DOI - Vydavatelství Mendelovy univerzity v Brně

Identifikátory DOI

DOI: 10.11118/978-80-7701-100-6-0263

MOŽNOSTI VYUŽITÍ AI A IOT V PRODUKCI JEDLÉHO HMYZU

APPLICATIONS OF AI AND IOT IN EDIBLE INSECT PRODUCTION

Šárka Nedomová1, Vlastimil Slaný2, Ondřej Šťastník3, Andrea Roztočilová1, Vladimír Palupa4, Jiří Plachý4, Adam Kovál1, Barbora Odehnalová1, Vojtěch Kumbár5
1 Ústav technologie potravin, Agronomická fakulta, Mendelova univerzita v Brně, Zemědělská 1665/1, 613 00 Brno, Česká republika
2 Ústav zemědělské, potravinářské a environmentální techniky, Agronomická fakulta, Mendelova univerzita v Brně, Zemědělská 1665/1, 613 00 Brno, Česká republika
3 Ústav výživy zvířat a pícninářství, Agronomická fakulta, Mendelova univerzita v Brně, Zemědělská 1665/1, 613 00 Brno, Česká republika
4 Tecpa s.r.o., Tyršova 1132, 664 42 Modřice, Česká republika
5 Ústav techniky a automobilové dopravy, Agronomická fakulta, Mendelova univerzita v Brně, Zemědělská 1665/1, 613 00 Brno, Česká republika


The production of edible insects represents a dynamically developing sector of agriculture responding to the growing global demand for sustainable protein sources for both feed and food applications. With increasing production volumes, requirements arise for quality standardization, welfare, and economic efficiency, while the importance of technological tools enabling the automation and digitalization of rearing processes is growing (e.g., Internet of Things technologies and artificial intelligence methods). The aim of this contribution is to describe current possibilities for the use of IoT and AI in edible insect production and technological approaches to sensor-based monitoring of the rearing environment, tracking biological production parameters, and automated control of microclimatic conditions, as well as the application of artificial intelligence algorithms in image analysis and the prediction of production indicators in relation to the quality of final products.

