Colore, dimensione, forma e consistenza del frutto sono fattori di qualità importanti che possono influenzare significativamente la qualità finale del prodotto. Prima della commercializzazione, i frutti vengono selezionati e per queste operazioni le aziende sono sempre alla ricerca di strumenti non distruttivi e veloci.
I metodi visivi sono interessanti perchè possono misurare le caratteristiche qualitative critiche del colore e della forma. Il Sistema di Visione Artificiale (in inglese, Computer Vision System - CVS) è un'intelligenza artificiale utilizzata per diagnosticare, separare e classificare sia frutta che verdura.
È un metodo veloce, non distruttivo e affidabile che può estrarre molte informazioni sulle caratteristiche fisiche e chimiche dei frutti. Negli ultimi tempi, ci sono stati significativi miglioramenti nelle tecnologie di imaging e nella loro analisi, che hanno aumentato l'accuratezza e l'efficienza dei Sistemi di Visione Artificiale.
In ciliegio, il colore della buccia del frutto è un indicatore vitale della sua maturità e qualità, influenzato dalla concentrazione di antociani e dal rapporto tra solidi solubili totali e acidità totale al momento della raccolta. Le ciliegie dolci sono suscettibili ai fattori ambientali, specialmente ai cambiamenti di temperatura, e perdono rapidamente la loro qualità dopo la raccolta e durante il trasporto e lo stoccaggio.
Le ciliegie dolci possono subire una perdita di qualità post-raccolta come perdita di consistenza e di acidità, essiccazione del picciolo, imbrunimento della buccia e malattie fungine. Il confezionamento attivo e i trattamenti di rivestimento dei frutti sono tecnologie cruciali che rilasciano ingredienti attivi per proteggere i prodotti dalla degradazione microbica e aumentarne la durata di conservazione.
Immagine 1: A) Immagine RGB, (B) Immagine senza sfondo, (C) Immagine grigia e (D) Immagine binaria. La preelaborazione delle immagini è stata eseguita con il software MATLAB R2019a (Mathworks, USA). In primo luogo, i canali di colore R, G e B sono stati estratti separatamente da ciascuna immagine dopo la segmentazione dell'immagine, la trasformata di Laplace e la rimozione del rumore con l'aiuto di un filtro mediano (b). Le immagini sono state poi convertite da RGB a scala di grigi (c). Successivamente, l'immagine in scala di grigi è stata convertita in un'immagine binaria con valori dei pixel di 0 e 1 (d) utilizzando l'istogramma dell'immagine e il livello di soglia ottenuto per tentativi. Questa conversione ha permesso di separare facilmente l'area sana da quella difettosa. Fonte: Yashar Shahedi et al., 2024.La ricerca condotta al Dipartimento di Scienze e Ingegneria Alimentare dell’Università di Zanjan (Iran) ha impiegato le caratteristiche visive acquisite dalle immagini RGB per studiare le alterazioni nei difetti superficiali, stimare le proprietà fisiche e chimiche e classificare la qualità delle ciliegie dolci durante la loro conservazione secondo diversi protocolli di stoccaggio.
Sono stati anche impiegati i modelli ANN (Rete Neurale Artificiale) e ANFIS (Sistema di Inferenza Neuro-Fuzzy Adattivo). I risultati hanno mostrato che i modelli ANN e ANFIS stimano accuratamente i gradi di qualità delle ciliegie dolci in tutti e quattro gli algoritmi con oltre il 90% di precisione. Con l'aumentare del tempo di conservazione, i danni superficiali delle ciliegie dolci sono aumentati.
Tuttavia, il trattamento di rivestimento e l'aumento della concentrazione dei coatings hanno ridotto i tassi di questi danni. I risultati hanno indicato che i modelli ANFIS e ANN hanno dimostrato previsioni di successo delle alterazioni fisiche e chimiche che si verificano nelle ciliegie dolci durante la conservazione, sfruttando le caratteristiche di colore e texture basate su immagini, mostrando al contempo una notevole precisione nella loro modellazione.
Lo studio dimostra che i cambiamenti fisici e chimici delle ciliegie dolci possono essere previsti utilizzando i modelli CVS, ANFIS e ANN. L'elevata capacità diagnostica dell'algoritmo ne consente l'uso industriale per processi di diagnostica, controllo e classificazione.
Fonte: Yashar Shahedi, Mohsen Zandi, Mandana Bimakr, A computer vision system and machine learning algorithms for prediction of physicochemical changes and classification of coated sweet cherry, Heliyon, Volume 10, Issue 20, 2024, e39484, ISSN 2405-8440, https://doi.org/10.1016/j.heliyon.2024.e39484.
Immagini: myfruit.it; Yashar Shahedi et al 2024.
Melissa Venturi
Università di Bologna (IT)
17 nov 2023
Non una serra, non classiche coperture antipioggia ma un nuovo sistema di coltivazione: Cravo Equipment LTD ha da pochissimo portato sul mercato l’Automatic Auto-Dry Rain Shelter, ovvero una serra a tetto e pareti retrattili, automatizzate.
06 dic 2024
La Cina e gli altri mercati asiatici hanno la capacità di assorbire l'aumento dei volumi di ciliegie cilene, afferma Danny Guo, GM del commercio di JWM Asia. Ma cita il controllo della qualità, la diversificazione dei canali e il marketing mirato come fattori chiave.
09 gen 2026
Una corretta irrigazione migliora qualità e resa delle ciliegie. Con SWAN Systems, i coltivatori di Australia, Nord America e Mediterraneo possono ottimizzare l’acqua, ridurre sprechi e aumentare la redditività, grazie a dati integrati, supporto e decisioni più precise.
09 gen 2026
La crescita dei volumi e le criticità logistiche rendono la post-raccolta lo snodo della redditività della ciliegia cilena. Anticipazione, controllo del DPV, umidificazione, idroraffreddamento e piani di contingenza diventano lo standard per tutelare qualità e valore.
