Tecnologie innovative e sensoristica avanzata per la stima della shelf‑life e la riduzione dello spreco alimentare

Food waste involving fresh and perishable products represents one of the major challenges of the modern agri‑food supply chain, with significant economic, environmental, and social impacts. A substantial portion of these losses occurs at the household consumption stage, where shelf‑life management is often based on static models that poorly reflect real storage conditions. In this context, the adoption of intelligent technologies for the dynamic monitoring of food ripening and deterioration offers a promising avenue to improve storage quality and contribute to reducing food waste. This thesis fits within this framework by providing a technical and scientific analysis of the sensing technologies integrated into the Food Monitoring Board (FMB), a multimodal household device designed to contain food items and collect visual, chemical, and environmental information useful for estimating shelf life. The device architecture includes a 2‑megapixel camera for image acquisition, a sensor for detecting gases and volatile organic compounds (VOCs), a temperature and humidity module with a resolution better than 5%, and a light sensor also used to detect box opening. The thesis does not focus on the direct hardware design but rather on a critical evaluation of the selected components, supported by extensive literature research and a market analysis aimed at justifying the technological choices in relation to the physiological and biochemical processes governing the ripening of fresh plant products. Particular attention is devoted to VOCs, key molecules released during ripening and deterioration processes, which serve as sensitive markers of the physiological state of fruits. Their integration with visual information and environmental parameters collected by the device forms the basis for predictive systems that are more accurate than traditional methods, highlighting the potential of multimodality for dynamic shelf‑life estimation. Since the FMB prototype cannot be tested within the available timeframe, the thesis incorporates the results of a second industrial project developed in the context of Agriculture 4.0. This project involves an embedded system based on an OAK Lite camera and a YOLOv8 model for the automatic classification of mangoes and bananas into three ripeness stages. The entire process relies on a visual pipeline, meaning a structured sequence of operations that transforms a raw image into useful information through acquisition, preprocessing, deep‑learning inference, and result interpretation. The results obtained provide preliminary validation for including a visual component in the FMB, demonstrating that deep‑learning models can achieve high reliability even under variable operating conditions. The comparative analysis conducted shows that several solutions adopted in the agricultural system—particularly the YOLOv8 pipeline—are conceptually transferable to the FMB through remote processing, despite the use of a simpler camera (OV2640). Overall, the thesis proposes an integrated approach that combines biotechnological knowledge, advanced sensing technologies, and artificial intelligence techniques to address the challenge of shelf‑life management in domestic settings. The convergence of theoretical analysis, hardware evaluation, and validation through a real application case reinforces the perspective that multimodal systems such as the Food Monitoring Board can significantly contribute to reducing food waste, promoting more sustainable and informed consumption practices.

Lo spreco di alimenti freschi e deperibili rappresenta una delle principali criticità della filiera agroalimentare contemporanea, con impatti significativi sul piano economico, ambientale e sociale. Una quota rilevante di tali perdite si verifica nella fase di consumo domestico, dove la gestione della shelf life è spesso affidata a modelli statici e poco rappresentativi delle reali condizioni di conservazione. In questo contesto, l’adozione di tecnologie intelligenti per il monitoraggio dinamico dello stato di maturazione e deterioramento degli alimenti costituisce una prospettiva promettente per migliorare la qualità della conservazione e contribuire alla riduzione dello spreco alimentare. La presente tesi si inserisce in questo scenario attraverso un’analisi tecnico scientifica delle tecnologie sensoriali che compongono la Food Monitoring Board (FMB), un dispositivo domestico multimodale concepito concepito per contenere gli alimenti e raccogliere informazioni visive, chimiche e ambientali utili alla stima della shelf life. L’architettura del dispositivo prevede infatti una fotocamera da 2 megapixel per l’acquisizione delle immagini, un sensore per la rilevazione di gas e composti organici volatili (VOC), un modulo per la misura di temperatura e umidità con risoluzione migliore del 5%, e un sensore di luminosità utilizzato anche per riconoscere l’apertura della scatola. Il lavoro di tesi non riguarda la progettazione diretta dell’hardware, bensì la valutazione critica delle componenti selezionate, supportata da un’ampia ricerca bibliografica e da un’analisi di mercato finalizzata a giustificare le scelte tecnologiche in relazione ai processi fisiologici e biochimici che regolano la maturazione dei prodotti vegetali freschi. Un’attenzione particolare è dedicata ai VOC, molecole chiave rilasciate durante i processi di maturazione e deterioramento, che rappresentano marcatori sensibili dello stato fisiologico dei frutti. La loro integrazione con le informazioni visive e con i parametri ambientali rilevati dal dispositivo costituisce la base per sistemi predittivi più accurati rispetto ai metodi tradizionali, evidenziando il potenziale della multimodalità per la stima dinamica della shelf life. Poiché il prototipo della FMB non potrà essere testato nei tempi previsti, la tesi integra i risultati di un secondo progetto aziendale sviluppato nel contesto dell’agricoltura 4.0. Tale progetto prevede un sistema embedded basato su telecamera OAK Lite e modello YOLOv8 per la classificazione automatica di mango e banana in tre stadi di maturazione. L’intero processo si fonda su una pipeline visiva, ovvero la sequenza strutturata di operazioni che trasformano un’immagine grezza in un’informazione utile attraverso fasi di acquisizione, pre processing, inferenza tramite modelli di deep learning e interpretazione del risultato. I risultati ottenuti costituiscono una validazione preliminare della scelta di includere una componente visiva nella FMB, dimostrando che modelli di deep learning possono raggiungere elevata affidabilità anche in condizioni operative variabili. L’analisi comparativa condotta ha evidenziato come alcune soluzioni adottate nel sistema agricolo, in particolare la pipeline YOLOv8, siano concettualmente trasferibili alla FMB tramite elaborazione remota, nonostante l’impiego di una fotocamera più semplice (OV2640). Nel complesso, la tesi propone un approccio integrato che combina conoscenze biotecnologiche, sensoristica avanzata e tecniche di intelligenza artificiale per affrontare il problema della gestione della shelf life in ambito domestico. La convergenza tra analisi teorica, valutazione hardware e validazione tramite un caso applicativo reale rafforza la prospettiva che sistemi multimodali come la Food Monitoring Board possano contribuire in modo significativo alla riduzione dello spreco alimentare, promuovendo modelli di consumo più sostenibili e consapevoli.