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)
19 set 2024
La produzione mondiale della prossima stagione sarà di 4,958 milioni di tonnellate. La cifra rappresenta una crescita dell'1% su base annua e del 62% rispetto ai numeri di un decennio fa. Le esportazioni sono previste a 759.000 tonnellate, quasi pari al volume dello scorso anno,
Mercati Produzione Rassegna Stampa
24 gen 2024
Grazie alla loro qualità differenziata, queste ciliegie hanno ottenuto la prima Denominazione di Origine della provincia. Inoltre, le ciliegie prodotte a Los Antiguos sono le ultime ad essere raccolte nell'emisfero meridionale, nel periodo tra dicembre e metà febbraio.
31 mar 2025
L'intelligenza artificiale sta rivoluzionando la selezione delle ciliegie, garantendo maggiore precisione, riduzione degli sprechi e qualità superiore. Scopri come le tecnologie avanzate come il deep learning ottimizzano il confezionamento e migliorano la produttività.
31 mar 2025
Scopri i risultati dei workshop sulla gestione del vigore delle ciliegie in Australia, con aggiornamenti da Tasmania, Victoria, South Australia e NSW. Esperti internazionali e innovazioni per ottimizzare la coltivazione. Leggi di più su tecniche e strategie vincenti.
