I difetti di qualità interni della frutta costituiscono un problema importante sia per l’industria che per il commercio della mela. Mentre i frutti che mostrano i sintomi esterni di una malattia possono essere facilmente eliminati, il riconoscimento dei difetti interni rappresenta ancora una sfida. Durante la conservazione delle mele, le perdite post-raccolta possono arrecare gravi danni economici al settore ed è assolutamente necessario eliminare i frutti danneggiati dalla filiera commerciale. A tutt’oggi esistono solo pochi metodi per determinare i difetti interni di qualità. Per prevenirli e per poter adottare misure adeguate al momento del raccolto, in fase di post-raccolta o durante la conservazione, le cause devono essere riconosciute con precisione e in una fase precoce. Ciò richiede una tecnologia affidabile e veloce, in grado di catturare immagini della qualità interna dei frutti e di analizzarle in tempo reale grazie a un software affidabile e che riesca a generare informazioni utili per l’utente.
Nei prossimi tre anni, gruppi di lavoro dei tre maggiori istituti di ricerca dell’Alto Adige lavoreranno insieme all’azienda high-tech MiCROTEC di Bressanone per sviluppare un’innovazione di questo tipo grazie al progetto di ricerca “Imaging iperspettrale per l’individuazione di danni fisiologici e parassitari sui frutti di melo in fase di raccolta e post-raccolta” (HIPPA). L’idea del progetto è sorta dalla collaborazione tra il prof. Markus Zanker (Facoltà di Ingegneria) e la prof.ssa Sanja Baric (Facoltà di Scienze Agrarie, Ambientali e Alimentari) della Libera Università di Bolzano. “Attualmente vengono condotte molte ricerche su questi temi, ma per arrivare a soluzioni pratiche e applicate è necessario un approccio interdisciplinare in cui confluiscano e si integrino conoscenze agronomiche, informatiche e tecnologiche”, afferma la prof.ssa Sanja Baric, responsabile del progetto, che ha preso il via poche settimane fa. “Siamo molto soddisfatti di aver creato un team di ricercatori ed esperti provenienti da diverse discipline scientifiche: fisiologia e tecnologia post-raccolta, fitopatologia, raccolta di dati sensoriali, elaborazione di immagini e visione artificiale, intelligenza artificiale e sistemi di supporto decisionali”.
Il consorzio, finanziato dal FESR, può contare anche sull’esperienza nell´industria del legno di MiCROTEC, l’azienda altoatesina che già identifica da decenni con successo le proprietà interne del legno. Tale tecnologia ora verrà trasferita con BIOMETiC, spin-off della MiCROTEC, alle mele in collaborazione con i team di ricerca di unibz, Centro di Sperimentazione Laimburg ed Eurac Research. L’obiettivo comune è individuare una soluzione innovativa per l’efficiente rilevamento con tecnologia digitale e non distruttiva, dei danni interni delle mele, il monitoraggio e la previsione delle malattie post-raccolta, dei disturbi fisiologici e delle caratteristiche qualitative dei frutti. Il progetto dovrà gettare anche le basi per lo sviluppo di sensori e hardware specifici che in futuro potrebbero essere utilizzati nei robot adibiti alla raccolta o nelle selezionatrici ottiche di BIOMETiC.
Una tecnologia molto promettente su cui il consorzio di ricerca intende concentrarsi è l’imaging iperspettrale a infrarossi. Essa consente di raccogliere dati – che altrimenti non sarebbero riconoscibili – utilizzando sistemi di sensori in grado di registrare segnali elettromagnetici di molte lunghezze d’onda vicine tra di loro. Queste possono essere comprese in una gamma di lunghezze d’onda tra i 350 e i 2500 nm, mentre l’occhio umano percepisce solo le lunghezze d’onda comprese tra i 350 e i 730 nm. Ciò significa che l’imaging iperspettrale può catturare più informazioni da un oggetto rispetto a una fotocamera convenzionale con i soliti tre canali di colore. Tuttavia, le informazioni spettrali aggiuntive comportano un grado di complessità maggiore, che richiede soluzioni avanzate per l’estrazione dei dati che si discostano dalle tecniche convenzionali di analisi delle immagini. In questo caso, può rivelarsi utile l’uso di metodi di deep learning. Infine, i sistemi dovrebbero fornire raccomandazioni sulle misure da adottare per ridurre le perdite e gli sprechi alimentari lungo le catene di produzione e di approvvigionamento e promuovere metodi di produzione sostenibili.
