L'agriculture moderne a évolué en adoptant des avancées techniques telles que des machines pour le labour et la récolte, arrosage contrôlé, les engrais, pesticides, l'amélioration des cultures et la recherche en génétique. Ceux-ci ont aidé les agriculteurs à produire de grandes récoltes de bonne qualité d'une manière assez prévisible.

Mais il reste encore des progrès à faire pour obtenir les meilleurs rendements possibles sur différents types de sols. Et de grosses pertes se produisent encore, en particulier pendant et après la récolte, là où la surveillance et la manipulation des produits ne sont pas bien effectuées. L'industrie a besoin de solutions intelligentes et précises et celles-ci deviennent disponibles grâce aux nouvelles technologies.

L'agriculture intelligente vise à utiliser la technologie moderne pour améliorer le rendement et la qualité des produits. Un exemple est l'agriculture de précision, un concept de gestion des cultures spécifique au site qui utilise un système d'aide à la décision basé sur le suivi, mesurer et répondre à la variabilité inter et intra-champ des cultures. Cela permet aux agriculteurs d'optimiser leurs revenus et de préserver les ressources. De telles solutions de surveillance peuvent être réalisées en intégrant des dispositifs de détection électroniques qui enregistrent les données dans le sol, l'environnement ou les cultures. Les données peuvent alors fournir des informations utiles pour la prise de décision, via un processus appelé analyse de données.

L'objectif est d'utiliser au mieux le sol dans un domaine particulier, contrôler le soin des cultures et prendre des décisions éclairées sur la manipulation des produits après la récolte.

Nous avons participé au développement et à l'utilisation de capteurs pour aider à établir la qualité d'une large gamme de produits horticoles, y compris les fruits. Nous avons utilisé des méthodes d'intelligence informatique pour détecter les défauts et prédire la qualité des fruits.

Nos dernières recherches ont révélé que les solutions basées sur les données présentent un certain nombre d'avantages. Par exemple, ils peuvent aider à réduire la perte de fruits et légumes tout au long de la chaîne d'approvisionnement, de la ferme à la consommation.

Le problème

Les fruits et légumes peuvent être endommagés avant, pendant et après la récolte ainsi que pendant le stockage. C'est du gaspillage. Certaines caries et détériorations sont causées par des virus, champignons, bactéries ou agents pathogènes microbiens. Les produits bien emballés ou meurtris sont plus vulnérables aux infections et ne durent pas aussi longtemps.

Selon l'Organisation des Nations Unies pour l'alimentation et l'agriculture, environ 14% de la nourriture mondiale est perdue après la récolte et avant d'atteindre les magasins et les marchés. Et environ un tiers de la nourriture mondiale est perdu ou gaspillé. Minimiser les pertes et le gaspillage alimentaires est essentiel pour créer un monde Faim Zéro où plus de 821 millions de personnes souffrent déjà de la faim.

Notre recherche consistait à examiner le rôle que l'analyse de données peut jouer dans la détection de défauts dans les fruits et légumes. Nous avons découvert que l'apprentissage automatique, c'est-à-dire la capacité des ordinateurs à trouver des modèles dans les données, faire des prédictions et proposer des décisions sans être explicitement programmé – dépasse de loin les méthodes traditionnelles de classification des produits.

L'apprentissage automatique a fait de grands progrès dans la détection des maladies des plantes et des fruits. Celles-ci pourraient être étendues au contrôle de la qualité des fruits et d'autres aliments. Les capteurs peuvent être utilisés pour détecter les insectes et les maladies dans les fruits et légumes, agissant comme des nez ou des langues électroniques et mesurant la composition chimique. Ils peuvent également mesurer des propriétés physiques, comme la fermeté et l'acidité, pour déterminer la qualité du produit.

L'acceptabilité des produits dépend de la couleur, forme, Taille, douceur, et ne pas avoir de défauts tels que des contusions et des infestations d'insectes. Ceci est important pour la satisfaction des clients et pour les retours que les producteurs et les fournisseurs font.

Les dispositifs de détection peuvent fournir des données sur ces caractéristiques aux algorithmes informatiques pour analyse. Ces nouveaux développements en apprentissage automatique permettent une détermination et une prédiction rapides et efficaces de la qualité des produits frais.

Par exemple, les techniques d'imagerie ont été couplées à des algorithmes d'apprentissage automatique pour détecter les ecchymoses, blessures causées par le froid et brunissement des fruits comme les pommes, poires et agrumes, et pour détecter divers défauts dans les tomates. Des applications basées sur les smartphones sont en cours de développement pour être utilisées dans la reconnaissance de la qualité des petits fruits rouges.

L'apprentissage automatique réduit les pertes

Il existe actuellement une tendance mondiale de la recherche visant à intégrer des dispositifs de détection tout au long de la chaîne alimentaire pour surveiller et contrôler en permanence les indicateurs de qualité. Nous avons examiné cette recherche et trouvé des étapes où de telles solutions sont utilisées dans la chaîne alimentaire. Ceux-ci inclus:

Suivi des cultures

Des capteurs peuvent être utilisés pour mesurer les propriétés des fruits et légumes pendant leur croissance, comme la couleur, La taille et la forme. Ces informations permettent de contrôler les conditions de croissance, comme l'approvisionnement en eau, et détermine avec précision la meilleure date de récolte. Cela réduit les pertes à la récolte. Par exemple, certains petits agriculteurs allemands utilisent des smartphones pour vérifier la qualité de leurs récoltes en envoyant des images de récoltes à traiter par des experts via des modèles d'apprentissage automatique ; un retour d'information est ensuite envoyé aux agriculteurs. Les entreprises développent des modèles pour suivre les facteurs environnementaux tels que les changements climatiques et prédire comment ces facteurs affectent le rendement des cultures. Ce type de soutien s'adresse particulièrement aux agriculteurs des pays en développement.

Suivi qualité post-récolte

Dans les stations d'emballage, les produits doivent être classés et triés selon des normes de qualité afin de déterminer leur adéquation aux différentes destinations de consommation. Les produits d'exportation doivent bien se conserver pendant le transport longue distance et en rayon.

Pour les marchés locaux, où le temps de trajet est plus court, les exigences de qualité pourraient être d'un niveau différent. Pour déterminer si un produit convient à l'alimentation animale ou à la consommation humaine, des capteurs spécialisés prennent des mesures et génèrent des données à classer, classer et trier les produits en catégories.

Surveillance de la qualité du marché

Des capteurs peuvent même être intégrés dans les matériaux d'emballage qui surveillent et signalent en permanence l'état du produit en temps réel. Ces capteurs peuvent être activés pour communiquer et envoyer des données à un centre de commande. Surveillance, détecter et séparer les produits alimentaires comme les fruits frais pour classer et éliminer les produits dangereux afin de répondre à la demande du marché est crucial pour assurer la rentabilité et maintenir la part de marché.

Avec l'augmentation de la population mondiale, qui devrait dépasser les 9 milliards d'ici 2050, la sécurité alimentaire et nutritionnelle va devenir un défi encore plus grand, surtout en Afrique sub-saharienne. L'automatisation basée sur les données peut contribuer à la solution.

Cet article est republié à partir de The Conversation sous une licence Creative Commons. Lire l'article original.