El aprendizaje automático se une al cultivo de tomates

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 novedoso modelo de aprendizaje automático que emplea imágenes hiperespectrales para evaluar la calidad de los tomates antes de la cosecha. 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 trabajo de investigación, titulado «Modelos de aprendizaje automático basados ​​en imágenes hiperespectrales para el seguimiento de la calidad del fruto del tomate antes de la cosecha», publicado en Computadoras y Electrónica en la Agricultura.

Este enfoque pionero aborda los desafíos asociados con los métodos tradicionales y ofrece 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 Artificial Neural Networks, para predecir siete parámetros de calidad críticos: peso, firmeza, sólidos solubles totales (SST), ácido cítricoácido ascórbico, licopeno y pH. Los modelos demostraron una alta precisión: el algoritmo Random Forest logró un R² de 0,94 para el peso y 0,89 para la firmeza, entre otros.

Los hallazgos clave del estudio incluyen:

• Eficiencia en la selección de bandas: el modelo predice eficazmente parámetros de calidad utilizando solo cinco bandas espectrales, allanando el camino para el desarrollo de dispositivos portátiles asequibles.
• Aplicabilidad más amplia: Probado en diversos cultivares y condiciones de crecimiento, el modelo muestra solidez y escalabilidad.
• Beneficios previos a la cosecha: los agricultores ahora pueden monitorear la calidad de la fruta durante las etapas de maduración, optimizando el momento de la cosecha y mejorando la calidad del producto.

«Nuestra investigación tiene como objetivo cerrar la brecha entre la tecnología de imágenes avanzada, la inteligencia artificial y las aplicaciones agrícolas prácticas», dijo el Dr. Helman.

«Este trabajo tiene el potencial de revolucionar el control de la calidad no sólo en los tomates sino también en otros cultivos. Nuestro siguiente paso es construir un dispositivo de bajo coste (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 potencial integración de esta tecnología en prácticas agrícolasdesde sistemas de cosecha inteligentes hasta herramientas de consumo para evaluar la calidad de los productos en los supermercados.