De moderne landbouw is geëvolueerd door gebruik te maken van technische vooruitgang, zoals machines voor ploegen en oogsten, gecontroleerde irrigatie, meststoffen, pesticiden, gewasveredeling en genetisch onderzoek. Deze hebben boeren geholpen om op redelijk voorspelbare wijze grote gewassen van goede kwaliteit te produceren.

Maar er moet nog vooruitgang worden geboekt bij het verkrijgen van de best mogelijke opbrengsten uit verschillende soorten bodems. En er treden nog steeds grote verliezen op, vooral tijdens en na de oogst, wanneer de controle en verwerking van de producten niet goed worden uitgevoerd. De industrie heeft behoefte aan slimme en precieze oplossingen en deze komen beschikbaar door nieuwe technologie.

Smart farming is gericht op het gebruik van moderne technologie om de opbrengst en productkwaliteit te verbeteren. Een voorbeeld is precisielandbouw, een locatiespecifiek gewasbeheerconcept dat gebruikmaakt van een beslissingsondersteunend systeem op basis van monitoring, het meten van en reageren op inter- en intra-veldvariabiliteit in gewassen. Hierdoor kunnen boeren hun rendement optimaliseren en hulpbronnen behouden. Dergelijke monitoringoplossingen kunnen worden bereikt door elektronische detectieapparatuur te integreren die gegevens in de bodem, het milieu of gewassen. De gegevens kunnen vervolgens nuttige informatie opleveren voor besluitvorming, via een proces dat data-analyse wordt genoemd.

Het doel is om de bodem op een bepaald gebied zo goed mogelijk te benutten, controleer de gewasverzorging en neem weloverwogen beslissingen over het omgaan met producten na de oogst.

We zijn betrokken geweest bij de ontwikkeling en het gebruik van sensoren om de kwaliteit van een breed scala aan tuinbouwproducten vast te stellen, inclusief fruit. We gebruikten computerintelligentiemethoden om defecten op te sporen en de kwaliteit van fruit te voorspellen.

Uit ons laatste onderzoek is gebleken dat datagestuurde oplossingen een aantal voordelen hebben. Bijvoorbeeld, ze kunnen helpen het verlies van groenten en fruit in de toeleveringsketen van boerderij tot consumptie te verminderen.

Het probleem

Groenten en fruit kunnen eerder worden beschadigd, zowel tijdens en na de oogst als in de opslag. Dit is verspillend. Enige bederf en bederf wordt veroorzaakt door virussen, schimmels, bacteriën of microbiële pathogenen. Producten die strak verpakt zijn of gekneusd zijn, zijn kwetsbaarder voor infecties en gaan niet zo lang mee.

Volgens de Voedsel- en Landbouworganisatie van de Verenigde Naties, ongeveer 14% van het voedsel in de wereld gaat verloren na de oogst en voordat het winkels en markten bereikt. En ongeveer een derde van het voedsel in de wereld gaat verloren of wordt verspild. Het minimaliseren van voedselverlies en -verspilling is van cruciaal belang voor het creëren van een wereld zonder honger, waar al meer dan 821 miljoen mensen honger lijden.

In ons onderzoek hebben we gekeken naar de rol die data-analyse kan spelen bij het opsporen van defecten in groenten en fruit. We ontdekten dat machine learning – het vermogen van computers om patronen in gegevens te vinden, voorspellingen doen en beslissingen voorstellen zonder expliciet geprogrammeerd te zijn - overtreft ver de traditionele methoden voor het classificeren van producten.

Machine learning heeft grote successen geboekt bij het opsporen van plantenziekten en fruit. Deze zouden kunnen worden uitgebreid tot het bewaken van de kwaliteit van fruit en andere voedingsmiddelen. Sensoren kunnen worden gebruikt om insecten en ziekten in groenten en fruit te detecteren, fungeren als elektronische neuzen of tongen en het meten van de chemische samenstelling. Ze kunnen ook fysieke eigenschappen meten, zoals stevigheid en zuurgraad, productkwaliteit te bepalen.

