DOI: https://doi.org/10.1186/s43014-023-00205-5
تاريخ النشر: 2024-02-29
المؤلف: Zhenyun Du وآخرون
الموضوع الرئيسي: الطيفية والتحليلات الكيميائية
نظرة عامة
تقدم هذه القسم نظرة عامة على التقدمات الأخيرة في تقنيات رؤية الكمبيوتر التي تعزز تحديد مؤشرات النضج للفواكه والخضروات، خاصة في قطاع معالجة الطعام. ويؤكد على التحول من الطرق اليدوية التي تتطلب الكثير من العمل إلى التقنيات الحسابية الآلية، والتي تشمل الرنين المغناطيسي النووي (NMR)، والأشعة تحت الحمراء القريبة (NIR)، والتصوير الحراري، ومسح الصور. هذه الطرق لا تحسن فقط الكفاءة والدقة ولكنها تسهل أيضًا التقييمات غير التدميرية، مما يجعلها مناسبة للاعتماد الواسع. إن دمج المستشعرات الحيوية والذكاء الاصطناعي (AI) يعزز أيضًا دقة هذه التقنيات، مما يبرز تنوعها عبر صناعات مختلفة تتجاوز معالجة الطعام، مثل الأدوية والمنسوجات.
تختتم المراجعة بالتأكيد على الإمكانيات التحويلية لهذه التقنيات الحسابية في تعزيز الاستدامة وتحسين إدارة الموارد في الزراعة. وتؤكد على أهمية التعاون بين التخصصات لمعالجة التحديات المتعلقة بالمعايير، وخصوصية البيانات، والأمان، والتي تعتبر حاسمة للتنفيذ المسؤول لهذه التقنيات. بشكل عام، تشير النتائج إلى أن البحث المستمر والتعاون ضروريان للاستفادة الكاملة من تقدم رؤية الكمبيوتر، مما يمهد الطريق لتحسين الأتمتة والكفاءة عبر عدة قطاعات.
مقدمة
تسلط المقدمة الضوء على الدور الحاسم للفواكه والخضروات في تعزيز الصحة والوقاية من الأمراض، كما تدعمه دراسات متنوعة (Slavin et al. 2012; Magwaza et al. 2015). على الرغم من فوائدها، فإن تحديات الحصول على منتجات عالية الجودة وضمان التسليم في الوقت المناسب كبيرة. الطرق التقليدية لتقييم نضج الفواكه والخضروات تتطلب الكثير من العمل، وهي ذات طابع شخصي وغالبًا ما تكون مدمرة، مما يؤدي إلى فقدان المنتجات وعدم الكفاءة في سلسلة التوريد (Prasad et al. 2018; Gupta et al. 2022a).
تقدم التقدمات الأخيرة في رؤية الكمبيوتر والذكاء الاصطناعي (AI) حلولًا تحويلية لهذه التحديات. من خلال استخدام معالجة الصور والتقنيات المعتمدة على المستشعرات، يقوم الباحثون بتطوير طرق غير جراحية لتقييم النضج تعزز الدقة والكفاءة مع تقليل الفاقد (Xiao et al. 2023; Dhanya et al. 2022). هذه الابتكارات لا تحسن فقط التصنيف بناءً على الحجم والشكل واللون ولكنها تسهل أيضًا الرؤى في الوقت الحقيقي حول التغيرات الفسيولوجية، مما يحسن إدارة الحصاد وسلسلة التوريد. تهدف هذه المراجعة إلى استكشاف المبادئ والتطبيقات والاتجاهات المستقبلية لرؤية الكمبيوتر في الزراعة، مع التأكيد على إمكانياتها لتعزيز الممارسات المستدامة في مواجهة الزيادة السكانية العالمية المتزايدة وقيود الموارد.
طرق
يمكن تصنيف الطرق المستخدمة لتحديد نضج المنتجات الزراعية إلى تقنيات مدمرة وغير مدمرة. تشمل الطرق المدمرة قياس الخصائص الفيزيائية والكيميائية والحسية لتقييم القوام والجودة. يتم تكملة الاختبارات الحسية، حيث يقوم لجان مدربة بتقييم خصائص مثل القرمشة والعصارة، باختبارات فيزيائية مثل اختبارات الثقب والشد. ومن الجدير بالذكر أن اختبار الثقب تم تحديده كالأكثر فعالية لتقييم خصائص القوام المختلفة في التفاح. بالإضافة إلى ذلك، ظهرت أساليب مبتكرة تستخدم أنظمة صوتية لتحليل أصوات المضغ أثناء الاختبارات الميكانيكية، على الرغم من أن التباين في تقنيات المضغ الفردية قد يحد من موثوقيتها. يتم تسليط الضوء على مطيافية رامان كأداة قيمة لتقييم مستويات التانين في الرمان، مما يوفر رؤى حول نضج الفاكهة وجودتها.
