В мире сельского хозяйства назревает переворот, и в авангарде этого прогресса – обыкновенный помидор. Исследовательская группа под руководством доктора Дэвида Хелмана из факультета сельского хозяйства, продовольствия и окружающей среды Еврейского университета в Иерусалиме совершила прорыв в оценке качества томатов, разработав инновационную модель машинного обучения. Эта модель, использующая гиперспектральную визуализацию, способна определить качество плодов еще до сбора урожая.
Гиперспектральная визуализация – это передовая технология, которая анализирует объекты, используя широкий спектр длин волн света, выходящий за пределы видимого диапазона. Отражение света в этих специфических спектральных диапазонах несет в себе информацию о свойствах объекта, позволяя проводить невидимый глазу анализ. В контексте томатов, это означает, что можно получить точные данные об их внутреннем состоянии, просто направив на них специальную камеру.
Традиционные методы оценки качества томатов, как правило, трудоемки, требуют времени и часто являются разрушительными, то есть плод приходится повреждать для анализа. Новый подход на основе машинного обучения предлагает быструю, неразрушающую и экономически эффективную альтернативу. Это открывает двери для значительного повышения эффективности и точности в томатном производстве.
В ходе масштабного исследования, проведенного в сотрудничестве с учеными из университета Бар-Илан и исследовательского центра Волкани, была собрана обширная база данных, включающая 567 томатов пяти различных сортов. Для сбора данных использовалась портативная гиперспектральная камера, что обеспечило гибкость и возможность анализа непосредственно в полевых условиях.
Для обработки полученных гиперспектральных данных и создания прогностической модели были применены алгоритмы машинного обучения, в частности, Random Forest и искусственные нейронные сети. Эти алгоритмы оказались способны с высокой точностью предсказывать целый ряд ключевых показателей качества томатов, включая вес, твердость, общее содержание растворимых сухих веществ (TSS), содержание лимонной и аскорбиновой кислот, уровень ликопина и pH.
Удивительно, но для достижения высокой точности модели потребовалось использовать всего пять спектральных диапазонов. Это значительно повышает эффективность модели и снижает вычислительные затраты, делая ее применимой на практике. Модель продемонстрировала надежность и стабильность работы на различных сортах томатов и в разных условиях выращивания, что свидетельствует о ее масштабируемости и потенциале для широкого внедрения.
Особую ценность представляет возможность оценки качества томатов на стадии созревания, то есть до сбора урожая. Это позволяет фермерам отслеживать динамику созревания плодов, принимать обоснованные решения о сроках сбора урожая и, как следствие, минимизировать потери и поставлять на рынок продукцию оптимального качества.
Точность модели Random Forest при прогнозировании веса томатов достигла R² = 0.94, а при прогнозировании твердости R² = 0.89. Эти впечатляющие результаты подчеркивают высокую надежность разработанного подхода и его потенциал для практического применения.
Технология гиперспектральной визуализации и машинного обучения открывает широкие перспективы для оптимизации всей цепочки создания стоимости томатов. Начиная с фермерских хозяйств и заканчивая розничными сетями, возможность быстрой и точной оценки качества плодов может привести к значительным улучшениям в управлении запасами, снижению отходов и повышению удовлетворенности потребителей.
В настоящее время исследовательская группа работает над созданием доступного по цене устройства под названием ToMAI-SENS, основанного на разработанной модели. Цель проекта – сделать передовую технологию доступной не только для крупных сельскохозяйственных предприятий, но и для малых фермерских хозяйств и даже для конечных потребителей.
В перспективе, разработанный подход может быть распространен и на другие сельскохозяйственные культуры, что позволит революционизировать методы контроля качества в агропромышленном комплексе в целом. Статья с подробным описанием исследования и полученных результатов, под названием «Модели машинного обучения на основе гиперспектральной визуализации для мониторинга качества плодов томатов до сбора урожая», опубликована в журнале Computers and Electronics in Agriculture.
Изображение носит иллюстративный характер
Гиперспектральная визуализация – это передовая технология, которая анализирует объекты, используя широкий спектр длин волн света, выходящий за пределы видимого диапазона. Отражение света в этих специфических спектральных диапазонах несет в себе информацию о свойствах объекта, позволяя проводить невидимый глазу анализ. В контексте томатов, это означает, что можно получить точные данные об их внутреннем состоянии, просто направив на них специальную камеру.
Традиционные методы оценки качества томатов, как правило, трудоемки, требуют времени и часто являются разрушительными, то есть плод приходится повреждать для анализа. Новый подход на основе машинного обучения предлагает быструю, неразрушающую и экономически эффективную альтернативу. Это открывает двери для значительного повышения эффективности и точности в томатном производстве.
В ходе масштабного исследования, проведенного в сотрудничестве с учеными из университета Бар-Илан и исследовательского центра Волкани, была собрана обширная база данных, включающая 567 томатов пяти различных сортов. Для сбора данных использовалась портативная гиперспектральная камера, что обеспечило гибкость и возможность анализа непосредственно в полевых условиях.
Для обработки полученных гиперспектральных данных и создания прогностической модели были применены алгоритмы машинного обучения, в частности, Random Forest и искусственные нейронные сети. Эти алгоритмы оказались способны с высокой точностью предсказывать целый ряд ключевых показателей качества томатов, включая вес, твердость, общее содержание растворимых сухих веществ (TSS), содержание лимонной и аскорбиновой кислот, уровень ликопина и pH.
Удивительно, но для достижения высокой точности модели потребовалось использовать всего пять спектральных диапазонов. Это значительно повышает эффективность модели и снижает вычислительные затраты, делая ее применимой на практике. Модель продемонстрировала надежность и стабильность работы на различных сортах томатов и в разных условиях выращивания, что свидетельствует о ее масштабируемости и потенциале для широкого внедрения.
Особую ценность представляет возможность оценки качества томатов на стадии созревания, то есть до сбора урожая. Это позволяет фермерам отслеживать динамику созревания плодов, принимать обоснованные решения о сроках сбора урожая и, как следствие, минимизировать потери и поставлять на рынок продукцию оптимального качества.
Точность модели Random Forest при прогнозировании веса томатов достигла R² = 0.94, а при прогнозировании твердости R² = 0.89. Эти впечатляющие результаты подчеркивают высокую надежность разработанного подхода и его потенциал для практического применения.
Технология гиперспектральной визуализации и машинного обучения открывает широкие перспективы для оптимизации всей цепочки создания стоимости томатов. Начиная с фермерских хозяйств и заканчивая розничными сетями, возможность быстрой и точной оценки качества плодов может привести к значительным улучшениям в управлении запасами, снижению отходов и повышению удовлетворенности потребителей.
В настоящее время исследовательская группа работает над созданием доступного по цене устройства под названием ToMAI-SENS, основанного на разработанной модели. Цель проекта – сделать передовую технологию доступной не только для крупных сельскохозяйственных предприятий, но и для малых фермерских хозяйств и даже для конечных потребителей.
В перспективе, разработанный подход может быть распространен и на другие сельскохозяйственные культуры, что позволит революционизировать методы контроля качества в агропромышленном комплексе в целом. Статья с подробным описанием исследования и полученных результатов, под названием «Модели машинного обучения на основе гиперспектральной визуализации для мониторинга качества плодов томатов до сбора урожая», опубликована в журнале Computers and Electronics in Agriculture.
