Научный взгляд: нейросеть повышает урожайность томатов

В исследовании использовалась портативная гиперспектральная камера для сбора данных с 567 плодов томатов пяти сортов.

Алгоритмы машинного обучения и искусственные нейронные сети были использованы для прогнозирования семи важнейших параметров качества плодов томатов: веса, упругости, общего количества растворимых твердых веществ, лимонной кислоты, аскорбиновой кислоты, ликопина и pH. Модель продемонстрировала высокую точность.

Результаты исследования показали, что модель эффективно предсказывает параметры качества, используя только пять спектральных диапазонов, что открывает путь к разработке доступных портативных устройств. Модель, протестированная на различных сортах и условиях выращивания, демонстрирует высокую надежность и точность. Производители могут отслеживать качество плодов на стадии созревания, оптимизируя время сбора урожая и улучшая качество продукции.

Результаты данного исследования помогут усовершенствовать мониторинг качества не только томатов, но и других культур.

На основе модели ученые планируют создать недорогое устройство (ToMAI-SENS), которое будет использоваться во всей цепочке производства плодов томатов — от ферм до потребителей.

Применение современных технологий для научных разработок позволяет решить многие вопросы, а также оптимизировать процессы. Во Всероссийском центре карантина растений (ФГБУ «ВНИИКР» Россельхознадзора) при разработке методов диагностики регулируемых вредных организмов используются как традиционные, так и прорывные технологии, позволяющие диагностировать фитопатогены даже в латентной форме в максимально короткие сроки.

Источник: Eitan Fass et al, Machine learning models based on hyperspectral imaging for pre-harvest tomato fruit quality monitoring, Computers and Electronics in Agriculture (2024). DOI: 10.1016/j.compag.2024.109788