Klíčová slova: jedlý hmyz, umělá inteligence, kvalita, automatizace produkce

stránky: 263-269, online: 2026



Reference

  1. Agarwal, M., Al-Shuwaili, T., Nugaliyadde, A., Wang, P., Wong, K. W., Ren, Y. (2020): Identification and diagnosis of whole body and fragments of Trogoderma granarium and Trogoderma variabile using visible near infrared hyperspectral imaging technique coupled with deep learning. Computers and Electronics in Agriculture, 173, 105438. Dostupné z: https://doi.org/10.1016/j.compag.2020.105438 Přejít k původnímu zdroji...
  2. Baur, A., Koch, D., Gatternig, B., Delgado, A. (2022): Noninvasive monitoring system for Tenebrio molitor larvae based on image processing with a watershed algorithm and a neural net approach. Journal of Insects as Food and Feed, 8(8), 913-920. Dostupné z: https://doi.org/10.3920/JIFF2021.0185 Přejít k původnímu zdroji...
  3. Besson, M., Alison, J., Bjerge, K., Gorochowski, T. E., Høye, T. T., Jucker, T., Mann, H. M. R., Clements, C. F. (2022): Towards the fully automated monitoring of ecological communities. Ecology Letters, 25(12), 2753-2775. Dostupné z: https://doi.org/10.1111/ele.14123 Přejít k původnímu zdroji...
  4. Cruz-Tirado, J. P., dos Santos Vieira, M. S., Ferreira, R. S. B., Amigo, J. M., Batista, E. A. C., Barbin, D. F. (2025): Prediction of total lipids and fatty acids in black soldier fly (Hermetia illucens L.) dried larvae by NIR-hyperspectral imaging and chemometrics. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 329, 125646. Dostupné z: https://doi.org/10.1016/j.saa.2024.125646 Přejít k původnímu zdroji...
  5. García-Gutiérrez, N., Mellado-Carretero, J., Bengoa, C., Salvador, A., Sanz, T., Wang, J., Ferrando, M., Güell, C., de Lamo-Castellví, S. (2021): ATR-FTIR spectroscopy combined with multivariate analysis successfully discriminates raw doughs and baked 3D-printed snacks enriched with edible insect powder. Foods, 10(8), 1806. Dostupné z: https://doi.org/10.3390/foods10081806 Přejít k původnímu zdroji...
  6. Hansen, M. F., Oparaeke, A., Gallagher, R., Karimi, A., Tariq, F., Smith, M. L. (2022): Towards machine vision for insect welfare monitoring and behavioural insights. Frontiers in Veterinary Science, 9, 835529. Dostupné z: https://doi.org/10.3389/fvets.2022.835529 Přejít k původnímu zdroji...
  7. Hoque, A. (2024): Artificial intelligence in post-harvest drying technologies: A comprehensive review on optimization, quality enhancement, and energy efficiency. International Journal of Science and Research, 13, 493-502. Dostupné z: https://doi.org/10.21275/SR241107163717 Přejít k původnímu zdroji...
  8. Hou, Y., Zhao, P., Zhang, F., Yang, S., Rady, A., Wijewardane, N. K., Huang, J., Li, M. (2022): Fourier-transform infrared spectroscopy and machine learning to predict amino acid content of nine commercial insects. Food Science and Technology, 42, e100821. Dostupné z: https://doi.org/10.1590/fst.100821 Přejít k původnímu zdroji...
  9. Ibitoye, O., Ayeni, O., Ayanniyi, O., Wealth, A., Kolejo, O., Adenika, O. A., Murtala, M., Oyedijii, O., Aremu, A., Muritala, D. (2025): Advancing urban insect farming: Integrating automation, vertical farming, and sustainable waste management systems. Discover Agriculture, 3, 37. Dostupné z: https://doi.org/10.1007/s44279-025-00194-8 Přejít k původnímu zdroji...
  10. International Platform of Insects for Food and Feed. (2024, February). IPIFF guide on good hygiene practices for European Union (EU) producers of insects as food and feed. Dostupné z: https://ipiff.org/wp-content/uploads/2024/02/Folder-IPIFF_Guide_A4_19.02.2024_black-colour.pdf
  11. Kröncke, N., Baur, A., Böschen, V., Demtröder, S., Benning, R., Delgado, A. (2020): Automation of insect mass rearing and processing technologies of mealworms (Tenebrio molitor). In A. A. Mariod (Ed.), African edible insects as alternative source of food, oil, protein and bioactive components, 123-139. Springer. Dostupné z: https://doi.org/10.1007/978-3-030-32952-5_8 Přejít k původnímu zdroji...
  12. Majewski, P., Zapotoczny, P., Lampa, P., Burduk, R., Reiner, J. (2022): Multipurpose monitoring system for edible insect breeding based on machine learning. Scientific Reports, 12, 7892. Dostupné z: https://doi.org/10.1038/s41598-022-11794-5 Přejít k původnímu zdroji...
