Inteligencia artificial y visión por ordenador para evaluar los componentes del rendimiento de la vid en viñedos comerciales
- Íñiguez, Rubén 12
- Poblete-Echeverría, Carlos 12
- Hernández, Inés 12
- Gutiérrez, Salvador 3
- Barrio, Ignacio 12
- Tardáguila, Javier 12
-
1
Universidad de La Rioja
info
-
2
Instituto de Ciencias de la Vid y del Vino
info
-
3
Universidad de Granada
info
- Pau Roca (ed. lit.)
Editorial: Web of Conferences
ISSN: 2117-4458
Año de publicación: 2023
Volumen: 68
Congreso: 44th World Congress of Vine and Wine (44º. 2023. Cádiz/Jerez)
Tipo: Aportación congreso
beta Ver similares en nube de resultadosResumen
La estimación del rendimiento es muy importante para la industria vitivinícola, ya que proporciona información útil para la gestión de viñedos y bodegas. Los efectos del cambio climático, como el aumento de las temperaturas y la menor disponibilidad de agua, pueden afectar a los componentes del rendimiento del viñedo. En general, la previsión tradicional del rendimiento se basaba en el recuento manual y destructivo de los racimos y el peso de las bayas. Los métodos convencionales no proporcionan una estimación precisa y son lentos, caros y laboriosos. En este estudio, se utilizaron métodos novedosos que emplean tecnologías digitales como el uso de la detección próxima, la visión por ordenador y la inteligencia artificial para la estimación del rendimiento en viñedos comerciales. La visión por ordenador se utilizó para la detección automática de diferentes características del dosel y para la calibración de ecuaciones de regresión para la predicción del rendimiento por cepa. La inteligencia artificial se utilizó para el recuento automático de racimos. Los resultados mostraron que el algoritmo de aprendizaje profundo fue capaz de detectar racimos con una alta precisión. En conclusión, nuestros resultados demostraron la aplicabilidad de estos nuevos métodos para evaluar los componentes del rendimiento en viñedos comerciales.
Referencias bibliográficas
- Martin S., Dunstone R., Dunn G.. GWRDC 100 (2003)
- Mohimont, (2022), Agronomy, 12, pp. 2463, 10.3390/agronomy12102463
- Liu, (2017), Computers and Electronics in Agriculture, 137, pp. 88, 10.1016/j.compag.2017.03.013
- Palacios, (2020), Computers and Electronics in Agriculture, 178, pp. 105796, 10.1016/j.compag.2020.105796
- Palacios, (2022), Biosystems Engineering, 218, pp. 175, 10.1016/j.biosystemseng.2022.04.015
- Xin, (2020), Australian Journal of Grape and Wine Research, 26, pp. 207, 10.1111/ajgw.12444
- Hacking, (2020), OENO One, 54, pp. 793, 10.20870/oeno-one.2020.54.4.3361
- Xiong, (2018), Sensors, 18, pp. 969, 10.3390/s18040969
- Íñiguez, (2021), J. Tardáguila. Agronomy, 11, pp. 1003, 10.3390/agronomy11051003
- Fuentes A., Yoon S., Kim S.C., Park E.D.S.. Sensors 17 (2017)
- Sozzi, (2022), Agronomy, 12, pp. 319, 10.3390/agronomy12020319
- Tzutalin D.. LabelImg. GitHub Repository 6 (2015)
- Bochkovskiy A., Wang C. Y., Liao H. Y. M.. arXiv preprint arXiv:2004.10934 (2020)
- Redmon J.. Darknet: Open source neural networks in C (2013)
- Bochkovskiy A.. Yolo v4 repository [source code]. https://github.com/AlexeyAB/darknet (2020)