Развитие цифровых методов в технологиях хранения и переработки сельскохозяйственного сырья

Введение: Технология хранения и переработки сельскохозяйственного сырья играет ключевую роль в обеспечении продовольственной безопасности и минимизации потерь продукции, однако традиционные методы зачастую не в полной мере эффективны и могут приводить к значительным потерям сырья. Анализ текущего состояния и перспектив внедрения цифровых технологий в эти процессы с целью повышения эффективности, качества и безопасности производства, а также сокращения потерь и увеличения рентабельности сельскохозяйственного производства представляет собой важную научную и общественную задачу.

Цель: Критическое осмысление, систематизация и обобщение существующих цифровых методов и технологий, применяемых в хранении и переработке сельскохозяйственного сырья, для выявления их потенциала, ограничений и перспектив внедрения в российском сельском хозяйстве, с учетом особенностей отрасли и существующих барьеров.

Материалы и методы: Для анализа текущего состояния цифровых методов и технологий в сфере хранения и переработки сельскохозяйственного сырья был проведен обзор научных статей и материалов конференций. Исследование охватывает период с 2017 по 2024 г. Поиск релевантной литературы осуществлялся через научные базы данных: Scopus, Web of Science, РИНЦ. Также была проанализирована нормативно-правовая документация Правительства РФ в области внедрения цифровых технологий, вступившая в силу с 2010 по 2024 г. и опубликованная на официальном сайте «Консультант Плюс». Также был проведен анализ интернет-источников, за период с 2023 по 2024 г. В исследование были включены работы, опубликованные на русском и английском языках. Для систематизации литературы использовался протокол PRIZMA.

Результаты: В процессе анализа существующих цифровых методов и технологий, применяемых для хранения и переработки сельскохозяйственного сырья выделены три направления исследований, описывающие: (1) уровень цифровизации агропромышленного комплекса в Российской Федерации, (2) сдерживающие аспекты, влияющие на уровень цифровизации агропромышленного комплекса, (3) разработки в области хранения и переработки сельскохозяйственного сырья. 

Выводы: Цифровые технологии, применяемые в хранении и переработке сельскохозяйственного сырья, обладают значительным потенциалом для оптимизации производственных процессов, снижения затрат и повышения эффективности. Однако существующие цифровые решения отличаются фрагментарностью и недостаточной интеграцией, как между собой, так и с традиционными лабораторными методами определения качества. Создание единой интегрированной системы, использующей возможности искусственного интеллекта, могло бы значительно повысить эффективность, безопасность и качество всей сельскохозяйственной отрасли. Для создания такой системы необходим переход от фрагментарных решений к комплексным платформам, которые интегрируют данные из разных систем; также необходимо провести интеграцию искусственного интеллекта с традиционными лабораторными методами оценки качества. Однако отсутствие единых стандартов для обмена данными и недостаток координации между системами препятствуют комплексному внедрению цифровых решений.

1. Алтухов, А. И., Дудин, М. Н., & Анищенко, А. Н. (2020). Цифровая трансформация как технологический прорыв и переход на новый уровень развития агропромышленного сектора России. Продовольственная политика и безопасность, 7(2), 81-96.

2. Архипов, А. Г., Горбачев, М. И., Косогор, С. Н., Моторин, О. А., Суворов, Г. А., & Труфляк, Е. В. (2019). Цифровая трансформация сельского хозяйства России. Российский научно-исследовательский институт информации и технико-экономических исследований по инженерно-техническому обеспечению агропромышленного комплекса.

3. Балабанов, П. В., Жиркова, А. А., Дивин, А. Г., Егоров, А. С., Мищенко, С. В., & Шишкина, Г. В. (2022). Информационно-измерительная система для управления процессом сортировки овощей и фруктов. Вестник Тамбовского государственного технического университета, 28(4), 526-533.

