به گزارش خبرنگارحوزه فناوری گروه علمی پزشكی باشگاه خبرنگاران جوان،  کشاورزی مدرن با دستیابی به پیشرفت‌های فنی مانند دستگاه‌های شخم زدن و برداشت محصول، آبیاری کنترل شده، کودها، سموم دفع آفات، اصلاح نباتات و تحقیقات ژنتیک تکامل یافته است. این‌ها به کشاورزان کمک کرده است که محصولات با کیفیت بسیاری را به روشی نسبتاً قابل پیش بینی تولید کنند.

اما هنوز پیشرفت‌هایی برای دستیابی به بهترین عملکرد ممکن از انواع مختلف خاک وجود دارد؛ و همچنین ضرر‌های بزرگی که به‌ویژه هنگام برداشت و پس از آن، به دلیل نبود نظارت و استفاده نادرست از محصولات، رخ می‌دهد. این صنعت نیاز به راه‌حل‌های هوشمند و دقیق دارد که از طریق فناوری جدید قابل دسترسی است.

کشاورزی هوشمند با هدف استفاده از فناوری‌های نوین، برای بهبود عملکرد و کیفیت محصول است. یک مثال کشاورزی دقیق، یک مفهوم خاص برای مدیریت محصول در سایت است که از یک سیستم پشتیبانی تصمیم گیری مبتنی بر نظارت، اندازه گیری و پاسخ به تغییرپذیری درون و درون میدانی در محصولات زراعی استفاده می‌کند. فناوری جدید به کشاورزان این امکان را می‌دهد تا بازده خود را بهینه کرده و منابع را حفظ کنند. چنین راه حل‌های مانیتورینگ با ادغام دستگاه‌های سنجش الکترونیکی که داده‌ها را در خاک، محیط و یا محصولات ضبط می‌کنند، قابل دستیابی است. سپس داده‌ها می‌توانند از طریق فرآیندی به نام تجزیه و تحلیل داده، اطلاعات مفیدی را برای تصمیم گیری فراهم کنند.

هدف این است که استفاده بهینه از خاک در یک زمینه خاص، کنترل و مراقبت از محصولات زراعی و تصمیم گیری آگاهانه در مورد استفاده از محصولات پس از برداشت محصول انجام شود.

هدف از ایجاد و استفاده از سنسورها، تعیین کیفیت طیف گسترده‌ای از محصولات باغی، از جمله میوه‌هاست. محققان از روش‌های هوش رایانه‌ای برای تشخیص نقص و پیش بینی کیفیت میوه استفاده کردند.

آخرین تحقیقات نشان داد که راه حل‌های مبتنی بر داده، دارای چندین مزیت است؛ مثلا آن‌ها می‌توانند با کاهش خسارات میوه‌ها و سبزیجات در زنجیره تأمین از مزرعه تا مصرف کمک کنند.

با این حال میوه‌ها و سبزیجات می‌توانند قبل، هنگام و بعد از برداشت و همچنین در انبار آسیب ببینند و برخی پوسیدگی و خراب شدن هم ناشی از ویروس‌ها، قارچ‌ها، باکتری‌ها یا پاتوژن‌های میکروبی است. محصولاتی هم که کاملاً بسته بندی یا کبود شده‌اند در معرض آسیب پذیری در برابر عفونت‌ها بوده و ماندگار نمی‌شوند.

طبق آمار سازمان غذا و کشاورزی سازمان ملل متحد، حدود ۱۴ ٪ از مواد غذایی جهان پس از برداشت محصول و قبل از رسیدن به مغازه‌ها و بازار‌ها از بین می‌رود که به این ترتیب تقریباً یک سوم غذای جهان هم از بین رفته یا هدر می‌رود. به حداقل رساندن فقدان مواد غذایی و زباله برای ایجاد جهانی عاری از هرگونه سوءهاضمه که بیش از ۸۲۱ میلیون نفر در حال حاضر از گرسنگی رنج می‌برند، بسیار مهم است.

بیشتر بخوانید: هوش مصنوعی پیانیست مشهور برزیلی را پس از ۵۰ سال پای کار آورد

تحقیقات ما شامل نقشی است که تجزیه و تحلیل داده‌ها در تشخیص نقص در میوه و سبزیجات می‌تواند داشته باشد. محققان دریافتند که یادگیری ماشینی، توانایی رایانه‌ها برای یافتن الگو‌های داده، پیش بینی و تصمیم گیری بدون برنامه ریزی صریح افزایش داده و از روش‌های سنتی برای طبقه بندی محصولات فراتر می‌رود.

یادگیری ماشینی در تشخیص بیماری‌های گیاهی و میوه دستاورد‌های چشمگیری داشته است. این امر می‌تواند با هدف نظارت بر کیفیت میوه و سایر غذا‌ها گسترش پیدا کند. از سنسور‌ها می‌توان برای تشخیص حشرات و بیماری‌ها در میوه‌ها و سبزیجات استفاده کرد. آن‌ها همچنین می‌توانند خواص بدنی مانند استحکام و اسیدیته را برای تعیین کیفیت محصول اندازه گیری کنند.

قابل قبول بودن این محصولات به رنگ، شکل، اندازه، شیرینی و نبود هیچ نقصی مانند کبودی و آلودگی حشرات بستگی دارد.
دستگاه‌های سنجش می‌توانند داده‌های مربوط به این خصوصیات را به الگوریتم‌های رایانه برای تجزیه و تحلیل ارائه دهند. این تحولات جدید در یادگیری ماشین، امکان تعیین سریع و مؤثر کیفیت و پیش بینی کیفیت محصولات تازه را فراهم می‌آورد.

به عنوان مثال، تکنیک‌های تصویربرداری با الگوریتم‌های یادگیری ماشین همراه است تا بتواند کبودی، سرماخوردگی و قهوه موجود در میوه مانند سیب، گلابی و مرکبات و نقایص مختلف گوجه فرنگی را تشخیص دهد. برنامه‌های مبتنی بر تلفن‌های هوشمند برای استفاده در تشخیص کیفیت میوه‌ها در حال توسعه هستند.

یک روند تحقیقاتی جهانی در حال حاضر با هدف ادغام دستگاه‌های سنجش در امتداد زنجیره غذایی برای نظارت و کنترل مداوم شاخص‌های کیفیت، به راه حل‌هایی دست یافته است.

نخست نظارت بر محصول؛ از سنسور‌ها می‌توان برای اندازه گیری خواص میوه و سبزیجات در هنگام رشد مانند رنگ، اندازه و شکل استفاده کرد. چنین اطلاعاتی به کنترل شرایط رشد مانند تأمین آب کمک و بهترین تاریخ برداشت را به طور دقیق تعیین می‌کند؛ این باعث کاهش خسارات هنگام برداشت می‌شود، مثلا برخی از کشاورزان خرده فروشی در آلمان از طریق تلفن‌های هوشمند برای ارسال کیفیت محصولات زراعی خود از طریق ارسال تصاویر محصول که توسط متخصصین از طریق مدل‌های یادگیری ماشین پردازش می‌شوند، استفاده می‌کنند و سپس به بازخورد آن به کشاورزان ارسال می‌شود. شرکت‌ها در حال تهیه مدل‌هایی برای ردیابی عوامل محیطی مانند تغییرات آب و هوا هستند.

انتهای پیام/