DOI: https://doi.org/10.1007/s12393-026-09437-w
تاريخ النشر: 2026-04-21
المؤلف: Ying Fu وآخرون
الموضوع الرئيسي: الزراعة الذكية والذكاء الاصطناعي
نظرة عامة
تناقش هذه الفقرة التحديات المرتبطة بمحتوى السكر العالي في عصير الفاكهة، والذي يمكن أن يؤدي إلى التلوث الميكروبي والخسائر الاقتصادية في جميع أنحاء سلسلة التوريد. للتخفيف من هذه المشكلات، تم وضع مجموعة من صفات الجودة لمراقبة جودة الفاكهة من مراحل ما قبل الحصاد إلى ما بعد الحصاد. يتم التأكيد على عوامل رئيسية مثل نضج الفاكهة ومستويات الرطوبة أثناء التخزين، حيث يمكن أن تؤدي الرطوبة غير المناسبة إلى التجفيف أو التعفن، مما يزيد من الخسائر الاقتصادية. يُلاحظ أن الاعتماد على العمالة اليدوية في التعامل مع الفاكهة بعد الحصاد يعد مساهمًا كبيرًا في الفاقد، مما يبرز الحاجة إلى تقنيات تقييم الجودة الذكية.
لقد أدت التقدمات الحديثة في معالجة وتحليل الأغذية إلى تحول نحو طرق الكشف غير التدميرية والسريعة لمراقبة جودة الفاكهة. تقيم المراجعة الدور التحويلي للذكاء الاصطناعي (AI) في هذا السياق. دراسة مكملة أجراها دوراتي وآخرون بحثت في تأثيرات التطبيقات الورقية للكالسيوم (Ca) والسيليكون (Si) على جودة الفاكهة بعد الحصاد لثلاثة أنماط من الفراولة على مدى فترة تخزين مدتها 12 يومًا. كشفت نتائجهم، المستمدة من خرائط كوهونن الذاتية التنظيم للتحليل متعدد المتغيرات، أن الاستجابات المحددة لنمط الجينات كانت سائدة، لكن العلاجات المشتركة لـ Ca و Si قللت بشكل كبير من فقدان الجودة في المراحل المبكرة، لا سيما في أنماط الجينات ألباين و Clone-23. وهذا يبرز تحولًا في النموذج نحو استراتيجيات تحسين التخزين المتكاملة التي تستفيد من الذكاء الاصطناعي لمراقبة الجودة جنبًا إلى جنب مع التدخلات المستهدفة بعد الحصاد، بهدف تمديد عمر الرف وتقليل الخسائر بعد الحصاد.
مقدمة
تسلط المقدمة الضوء على الدور الحاسم للفواكه الطازجة في التغذية البشرية، مما يبرز الحاجة إلى مراقبة فعالة لجودة الفاكهة بسبب آثارها على الأمن الغذائي، والاستدامة الاقتصادية، والصحة العامة. إن القابلية العالية للتلف للفواكه، المنسوبة إلى محتواها من الرطوبة وقابليتها للتلف الميكانيكي، تطرح تحديات كبيرة في الحفاظ على الجودة طوال سلسلة التوريد. غالبًا ما تكون طرق الاختبار التقليدية غير مناسبة للتطبيقات على نطاق واسع، مما يحفز تطوير تقنيات غير تدميرية مثل الطيفية وأنظمة التصوير. ظهرت تقنيات متنوعة، بما في ذلك الرنين المغناطيسي النووي في نطاق الزمن (NMR)، التصوير بالرنين المغناطيسي (MRI)، التصوير بالأشعة السينية، التصوير بالرامان (RI)، التصوير الطيفي الفائق (HSI)، ورؤية الكمبيوتر (CV)، وكل منها له مزايا وقيود مميزة في تقييم جودة الفاكهة.
لمعالجة أوجه القصور في هذه الطرق، أظهر دمج الذكاء الاصطناعي (AI) وعدًا في تعزيز مراقبة جودة الفاكهة. يمكن لتقنيات الذكاء الاصطناعي، بما في ذلك معالجة اللغة الطبيعية (NLP)، أنظمة الخبراء (ES)، التعلم الآلي (ML)، والتعلم العميق (DL)، تحليل مجموعات البيانات المعقدة لكشف الأنماط وتقديم رؤى تنبؤية طوال سلسلة توريد الفاكهة. تهدف المراجعة الحالية إلى سد الفجوة في الأدبيات الموجودة من خلال التركيز على التأثيرات التآزرية لدمج تقنيات الكشف مع نماذج الذكاء الاصطناعي المحسنة في تقييم ومعالجة جودة الفاكهة. من خلال دراسة الأبحاث الحديثة، يسعى هذا العمل إلى إنشاء إطار عملي يلخص التطبيقات والقيود والاتجاهات المستقبلية في طرق الكشف والتصنيف المتزامنة داخل سلسلة توريد الفاكهة.
نقاش
تسلط فقرة النقاش في ورقة البحث الضوء على التقدمات الكبيرة في التقنيات غير التدميرية للكشف عن جودة الفاكهة، مع التأكيد على دور تقنيات الطيف والتصوير المختلفة. لقد حسنت الطرق الطيفية، بما في ذلك التصوير الطيفي الفائق بالأشعة تحت الحمراء القريبة (NIR-HSI)، الطيف الزمني في نطاق التيراهيرتز (THz-TDS)، وتصوير الرامان، من حساسية وسرعة تقييمات الجودة من خلال التقاط بيانات طيفية مفصلة تكشف عن الخصائص الفيزيائية والكيميائية الجوهرية للفواكه. هذه التقنيات فعالة بشكل خاص في تقييم النضج، واكتشاف العيوب، وتحديد التلوث الميكروبي، وهو ما يمثل تحديًا للطرق التقليدية بسبب الطبيعة المعقدة لتكوين الفاكهة وبنيتها.
