Des chercheurs de l’Université Hébraïque de Jérusalem ont développé un nouveau modèle d’intelligence artificielle utilisant l’imagerie hyperspectrale pour évaluer la qualité des tomates avant récolte, pouvant finalement être intégré à un dispositif portable et peu coûteux.
Selon une étude publiée dans Computers and Electronics in Agriculture, cette méthode économique et non destructive permet de prédire des paramètres essentiels tels que le poids, la fermeté et la teneur en lycopène (un antioxydant naturel). Cela permet aux agriculteurs de surveiller le développement des fruits en temps réel, d’optimiser le moment de la récolte et d’améliorer la qualité des cultures. Ces recherches représentent une avancée majeure dans l’agriculture de précision et la production alimentaire durable.
« Notre recherche vise à combler le fossé entre les technologies avancées d’imagerie, l’IA et les applications agricoles pratiques », explique le Dr David Helman, de la Faculté d’Agriculture, d’Alimentation et d’Environnement Robert H. Smith de l’Université Hébraïque. « Ce travail pourrait révolutionner le suivi de la qualité, non seulement pour les tomates, mais également pour d’autres cultures. Notre prochaine étape consiste à concevoir un appareil à faible coût (ToMAI-SENS) basé sur notre modèle, utilisable tout au long de la chaîne de valeur des fruits, des exploitations agricoles jusqu’aux consommateurs. »
Les images hyperspectrales capturent différentes longueurs d’onde lumineuses, appelées bandes spectrales, pour étudier les propriétés des objets selon leur réflexion de la lumière. Cette approche sur les fruits résout les limites des méthodes traditionnelles en offrant une alternative plus rapide, non destructive et économique.
Cette étude, menée en collaboration avec des chercheurs de l’Université Bar-Ilan et du Centre Volcani, a utilisé une caméra hyperspectrale portative pour collecter des données sur 567 tomates de cinq variétés différentes. Des algorithmes d’apprentissage automatique, notamment Random Forest et les réseaux de neurones artificiels, ont été employés pour prédire sept paramètres qualitatifs essentiels : poids, fermeté, solides solubles totaux (SST), acide citrique, acide ascorbique, lycopène et pH. Les modèles ont démontré une grande précision, l’algorithme Random Forest atteignant notamment un R² de 0,94 pour le poids et de 0,89 pour la fermeté.
Principaux résultats de l’étude :
- Efficacité dans la sélection des bandes : le modèle prédit efficacement les paramètres de qualité en utilisant seulement cinq bandes spectrales, ouvrant la voie à des appareils portables économiques.
- Applicabilité étendue : testé sur diverses variétés et conditions de culture, le modèle montre robustesse et évolutivité.
- Avantages avant récolte : les agriculteurs peuvent désormais surveiller la qualité des fruits durant la maturation, optimiser le moment de la récolte et améliorer la qualité des produits.
L’étude souligne le potentiel d’intégration de cette technologie dans les pratiques agricoles, des systèmes intelligents de récolte jusqu’aux outils destinés aux consommateurs pour évaluer la qualité des produits dans les supermarchés.
L’article intitulé « Machine learning models based on hyperspectral imaging for pre-harvest tomato fruit quality monitoring » est maintenant disponible dans Computers and Electronics in Agriculture.
Chercheurs : Eitan Fass¹, Eldar Shlomi², Carmit Ziv³, Oren Glikman², David Helman¹⁴
Institutions :
- Département des sciences du sol et de l’eau, Institut des sciences environnementales, Faculté d’Agriculture, Alimentation et Environnement Robert H. Smith, Université Hébraïque de Jérusalem
- Département d’informatique, Université Bar-Ilan
- Département des sciences post-récolte, Organisation de recherche agricole, Centre Volcani
- École avancée des études environnementales, Université Hébraïque de Jérusalem

Imagerie ToMAI-SENS des fruits à différentes bandes spectrales, permettant l’identification du fruit et l’estimation de ses paramètres de qualité. | Crédit : Yedidya Harris