على النقيض من ذلك، تكتسب الطرق غير المدمرة زخمًا بسبب قدرتها على تقييم جودة الفاكهة دون التسبب في ضرر، مما يسمح بإجراء قياسات متكررة وتقليل الفاقد. تقنيات مثل تصوير الرنين المغناطيسي النووي (NMRI)، وتصوير رامان، ومجموعة متنوعة من الطرق الطيفية (UV، NIR، MIR) تمكن من تقييمات سريعة وموثوقة لنضج الفاكهة. تسهل هذه الطرق اتخاذ القرارات في الوقت الحقيقي والتقييمات عالية الإنتاجية، مما يعالج قيود الطرق التقليدية المدمرة. إن التطوير المستمر للتقنيات غير الجراحية أمر حيوي لتحسين توقيت الحصاد وضمان جودة الفواكه، حيث تعكس التغيرات الظاهرة المعقدة التي تحدث أثناء النضج. تناقش الورقة نقاط القوة والقيود في كلا النهجين، مع التأكيد على الحاجة إلى ممارسات مبتكرة في صناعة الفواكه.
نقاش
في هذا القسم، قام المؤلفون بإجراء مراجعة منهجية للأدبيات المتعلقة بمؤشرات النضج وتقنيات التقييم غير المدمرة للفواكه والخضروات، باستخدام قواعد بيانات مثل Scopus وGoogle Scholar. وقد حددوا ما مجموعه 192 ورقة حول “الفواكه والخضروات + المستشعرات الحيوية”، و114 حول “الفواكه والخضروات + مؤشر النضج”، و342 حول “الفواكه والخضروات + التعلم الآلي”. يؤكد النقاش على أهمية تطوير مؤشرات نضج محددة لمختلف السلع لضمان توقيت حصاد مثالي وجودة، حيث يمكن أن يؤدي الحصاد غير الناضج إلى خصائص غير مرغوب فيها في المنتجات. تشمل العوامل الرئيسية التي تؤثر على النضج الحجم، واللون، والصلابة، والتركيب الكيميائي، والتي تعتبر حاسمة لقبول المستهلك وقابلية التسويق.
يستكشف القسم أيضًا تقنيات غير مدمرة مختلفة لتقييم نضج الفاكهة، بما في ذلك مطيافية الأشعة تحت الحمراء القريبة (NIRS)، والرنين المغناطيسي النووي (NMR)، ومطيافية الانعكاس الزمنية (TRS). يتم تسليط الضوء على NIRS لتحليلها السريع وغير الجراحي للمعلمات الحرجة مثل محتوى السكر ومستويات الرطوبة، مما يساعد في توقيت الحصاد المثالي ومراقبة الجودة. توفر تقنيات NMR رؤى حول محتوى الماء والقوام دون إلحاق الضرر بالفاكهة، بينما تقيس TRS تفاعل الضوء مع أنسجة الفاكهة لتقييم مؤشرات النضج مثل محتوى الماء وتركيب الصبغ. يخلص المؤلفون إلى أن دمج هذه التقنيات، جنبًا إلى جنب مع التقدم في التعلم الآلي ودمج المستشعرات، يمكن أن يعزز تقييم نضج الفاكهة، ويقلل من الفاقد، ويحسن الكفاءة التشغيلية في القطاع الزراعي. تشمل الاتجاهات المستقبلية المعايير، وأنظمة المراقبة عبر الإنترنت، والتطبيقات سهلة الاستخدام لتسهيل اعتماد أوسع لهذه الطرق.
DOI: https://doi.org/10.1186/s43014-023-00205-5
Publication Date: 2024-02-29
Author(s): Zhenyun Du et al.
Primary Topic: Spectroscopy and Chemometric Analyses
Overview
The section provides an overview of recent advancements in computer vision techniques that enhance the determination of maturity indices for fruits and vegetables, particularly within the food processing sector. It emphasizes the shift from labor-intensive manual methods to automated computational techniques, which include Nuclear Magnetic Resonance (NMR), Near-Infrared Spectroscopy (NIR), thermal imaging, and image scanning. These methods not only improve efficiency and accuracy but also facilitate non-destructive assessments, making them suitable for widespread adoption. The integration of biosensors and artificial intelligence (AI) further augments the precision of these techniques, highlighting their versatility across various industries beyond food processing, such as pharmaceuticals and textiles.
