Integrating postharvest quality assessment and deep learning to identify the optimal harvest maturity stage of apricot fruit
Cette étude identifie le stade 3 comme la maturité de récolte optimale pour les abricots en se basant sur une rétention supérieure de la qualité après récolte et développe un modèle d'apprentissage profond léger utilisant des images RGB pour classer rapidement et de manière non destructive les stades de maturité afin d'améliorer la prise de décision lors de la récolte.
Article original sous licence CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Chaque année, les vergers du monde entier produisent des millions d'abricots, un fruit célébré pour sa saveur sucrée et sa richesse nutritionnelle. Pourtant, ces fruits sont engagés dans une course contre la montre incessante. Contrairement à de nombreuses cultures qui peuvent être récoltées et conservées pendant des mois, les abricots sont tendres, périssables et mûrissent rapidement une fois quittant l'arbre. S'ils sont cueillis trop tôt, ils restent durs et insipides ; s'ils sont cueillis trop tard, ils deviennent mous et se gâtent avant d'atteindre le marché. La clé pour résoudre ce problème réside dans la découverte du moment exact de la récolte, un stade de développement où le fruit est assez mûr pour avoir du goût, mais encore assez ferme pour survivre au voyage jusqu'à un magasin de détail. Pendant des décennies, les agriculteurs se sont appuyés sur leurs yeux et leur expérience pour deviner ce moment, une méthode qui est souvent incohérente et sujette à l'erreur. Désormais, une nouvelle approche combine l'étude minutieuse de la chimie du fruit avec la vision par ordinateur avancée pour trouver une réponse plus fiable.
Des chercheurs de l'Université de technologie de Shahrood en Iran ont entrepris de résoudre ce casse-tête en comprenant d'abord la biologie de l'abricot, puis en apprenant à un ordinateur à reconnaître le bon moment pour le cueillir. Ils se sont concentrés sur une variété spécifique connue sous le nom de Zafarani, cultivée dans la région de Shahrood. L'équipe a commencé par récolter les fruits à cinq stades de croissance distincts, allant de très immatures à pleinement mûrs. Ils ont placé ces fruits dans un environnement de stockage à froid, imitant les conditions utilisées par les distributeurs commerciaux, et ont observé leurs changements sur trente-cinq jours. Chaque semaine, les scientifiques ont mesuré une large gamme de qualités : la dureté du fruit, la perte de poids due à l'évaporation de l'eau, le niveau de sucre, la quantité d'acidité et la couleur précise de la peau. Ils cherchaient le stade unique où le fruit conservait le mieux sa forme et sa saveur tout en résistant à la décomposition naturelle qui accompagne le temps.
Les résultats de cette longue observation ont révélé un vainqueur clair. Les fruits récoltés au troisième stade de maturité, un point qui n'est ni trop vert ni totalement mou, se sont révélés être les plus résilients. Ces abricots ont mieux conservé leur fermeté que ceux cueillis plus tôt ou plus tard. Ils ont perdu moins de poids, ce qui signifie qu'ils sont restés charnus et juteux plus longtemps. Leur équilibre chimique, incluant leur sucrosité et leur acidité, est resté plus stable, et leur couleur a moins radicalement changé que celle des autres. Les fruits cueillis trop tôt ont eu du mal à maintenir leur qualité, changeant rapidement et perdant leur fermeté vite. Ceux cueillis trop tard étaient déjà trop mous pour supporter la période de stockage, se détériorant presque immédiatement. L'étude a confirmé que cette fenêtre de temps spécifique offre le meilleur compromis, permettant au fruit d'être stocké pendant des semaines sans perdre les qualités qui le rendent agréable à manger.
Ayant identifié ce stade de récolte idéal, les chercheurs se sont tournés vers la seconde partie de leur travail : apprendre à une machine à le trouver. Ils ont réalisé que si un ordinateur pouvait regarder un abricot sur l'arbre et savoir instantanément s'il se trouvait à ce troisième stade parfait, les agriculteurs pourraient récolter avec une bien plus grande précision. Pour ce faire, ils ont pris plus de mille photographies des abricots dans le verger sous la lumière naturelle du soleil, capturant le fruit exactement tel qu'il apparaît dans le monde réel, avec toutes les ombres et les angles variables qu'un agriculteur rencontrerait. Ils n'ont pas utilisé de lumières spéciales ou de configurations contrôlées ; ils voulaient que le système fonctionne dans la réalité désordonnée d'un verger.
L'équipe a ensuite construit un programme informatique personnalisé, un type d'intelligence artificielle connu sous le nom de modèle d'apprentissage profond (deep learning), spécifiquement conçu pour trier des images. Ce programme a été entraîné à examiner les photos et à catégoriser le fruit dans l'un des cinq stades de maturité. Le modèle a été conçu pour être léger, ce qui signifie qu'il peut fonctionner rapidement sur des appareils standards sans nécessiter une puissance de calcul massive. Après un entraînement sur des milliers d'images, l'ordinateur a été testé sur un nouvel ensemble de photos qu'il n'avait jamais vues auparavant. Il a identifié avec succès le stade de maturité correct dans la vaste majorité des cas. Lorsqu'il commettait des erreurs, il s'agissait généralement d'erreurs mineures, comme confondre un fruit sur le point d'atteindre le stade parfait avec un qui venait de le dépasser. Cela a montré que l'ordinateur comprenait les changements graduels de l'apparence du fruit plutôt que de simplement mémoriser des motifs aléatoires.
La portée de ce travail réside dans sa capacité à combler le fossé entre la science biologique et l'agriculture pratique. En prouvant d'abord quel stade de croissance conduit à la plus longue durée de conservation, puis en créant un outil pour identifier ce stade instantanément, les chercheurs ont offert une voie vers la réduction du gaspillage et l'amélioration de la qualité. Le système de vision par ordinateur ne remplace pas le savoir de l'agriculteur mais l'augmente, fournissant un moyen objectif et rapide de prendre des décisions de récolte. Bien que l'étude ait été menée sur une seule variété d'abricot dans un seul lieu, la méthode suggère un avenir puissant pour l'agriculture. Si cette technologie peut être adaptée à d'autres fruits et à différentes conditions de culture, elle pourrait transformer la façon dont les produits sont récoltés, garantissant que le fruit atteignant les consommateurs est aussi frais et savoureux que le jour où il a été cueilli. L'étude conclut que, bien que l'outil soit prometteur, des tests supplémentaires dans différents vergers et saisons sont nécessaires pour confirmer sa fiabilité à une échelle commerciale.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.