A agricultura moderna evoluiu com a adoção de avanços técnicos, como máquinas para arar e colher, irrigação controlada, fertilizantes, pesticidas, melhoramento de safras e pesquisa genética. Isso ajudou os agricultores a produzir grandes safras de boa qualidade de uma forma bastante previsível.

Mas ainda há progresso a ser feito para obter os melhores rendimentos possíveis de diferentes tipos de solos. E grandes perdas ainda ocorrem - especialmente durante e após a colheita - onde o monitoramento e o manuseio da produção não são bem feitos. A indústria precisa de soluções inteligentes e precisas, que estão se tornando disponíveis por meio de novas tecnologias.

A agricultura inteligente visa usar tecnologia moderna para melhorar o rendimento e a qualidade do produto. Um exemplo é a agricultura de precisão, um conceito de gerenciamento de safra específico do local que usa um sistema de apoio à decisão com base no monitoramento, medir e responder à variabilidade inter e intra-campo nas culturas. Isso permite que os agricultores otimizem seus retornos e preservem os recursos. Essas soluções de monitoramento podem ser alcançadas integrando dispositivos de detecção eletrônicos que registram dados no solo, o meio ambiente ou as colheitas. Os dados podem fornecer informações úteis para a tomada de decisões, por meio de um processo denominado análise de dados.

O objetivo é fazer o melhor uso possível do solo em um determinado campo, controlar o cuidado da colheita e tomar decisões informadas sobre o manuseio da produção após a colheita.

Estivemos envolvidos no desenvolvimento e uso de sensores para ajudar a estabelecer a qualidade de uma ampla gama de produtos hortícolas, incluindo frutas. Usamos métodos de inteligência computacional para detectar defeitos e prever a qualidade da fruta.

Nossa pesquisa mais recente descobriu que as soluções baseadas em dados têm vários benefícios. Por exemplo, eles podem ajudar a reduzir a perda de frutas e vegetais ao longo da cadeia de abastecimento, desde a fazenda até o seu consumo.

O problema

Frutas e vegetais podem ser danificados antes, durante e após a colheita, bem como no armazenamento. Isso é um desperdício. Alguma deterioração e deterioração são causadas por vírus, fungos, bactérias ou patógenos microbianos. Produtos que estão bem embalados ou machucados são mais vulneráveis ​​a infecções e não duram tanto.

De acordo com a Organização das Nações Unidas para Agricultura e Alimentação, cerca de 14% dos alimentos do mundo são perdidos após a colheita e antes de chegar às lojas e mercados. E cerca de um terço dos alimentos do mundo são perdidos ou desperdiçados. Minimizar a perda e o desperdício de alimentos é fundamental para criar um mundo com Fome Zero, onde mais de 821 milhões de pessoas já passam fome.

Nossa pesquisa envolveu a revisão do papel que a análise de dados pode desempenhar na detecção de defeitos em frutas e vegetais. Descobrimos que o aprendizado de máquina - a capacidade dos computadores de encontrar padrões nos dados, fazer previsões e propor decisões sem ser explicitamente programado - ultrapassa de longe os métodos tradicionais de classificação de produtos.

O aprendizado de máquina fez grandes conquistas na detecção de doenças de plantas e frutas. Isso poderia ser estendido ao monitoramento da qualidade de frutas e outros alimentos. Os sensores podem ser usados ​​para detectar insetos e doenças em frutas e vegetais, atuando como narizes ou línguas eletrônicos e medindo a composição química. Eles também podem medir propriedades físicas, como firmeza e acidez, para determinar a qualidade do produto.

A aceitabilidade dos produtos depende da cor, forma, Tamanho, Doçura, e não ter defeitos como hematomas e infestações de insetos. Isso é importante para a satisfação do cliente e para os retornos que os produtores e fornecedores fazem.

Dispositivos de detecção podem fornecer dados sobre essas características para algoritmos de computador para análise. Esses novos desenvolvimentos em aprendizado de máquina permitem a determinação e previsão de qualidade rápida e eficaz em produtos frescos.

Por exemplo, técnicas de imagem foram acopladas a algoritmos de aprendizado de máquina para detectar hematomas, feridas de frio e escurecimento em frutas, como maçãs, peras e frutas cítricas, e para detectar vários defeitos em tomates. Aplicativos baseados em smartphones estão sendo desenvolvidos para uso no reconhecimento de qualidade para pequenas frutas silvestres.

O aprendizado de máquina reduz as perdas

Existe uma tendência atual de pesquisa global com o objetivo de integrar dispositivos sensores ao longo da cadeia alimentar para monitorar e controlar continuamente os indicadores de qualidade. Revisamos essa pesquisa e encontramos as etapas em que tais soluções são utilizadas na cadeia alimentar. Esses incluem:

Monitoramento de safra

Os sensores podem ser usados ​​para medir as propriedades de frutas e vegetais enquanto eles estão crescendo, como cor, tamanho e forma. Essas informações ajudam a controlar as condições de crescimento, como o abastecimento de água, e determina com precisão a melhor data de colheita. Isso reduz as perdas na colheita. Por exemplo, alguns pequenos agricultores na Alemanha têm usado smartphones para verificar a qualidade de suas safras, enviando imagens de safras para serem processadas por especialistas por meio de modelos de aprendizado de máquina; feedback é então enviado aos agricultores. As empresas estão desenvolvendo modelos para rastrear fatores ambientais, como mudanças climáticas, e prever como esses fatores afetam o rendimento da safra. Este tipo de apoio é dirigido principalmente a agricultores de países em desenvolvimento.

Monitoramento da qualidade pós-colheita

Em packhouses, os produtos devem ser classificados e classificados de acordo com padrões de qualidade para determinar sua adequação aos diferentes destinos dos consumidores. Os produtos de exportação precisam se manter bem durante o transporte de longa distância e na prateleira.

Para mercados locais, onde o tempo de viagem é menor, os requisitos de qualidade podem ser de um padrão diferente. Para determinar se um produto é adequado para alimentação animal ou consumo humano, sensores especializados fazem medições e geram dados para classificar, classificar e classificar os produtos em categorias.

Monitoramento da qualidade do mercado

Os sensores podem até ser integrados aos materiais de embalagem que monitoram continuamente e relatam o status do produto em tempo real. Esses sensores podem ser habilitados para se comunicar e enviar dados para um centro de comando. Monitorando, detectar e segregar produtos alimentícios como frutas frescas para classificar e remover produtos inseguros para atender à demanda do mercado é crucial para garantir a lucratividade e manter a participação no mercado.

Com o aumento da população mundial, que deve ultrapassar 9 bilhões em 2050, a segurança alimentar e nutricional deve se tornar um desafio ainda maior, especialmente na África Subsaariana. A automação baseada em dados pode contribuir para a solução.

Este artigo foi republicado de The Conversation sob uma licença Creative Commons. Leia o artigo original.