بالإضافة إلى الأساليب الطيفية، يتم مناقشة تقنيات التصوير مثل التصوير بالأشعة السينية والتصوير الحراري لقدرتها على تقديم تقييمات سريعة وغير جراحية. يسمح التصوير بالأشعة السينية، على سبيل المثال، بالفحص الداخلي للفواكه دون تلف مادي، بينما يمكن للتصوير الحراري اكتشاف التغيرات في درجة الحرارة التي تشير إلى العيوب. تعزز التقنيات المعتمدة على المستشعرات، بما في ذلك مستشعرات الغاز والمستشعرات الحيوية، من مراقبة المركبات العضوية المتطايرة وغيرها من مؤشرات جودة الفاكهة. يسهل دمج هذه المنهجيات المتنوعة، جنبًا إلى جنب مع تقنيات التعلم الآلي والذكاء الاصطناعي، التحليل الفوري واتخاذ القرار في الممارسات الزراعية، مما يحسن في النهاية إدارة جودة الفاكهة والسلامة في صناعة الأغذية.
DOI: https://doi.org/10.1007/s12393-026-09437-w
Publication Date: 2026-04-21
Author(s): Ying Fu et al.
Primary Topic: Smart Agriculture and AI
Overview
The section discusses the challenges associated with high sugar content in fruit juice, which can lead to microbial contamination and economic losses throughout the supply chain. To mitigate these issues, various quality attributes have been established to monitor fruit quality from pre-harvest to post-harvest stages. Key factors such as fruit ripeness and moisture levels during storage are emphasized, as improper humidity can result in drying or rotting, further exacerbating economic losses. The reliance on manual labor for post-harvest handling is noted as a significant contributor to waste, highlighting the need for intelligent quality assessment techniques.
Recent advancements in food processing and analysis have prompted a shift towards non-destructive and rapid detection methods for fruit quality monitoring. The review evaluates the transformative role of artificial intelligence (AI) in this context. A complementary study by Duarte et al. investigated the effects of foliar applications of calcium (Ca) and silicon (Si) on the postharvest quality of three strawberry genotypes over a 12-day storage period. Their findings, derived from Kohonen self-organizing maps for multivariate analysis, revealed that genotype-specific responses were predominant, but the combined treatments of Ca and Si significantly reduced early-stage quality loss, particularly in the Albion and Clone-23 genotypes. This underscores a paradigm shift towards integrated storage optimization strategies that leverage AI for quality monitoring alongside targeted postharvest interventions, ultimately aiming to extend shelf life and minimize postharvest losses.
Introduction
The introduction highlights the critical role of fresh fruit in human nutrition, emphasizing the need for effective monitoring of fruit quality due to its implications for food security, economic sustainability, and public health. The high perishability of fruits, attributed to their moisture content and susceptibility to mechanical damage, poses significant challenges in maintaining quality throughout the supply chain. Traditional testing methods are often unsuitable for large-scale applications, prompting the development of non-destructive techniques such as spectroscopy and imaging systems. Various technologies, including time-domain nuclear magnetic resonance (NMR), magnetic resonance imaging (MRI), X-ray imaging, Raman imaging (RI), hyperspectral imaging (HSI), and computer vision (CV), have emerged, each with distinct advantages and limitations in assessing fruit quality.
To address the shortcomings of these methods, the integration of artificial intelligence (AI) has shown promise in enhancing fruit quality monitoring. AI technologies, including natural language processing (NLP), expert systems (ES), machine learning (ML), and deep learning (DL), can analyze complex data sets to uncover patterns and provide predictive insights throughout the fruit supply chain. The current review aims to bridge the gap in existing literature by focusing on the synergistic effects of combining detection techniques with optimized AI models in fruit quality assessment and processing. By examining recent studies, this work seeks to establish a practical framework that summarizes applications, limitations, and future trends in in-line detection and grading methods within the fruit supply chain.
Discussion
The discussion section of the research paper highlights significant advancements in non-destructive technologies for fruit quality detection, emphasizing the role of various spectroscopic and imaging techniques. Spectroscopic methods, including near-infrared hyperspectral imaging (NIR-HSI), terahertz time-domain spectroscopy (THz-TDS), and Raman imaging, have improved the sensitivity and speed of quality assessments by capturing detailed spectral data that reveal intrinsic physicochemical properties of fruits. These techniques are particularly effective for evaluating ripeness, detecting defects, and identifying microbial contamination, which are challenging for traditional methods due to the complex nature of fruit composition and structure.
In addition to spectroscopic approaches, imaging techniques such as X-ray imaging and thermal imaging are discussed for their ability to provide rapid, non-invasive assessments. X-ray imaging, for instance, allows for the internal examination of fruits without physical damage, while thermal imaging can detect temperature variations indicative of defects. Sensor-based technologies, including gas sensors and biosensors, further enhance the monitoring of volatile organic compounds and other indicators of fruit quality. The integration of these diverse methodologies, along with machine learning and artificial intelligence techniques, facilitates real-time analysis and decision-making in agricultural practices, ultimately improving fruit quality management and safety in the food industry.