Modernt jordbruk har utvecklats genom att anta tekniska framsteg som maskiner för plöjning och skörd, kontrollerad bevattning, gödselmedel, bekämpningsmedel, växtförädling och genetisk forskning. Dessa har hjälpt bönder att producera stora skördar av god kvalitet på ett ganska förutsägbart sätt.

Men det finns fortfarande framsteg att göra för att få bästa möjliga skörd från olika typer av jordar. Och stora förluster inträffar fortfarande – särskilt under och efter skörd – där övervakning och hantering av produkter inte görs väl. Branschen behöver smarta och precisa lösningar och dessa blir tillgängliga genom ny teknik.

Smart farming syftar till att använda modern teknik för att förbättra avkastning och produktkvalitet. Ett exempel är precisionsjordbruk, ett platsspecifikt odlingskoncept som använder ett beslutsstödssystem baserat på övervakning, mäta och reagera på variationer mellan och inom fältet i grödor. Detta gör att bönder kan optimera sin avkastning och bevara resurser. Sådana övervakningslösningar kan uppnås genom att integrera elektroniska avkänningsanordningar som registrerar data i jord, miljön eller grödor. Uppgifterna kan sedan ge användbar information för beslutsfattande, genom en process som kallas dataanalys.

Målet är att göra bästa möjliga användning av marken på ett visst fält, kontrollera växtvård och fatta välgrundade beslut om hantering av produkter efter skörd.

Vi har varit involverade i utvecklingen och användningen av sensorer för att hjälpa till att fastställa kvaliteten på ett brett utbud av trädgårdsprodukter, inklusive frukt. Vi använde datorintelligensmetoder för att upptäcka defekter och förutsäga fruktens kvalitet.

Vår senaste forskning fann att datadrivna lösningar har ett antal fördelar. Till exempel, de kan bidra till att minska förlusten av frukt och grönsaker längs leveranskedjan från gård till konsumtion.

Problemet

Frukt och grönsaker kan skadas innan, under och efter skörd samt i lagring. Det här är slösaktigt. Viss sönderfall och förstörelse orsakas av virus, svampar, bakterier eller mikrobiella patogener. Produkter som är tätt packade eller skadade är mer känsliga för infektioner och håller inte lika länge.

Enligt FN:s livsmedels- och jordbruksorganisation, cirka 14 % av världens mat går förlorad efter skörd och innan den når butiker och marknader. Och ungefär en tredjedel av världens mat går förlorad eller går till spillo. Att minimera matförluster och matsvinn är avgörande för att skapa en Zero Hunger-värld där mer än 821 miljoner människor redan lider av hunger.

Vår forskning innebar att granska den roll som dataanalys kan spela för att upptäcka defekter i frukt och grönsaker. Vi upptäckte att maskininlärning – datorers förmåga att hitta mönster i data, göra förutsägelser och föreslå beslut utan att vara explicit programmerade - överträffar vida traditionella metoder för att klassificera produkter.

Maskininlärning har gjort stora framsteg när det gäller att upptäcka växtsjukdomar och frukt. Dessa skulle kunna utvidgas till att övervaka kvaliteten på frukt och andra livsmedel. Sensorer kan användas för att upptäcka insekter och sjukdomar i frukt och grönsaker, fungerar som elektroniska näsor eller tungor och mäter kemisk sammansättning. De kan också mäta fysikaliska egenskaper, såsom fasthet och syra, för att bestämma produktkvalitet.

Produkternas acceptans beror på färg, form, storlek, sötma, och inte ha defekter som blåmärken och insektsangrepp. Detta är viktigt för kundnöjdheten och för den avkastning som producenter och leverantörer gör.

Avkänningsenheter kan leverera data om dessa egenskaper till datoralgoritmer för analys. Dessa nya utvecklingar inom maskininlärning möjliggör snabb och effektiv kvalitetsbestämning och förutsägelse av färskvaror.

Till exempel, avbildningstekniker har kopplats till maskininlärningsalgoritmer för att upptäcka blåmärken, köldskada och brunfärgning i frukt som äpplen, päron och citrus, och för att upptäcka olika defekter hos tomater. Smartphone-baserade applikationer utvecklas för användning i kvalitetsigenkänning för små bärfrukter.

Maskininlärning minskar förlusterna

Det finns en aktuell global forskningstrend som syftar till att integrera avkänningsenheter längs näringskedjan för att kontinuerligt övervaka och kontrollera kvalitetsindikatorerna. Vi granskade denna forskning och hittade stadier där sådana lösningar används i näringskedjan. Dessa inkluderar:

Skördeövervakning

Sensorer kan användas för att mäta egenskaper hos frukt och grönsaker medan de växer, som färg, storlek och form. Sådan information hjälper till att kontrollera tillväxtförhållandena, som vattenförsörjning, och bestämmer exakt det bästa skördedatumet. Detta minskar förlusterna vid skörd. Till exempel, några småbrukare i Tyskland har använt smartphones för att kontrollera kvaliteten på sina grödor genom att skicka grödor som ska bearbetas av experter genom maskininlärningsmodeller; feedback skickas sedan till bönderna. Företag utvecklar modeller för att spåra miljöfaktorer som väderförändringar och förutsäga hur dessa faktorer påverkar skörden. Denna typ av stöd riktar sig särskilt till jordbrukare i utvecklingsländer.

Kvalitetsövervakning efter skörd

I packhus, produkter måste klassificeras och sorteras enligt kvalitetsstandarder för att avgöra deras lämplighet för olika konsumentdestinationer. Exportprodukter måste hålla sig väl under långa transporter och på hyllan.

För lokala marknader, där restiden är kortare, kvalitetskraven kan vara av en annan standard. För att avgöra om en produkt är lämplig för djurfoder eller som livsmedel, specialiserade sensorer tar mätningar och genererar data för att klassificera, gradera och sortera produkterna i kategorier.

Uppföljning av marknadskvalitet

Sensorer kan till och med integreras i förpackningsmaterial som kontinuerligt övervakar och rapporterar om produktens status i realtid. Dessa sensorer kan aktiveras för att kommunicera och skicka data till en kommandocentral. Övervakning, att upptäcka och separera livsmedelsprodukter som färsk frukt för att klassificera och ta bort osäkra produkter för att möta marknadens efterfrågan är avgörande för att säkerställa lönsamhet och behålla marknadsandelar.

Med den ökande världsbefolkningen, som förväntas överstiga 9 miljarder år 2050, mat- och näringstrygghet kommer att bli en ännu större utmaning, särskilt i Afrika söder om Sahara. Datadriven automation kan bidra till lösningen.

Den här artikeln är återpublicerad från The Conversation under en Creative Commons-licens. Läs originalartikeln.