4. Валигурский, Д. И., Кузьмина, Т. Т., Рыжова, И. О., Савенко, В. Г., & Гаврилюк, М. В. (2019). Оценка и прогноз развития агропромышленного комплекса. Фундаментальные и прикладные исследования кооперативного сектора экономики, (4), 118-127.

5. Водясов, П. В. (2018). Фактическая и нормативная самообеспеченность продовольствием. Агропродовольственная экономика, (4), 13-20.

6. Горохова, О. В. (2021). Цифровая трансформация агропромышленного сектора России: вызовы и возможности. Инновации. Наука. Образование, (47), 373-381.

7. Добровлянин, В. Д., & Антинескул, Е. А. (2022). Цифровизация сельского хозяйства: текущий уровень цифровизации в Российской Федерации и перспективы дальнейшего развития. Цифровые модели и решения, 1(2), 59-74.

8. Жукова, М. А., & Улезько, А. В. (2020). Концептуальный подход к формированию цифровой платформы агропродовольственного комплекса. Вестник воронежского государственного аграрного университета, 13, (4(67)), 238-250.

9. Жуплей, И. В. (2021). Теоретические аспекты цифровизации сельского хозяйства России. Повышение экономической эффективности работы организаций в условиях цифровой экономики, 22-25.

10. Клюкин, А. Д. (2022). Современное развитие цифровизации АПК: отечественный и зарубежный опыт. Аграрная экономика, (12), 72-86.

11. Кострова, Ю. Б., & Шибаршина, О. Ю. (2020). К вопросу о необходимости цифровизации АПК. Заметки ученого, (7), 92-94.

12. Крюк, Р. В., Фомин, А. Ю., Курбанова, М. Г., Мухим-заде, М., & Крюк, В. А. (2023). Интеллектуальные датчики для контролирования сроков годности пищевых продуктов. Холодильная техника и биотехнологии, Сборник тезисов IV национальной конференции студентов, аспирантов и молодых ученых, 130-131.

13. Кудинова, М. Г., & Кузнецова, А. В. (2023). Основные направления обеспечения продовольственной безопасности и уровня самообеспечения сельскохозяйственной продукцией населения Алтайского края. Вектор экономики, 11(89).

14. Незамова, О. А., Ступина, А. А., & Оленцова, Ю. А. (2022). Цифровизация как основной тренд развития сельского хозяйства. Азимут научных исследований: экономика и управление, 11(2 (39)), 72-76.

15. Норалиев, Н. Х., & Юсупова, Ф. Э. (2020). Цифровые технологии в сельском хозяйстве. Вопросы науки и образования, 8(92), 4-10.

16. Нунупаров, М. С. (2017). Интернет Вещей в хранении сахарной свеклы в кагатах. Сахар, (7), 40-41.

17. Рогачева, Н. О., Барсукова, Н. В., & Ванюшина, О. И. (2020). Цифровизация сельского хозяйства Рязанского региона. Молодежь и наука: шаг к успеху, Сборник научных статей 4-й Всероссийской научной конференции перспективных разработок молодых ученых, 5, 270-273.

18. Салтанова, Т. А., & Митина, И. А. (2022). Цифровая трансформация агропромышленного комплекса Российской экономики. Вестник Ростовского государственного экономического университета, 1(77), 45-51.

19. Сибиряев, А. С. (2023). Методика обоснования внедрения цифровых платформ в отрасли сельского хозяйства. Вестник НГИЭИ, 12, 125-135.

20. Трушкин, В. А., Глушкина, А. А., & Царина, С. Б. (2022). Перспективы цифровизации в агропромышленном комплексе. Актуальные Проблемы Энергетики АПК, Материалы XIII Национальной научно-практической конференции с международным участием. 168-171.

21. Чеккуева, Л. К. (2019). Преимущества и недостатки цифровизации сельского хозяйства России. Kant, 4(33), 108-112.

22. Шатохин, М. В., Гордеев, И. А., Игнатова, М. Н., & Кремер, К. А. (2021). Состояние и перспективы цифровизации регионального АПК. Вестник Курской государственной сельскохозяйственной академии, (8), 102-109.

