Los investigadores han desarrollado un modelo de aprendizaje automático que utiliza imágenes hiperespectrales para evaluar la calidad del tomate antes de la cosecha. El estudio presenta un método rentable y no destructivo para predecir parámetros clave de calidad, como el peso, la firmeza y el contenido de licopeno (un antioxidante natural).
Un equipo de investigación dirigido por el Dr. David Helman, de la Facultad de Agricultura, Alimentación y Medio Ambiente de la Universidad Hebrea de Jerusalem, ha desarrollado un nuevo modelo de aprendizaje automático que emplea imágenes hiperespectrales para evaluar la calidad de los tomates antes de la cosecha.
Las imágenes hiperespectrales de rangos específicos de longitudes de onda de luz, conocidas como bandas espectrales, se utilizan para estudiar las propiedades de los objetos en función de cómo reflejan la luz.
Este enfoque innovador aborda los desafíos asociados con los métodos tradicionales, ofreciendo una alternativa más rápida, no destructiva y rentable.
El estudio, realizado en colaboración con investigadores de la Universidad Bar-Ilan y el Centro Volcani, utilizó una cámara hiperespectral de mano para recopilar datos de 567 frutos de tomate en cinco cultivares. Se emplearon algoritmos de aprendizaje automático, incluidos Random Forest y Artificial Neural Networks, para predecir siete parámetros críticos de calidad: peso, firmeza, sólidos solubles totales (TSS), ácido cítrico, ácido ascórbico, licopeno y pH. Los modelos demostraron una alta precisión, con el algoritmo Random Forest logrando un R² de 0,94 para peso y 0,89 para firmeza, entre otros.
Principales conclusiones del estudio
- Eficiencia en la selección de bandas: el modelo predice eficazmente los parámetros de calidad utilizando solo cinco bandas espectrales, allanando el camino para el desarrollo de dispositivos portátiles y asequibles.
• Aplicabilidad más amplia: probado en diversos cultivares y condiciones de cultivo, el modelo exhibe robustez y escalabilidad.
• Beneficios previos a la cosecha: los agricultores ahora pueden monitorear la calidad de la fruta durante las etapas de maduración, optimizando el momento de la cosecha y mejorando la calidad de los productos.
“Nuestra investigación tiene como objetivo cerrar la brecha entre la tecnología avanzada de imágenes, la IA y las aplicaciones agrícolas prácticas”, dijo el Dr. Helman. “Este trabajo tiene el potencial de revolucionar el control de calidad no solo en tomates, sino también en otros cultivos. Nuestro próximo paso es construir un dispositivo de bajo coste, ToMAI-SENS, basado en nuestro modelo que se utilizará en toda la cadena de valor de la fruta, desde las granjas hasta los consumidores”.
El estudio destaca el potencial de integración de esta tecnología en las prácticas agrícolas, desde sistemas de cosecha inteligentes hasta herramientas de consumo para evaluar la calidad de los productos en los supermercados.
El trabajo de investigación titulado “Machine learning models based on hyperspectral imaging for pre-harvest tomato fruit quality monitoring”, ya está disponible en Computers and Electronics in Agriculture.
Investigadores:
Eitan Fass1, Eldar Shlomi2, Carmit Ziv3, Oren Glikman2, David Helman1,4.
Instituciones:
1) Departamento de Ciencias del Suelo y del Agua, Instituto de Ciencias Ambientales, Facultad de Agricultura, Alimentación y Medio Ambiente, Universidad Hebrea de Jerusalem.
2) Departamento de Ciencias de la Computación, Universidad de Bar-Ilan.
3) Departamento de Ciencias de la Postcosecha, Organización de Investigación Agrícola, Centro Volcani.
4) Escuela de Estudios Ambientales Avanzados, Universidad Hebrea de Jerusalem.
