2019
Microwave-Assisted Extraction Applied to Merlot Grapes with Contrasting Maturity Levels: Effects on Phenolic Chemistry and Wine Color
摘要：梅洛葡萄收获3个成熟度（21.1、23.1和25.1 Brix），使用或不使用微波辅助提取（MW）进行处理。在酿酒过程中，我们跟踪了详细的酚类成分和颜色。分子量处理对葡萄酒的基本化学成分没有影响。在粉碎后，MW使第一次收获的葡萄酒花青素提高了211%，第三次收获的葡萄酒花青素提高了89%。在装瓶时，MW有利于吡喃花青素和单宁-花青素二聚体的形成。在应用该工艺后，单宁的提取不受分子量的影响，但在第一次、第二次和第三次收获时，经过分子量处理的葡萄酒分别提高了30、20和10%。在老化过程中，聚合色素的形成通常随着收获日期的增加而增加，仅在第一次和第三次收获的mw处理葡萄酒中更有利，这些葡萄酒优先形成小的聚合色素，这与增强的花青素提取一致。在第一次、第二次和第三次收获的葡萄酒中，应用MW对葡萄酒颜色的初步改善分别为275、300和175%。虽然这些差异在第二次和第三次收获的葡萄酒中减弱或消失，但在破碎后，MW处理的第150天的颜色比对照葡萄酒多保留52%。结果表明，分子量处理对未成熟果实的酚类和颜色提取更有效。
2020
基于卷积神经网络红提葡萄果穗成熟度检测研究
摘要：提葡萄是鲜食葡萄的优质品种,其产量在我国葡萄产量中居于首位。红提是非呼吸跃变型果实,采摘后无后熟期,选择最佳采摘期对采后红提葡萄品质至关重要,而依靠人眼判断葡萄成熟度效率低,由于易发生果穗成熟度误判而导致过早采摘或过熟采摘。因此,如何快速准确判断红提葡萄果穗的成熟度是提高红提葡萄商品率亟待解决的问题。本研究针对自然环境下红提葡萄果穗,采用图像法开展葡萄成熟度分类的研究,首先采用卷积神经网络不同迁移模型对田间红提葡萄果穗进行识别,然后采用合适的方法对识别出的果穗图像进行背景分割,再采用圆形Hough变换法检测葡萄果粒,并结合颜色特征判断葡萄果粒成熟度,最后开发算法实现红提葡萄果穗成熟度较准确判别。本研究取得的主要结果如下:(1)在5种卷积神经网络分别作为区域候选网络与Fast R-CNN结合的迁移学习的网络模型中,VGG16网络的综合识别效果最好,将学习率调整为0.0001,循环次数调整为20次时,得到最优红提葡萄果穗Faster R-CNN识别模型,平均检测时间26 ms,精度达99.07%,模型识别置信度均在0.88以上。(2)K最近邻(K-nearest neighbor,KNN)算法最适于葡萄果穗图像进行背景分割,当K近邻数为5且采用马氏距离计算方式得到的分割效果最佳,其准确率为84.61%,可达到对红提葡萄背景良好分割的目的。(3)选择Log算子对背景分割图像一阶导数的梯度图像进行边缘提取,然后根据葡萄果粒的圆形特征,采用圆形Hough变换法检测边缘图像中的葡萄果粒,将边缘阈值和灵敏度分别调整为0.15和0.94时,圆形Hough变换法可以在较高运算速度下检测更多边缘被遮挡的葡萄果粒,准确率达96.56%。(4)根据HSV空间中红提葡萄果粒像素的H通道均值,将果粒分为4个成熟度等级,开发的葡萄果穗成熟度判断算法将葡萄果穗分为4个成熟度等级,对4个成熟度等级葡萄果穗判断的总体准确率为91.14%。本研究所提出的方法实现了葡萄果穗成熟度的准确检测,可为果农适宜期收获提供指导,同时为红提葡萄机械化采摘提供参考,对提高红提葡萄商品率具有重要意义。
改进圆形 Hough 变换的田间红提葡萄果穗成熟度判别
摘要：针对田间环境下红提葡萄果穗成熟度人眼判断效率低且易误判的问题，该研究采用 K 近邻（K-nearest neighbor，KNN）算法和最大类间方差（Otsu）法分别对葡萄果穗图像背景分割以找到最佳分割效果，采用圆形 Hough 变换识别葡萄果粒，并开发了可判别葡萄果穗成熟度的算法。研究结果表明，不论顺光、逆光或者与田间背景相似的绿色果穗，KNN法可实现良好的背景分割，然后圆形 Hough 变换法在边缘阈值和灵敏度分别取 0.15 和 0.942 时，识别葡萄果粒的准确率可达 96.56%。在此研究基础上，采用该研究开发的葡萄果穗成熟度判断算法，可根据颜色将果粒划分不同成熟度等级，并实现对果穗成熟度判别，判别准确率为 91.14%。该研究结果可为果农适宜期收获葡萄及自动化采摘提供重要指导。
