Detecting chilling injury in Red Delicious apple using hyperspectral imaging and neural networks

Nous avons évalué l’utilisation d’un système d’imagerie hyperspectrale (400-1000 nm) et d’un réseau neuronal artificiel (RNA) pour la détection des accidents de réfrigération chez les pommes ‘Red Delicious’. Nous avons d’abord créé un système d’imagerie hyperspectrale permettant de saisir et prétraiter les images de pommes et d’extraire de ces images les propriétés spectrales des pommes. Nous avons par ailleurs élaboré des modèles RNA à rétropropagation permettant de choisir les longueurs d’onde optimales, de classer les pommes et de détecter les changements de fermeté causés par les accidents de réfrigération. Nous avons ainsi établi que les longueurs d’onde optimales étaient de 717, 751, 875, 960 et 980 nm. Nous avons ensuite entraîné, testé et validé les modèles avec divers groupes de fruits, afin d’évaluer leur robustesse. Les réponses spectrales et spatiales obtenues avec les cinq longueurs d’onde nous ont permis d’obtenir une exactitude de classification de 98,4 % entre les fruits normaux et avariés. Le coefficient de corrélation entre fermetés mesurée et prévue était de 0,93 pour l’ensemble d’entraînement, de 0,91 pour l’ensemble de test et de 0,92 pour l’ensemble de validation. Ces résultats montrent que les techniques proposées sont prometteuses pour la détection des accidents de réfrigération et la prédiction de la fermeté des pommes.