การทำฟาร์มสมัยใหม่มีการพัฒนาโดยการนำความก้าวหน้าทางเทคนิคมาใช้ เช่น เครื่องจักรสำหรับการไถและการเก็บเกี่ยว การให้น้ำแบบควบคุม ปุ๋ย ยาฆ่าแมลง การวิจัยพันธุ์พืชและพันธุศาสตร์ สิ่งเหล่านี้ช่วยให้เกษตรกรผลิตพืชผลขนาดใหญ่ที่มีคุณภาพดีด้วยวิธีที่พอจะคาดเดาได้ แต่ยังคงมีความคืบหน้าเพื่อให้ได้ผลผลิตที่ดีที่สุดจากดินประเภทต่างๆ และการสูญเสียครั้งใหญ่ยังคงเกิดขึ้น โดยเฉพาะระหว่างและหลังการเก็บเกี่ยว ซึ่งการตรวจสอบและการจัดการผลิตผลทำได้ไม่ดีนัก
อุตสาหกรรมต้องการโซลูชันที่ชาญฉลาดและแม่นยำ และสิ่งเหล่านี้
กำลังมีให้ใช้งานผ่านเทคโนโลยีใหม่ การทำฟาร์มอัจฉริยะมีเป้าหมายที่จะใช้เทคโนโลยีที่ทันสมัยในการปรับปรุงผลผลิตและคุณภาพของผลิตภัณฑ์ ตัวอย่างหนึ่งคือการเกษตรแบบแม่นยำ แนวคิดการจัดการพืชผลเฉพาะพื้นที่ที่ใช้ระบบสนับสนุนการตัดสินใจตามการติดตาม การวัด และการตอบสนองต่อความแปรปรวนระหว่างและภายในทุ่งในพืชผล สิ่งนี้ทำให้เกษตรกรสามารถเพิ่มผลตอบแทนและรักษาทรัพยากรได้อย่างเหมาะสม โซลูชันการตรวจสอบดังกล่าวสามารถทำได้โดยการรวมอุปกรณ์ตรวจจับอิเล็กทรอนิกส์ที่บันทึกข้อมูลในดิน สิ่งแวดล้อม หรือพืชผล ข้อมูลสามารถให้ข้อมูลที่เป็นประโยชน์สำหรับการตัดสินใจผ่านกระบวนการที่เรียกว่าการวิเคราะห์ข้อมูล
เป้าหมายคือการใช้ดินในพื้นที่ใดพื้นที่หนึ่งให้เกิดประโยชน์สูงสุด ควบคุมการดูแลพืชผล และตัดสินใจอย่างรอบรู้เกี่ยวกับการจัดการผลิตผลหลังการเก็บเกี่ยว
เรามีส่วนร่วมในการพัฒนาและการใช้เซ็นเซอร์เพื่อช่วยสร้างคุณภาพของผลิตภัณฑ์พืชสวนหลากหลายประเภท รวมถึงผลไม้ เราใช้วิธีการอัจฉริยะของคอมพิวเตอร์เพื่อตรวจหาข้อบกพร่องและทำนายคุณภาพของผลไม้
การวิจัยล่าสุดของเราพบว่าโซลูชันที่ขับเคลื่อนด้วยข้อมูลมีประโยชน์หลายประการ ตัวอย่างเช่น สามารถช่วยลดการสูญเสียของผักและผลไม้ตลอดห่วงโซ่อุปทานตั้งแต่ฟาร์มไปจนถึงการบริโภค
ผักและผลไม้สามารถเสียหายได้ทั้งก่อน ระหว่าง และหลังการเก็บเกี่ยว ตลอดจนในการเก็บรักษา นี่มันสิ้นเปลือง การเน่าเสียและการเน่าเสียบางส่วนเกิดจากไวรัส เชื้อรา แบคทีเรีย หรือจุลชีพก่อโรค ผลิตภัณฑ์ที่บรรจุแน่นหรือมีรอยฟกช้ำมีความเสี่ยงต่อการติดเชื้อมากกว่าและอยู่ได้ไม่นาน
จากข้อมูลขององค์การอาหารและการเกษตรแห่งสหประชาชาติ
ประมาณ 14% ของอาหารในโลกสูญเสียไปหลังการเก็บเกี่ยวและก่อนถึงร้านค้าและตลาด และประมาณ 1 ใน 3 ของอาหารในโลกสูญเสียหรือสูญเปล่า การลดการสูญเสียอาหารและของเสียให้เหลือน้อยที่สุดเป็นสิ่งสำคัญในการสร้าง โลก Zero Hungerที่ซึ่งผู้คนกว่า 821 ล้านคนกำลังทุกข์ทรมานจากความอดอยาก