  13. Mellado-Carretero, J., García-Gutiérrez, N., Ferrando, M., Güell, C., García-Gonzalo, D., de Lamo-Castellví, S. (2020): Rapid discrimination and classification of edible insect powders using ATR-FTIR spectroscopy combined with multivariate analysis. Journal of Insects as Food and Feed, 6(2), 141-148. Dostupné z: https://doi.org/10.3920/JIFF2019.0032 Přejít k původnímu zdroji...
  14. Meyer-Rochow, V. B., Gahukar, R. T., Ghosh, S., Jung, C. (2021): Chemical composition, nutrient quality and acceptability of edible insects are affected by species, developmental stage, gender, diet, and processing method. Foods, 10(5), 1036. Dostupné z: https://doi.org/10.3390/foods10051036 Přejít k původnímu zdroji...
  15. Migliozzi, D., Cornaglia, M., Mouchiroud, L., Uhlmann, V., Unser, M. A., Auwerx, J., Gijs, M. A. M. (2018): Multimodal imaging and high-throughput image-processing for drug screening on living organisms on-chip. Journal of Biomedical Optics, 24(2), 021205. Dostupné z: https://doi.org/10.1117/1.JBO.24.2.021205 Přejít k původnímu zdroji...
  16. Nawoya, S., Geissmann, Q., Karstoft, H., Bjerge, K., Akol, R., Katumba, A., Mwikirize, C., Gebreyesus, G. (2025): Prediction of black soldier fly larval sex and morphological traits using computer vision and deep learning. Smart Agricultural Technology, 11, 100953. Dostupné z: https://doi.org/10.1016/j.atech.2025.100953 Přejít k původnímu zdroji...
  17. Ng, X. L., Ong, K. E., Zheng, Q., Ni, Y., Yeo, S. Y., Liu, J. (2022): Animal Kingdom: A large and diverse dataset for animal behavior understanding. In Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 19023-19034. Dostupné z: https://doi.org/10.1109/CVPR52688.2022.01844 Přejít k původnímu zdroji...
  18. Ni, D., Nelis, J. L. D., Dawson, A. L., Bourne, N., Juliano, P., Colgrave, M. L., Juhász, A., Bose, U. (2024): Application of near-infrared spectroscopy and chemometrics for the rapid detection of insect protein adulteration from a simulated matrix. Food Control, 159, 110268. Dostupné z: https://doi.org/10.1016/j.foodcont.2023.110268 Přejít k původnímu zdroji...
  19. Papadopoulos, A.-M., Melissas, P., Kastellos, A., Katranitsiotis, P., Zaparas, P., Stavridis, K., Daras, P. (2024): TenebrioVision: A fully annotated dataset of Tenebrio molitor larvae worms in a controlled environment for accurate small object detection and segmentation. In Proceedings of the 13th International Conference on Pattern Recognition Applications and Methods, 187-196. Dostupné z: https://doi.org/10.5220/0012295900003654 Přejít k původnímu zdroji...
  20. Qu, J.-H., Liu, D., Cheng, J.-H., Sun, D.-W., Ma, J., Pu, H., Zeng, X.-A. (2015): Applications of near-infrared spectroscopy in food safety evaluation and control: A review of recent research advances. Critical Reviews in Food Science and Nutrition, 55(13), 1939-1954. Dostupné z: https://doi.org/10.1080/10408398.2013.871693 Přejít k původnímu zdroji...
  21. Romano, D. (2025): Novel automation, artificial intelligence, and biomimetic engineering advancements for insect studies and management. Current Opinion in Insect Science, 68, 101337. Dostupné z: https://doi.org/10.1016/j.cois.2025.101337 Přejít k původnímu zdroji...
  22. Sandstrom, D. J., Offord, B. W. (2022): Measurement of oxygen consumption in Tenebrio molitor using a sensitive, inexpensive, sensor-based coulometric microrespirometer. Journal of Experimental Biology, 225(9), jeb243966. Dostupné z: https://doi.org/10.1242/jeb.243966 Přejít k původnímu zdroji...
  23. Smith, M. J. (2019): Getting value from artificial intelligence in agriculture. Animal Production Science, 60(1), 46-54. Dostupné z: https://doi.org/10.1071/AN18522 Přejít k původnímu zdroji...
  24. Sumriddetchkajorn, S., Kamtongdee, C., Chanhorm, S. (2015): Fault-tolerant optical-penetration-based silkworm gender identification. Computers and Electronics in Agriculture, 119, 201-208. Dostupné z: https://doi.org/10.1016/j.compag.2015.10.004 Přejít k původnímu zdroji...
  25. Tao, D., Wang, Z., Li, G., Xie, L. (2019): Sex determination of silkworm pupae using VIS-NIR hyperspectral imaging combined with chemometrics. Spectrochimica Acta Part A: Molecular and Biomolecular Spectroscopy, 208, 7-12. Dostupné z: https://doi.org/10.1016/j.saa.2018.09.049 Přejít k původnímu zdroji...
Návrat zpět