The review concludes by underscoring the transformative potential of these computational techniques in promoting sustainability and optimizing resource management in agriculture. It stresses the importance of interdisciplinary collaboration to address challenges related to standardization, data privacy, and security, which are critical for the responsible implementation of these technologies. Overall, the findings suggest that continued research and collaboration are essential for harnessing the full benefits of computer vision advancements, paving the way for enhanced automation and efficiency across multiple sectors.
Introduction
The introduction highlights the critical role of fruits and vegetables in promoting health and preventing diseases, as supported by various studies (Slavin et al. 2012; Magwaza et al. 2015). Despite their benefits, the challenges of sourcing high-quality produce and ensuring timely delivery are significant. Traditional methods for assessing the maturity of fruits and vegetables are labor-intensive, subjective, and often destructive, leading to product loss and inefficiencies in the supply chain (Prasad et al. 2018; Gupta et al. 2022a).
Recent advancements in computer vision and artificial intelligence (AI) present transformative solutions to these challenges. By employing image processing and sensor-based technologies, researchers are developing non-invasive methods for maturity assessment that enhance accuracy and efficiency while minimizing waste (Xiao et al. 2023; Dhanya et al. 2022). These innovations not only improve grading based on size, shape, and color but also facilitate real-time insights into physiological changes, thereby optimizing harvesting and supply chain management. This review aims to explore the principles, applications, and future directions of computer vision in agriculture, emphasizing its potential to foster sustainable practices in the face of growing global populations and resource constraints.
Methods
The methods for determining the maturity of agricultural products can be categorized into destructive and non-destructive techniques. Destructive methods involve measuring physical, chemical, and sensory properties to evaluate texture and quality. Sensory tests, where trained panels assess attributes such as crispness and juiciness, are complemented by physical tests like puncture and tensile tests. Notably, the puncture test has been identified as the most effective for assessing various textural qualities in apples. Additionally, innovative approaches using acoustic systems to analyze chewing sounds during mechanical tests have emerged, although variability in individual chewing techniques may limit their reliability. Raman spectroscopy is highlighted as a valuable tool for assessing tannin levels in pomegranates, providing insights into fruit maturity and quality.
In contrast, non-destructive methods are gaining traction due to their ability to assess fruit quality without causing damage, thus allowing for repeated measurements and reducing waste. Techniques such as nuclear magnetic resonance imaging (NMRI), Raman imaging, and various spectroscopic methods (UV, NIR, MIR) enable rapid and reliable evaluations of fruit ripeness. These methods facilitate real-time decision-making and high-throughput assessments, addressing the limitations of traditional destructive approaches. The ongoing development of non-invasive techniques is crucial for optimizing harvest timing and ensuring the quality of fruits, as they reflect the complex phenotypic changes that occur during ripening. The paper discusses the strengths and limitations of both approaches, emphasizing the need for innovative practices in the fruit industry.
Discussion
In this section, the authors conducted a systematic review of literature related to maturity indices and non-destructive assessment techniques for fruits and vegetables, utilizing databases such as Scopus and Google Scholar. They identified a total of 192 papers on “Fruits and vegetables + Biosensors,” 114 on “Fruits and vegetables + Maturity Index,” and 342 on “Fruits and vegetables + Machine Learning.” The discussion emphasizes the importance of developing specific maturity indices for various commodities to ensure optimal harvest timing and quality, as immature harvesting can lead to undesirable characteristics in produce. Key factors influencing maturity include size, color, firmness, and chemical composition, which are critical for consumer acceptance and marketability.
The section further explores various non-destructive techniques for assessing fruit maturity, including Near-Infrared Spectroscopy (NIRS), Nuclear Magnetic Resonance (NMR), and Time-resolved Reflectance Spectrometry (TRS). NIRS is highlighted for its rapid, non-invasive analysis of critical parameters such as sugar content and moisture levels, aiding in optimal harvest timing and quality control. NMR techniques provide insights into water content and texture without damaging the fruit, while TRS measures light interaction with fruit tissues to assess maturity indicators like water content and pigment composition. The authors conclude that integrating these technologies, alongside advancements in machine learning and sensor fusion, can enhance fruit maturity assessment, reduce waste, and improve operational efficiency in the agricultural sector. Future directions include standardization, online monitoring systems, and user-friendly applications to facilitate broader adoption of these methods.