Erfahrung verlassen, um diesen Moment zu erraten – eine Methode, die oft inkonsistent und fehleranfällig ist. Nun kombiniert ein neuer Ansatz die sorgfältige Untersuchung der Fruchtchemie mit fortschrittlicher Computer-Vision, um eine zuverlässigere Antwort zu finden.
Forscher der Shahrood University of Technology im Iran machten sich daran, dieses Rätsel zu lösen, indem sie zuerst die Biologie der Aprikose untersuchten und dann einem Computer beibrachten, den richtigen Erntezeitpunkt zu erkennen. Sie konzentrierten sich auf eine spezifische Sorte namens Zafarani, die in der Region Shahrood wächst. Das Team begann damit, die Früchte in fünf verschiedenen Wachstumsstadien zu ernten, die von sehr unreif bis vollreif reichten. Sie platzierten diese Früchte in einer Kaltlagerumgebung, die die Bedingungen der kommerziellen Händler nachahmte, und beobachteten, wie sie sich über einen Zeitraum von fünfunddreißig Tagen veränderten. Jede Woche maßen die Wissenschaftler eine breite Palette an Qualitäten: wie hart die Frucht war, wie viel Gewicht sie durch Wasserverdunstung verlor, den Grad der Süße, die Menge der Säure und die präzise Farbe der Schale. Sie suchten nach dem einzelnen Stadium, in dem die Frucht ihre Form und ihren Geschmack am besten behielt und gleichzeitig dem natürlichen Verfall durch die Zeit am besten widerstand.
Die Ergebnisse dieser langen Beobachtung zeigten einen klaren Gewinner. Die Früchte, die im dritten Reifestadium geerntet wurden – einem Punkt, der weder zu grün noch vollkommen weich ist – erwiesen sich als am widerstandsfähigsten. Diese Aprikosen behielten ihre Festigkeit besser als jene, die früher oder später gepflückt wurden. Sie verloren weniger Gewicht, was bedeutete, dass sie länger prall und saftig blieben. Ihre chemische Balance, einschließlich Süße und Säure, blieb stabiler, und ihre Farbe änderte sich weniger dramatisch als die der anderen. Früchte, die zu früh gepflückt wurden, hatten Schwierigkeiten, ihre Qualität zu halten, veränderten sich rasch und verloren schnell an Festigkeit. Jene, die zu spät gepflückt wurden, waren bereits zu weich, um die Lagerzeit zu überstehen, und verschlechterten sich fast unmittelbar. Die Studie bestätigte, dass genau dieses Zeitfenster den besten Kompromiss bietet, der es ermöglicht, die Frucht wochenlang zu lagern, ohne die Qualitäten zu verlieren, die sie zum Verzehr begehrenswert machen.
Nachdem sie das ideale Erntestadium identifiziert hatten, wandten die Forscher sich dem zweiten Teil ihrer Arbeit zu: einem Computer beizubringen, es zu finden. Sie erkannten, dass ein Computer, wenn er eine Aprikose am Baum betrachten und sofort wissen könnte, ob sie sich in diesem perfekten dritten Stadium befindet, den Landwirten helfen könnte, mit wesentlich größerer Präzision zu ernten. Um dies zu erreichen, machten sie über tausend Fotografien der Aprikosen in der Obstplantage unter natürlichem Sonnenlicht und hielten die Früchte exakt so fest, wie sie in der realen Welt erschienen, mit all den Schatten und variierenden Winkeln, denen ein Landwirt begegnen würde. Sie verwendeten keine speziellen Lichter oder kontrollierten Aufbauten; sie wollten, dass das System in der unordentlichen Realität eines Obstgartens funktioniert.
Das Team entwickelte daraufhin ein maßgeschneidertes Computerprogramm, eine Art künstliche Intelligenz, die als Deep-Learning-Modell bekannt ist und speziell für das Sortieren von Bildern entwickelt wurde. Dieses Programm wurde trainiert, um die Fotos zu betrachten und die Frucht in eines der fünf Reifestadien zu kategorisieren. Das Modell wurde so konzipiert, dass es leichtgewichtig ist, was bedeutet, dass es schnell auf Standardgeräten laufen kann, ohne enorme Rechenleistung zu benötigen. Nach dem Training an tausenden Bildern wurde der Computer mit einem neuen Satz von Fotos getestet, die er zuvor noch nie gesehen hatte. Er identifizierte das korrekte Reifestadium in der überwiegenden Mehrheit der Fälle erfolgreich. Wenn Fehler auftraten, handelte es sich meist um kleine Abweichungen, wie etwa die Verwechslung einer Frucht, die kurz davor stand, das perfekte Stadium zu erreichen, mit einer, die das perfekte Stadium gerade überschritten hatte. Dies zeigte, dass der Computer die graduellen Veränderungen im Aussehen der Frucht verstand und nicht nur zufällige Muster auswendig lernte.
Die Bedeutung dieser Arbeit liegt in ihrer Fähigkeit, die Lücke zwischen biologischer Wissenschaft und praktischer Landwirtschaft zu schließen. Indem sie zuerst bewiesen, welches Wachstumsstadium zu der längsten Haltbarkeit führt, und dann ein Werkzeug schufen, um dieses Stadium sofort zu identifizieren, haben die Forscher einen Weg zur Reduzierung von Abfall und zur Verbesserung der Qualität aufgezeigt. Das Computer-Vision-System ersetzt nicht das Wissen des Landwirts, sondern ergänzt es, indem es eine objektive, schnelle Möglichkeit zur Ernteentscheidung bietet. Obwohl die Studie an einer einzigen Aprikosensorte an einem einzigen Standort durchgeführt wurde, deutet die Methode auf eine kraftvolle Zukunft für die Landwirtschaft hin. Wenn diese Technologie auf andere Früchte und unterschiedliche Anbaubedingungen angepasst werden kann, könnte sie die Art und Weise, wie Erzeugnisse geerntet werden, transformieren und sicherstellen, dass die Frucht, die den Verbrauchern erreicht, so frisch und geschmackvoll ist wie am Tag ihrer Ernte. Die Studie kommt zu dem Schluss, dass das Werkzeug zwar vielversprechend ist, jedoch weitere Tests in verschiedenen Obstplantagen und Jahreszeiten erforderlich sind, um seine Zuverlässigkeit auf kommerzieller Ebene zu bestätigen.
Ertrinken Sie in Arbeiten in Ihrem Fachgebiet?
Erhalten Sie tägliche Digests der neuesten Arbeiten passend zu Ihren Forschungsbegriffen — mit technischen Zusammenfassungen, in Ihrer Sprache.