Un equipo de investigación dirigido por el Dr. David Helman, de la Facultad de Agricultura, Alimentación y Medio Ambiente de la Universidad Hebrea de Jerusalén, ha desarrollado un nuevo modelo de aprendizaje automático que emplea imágenes hiperespectrales para evaluar la calidad de los tomates antes de la cosecha.
por la Universidad Hebrea de Jerusalén
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.
El artículo de investigación, titulado «Modelos de aprendizaje automático basados en imágenes hiperespectrales para el monitoreo de la calidad de la fruta del tomate antes de la cosecha», se publicó en Computers and Electronics in Agriculture .
Este enfoque pionero 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 portátil para recopilar datos de 567 frutos de tomate de cinco cultivares.
Se emplearon algoritmos de aprendizaje automático, incluidos Random Forest y redes neuronales artificiales, para predecir siete parámetros críticos de calidad: peso, firmeza, sólidos solubles totales (SST), ácido cítrico , ácido ascórbico, licopeno y pH. Los modelos demostraron una alta precisión, y el algoritmo Random Forest logró un R² de 0,94 para el peso y 0,89 para la firmeza, entre otros.
Las principales conclusiones del estudio incluyen:
- 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 crecimiento, 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 tiempo de cosecha y mejorando la calidad del producto.
«Nuestra investigación tiene como objetivo cerrar la brecha entre la tecnología de imágenes avanzada, la IA y las aplicaciones agrícolas prácticas», dijo el Dr. Helman.
«Este trabajo tiene el potencial de revolucionar el control de calidad no sólo en tomates sino también en otros cultivos. Nuestro próximo paso es construir un dispositivo de bajo costo (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 la posible integración de esta tecnología en las prácticas agrícolas , desde sistemas de cosecha inteligentes hasta herramientas para el consumidor para evaluar la calidad de los productos en los supermercados.
Más información: Eitan Fass et al, Modelos de aprendizaje automático basados en imágenes hiperespectrales para el control de la calidad de la fruta del tomate antes de la cosecha, Computers and Electronics in Agriculture (2024). DOI: 10.1016/j.compag.2024.109788