23. Шереужева, М. А. (2020). Роль государства в развитии АПК и направления поддержки отрасли. Экономика: вчера, сегодня, завтра, 10(9-1), 407-414.

24. Abdul Aziz, M. F., Bukhari, W. M., Sukhaimie, M. N., Izzuddin, T. A., Norasikin, M. A., Rasid, A. F. A., & Bazilah, N. F. (2021). Development of smart sorting machine using artificial intelligence for chili fertigation industries. Journal of Automation Mobile Robotics and Intelligent Systems, 15(4), 44-52. https://doi.org/10.14313/JAMRIS/4-2021/26

25. Afreen, H., & Bajwa, I. S. (2021). An IoT-based real-time intelligent monitoring and notification system of cold storage. IEEE Access, 9, 38236-38253. https://doi.org/10.1109/ACCESS.2021.3056672

26. Arya, P. S., & Gangwar, M. (2021). A Proposed Architecture: Detecting Freshness of Vegetables using Internet of Things (IoT) & Deep Learning Prediction Algorithm. 3rd International Conference on Advances in Computing, Communication Control and Networking (ICAC3N), 718-723. https://doi.org/10.1109/ICAC3N53548.2021.9725428

27. Bai, Sh., Xiaoab, K., Liua, Q., Mariga, A. M., Yang, W., Fanga, Y., Hua, Q., Gao, H., Chen, H., & Pei, F. (2024). Prediction of moisture content of Agaricus bisporus slices as affected by vacuum freeze drying using hyperspectral imaging. Food Control, 159, 110290. https://doi.org/10.1016/j.foodcont.2024.110290

28. Behera, S. K., Rath, A. K., Mahapatra, A., & Sethy, P. K. (2020). Identification, classification & grading of fruits using machine learning & computer intelligence: a review. Journal of Ambient Intelligence and Humanized Computing, 1-11. https://doi.org/10.1007/s12652-020-01865-8

29. Bhargava, A., & Bansal, A. (2021). Fruits and vegetables quality evaluation using computer vision: A review. Journal of King Saud University-Computer and Information Sciences, 33(3), 243-257. https://doi.org/10.1016/j.jksuci.2018.06.002

30. Chauhan, A., Brouwer, B., & Westra, E. (2022). Robotics for a quality-driven post-harvest supply chain. Current Robotics Reports, 3(2), 39-48. https://doi.org/10.1007/s43154-022-00075-8

31. Chen, B., Zhang, M., Chen, H., Mujumdar, A. S., & Guo, Z. (2023). Progress in smart labels for rapid quality detection of fruit and vegetables: a review. Postharvest Biology and Technology, 198, 112261. https://doi.org/10.1016/j.postharvbio.2023.112261

32. Dey, S., Saha, S., Singh, A. K., & McDonald-Maier, K. (2021). FoodSQRBlock: Digitizing food production and the supply chain with blockchain and QR code in the cloud. Sustainability, 13(6), 3486. https://doi.org/10.3390/su13063486

33. Guo, X., Tseung, Ch., Zare, A., & Liu, T. (2023). Hyperspectral image analysis for the evaluation of chilling injury in avocado fruit during cold storage. Postharvest Biology and Technology, 206, 112548. https://doi.org/10.1016/j.postharvbio.2023.112548

34. Hassoun, A., Jagtap, S., Garcia-Garcia, G., Trollman, H., Pateiro, M., Lorenzo, J. M., Trif, M., Rusu, A. V., Aadil, R. M., Šimat, V., Cropotova, J., & Câmara, J. S. (2023). Food quality 4.0: From traditional approaches to digitalized automated analysis. Journal of Food Engineering, 337, 111216. https://doi.org/10.1016/j.jfoodeng.2022.111216