การวิจัยของเราเกี่ยวข้องกับการทบทวนบทบาทที่การวิเคราะห์ข้อมูลสามารถใช้ในการตรวจหาข้อบกพร่องในผักและผลไม้ เราพบว่าแมชชีนเลิร์นนิง – ความสามารถของคอมพิวเตอร์ในการค้นหารูปแบบในข้อมูล คาดการณ์ และเสนอการตัดสินใจโดยไม่ต้องตั้งโปรแกรมไว้อย่างชัดเจน – เหนือกว่าวิธีดั้งเดิมในการจำแนกผลิตผล
แมชชีนเลิร์นนิงประสบความสำเร็จอย่างมากในการตรวจจับโรค พืช และผลไม้ สิ่งเหล่านี้สามารถขยายไปสู่การตรวจสอบคุณภาพของผลไม้และอาหารอื่นๆ เซ็นเซอร์สามารถใช้ตรวจจับแมลงและโรคในผักและผลไม้ ทำหน้าที่เป็นจมูกหรือลิ้นอิเล็กทรอนิกส์ และวัดองค์ประกอบทางเคมี นอกจากนี้ยังสามารถวัดคุณสมบัติทางกายภาพ เช่น ความแน่นและความเป็นกรด เพื่อกำหนดคุณภาพของผลิตภัณฑ์
การยอมรับของผลิตภัณฑ์ขึ้นอยู่กับสี รูปร่าง ขนาด ความหวาน และต้องไม่มีตำหนิ เช่น รอยช้ำ แมลงรบกวน นี่เป็นสิ่งสำคัญสำหรับความพึงพอใจของลูกค้าและสำหรับผลตอบแทนที่ผู้ผลิตและซัพพลายเออร์ได้รับ
อุปกรณ์ตรวจจับสามารถให้ข้อมูลเกี่ยวกับคุณลักษณะเหล่านี้ไปยังอัลกอริทึมของคอมพิวเตอร์เพื่อการวิเคราะห์ การพัฒนาใหม่ๆ ในแมชชีนเลิร์นนิงช่วยให้สามารถกำหนดและคาดการณ์คุณภาพของผักผลไม้สดได้อย่างรวดเร็วและมีประสิทธิภาพ
ตัวอย่างเช่น เทคนิคการถ่ายภาพร่วมกับอัลกอริธึมการเรียนรู้ของเครื่องเพื่อตรวจหารอยฟกช้ำ การบาดเจ็บจากหวัด และการเกิดสีน้ำตาลในผลไม้ เช่น แอปเปิ้ล ลูกแพร์ และส้ม และเพื่อตรวจหาข้อบกพร่องต่างๆ ในมะเขือเทศ แอพพลิเคชั่นบนสมาร์ทโฟนได้รับการพัฒนาเพื่อใช้ในการรับรู้คุณภาพของผลเบอร์รี่ขนาดเล็ก
การเรียนรู้ของเครื่องช่วยลดการสูญเสีย
มีแนวโน้มการวิจัย ทั่วโลกในปัจจุบัน ที่มุ่งบูรณาการอุปกรณ์ตรวจจับตามห่วงโซ่อาหารเพื่อตรวจสอบและควบคุมตัวบ่งชี้คุณภาพอย่างต่อเนื่อง เราได้ตรวจสอบงานวิจัยนี้และพบขั้นตอนต่างๆ ที่ใช้โซลูชันดังกล่าวในห่วงโซ่อาหาร เหล่านี้รวมถึง:
การตรวจสอบพืชผล
สามารถใช้เซนเซอร์เพื่อวัดคุณสมบัติของผักและผลไม้ในขณะที่กำลังเติบโต เช่น สี ขนาด และรูปร่าง ข้อมูลดังกล่าวช่วยควบคุมสภาวะการเจริญเติบโต เช่น การให้น้ำ และกำหนดวันเก็บเกี่ยวที่ดีที่สุดได้อย่างแม่นยำ ซึ่งช่วยลดการสูญเสียระหว่างการเก็บเกี่ยว ตัวอย่างเช่น เกษตรกรรายย่อยในเยอรมนี บาง รายใช้สมาร์ทโฟนเพื่อตรวจสอบคุณภาพของพืชผลของตนโดยส่งภาพพืชผลไปให้ผู้เชี่ยวชาญดำเนินการผ่านโมเดลการเรียนรู้ของเครื่อง ข้อเสนอแนะจะถูกส่งไปยังเกษตรกร บริษัทต่างๆ กำลังพัฒนาแบบจำลองเพื่อติดตามปัจจัยด้านสิ่งแวดล้อม เช่น การเปลี่ยนแปลงของสภาพอากาศ และทำนายว่าปัจจัยเหล่านี้ส่งผลต่อผลผลิตของพืชผลอย่างไร การสนับสนุนประเภทนี้มุ่งเป้าไปที่เกษตรกรในประเทศกำลังพัฒนา โดยเฉพาะ
