Un ricercatore di Skoltech e i suoi colleghi tedeschi hanno sviluppato un algoritmo di classificazione basato su una rete neurale che può utilizzare i dati di un frutteto di mele per prevedere l'andamento della conservazione delle pomacee sul lungo termine. L'articolo è stato pubblicato sulla rivista Computers and Electronics in Agriculture.
Prima che la frutta e la verdura finisca sulle nostre tavole deve essere conservate per un bel po' di tempo e durante questo periodo può sviluppare disturbi fisiologici come l'imbrunimento della polpa o la scottatura superficiale (macchie marroni o nere sulla buccia del frutto). Questi disturbi contribuiscono alla perdita di una quantità sostanziale di prodotto, e molti sforzi di ricerca si dedicano allo sviluppo di solidi metodi per prevenire questi difetti - un compito notoriamente difficile a causa della moltitudine di fattori coinvolti, sia nel frutteto che nel magazzino.
Pavel Osinenko, professore di Skoltech (in precedenza attivo al laboratorio di controllo automatico e dinamica dei sistemi, Technische Universität Chemnitz) e i suoi colleghi hanno raccolto tre anni di dati su un frutteto di mele Braeburn in Germania, compresi i dati relativi al clima e le informazioni provenienti da sensori non distruttivi come la spettroscopia visibile e nel vicino infrarosso. Le informazioni raccolte includevano dati su clorofilla, antociani, solidi solubili e contenuto di materia secca. Il team ha utilizzato anche le valutazioni della qualità della frutta dopo lo stoccaggio (per esempio, i consumatori apprezzano le mele belle e sode, quindi c'è un metodo di misurazione per questo).
"Il frutteto dove sono state condotte le prove era abbastanza nella norma e nella pratica la metodologia sviluppata può essere implementata nell'industria senza particolare sforzo", ha riportato Osinenko.
I ricercatori hanno sviluppato un algoritmo di classificazione basato su una rete neurale ricorrente alla quale sono stati integrati i dati del frutteto. Alla fine l'algoritmo ha avuto l'80% di successo nel prevedere l'imbrunimento interno delle mele, la comparsa di cavità sulla superficie e la fermezza della frutta. "E' senza dubbio un successo perché stiamo parlando di una soluzione automatizzata che non richiede esperti umani. Naturalmente, sono necessari più dati e una maggiore messa a punto, ma come prova di concetto, i risultati ottenuti sono davvero promettenti", ha spiegato Osinenko.
Osinenko ha aggiunto che grazie al design predittivo della metodologia, gli agricoltori possono utilizzare le informazioni del classificatore per ottenere una resa migliore. E il team ha già ricevuto richieste per una possibile collaborazione su altri tipi di frutta e persino di verdura, dato che questo approccio può funzionare anche per questi prodotti.
Per maggiori informazioni:
Skoltech Communications
+7 (495) 280 14 81
communications@skoltech.ru