35. Hassoun, A., Kamiloglu, S., Garcia-Garcia, G., Parra-López, C., Trollman, H., Jagtap, S., Aadil, R. M., & Esatbeyoglu, T. (2023). Implementation of relevant fourth industrial revolution innovations across the supply chain of fruits and vegetables: A short update on Traceability 4.0. Food Chemistry, 409, 135303. https://doi.org/10.1016/j.foodchem.2022.135303

36. He, M., Li, C., Cai, Z., Qi, H., Zhou, L., & Zhang, C. (2024). Leafy vegetable freshness identification using hyperspectral imaging with deep learning approaches. Infrared Physics & Technology, 105216. https://doi.org/10.1016/j.infrared.2024.105216

37. Idama, O., & Ekruyota, O. G. (2023). Design and development of a model smart storage system. Turkish Journal of Agricultural Engineering Research, 4(1), 125-132. https://doi.org/10.46592/turkager.1297511

38. Kailaku, S. I., & Djatna, T. (2022). Traceability and quality monitoring improvement throughout carrot supply chain with the implementation of Internet-Of-Things. IOP Conference Series: Earth and Environmental Science, 1024(1), 012079. https://doi.org/10.1088/1755-1315/1024/1/012079

39. Karpagalakshmi, R. C., Bharathkumar, S., Vignesh, R., Yogaraj, M., & Naveenkumar, A. (2020). Implementation of automated low cost data warehouse for preserving and monitoring vegetables and fruits. Journal of Engineering Sciences, 11(11), 146-151. https://doi.org/10.15433.JES.2020.V11I11.43P.25

40. Kim, Ch., & Iersel, M. W. (2023). Image-based phenotyping to estimate anthocyanin concentrations in lettuce. Front. Plant Sci, 14, 1155722. https://doi.org/10.3389/fpls.2023.1155722

41. Korchagin, S. A., Gataullin, S. T., Osipov, A. V., Smirnov, M. V., Suvorov, S. V., Serdechnyi, D. V., & Bublikov, K. V. (2021). Development of an optimal algorithm for detecting damaged and diseased potato tubers moving along a conveyor belt using computer vision systems. Agronomy, 11(10), 1980. https://doi.org/10.3390/agronomy11101980

42. Kurnosova, N. S., Kurnosov, S. A., & Ulez’ko, A. V. (2021). About models of agriculture digital transformation. Conference Series: Earth and Environmental Science, 786(1), 012011. https://doi.org/10.1088/1755-1315/786/1/012011

43. Lamberty, A., & Kreyenschmidt, J. (2022). Ambient parameter monitoring in fresh fruit and vegetable supply chains using internet of things-enabled sensor and communication technology. Foods, 11(12), 1777. https://doi.org/10.3390/foods11121777

44. Li, X., Li, R., Wang, M., Liu, Y., Zhang, B., & Zhou, J. (2018). Hyperspectral imaging and their applications in the nondestructive quality assessment of fruits and vegetables. Hyperspectral Imaging in Agriculture, Food and Environment, 27-63. http://dx.doi.org/10.5772/intechopen.72250

45. Liu, R., Ning, Y., Ren, Z., Xu, Sh., Cheng, Q., Yang, D., & Wang, L. (2023). An antibacterial and intelligent cellulose-based label self-assembled via electrovalent bonds for a multi-range sensing of food freshness. International Journal of Biological Macromolecules, 244, 125205. https://doi.org/10.1016/j.ijbiomac.2023.125205

46. Mao, Z., & Zhang, Q. (2023). Application process design of digital quality monitoring and traceability system for fresh agricultural products. Digitalization and Management Innovation, 34-42. https://doi.org/10.3233/FAIA230005

47. Mediavilla, M. A., Dietrich, F., & Palm, D. (2022). Review and analysis of artificial intelligence methods for demand forecasting in supply chain management. Procedia CIRP, 107, 1126-1131. https://doi.org/10.1016/j.procir.2022.05.119

