Des scientifiques israéliens ont créé un modèle d’apprentissage automatique basé sur l’IA et utilisant l’imagerie hyperspectrale pour évaluer la qualité des tomates avant la récolte. Cette méthode « non destructive » permet de prédire des caractéristiques qualitatives clés telles que le poids, la fermeté et la teneur en lycopène, ce qui aide les agriculteurs à suivre le développement des fruits en temps réel, à optimiser le calendrier des récoltes et à améliorer la qualité des cultures.

Les images hyperspectrales de gammes spécifiques de longueurs d’onde lumineuses, appelées « bandes spectrales », sont utilisées pour étudier les propriétés des objets en fonction de la manière dont ils reflètent la lumière. Qualifiant cette approche de « bond en avant dans l’agriculture de précision », l’équipe estime qu’elle permet de relever les défis associés aux méthodes traditionnelles, en offrant une alternative plus rapide et plus rentable.

« Les méthodes traditionnelles d’évaluation de la qualité des tomates sont longues, destructives et coûteuses, ce qui limite leur utilisation à de petits échantillons après la récolte. Les agriculteurs manquent d’outils pratiques pour contrôler la qualité avant la récolte, ce qui est essentiel pour optimiser les conditions de culture et améliorer la qualité des récoltes », a expliqué l’auteur principal de l’étude, le Dr David Helman, directeur du laboratoire de modélisation et de surveillance des systèmes de végétation de l’Université hébraïque de Jérusalem, qui a mené l’étude.

« Les technologies non destructives existantes, comme les caméras hyperspectrales, sont coûteuses et peu pratiques pour une utilisation sur le terrain. L’imagerie hyperspectrale peut aider les agriculteurs à surveiller la qualité des tomates « tout au long du processus de maturation, ce qui leur permet d’ajuster les pratiques de gestion et de déterminer le moment optimal de la récolte, qui garantit une meilleure qualité des fruits. ».

La technologie permet aux agriculteurs de contrôler la qualité des tomates tout au long du processus de maturation, explique M. Helman. Outre l’amélioration de la qualité nutritionnelle, la technologie pilotée par l’IA de l’équipe pourrait également permettre « une meilleure adaptation aux changements environnementaux, renforcer la résilience des systèmes agricoles et contribuer à la sécurité alimentaire mondiale », ajoute-t-il.

L’université hébraïque a mené cette étude, publiée dans la revue Computers and Electronics in Agriculture, en collaboration avec des chercheurs de l’université Bar-Ilan et du Volcani Center.

La  prochaine étape de l’étude consistera à construire un appareil peu coûteux (ToMAI-SENS) basé sur notre modèle, qui sera utilisé tout au long de la chaîne de valeur des fruits, de l’exploitation agricole au consommateur. « Le modèle ToMAI-SENS devrait être utilisé avec un appareil compact, abordable et facile à utiliser sur le terrain par rapport aux caméras hyperspectrales traditionnelles ou aux spectromètres NIR, qui sont coûteux et peu pratiques pour une utilisation agricole à grande échelle. Le modèle analyse également plusieurs fruits simultanément pour des évaluations à haut débit « efficaces et évolutives », a précisé M. Helman.

L’équipe est actuellement à la recherche de partenaires industriels pour soutenir la poursuite de la R&D « avec des possibilités de licences de propriété intellectuelle », ajoute-t-il

Source : Food Ingredient First & Israël Valley.

 

Partager :