De aanvaardbaarheid van de producten hangt af van kleur, vorm, maat, zoetheid, en zonder gebreken zoals kneuzingen en insectenplagen. Dit is belangrijk voor de klanttevredenheid en voor het rendement dat producenten en leveranciers maken.

Sensoren kunnen gegevens over deze kenmerken aan computeralgoritmen leveren voor analyse. Deze nieuwe ontwikkelingen in machine learning zorgen voor een snelle en effectieve kwaliteitsbepaling en -voorspelling in AGF.

Bijvoorbeeld, beeldvormingstechnieken zijn gekoppeld aan machine learning-algoritmen om kneuzingen te detecteren, verkoudheid en bruin worden van fruit zoals appels, peren en citrus, en om verschillende defecten in tomaten op te sporen. Er worden smartphone-gebaseerde applicaties ontwikkeld voor gebruik bij kwaliteitsherkenning van kleine bessen.

Machine learning vermindert verliezen

Er is een huidige wereldwijde onderzoekstrend gericht op het integreren van sensorapparatuur in de voedselketen om de kwaliteitsindicatoren continu te bewaken en te controleren. We hebben dit onderzoek beoordeeld en stadia gevonden waarin dergelijke oplossingen worden gebruikt in de voedselketen. Waaronder:

Gewasmonitoring

Sensoren kunnen worden gebruikt om eigenschappen van groenten en fruit te meten terwijl ze groeien, zoals kleur, grootte en vorm. Dergelijke informatie helpt de groeiomstandigheden te beheersen, zoals watervoorziening, en bepaalt nauwkeurig de beste oogstdatum. Dit vermindert de verliezen bij de oogst. Bijvoorbeeld, sommige kleine boeren in Duitsland gebruiken smartphones om de kwaliteit van hun gewassen te controleren door gewasafbeeldingen te sturen die door experts worden verwerkt via machine learning-modellen; feedback wordt vervolgens naar de boeren gestuurd. Bedrijven ontwikkelen modellen om omgevingsfactoren zoals weersveranderingen te volgen en te voorspellen hoe deze factoren de gewasopbrengst beïnvloeden. Dit soort steun is met name gericht op boeren in ontwikkelingslanden.

Kwaliteitsbewaking na de oogst

In pakstations, producten moeten worden gesorteerd en gesorteerd volgens kwaliteitsnormen om hun geschiktheid voor verschillende consumentenbestemmingen te bepalen. Exportproducten moeten goed houdbaar zijn tijdens transport over lange afstanden en in het schap.

Voor lokale markten, waar de reistijd korter is, de kwaliteitseisen kunnen van een ander niveau zijn. Om te bepalen of een product geschikt is voor diervoeder of menselijke consumptie, gespecialiseerde sensoren nemen metingen en genereren gegevens om te classificeren, sorteer en sorteer de producten in categorieën.

Monitoring van marktkwaliteit

Er kunnen zelfs sensoren worden geïntegreerd in verpakkingsmaterialen die de status van het product continu in realtime bewaken en rapporteren. Deze sensoren kunnen worden ingeschakeld om te communiceren en gegevens naar een commandocentrum te sturen. Toezicht houden, het detecteren en scheiden van voedselproducten zoals vers fruit om onveilige producten te classificeren en te verwijderen om aan de marktvraag te voldoen, is van cruciaal belang om de winstgevendheid te waarborgen en het marktaandeel te behouden.

Met de toenemende wereldbevolking, die naar verwachting in 2050 meer dan 9 miljard zal bedragen, voedsel- en voedingszekerheid wordt een nog grotere uitdaging, vooral in Sub-Sahara Afrika. Datagedreven automatisering kan bijdragen aan de oplossing.

Dit artikel is opnieuw gepubliceerd vanuit The Conversation onder een Creative Commons-licentie. Lees het originele artikel.