DOI: https://doi.org/10.1016/j.jspr.2026.102959
تاريخ النشر: 2026-01-22
المؤلف: M.J. Gidado وآخرون
الموضوع الرئيسي: الزراعة الذكية والذكاء الاصطناعي
نظرة عامة
تعد مرحلة ما بعد الحصاد ضرورية للحفاظ على جودة وسلامة وقابلية تسويق المنتجات الزراعية. لقد عززت التطورات الأخيرة في الذكاء الاصطناعي (AI) وتعلم الآلة (ML) بشكل كبير من تقييم جودة الفاكهة من خلال منهجيات سريعة وغير مدمرة ودقيقة. تستعرض هذه المراجعة بشكل نقدي المشهد الحالي لتطبيقات الذكاء الاصطناعي وتعلم الآلة في تقييم جودة ما بعد الحصاد، مع التركيز على التطورات في التعلم العميق ورؤية الكمبيوتر والنمذجة التنبؤية.
على الرغم من التقدم المحرز، لا تزال التحديات قائمة، خاصة فيما يتعلق بعمومية النموذج عبر أنواع الفاكهة المختلفة والبيئات، وارتفاع تكاليف التنفيذ، وندرة البيانات، وغياب البروتوكولات الموحدة. هذه التحديات بارزة بشكل خاص بالنسبة للمزارعين أصحاب الحيازات الصغيرة وفي البيئات ذات الموارد المحدودة. تحدد المراجعة الفجوات البحثية الرئيسية، مع التأكيد على ضرورة وجود حلول ذكاء اصطناعي قابلة للتوسع، وقابلة للتفسير، وفعالة من حيث التكلفة، ونماذج قوية قابلة للتكيف مع الظروف البيئية المتغيرة، والتعاون بين التخصصات من أجل نشر فعال. كما تناقش استراتيجيات مبتكرة مثل الذكاء الاصطناعي الخفيف للحوسبة الطرفية، ودمج المستشعرات متعددة الأنماط، واستخدام المنصات مفتوحة المصدر لتحسين الوصول. من خلال تجميع المعرفة الحالية وتحديد اتجاهات البحث المستقبلية، تهدف هذه المراجعة إلى توفير خارطة طريق لتطوير أنظمة ما بعد الحصاد المستدامة والفعالة المدفوعة بالذكاء الاصطناعي.
DOI: https://doi.org/10.1016/j.jspr.2026.102959
Publication Date: 2026-01-22
Author(s): M.J. Gidado et al.
Primary Topic: Smart Agriculture and AI
Overview
The postharvest phase is essential for preserving the quality, safety, and marketability of horticultural products. Recent advancements in Artificial Intelligence (AI) and Machine Learning (ML) have significantly enhanced the assessment of fruit quality through rapid, non-destructive, and accurate methodologies. This review critically examines the current landscape of AI and ML applications in postharvest quality assessment, focusing on developments in deep learning, computer vision, and predictive modeling.
Despite the progress made, challenges remain, particularly regarding model generalizability across different fruit types and environments, high implementation costs, data scarcity, and the absence of standardized protocols. These challenges are especially pronounced for smallholder farmers and in low-resource settings. The review identifies key research gaps, emphasizing the necessity for scalable, interpretable, and cost-effective AI solutions, robust models adaptable to varying environmental conditions, and interdisciplinary collaboration for effective deployment. It also discusses innovative strategies such as lightweight AI for edge computing, multimodal sensor integration, and the utilization of open-source platforms to improve accessibility. By synthesizing existing knowledge and outlining future research directions, this review aims to provide a roadmap for developing inclusive, efficient, and sustainable AI-driven postharvest systems.