Integrating postharvest quality assessment and deep learning to identify the optimal harvest maturity stage of apricot fruit
Deze studie identificeert stadium 3 als de optimale oogstrijpheid voor abrikozen op basis van superieure behoud van kwaliteit na de oogst en ontwikkelt een lichtgewicht deep learning-model met behulp van RGB-beelden om rijpheidsstadia snel en niet-destructief te classificeren voor verbeterde besluitvorming tijdens de oogst.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Elk jaar produceren boomgaarden over de hele wereld miljoenen abrikozen, een vrucht die wordt gevierd om zijn zoete smaak en rijke voedingswaarde. Toch kampen deze vruchten met een meedogenloze race tegen de klok. In tegenstelling tot veel gewassen die kunnen worden geoogst en maandenlang bewaard, zijn abrikozen zacht, bederfelijk en rijpen ze snel zodra ze van de boom worden geplukt. Als ze te vroeg worden geplukt, blijven ze hard en smaakloos; als ze te laat worden geplukt, worden ze zacht en bederven ze voordat ze de markt bereiken. De sleutel tot het oplossen van dit probleem ligt in het vinden van het exacte moment van de oogst, een stadium van ontwikkeling waarin de vrucht rijp genoeg is om goed te smaken, maar nog stevig genoeg is om de reis naar een supermarkt te overleven. Decennialang hebben boeren vertrouwd op hun ogen en ervaring om dit moment te raden, een methode die vaak inconsistent en foutgevoelig is. Nu combineert een nieuwe aanpak de zorgvuldige studie van de chemie van de vrucht met geavanceerde computer vision om een betrouwbaarder antwoord te vinden.
Onderzoekers aan de Shahrood University of Technology in Iran zetten zich erin om dit puzzelstukje op te lossen door eerst de biologie van de abrikoos te begrijpen en vervolgens een computer te leren het juiste moment van plukken te herkennen. Ze richtten zich op een specifieke variëteit die bekend staat als Zafarani, die groeit in de regio Shahrood. Het team begon met het oogsten van vruchten in vijf verschillende groeistadia, variërend van zeer onrijp tot volledig rijp. Ze plaatsten deze vruchten in een koude opslagomgeving, die de omstandigheden nabootst die door commerciële distributeurs worden gebruikt, en observeerden hoe ze gedurende vijfendertig dagen veranderden. Elke week maten de wetenschappers een breed scala aan kwaliteiten: hoe hard de vrucht was, hoeveel gewicht ze verloren door verdamping van water, het niveau van zoetheid, de hoeveelheid zuur en de precieze kleur van de schil. Ze zochten naar het enkele stadium waarin de vrucht de vorm en smaak het beste behield terwijl deze de natuurlijke afbraak die met de tijd gepaard gaat, het beste weerstond.
De resultaten van deze langdurige observatie onthulden een duidelijke winnaar. De vruchten die werden geoogst in het derde stadium van rijpheid, een punt dat noch te groen noch volledig zacht is, bleken het meest veerkrachtig te zijn. Deze abrikozen behielden hun stevigheid beter dan die die eerder of later waren geplukt. Ze verloren minder gewicht, wat betekende dat ze langer stevig en sappig bleven. Hun chemische balans, inclusief hun zoetheid en zuurgraad, bleef stabieler, en hun kleur veranderde minder dramatisch dan die van de anderen. Vruchten die te vroeg werden geplukt, hadden moeite om hun kwaliteit te behouden, veranderden snel en verloren snel hun stevigheid. Vruchten die te laat waren geplukt, waren al te zacht om de opslagperiode te doorstaan en verslechterden bijna onmiddellijk. De studie bevestigde dat dit specifieke tijdsvenster het beste compromis biedt, waardoor de vrucht wekenlang kan worden bewaard zonder de kwaliteiten te verliezen die hem aantrekkelijk maken om te eten.
Nadat ze dit ideale oogststadium hadden geïdentificeerd, richtten de onderzoekers zich op het tweede deel van hun werk: een machine leren om het te vinden. Ze realiseerden zich dat als een computer naar een abrikoos aan de boom kon kijken en onmiddellijk wist of deze zich in dat perfecte derde stadium bevond, boeren met veel meer precisie konden oogsten. Om dit te doen, namen ze meer dan duizend foto's van de abrikozen in de boomgaard onder natuurlijk zonlicht, waarbij ze de vrucht precies vastlegden zoals deze in de echte wereld verschijnt, met alle schaduwen en variërende hoeken die een boer zou tegenkomen. Ze gebruikten geen speciale lichten of gecontroleerde opstellingen; ze wilden dat het systeem zou werken in de rommelige realiteit van een boomgaard.
Het team bouwde vervolgens een op maat gemaakt computerprogramma, een type kunstmatige intelligentie bekend als een deep learning-model, dat specifiek is ontworpen om afbeeldingen te sorteren. Dit programma werd getraind om naar de foto's te kijken en de vrucht in een van de vijf rijpheidsstadia te categoriseren. Het model werd lichtgewicht ontworpen, wat betekent dat het snel kan draaien op standaardapparaten zonder dat er enorme rekenkracht nodig is. Na training op duizenden afbeeldingen, werd de computer getest op een nieuwe set foto's die hij nog nooit eerder had gezien. Het identificeerde succesvol het juiste rijpheidsstadium in het grootste deel van de gevallen. Wanneer de computer fouten maakte, waren dit meestal kleine fouten, zoals het verwarren van een vrucht die net op het punt stond het perfecte stadium te bereiken met een vrucht die het net gepasseerd was. Dit toonde aan dat de computer de geleidelijke veranderingen in het uiterlijk van de vrucht begreep, in plaats van alleen willekeurige patronen te onthouden.
De betekenis van dit werk ligt in het vermogen om de kloof tussen biologische wetenschap en praktische landbouw te overbruggen. Door eerst te bewijzen welk groeistadium leidt tot de langste houdbaarheid, en vervolgens een hulpmiddel te creëren om dat stadium direct te identificeren, hebben de onderzoekers een pad geboden naar het verminderen van verspilling en het verbeteren van de kwaliteit. Het computer vision-systeem vervangt de kennis van de boer niet, maar versterkt deze door een objectieve, snelle manier te bieden om oogstbeslissingen te nemen. Hoewel de studie werd uitgevoerd op een enkele variëteit abrikoos op één locatie, suggereert de methode een krachtige toekomst voor de landbouw. Als deze technologie kan worden aangepast aan andere vruchten en verschillende groeiomstandigheden, zou het de manier waarop producten worden geoogst kunnen transformeren, waardoor wordt gegarandeerd dat de vruchten die de consument bereiken net zo vers en smaakvol zijn als op de dag dat ze geplukt zijn. De studie concludeert dat hoewel het hulpmiddel veelbelovend is, verdere tests in verschillende boomgaarden en seizoenen nodig zijn om de betrouwbaarheid op commerciële schaal te bevestigen.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.