Inteligência artificial aprimora a colheita de tomate em Israel
Pesquisadores israelenses desenvolveram um modelo de aprendizado de máquina que usa imagens hiperespectrais para avaliar a qualidade dos tomates antes da colheita. É um método econômico e não destrutivo para prever parâmetros críticos de qualidade, incluindo peso, firmeza e teor de licopeno. Essa abordagem inovadora permite que os agricultores monitorem o desenvolvimento dos frutos em tempo real, otimizem o tempo de colheita e melhorem a qualidade geral dos frutos colhidos. Os resultados dessa pesquisa representam um salto significativo na agricultura de precisão e na produção sustentável de alimentos.
Uma equipe de pesquisa liderada pelo Dr. David Helman da Faculdade de Agricultura, Alimentos e Meio Ambiente da Universidade Hebraica de Jerusalém usou imagens hiperespectrais de comprimentos de onda específicos de luz, chamadas bandas espectrais, para estudar as propriedades das frutas com base em como elas refletem a luz. Esta nova abordagem inovadora diminui os desafios impostos pelos métodos tradicionais e é mais rápida, não destrutiva e mais econômica.
“Os métodos tradicionais de avaliação da qualidade dos tomates são demorados, destrutivos e caros, limitando seu uso a pequenas amostras após a colheita. Os agricultores não têm ferramentas práticas para monitorar a qualidade antes da colheita, o que é essencial para otimizar as condições de cultivo e melhorar a qualidade do fruto”, disse o principal autor do estudo e diretor do Laboratório de Modelagem e Monitoramento de Sistemas de Vegetação da Universidade Hebraica de Jerusalém, Dr. David Helman, que conduziu o estudo, à revista Food Ingredients First.
O estudo, conduzido em colaboração com pesquisadores da Universidade Bar-Ilan e do Volcani Center, usou uma câmera hiperespectral portátil para coletar dados sobre 567 tomates de cinco cultivares. Os pesquisadores usaram algoritmos de aprendizado de máquina, incluindo Random Forest e Redes Neurais Artificiais, para prever sete parâmetros críticos de qualidade: peso, firmeza, sólidos solúveis totais (TSS), ácido cítrico, ácido ascórbico, licopeno e pH. Os modelos demonstraram alta precisão, com o algoritmo Random Forest alcançando um R² de 0,94 para peso e 0,89 para firmeza, entre outros.
O estudo levou principalmente às seguintes conclusões:
• Eficácia na escolha de bandas espectrais: um modelo com cinco bandas espectrais é suficiente para prever efetivamente os parâmetros de qualidade determinados, o que torna possível desenvolver dispositivos portáteis menos dispendiosos;
• Flexibilidade de implementação: o modelo prova ser robusto e escalável independentemente das variedades e condições de cultivo;
• Ganho em termos de colheita: o monitoramento preciso do estado de maturação e qualidade dos frutos permite ao produtor otimizar a escolha da data de colheita e, assim, melhorar a qualidade dos produtos colhidos.
8047_01.jpg590.9 KBFOTO: Imagens ToMAI-SENS de frutas em diferentes faixas, identificando a fruta e estimando seus parâmetros de qualidade.
"Além de melhorar a qualidade nutricional, a tecnologia baseada em IA da equipe também pode permitir "melhor adaptação às mudanças ambientais, fortalecer a resiliência dos sistemas agrícolas e contribuir para a segurança alimentar global", explicou o Dr. Helman.
"Nossa pesquisa visa preencher a lacuna entre tecnologia de imagem avançada, IA e aplicações agrícolas práticas", ele acrescenta. "Este trabalho tem o potencial de revolucionar o monitoramento de qualidade não apenas em tomates, mas também em outras culturas. Nosso próximo passo é construir um dispositivo de baixo custo (ToMAI-SENS) com base em nosso modelo que será usado em toda a cadeia de valor da fruta, das fazendas aos consumidores."
O estudo destaca as oportunidades criadas pela integração dessa tecnologia em práticas agrícolas, desde sistemas inteligentes de otimização de colheita para profissionais até ferramentas que podem ser usadas pelo público em geral para avaliar a qualidade dos produtos em supermercados.
O artigo de pesquisa, “Modelos de aprendizado de máquina baseados em imagens hiperespectrais para monitorar a qualidade do fruto do tomate antes da colheita”, está disponível em Computers and Electronics in Agriculture e pode ser encontrado em https://doi.org/10.1016/j.compag.2024.109788.