48. Mitrofanova, I. V., Inshakova, E. I., & Dovbiy, I. P. (2023). Digitalization of the Russian agro-industrial complex: modern trends and development problems. Journal of Volgograd state university. Economics, 25(2), 59-71. https://doi.org/10.15688/ek.jvolsu.2023.2.5

49. Paredes, A. C., Peche, J. Y., & León, N. (2019). Index of carotenoids of bell pepper (Capsicum annuum) based on color measurement, using hyperspectral and digital images. Scientia Agropecuaria, 10(4), 531-539 https://doi.org/10.17268/sci.agropecu.2019.04.10

50. Peltokorpi, J., Isojärvi, L., Häkkinen, K., & Niemi, E. (2021). QR code-based material flow monitoring in a subcontractor manufacturer network. Procedia Manufacturing, 55, 110-115. https://doi.org/10.1016/j.promfg.2021.10.016

51. Rajesh, K., Riyaz, K., Pallavi, B., Reddy, C. S. S., Raamkumar, A., & Baranitharan, B. (2022). A Smart Agriculture Storaging System with IOT Based. International Conference on Intelligent Controller and Computing for Smart Power (ICICCSP), 1-6. https://doi.org/10.1109/ICICCSP53532.2022.9862427

52. Rathee, G., Khelifi, A., & Iqbal, R. (2021). Artificial intelligence-(AI-) enabled Internet of Things (IoT) for secure big data processing in multihoming networks. Wireless Communications and Mobile Computing, 1-9. https://doi.org/10.1155/2021/5754322

53. Rehman, A., Saba, T., Kashif, M., Fati, S. M., Bahaj, S. A., & Chaudhry, H. (2022). A revisit of internet of things technologies for monitoring and control strategies in smart agriculture. Agronomy, 12(1), 127. https://doi.org/10.3390/agronomy12010127

54. Rizzo, M., Marcuzzo, M., Zangari, A., Gasparetto, A., & Albarelli, A. (2023). Fruit ripeness classification: A survey. Artificial Intelligence in Agriculture, 7, 44-57. https://doi.org/10.1016/j.aiia.2023.02.004

55. Rong, L., Zhang, T., Ma, Y., Wang, T., Liu, Y., & Wu, Zh. (2023). An intelligent label using sodium carboxymethyl cellulose and carrageenan for monitoring the freshness of fresh-cut papaya. Food Control, 145, 109420. https://doi.org/10.1016/j.foodcont.2022.109420

56. Ronte, A., Chalitangkoon, J., Foster, E. J., & Monvisade, P. (2024). Development of a pH-responsive intelligent label using low molecular weight chitosan grafted with phenol red for food packaging applications. International Journal of Biological Macromolecules, 266(1), 131212. https://doi.org/10.1016/j.ijbiomac.2024.131212

57. Sari, M. I., Fajar, R., Gunawan, T., & Handayani, R. (2022). The Use of image processing and sensor in tomato sorting machine by color, Size, and weight. JOIV: International Journal on Informatics Visualization, 6(1-2), 244-249. http://dx.doi.org/10.30630/joiv.6.1-2.944

58. Sarı, T. (2020). Responsive Demand Management in the Era of Digitization. Strategic Outlook for Innovative Work Behaviours. https://doi.org/10.1007/978-3-030-50131-016

59. Seyedghorban, Z., Tahernejad, H., Meriton, R., & Graham, G. (2020). Supply chain digitalization: past, present and future. Production Planning & Control, 31(2-3), 96-114. https://doi.org/10.1080/09537287.2019.1631461

60. Sgarbossa, F., Romsdal, A., Oluyisola, O. E., & Strandhagen, J. O. (2022). Digitalization in production and warehousing in food supply chains. The Digital Supply Chain, 273-287. https://doi.org/10.1016/B978-0-323-91614-1.00016-2

