Un equipo de investigación liderado por el Dr. David Helman de la Facultad de Agricultura, Alimentación y Medio Ambiente de la Universidad Hebrea de Jerusalén ha desarrollado un innovador modelo de aprendizaje automático que utiliza imágenes hiperespectrales para evaluar la calidad de los tomates antes de la cosecha. Este enfoque pionero busca superar las limitaciones de los métodos tradicionales, ofreciendo una alternativa más rápida, no destructiva y económica.
El artículo de investigación, titulado Modelos de aprendizaje automático basados en imágenes hiperespectrales para el monitoreo de la calidad de los tomates antes de la cosecha, fue publicado en la revista Computers and Electronics in Agriculture.
Innovación en la evaluación de la calidad del tomate
Realizado en colaboración con investigadores de la Universidad Bar-Ilan y el Centro Volcani, el estudio utilizó una cámara hiperespectral de mano para recolectar datos de 567 frutos de tomate de diferentes cultivares. Se emplearon algoritmos de aprendizaje automático, incluyendo Random Forest y Redes Neuronales Artificiales, para predecir siete parámetros críticos de calidad: peso, firmeza, sólidos solubles totales (TSS), ácido cítrico, ácido ascórbico, licopeno y pH. Los modelos mostraron una alta precisión, con el algoritmo Random Forest alcanzando 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 puede predecir parámetros de calidad utilizando solo cinco bandas espectrales, lo que abre la puerta al desarrollo de dispositivos portátiles y asequibles.
- Aplicabilidad más amplia: Probado en diversos cultivares y condiciones de cultivo, el modelo demuestra robustez y escalabilidad.
- Beneficios antes de la cosecha: Los agricultores pueden ahora monitorear la calidad de la fruta durante las etapas de maduración, optimizando el momento de la cosecha y mejorando la calidad del producto.
El Dr. Helman ha señalado que la investigación busca cerrar la brecha entre la avanzada tecnología de imágenes, la inteligencia artificial y las aplicaciones prácticas en la agricultura. «Este trabajo tiene el potencial de revolucionar el monitoreo de calidad no solo en tomates, sino también en otros cultivos. Nuestro siguiente paso es construir un dispositivo de bajo costo (ToMAI-SENS) basado en nuestro modelo que se utilizará a lo largo de la cadena de valor de la fruta, desde las fincas hasta los consumidores», destacó.
El estudio pone de manifiesto la posible integración de esta tecnología en las prácticas agrícolas, desde sistemas de cosecha inteligente hasta herramientas para que los consumidores evalúen la calidad de los productos en los supermercados.
Más información:
Eitan Fass et al, Modelos de aprendizaje automático basados en imágenes hiperespectrales para el monitoreo de la calidad de los tomates antes de la cosecha, Computers and Electronics in Agriculture (2024). DOI: 10.1016/j.compag.2024.109788
Proporcionado por
Universidad Hebrea de Jerusalén
