Research Evolution and Emerging Trends in Fruit and Vegetable Quality Assessment and Sorting: A Bibliometric Analysis of Analytical and Intelligent Sensing Technologies

Elk jaar verplaatsen miljarden tonnen fruit en groenten zich van de velden naar de markten, een reis waarbij het product handling, transport en opslag moet overleven zonder beurs te raken of te rotten. Lange tijd vertrouwde het sorteren van dit product zwaar op menselijke ogen en handen, een proces dat traag, inconsistent en vaak te ruw is voor delicate producten zoals dunhuidige tomaten of zachte perziken. Naarmate de wereldwijde vraag naar hoogwaardig voedsel is gegroeid, heeft de landbouwsector zich gericht op machines die kunnen zien en beoordelen met de snelheid van een lopende band en de precisie van een wetenschapper. Deze machines gebruiken camera's om naar kleur en vorm te kijken, en speciale sensoren die in een vrucht kunnen kijken om het suikergehalte of de stevigheid te controleren zonder deze open te snijden. Het doel is simpel maar moeilijk: om duizenden artikelen per uur te sorteren, waarbij wordt gewaarborgd dat alleen de beste de consument bereiken, terwijl verspilling en schade worden geminimaliseerd.

Een team onderzoekers aan de Guizhou Normal University in China heeft onlangs een stap terug gedaan om naar de volledige geschiedenis van deze technologische verschuiving te kijken. In plaats van een nieuwe machine te bouwen of een specifiek fruit te testen, analyseerden zij duizenden wetenschappelijke artikelen die tussen 2000 en 2025 zijn gepubliceerd om te begrijpen hoe het vakgebied is geëvolueerd. Door de patronen in deze geschriften te bestuderen, brachten ze in kaart hoe wetenschappers zijn bewogen van eenvoudige mechanische sortering naar complexe, intelligente systemen die kunnen "denken" over wat ze zien. Hun werk onthult een duidelijk verhaal van vooruitgang: een reis van basisobservatie naar geavanceerde, geautomatiseerde besluitvorming die de manier waarop we de wereldwijde voedselvoorraad beheren, hervormt.

De onderzoekers verzamelden gegevens uit twee enorme bibliotheken van wetenschappelijke kennis: één die Engelstalige studies van over de hele wereld bevat, en een andere die Chinese talige studies bevat. Ze zeefden meer dan 1.300 publicaties om de belangrijkste trends te vinden. Wat ze vonden was een vakgebied dat de afgelopen twee decennia gestaag is gegroeid, met een bijzonder scherpe toename in activiteit sinds 2021. In de vroege jaren 2000 was het onderzoek schaars en gericht op basis mechanische ontwerpen. Tegen de jaren 2010 was de focus verschoven naar het gebruik van computers om afbeeldingen te analyseren. In de meest recente jaren is de explosie van nieuw onderzoek gedreven door geavanceerde kunstmatige intelligentie, waardoor machines defecten en kwaliteitsniveaus kunnen herkennen met een verfijning die voorheen onmogelijk was.

De studie benadrukt dat de wereldwijde onderzoeksinspanningen niet gelijkmatig verdeeld zijn. China heeft de meeste papers over dit onderwerp geproduceerd, gevolgd door India, de Verenigde Staten, Spanje en Iran. Deze opmars in Chinees onderzoek weerspiegelt de enorme fruit- en groenteindustrie van het land en de snelle drang naar modernisering van de landbouw met slimme machines. Hoewel landen als de Verenigde Staten en China samenwerken aan sommige projecten, merkten de onderzoekers op dat internationale samenwerking sterker zou kunnen zijn. Momenteel is het netwerk van samenwerking enigszins gefragmenteerd, waarbij veel landen in isolatie werken in plaats van hun middelen te bundelen om gemeenschappelijke problemen op te lossen.

Toen de onderzoekers keken naar wat wetenschappers daadwerkelijk bestuderen, ontstonden er twee hoofdpaden. Het eerste pad gaat over sorteren op basis van hoe een vrucht er aan de buitenkant uitziet. Dit houdt het gebruik van camera's in om kleur, grootte en vorm te meten, of om deuken en onvolkomenheden op te sporen. Het tweede pad gaat over het controleren van de kwaliteit binnen in de vrucht zonder deze te beschadigen. Hier wordt de technologie complexer. Wetenschappers gebruiken lichtgolven die het menselijk oog niet kan zien, zoals nabij-infrarood licht, om door de schil van een vrucht te dringen en het suikergehalte, de zuurgraad of interne rot te meten. De analyse toonde aan dat hoewel het vroege onderzoek zwaar gericht was op deze twee afzonderlijke paden, de meest opwindende ontwikkelingen plaatsvinden waar ze elkaar ontmoeten. De toekomst van sorteren ligt in het combineren van deze methoden, door camera's te gebruiken om de buitenkant te zien en speciale sensoren om de binnenkant te zien, en dat alles tegelijkertijd.

De instrumenten die worden gebruikt om dit te bereiken, zijn in de loop van de tijd drastisch veranderd. In het verleden vertrouwden computers op eenvoudige regels die door mensen waren geschreven om een rode appel of een groen blad te identificeren. Tegenwoordig gebruiken de meest effectieve systemen deep learning, een vorm van kunstmatige intelligentie die zichzelf leert waar het naar moet zoeken door duizenden voorbeelden te bestuderen. De onderzoekers vonden dat de meest populaire tijdschriften in dit veld die zijn gewijd aan landbouwtechniek en voedselwetenschap, wat bevestigt dat dit een praktische, door de industrie gedreven wetenschap is. Het meest geciteerde werk betreft vaak het gebruik van machine vision om defecten te detecten of spectrale beeldvorming om rijpheid te voorspellen.

Ondanks deze vooruitgang wijzen de onderzoekers erop dat de technologie nog niet perfect is. Machines hebben nog steeds moeite wanneer de verlichting verandert, wanneer vruchten op elkaar gestapeld liggen, of bij het werken met zeer delicate producten die gemakkelijk beurs kunnen raken. De systemen zijn ook duur en vereisen krachtige computers om te draaien, wat ze moeilijk inzetbaar maakt voor kleinere boerderijen of ontwikkelende regio's. De studie suggereert dat de volgende grote sprong zal komen van het goedkoper, sneller en aanpasbaarder maken van deze intelligente systemen. Wetenschappers werken nu aan "lichtgewicht" versies van deze intelligente systemen die op kleinere apparaten kunnen draaien, en ze onderzoeken manieren om machines te leren van zeer weinig voorbeelden, in plaats van miljoenen plaatjes nodig te hebben om te beginnen.

Het artikel concludeert dat het vakgebied beweegt naar een toekomst waarin sorteren niet alleen gaat over het bekijken van een vrucht, maar over het volledig begrijpen ervan. Door data te fuseren van camera's, lichtsensoren en zelfs geurdetectoren, zullen de volgende generaties sorteermachines in staat zijn beslissingen te nemen die even genuanceerd zijn als die van een menselijke expert, maar met de snelheid en consistentie van een robot. Deze evolutie belooft voedselverspilling te verminderen en te garanderen dat het product dat we eten veilig en van hoge kwaliteit is. De onderzoekers waarschuwen echter dat deze toekomst afhangt van het overwinnen van huidige hindernissen in kosten, complexiteit en het vermogen van deze machines om betrouwbaar te werken in de rommelige, onvoorspelbare realiteit van een boerderij of een verpakkingshuis. Het pad vooruit is duidelijk, maar het vereist voortdurende innovatie om deze krachtige ideeën om te zetten in alledaagse hulpmiddelen voor boeren en voedselproducenten overal.