Il contenuto in solidi solubili (SSC) è un parametro fondamentale che guida le preferenze dei consumatori in termini di gusto, aroma e sapore dei frutti. Allo stesso tempo, viene utilizzato dai produttori per individuare il momento ottimale della raccolta e dai grossisti per pianificare la conservazione e la commercializzazione dei prodotti.
Questo valore può essere determinato sia attraverso metodi distruttivi che non distruttivi. Tra i metodi non distruttivi, l'analisi delle proprietà dielettriche è particolarmente promettente, grazie alla possibilità di operare su un’ampia gamma di frequenze e alla capacità di penetrare in profondità nel frutto.
Questa tecnica si basa sulla valutazione di come un materiale immagazzina e dissipa l’energia elettrica, attraverso l’analisi delle sue proprietà dielettriche, in particolare della costante dielettrica (ε′) e del fattore di perdita dielettrica (ε″).
Lo studio, attualmente pubblicato solo in forma preliminare, è stato condotto presso l’Università di Ankara (Turchia) e propone un approccio innovativo che combina tecniche di sotto-campionamento, misure dielettriche e algoritmi di apprendimento automatico per prevedere il contenuto in solidi solubili delle ciliegie dolci in diversi momenti post-raccolta, con l’obiettivo di ridurre i costi di implementazione rispetto a studi precedenti.
Lo studio introduce quindi un sistema di misurazione basato su una sonda coassiale a linea aperta, in grado di determinare in modo non invasivo il contenuto in solidi solubili delle ciliegie a diverse frequenze radio e microonde.
L’esperimento ha previsto la misurazione di diversi parametri in vari momenti dopo la raccolta, utilizzando frequenze comprese tra 300 MHz e 15 MHz.
Figura 1. Schema del processo utilizzato nella prova sperimentale
Successivamente, sono stati sviluppati modelli predittivi tramite regressione a vettori di supporto (SVR) e multilayer perceptron (MLP), utilizzando i dati ottenuti dalla spettroscopia dielettrica.
Questi modelli hanno raggiunto coefficienti di correlazione superiori a 0.96, con prestazioni elevate e costanti su tutti i sottoinsiemi analizzati nelle varie gamme di frequenze, confermando l'affidabilità del metodo.
I risultati ottenuti con l’integrazione di modelli di apprendimento automatico e il sistema di misurazione a sonda coassiale sono stati molto promettenti.
In particolare, la scelta dell’algoritmo di machine learning e delle frequenze più appropriate si è rivelata cruciale.
Il sistema dielettrico si è dimostrato in grado di eseguire misurazioni affidabili anche a frequenze relativamente basse (15 MHz). Inoltre, è stato evidenziato che anche dispositivi con un range di misura più limitato possono risultare adeguati per stimare il contenuto in solidi solubili.
Tra i modelli testati, SVR ha offerto un buon compromesso tra accuratezza di previsione e rapidità di esecuzione, risultando quindi il più efficace.
Sebbene l’MLP abbia mostrato prestazioni elevate su quasi tutti gli indicatori, ha richiesto tempi di elaborazione più lunghi.
Il modello REPTree ha ottenuto i risultati peggiori rispetto agli altri e gli altri modelli di machine learning testati non hanno mostrato vantaggi significativi in termini di prestazioni.
In prospettiva futura, questa tecnologia potrà essere applicata per prevedere le caratteristiche qualitative interne di diversi frutti e ortaggi, con proprietà dielettriche simili o differenti.
La raccolta di ulteriori dati permetterà di contribuire a migliorare ulteriormente l’accuratezza dei modelli predittivi, con l’obiettivo di monitorare la qualità di ogni singolo frutto prodotto.
Fonte: Kamil Sacilik, Necati Cetin, Burak Ozbey, Fernando Auat Cheein, Non-invasive prediction of sweet cherry soluble solids content using dielectric spectroscopy and down-sampling techniques, Smart Agricultural Technology, Volume 10, 2025, 100782, ISSN 2772-3755, https://doi.org/10.1016/j.atech.2025.100782
Fonte immagini: Sacilik et al., 2024; Anton Paar
Melissa Venturi
Università di Bologna
21 set 2026
La stagione 2025-2026 conferma un nuovo equilibrio per le ciliegie cilene: ritorni più bassi, qualità e calibro decisivi, costi sotto controllo ed efficienza diventano essenziali per difendere margini, produttività e competitività dei produttori in Cile sul mercato.
23 lug 2024
Tre metodologie distinte, ovvero gli algoritmi YOLOv8s, RtmDET MM Detection e DETR Transformer, sono state addestrate sul dataset ibrido generato e confrontate tra di loro. L'algoritmo YOLOv8s ha dimostrato le prestazioni migliori come conseguenza dell'addestramento.
02 nov 2026
Phenoria usa una sola foto da smartphone e l'intelligenza artificiale per analizzare chioma e carico di frutti dei ciliegi. Lo studio confronta piante con 755 e 137 frutti medi, mostrando come la fenotipizzazione digitale individui la variabilità nel frutteto analizzato.
02 nov 2026
Claudia Soler analizza il futuro delle ciliegie cilene dopo due stagioni difficili: qualità premium, nuovi consumatori in Cina, diversificazione verso Stati Uniti ed Europa, innovazione logistica e strategie per rafforzare esportazioni e competitività entro il 2035.