61. Su, Zh., Zhang, Ch., Yan, T., Zhu, J., Zeng, Y., Lu, X., Gao, P., Feng, L., He, L., & Fan, L. (2021). Application of hyperspectral imaging for maturity and soluble solids content determination of strawberry with deep learning approaches. Frontiers in Plant Science, 12, 736334. https://doi.org/10.3389/fpls.2021.736334

62. Tileukeev, Z., Nesipbek, A., & Imashbai, A. (2023). Evaluating and optimizing energy-efficient microclimate control systems in vegetable storage facilities. International Journal of Design and Nature and Ecodynamics, 2023, 18(3), 623-630. https://doi.org/10.18280/ijdne.180314

63. Tunny, S. S., Kurniawan, H., Amanah, H. Z., Baek, I., Kim, M. S., Chan, D., Faqeerzada, M. A., Wakholi, C., & Cho, B. K. (2023). Hyperspectral imaging techniques for detection of foreign materials from fresh-cut vegetables. Postharvest Biology and Technology, 201, 112373. https://doi.org/10.1016/j.postharvbio.2023.112373

64. Tuskov, A., Goldina, A., Luzgina, O., & Salnikova, O. (2020). Optimizing the Production Parameters of Peasant Holdings for Industrial Development in the Digitalization Era. Avatar-Based Control, Estimation, Communications, and Development of Neuron Multi-Functional Technology Platforms, 132-151. https://doi.org/10.4018/978-1-7998-1581-5.ch007

65. Wang, L., He, Y., & Wu, Z. (2022). Design of a blockchain-enabled traceability system framework for food supply chains. Foods, 11(5), 744. https://doi.org/10.3390/foods11050744

66. Wang, L., Xu, L., Zheng, Z., Liu, S., Li, X., Cao, L., Li, J., & Sun, C. (2021). Smart contract-based agricultural food supply chain traceability. IEEE Access, 9, 9296-9307. https://doi.org/10.1109/ACCESS.2021.3050112

67. Wangab, M., Tianac, Q., Lia, H., Daid, L., Wane, Y., Wanga, M., Huang, B. H., Zhang, Y., & Chen, J. (2023). Visualization and metabolome for the migration and distribution behavior of pesticides residue in after-ripening of banana. Journal of Hazardous Materials, 446, 130665. https://doi.org/10.1016/j.jhazmat.2022.130665

68. Wei, F., Alias, C., & Noche, B. (2019). Applications of Digital Technologies in Sustainable Logistics and Supply Chain Management. Innovative Logistics Services and Sustainable Lifestyles, 235-263. https://doi.org/10.1007/978-3-319-98467-4_11

69. Wieme, J., Mollazade, K., Malounas, I., Zude-Sasse, M., Zhao, M., Gowen, A., Argyropoulos, D., Fountas, S., & Van Beek, J. (2022). Application of hyperspectral imaging systems and artificial intelligence for quality assessment of fruit, vegetables and mushrooms: A review. Biosystems Engineering, 222, 156-176. https://doi.org/10.1016/j.biosystemseng.2022.07.013

70. Yang, M., Kumar, P., Bhola, J., & Shabaz, M. (2022). Development of image recognition software based on artificial intelligence algorithm for the efficient sorting of apple fruit. International Journal of System Assurance Engineering and Management, 13(1), 322-330. https://doi.org/10.1007/s13198-021-01415-1

71. Zhang, D., Xu, Y., Huang, W., Tian, X., Xia, Y., Xu, L., & Fan, Sh. (2019). Nondestructive measurement of soluble solids content in apple using near infrared hyperspectral imaging coupled with wavelength selection algorithm. Infrared Physics & Technology, 98, 297-304. https://doi.org/10.1016/j.infrared.2019.03.026

72. Zhou, Z., Zahid, U., Majeed, Y., Nisha, Mustafa, S., Sajjad, M. M., Butt, H. D., & Fu, L. (2023). Advancement in artificial intelligence for on-farm fruit sorting and transportation. Frontiers in Plant Science, 14, 1082860. https://doi.org/10.3389/fpls.2023.1082860