Hvordan sensorer og big data kan hjælpe med at reducere madspild

Moderne landbrug har udviklet sig ved at tage tekniske fremskridt såsom maskiner til pløjning og høst, kontrolleret kunstvanding, gødning, pesticider, afgrødeavl og genetisk forskning. Disse har hjulpet landmændene til at producere store afgrøder af god kvalitet på en ret forudsigelig måde.

Men der er stadig fremskridt med at få det bedst mulige udbytte fra forskellige slags jord. Og der sker stadig store tab – især under og efter høst – hvor overvågning og håndtering af produkter ikke er gjort godt. Industrien har brug for smarte og præcise løsninger, og disse bliver tilgængelige gennem ny teknologi.

Smart farming sigter mod at bruge moderne teknologi til at forbedre udbytte og produktkvalitet. Et eksempel er præcisionslandbrug, et stedspecifikt afgrødestyringskoncept, der bruger et beslutningsstøttesystem baseret på overvågning, måling og respons på variationer mellem og inden for marken i afgrøder. Dette giver landmændene mulighed for at optimere deres afkast og bevare ressourcerne. Sådanne overvågningsløsninger kan opnås ved at integrere elektroniske sensorenheder, der registrerer data i jord, miljøet eller afgrøderne. Dataene kan derefter give nyttig information til beslutningstagning, gennem en proces kaldet dataanalyse.

Målet er at udnytte jorden bedst muligt på en bestemt mark, kontrollere afgrødepleje og træffe informerede beslutninger om håndtering af produkter efter høst.

Vi har været involveret i udviklingen og brugen af ​​sensorer til at hjælpe med at etablere kvaliteten af ​​en bred vifte af gartneriprodukter, inklusive frugter. Vi brugte computerintelligens metoder til at opdage defekter og forudsige kvaliteten af ​​frugt.

Vores seneste forskning viste, at datadrevne løsninger har en række fordele. For eksempel, de kan hjælpe med at reducere tabet af frugt og grøntsager langs forsyningskæden fra gård til forbrug.

Problemet

Frugt og grønt kan blive beskadiget før, under og efter høst samt i opbevaring. Det er spild. Noget henfald og fordærv er forårsaget af vira, svampe, bakterier eller mikrobielle patogener. Produkter, der er tætpakket eller forslået, er mere sårbare over for infektioner og holder ikke så længe.

Ifølge FN's Fødevare- og Landbrugsorganisation, omkring 14 % af verdens mad går tabt efter høst og før de når butikker og markeder. Og omkring en tredjedel af verdens mad går tabt eller går til spilde. Minimering af madtab og spild er afgørende for at skabe en Zero Hunger-verden, hvor mere end 821 millioner mennesker allerede lider af sult.

Vores forskning involverede en gennemgang af den rolle, som dataanalyse kan spille i påvisningen af ​​defekter i frugt og grøntsager. Vi fandt ud af, at maskinlæring – computeres evne til at finde mønstre i data, lave forudsigelser og foreslå beslutninger uden at være eksplicit programmeret - langt overgår traditionelle metoder til at klassificere produkter.

Maskinlæring har opnået store resultater med at opdage plantesygdomme og frugt. Disse kunne udvides til at overvåge kvaliteten af ​​frugt og andre fødevarer. Sensorer kan bruges til at detektere insekter og sygdomme i frugt og grøntsager, fungerer som elektroniske næser eller tunger og måler kemisk sammensætning. De kan også måle fysiske egenskaber, såsom fasthed og surhed, at bestemme produktkvaliteten.

Produkternes acceptabilitet afhænger af farve, form, størrelse, sødme, og ikke har defekter såsom blå mærker og insektangreb. Det er vigtigt for kundetilfredsheden og for det afkast, som producenter og leverandører giver.

Sensorenheder kan levere data om disse karakteristika til computeralgoritmer til analyse. Disse nye udviklinger inden for maskinlæring muliggør hurtig og effektiv kvalitetsbestemmelse og forudsigelse i friske produkter.

For eksempel, billedbehandlingsteknikker er blevet kombineret med maskinlæringsalgoritmer til at opdage blå mærker, forkølelsesskader og brunfarvning i frugt som æbler, pærer og citrus, og til at opdage forskellige defekter i tomater. Smartphone-baserede applikationer udvikles til brug i kvalitetsgenkendelse af små bærfrugter.

Maskinlæring reducerer tab

Der er en aktuel global forskningstendens, der sigter mod at integrere sensorenheder langs fødekæden for løbende at overvåge og kontrollere kvalitetsindikatorerne. Vi gennemgik denne forskning og fandt stadier, hvor sådanne løsninger bruges i fødekæden. Disse omfatter:

Afgrødeovervågning

Sensorer kan bruges til at måle egenskaber af frugt og grøntsager, mens de vokser, såsom farve, størrelse og form. Sådan information hjælper med at kontrollere vækstbetingelserne, såsom vandforsyning, og bestemmer nøjagtigt den bedste høstdato. Dette reducerer tab ved høst. For eksempel, nogle småbønder i Tyskland har brugt smartphones til at kontrollere kvaliteten af ​​deres afgrøder ved at sende afgrødebilleder, der skal behandles af eksperter gennem maskinlæringsmodeller; Derefter sendes feedback til landmændene. Virksomheder udvikler modeller til at spore miljøfaktorer såsom vejrændringer og forudsige, hvordan disse faktorer påvirker afgrødeudbyttet. Denne form for støtte er især rettet mod landmænd i udviklingslande.

Kvalitetsovervågning efter høst

I pakkehuse, produkter skal klassificeres og sorteres efter kvalitetsstandarder for at bestemme deres egnethed til forskellige forbrugerdestinationer. Eksportprodukter skal holde sig godt under langdistancetransport og på hylden.

Til lokale markeder, hvor rejsetiden er kortere, kvalitetskravene kan være af en anden standard. For at afgøre, om et produkt er egnet til dyrefoder eller konsum, specialiserede sensorer tager målinger og genererer data for at klassificere, klassificere og sortere produkterne i kategorier.

Overvågning af markedskvalitet

Sensorer kan endda integreres i emballagematerialer, der løbende overvåger og rapporterer om produktets status i realtid. Disse sensorer kan aktiveres til at kommunikere og sende data til et kommandocenter. Overvågning, opdagelse og adskillelse af fødevarer som frisk frugt for at klassificere og fjerne usikre produkter for at imødekomme markedsefterspørgslen er afgørende for at sikre rentabilitet og bevare markedsandele.

Med den stigende verdensbefolkning, som forventes at overstige 9 milliarder i 2050, fødevare- og ernæringssikkerhed bliver en endnu større udfordring, især i Afrika syd for Sahara. Datadrevet automatisering kan bidrage til løsningen.

Denne artikel er genudgivet fra The Conversation under en Creative Commons-licens. Læs den originale artikel.