2021
改进 Mask R-CNN 的温室环境下不同成熟度番茄果实分割方法
摘要： 基于深度神经网络的果实识别和分割是采摘机器人作业成功的关键步骤，但由于网络参数多、计算量大，导致训练时间长，当模型部署到采摘机器人上则存在运行速度慢，识别精度低等问题。针对这些问题，该研究提出了一种改进 Mask R-CNN 的温室环境下不同成熟度番茄果实分割方法，采用跨阶段局部网络（Cross Stage Partial Network，CSPNet）与 Mask R-CNN 网络中的残差网络（Residual Network，ResNet）进行融合，通过跨阶段拆分与级联策略，减少反向传播过程中重复的特征信息，降低网络计算量的同时提高准确率。在番茄果实测试集上进行试验，结果表明以层数为 50 的跨阶段局部残差网络（Cross Stage Partial ResNet50，CSP-ResNet50）为主干的改进 Mask R-CNN 模型对绿熟期、半熟期、成熟期番茄果实分割的平均精度均值为 95.45%，F1 分数为 91.2%，单张图像分割时间为 0.658 s。该方法相比金字塔场景解析网络（Pyramid Scene Parsing Network，PSPNet）、DeepLab v3+模型和以 ResNet50 为主干的 Mask R-CNN 模型平均精度均值分别提高了 16.44、14.95 和 2.29 个百分点，相比以 ResNet50 为主干的 Mask R-CNN 模型分割时间减少了 1.98%。最后将以 CSP- ResNet50 为主干的改进 Mask R-CNN 模型部署到采摘机器人上，在大型玻璃温室中开展不同成熟度番茄果实识别试验，该模型识别正确率达到 90%。该研究在温室环境下对不同成熟度番茄果实具有较好的识别性能，可为番茄采摘机器人精准作业提供依据。
In-field and non-destructive monitoring of grapes maturity by hyperspectral imaging
摘要：监测葡萄的质量属性是一种实践，允许检查成熟状态和确定最佳收获时间。提出了一种基于高光谱成像（HSI）技术的无损成像方法。利用Vis/NIR（400e1000 nm）高光谱相机，直接在现场生产葡萄酒的“桑吉维斯”（葡萄园葡萄）葡萄园进行分析。在收获前和收获时间的13天进行了分析。用便携式数字折射仪测定了以Brix表示的可溶性固体含量（SSC）。然后，将葡萄样品分为两类：第一类由Brix低于20（未成熟）的样品组成，第二类由Brix高于20（成熟）的样品组成。从每幅高光谱图像中提取葡萄平均光谱，采用偏最小二乘回归（PLS）对SSC进行预测，并采用PLS判别分析（PLS-DA）将样本分为两类。SSC的预测采用r2¼0.77（RMSECV¼0.79Brix），样本的正确分类比例为86~91%。即使波长的数量有限，正确分类的样本的百分比也同样在上述范围内。本研究表明，在自然光条件下通过近端测量直接利用HSI技术预测“桑乔维塞”红葡萄收获时间的潜力。
A Review of the State-of-Art, Limitations, and Perspectives of Machine Vision for Grape Ripening Estimation
摘要：这项工作强调了最新的机器视觉方法和算法提出的估计葡萄的成熟阶段。破坏性和非破坏性方法概述了现场和实验室应用。研究了创新技术和算法与农业机器人的集成原理，即农业机器人。本文还讨论了在硬件和软件方面的关键方面和限制。这项工作旨在全面指导最先进的机器视觉算法的葡萄成熟估计，指出了机器视觉适应葡萄和葡萄酒行业的机器人自动化的优势和障碍。
2022
基于 MobileNet V2 的田间葡萄果穗成熟度判别
摘要：葡萄的成熟度主要依靠人的感官判断，缺乏客观标准，严重影响葡萄的整体品质。针对以上问题，本文采用MobileNetV2轻量级的卷积神经网络模型对葡萄成熟度进行判别。田间采集红提葡萄图像共计380张，构建数据集，以不同着色度为指标，对数据集进行分类，并按7:2:1分为训练集、验证集、测试集，将训练集、验证集预处理后采用该数据集训练 MobileNetV2 模型。由测试集的试验结果，得到试验训练MobileNetV2 模型所获得的分类准确率为87%。最后采用QT语言设计了可视化的界面。本文的研究将有利于推进葡萄采摘的自动化，降低葡萄采摘成本、提高葡萄的经济效益。
A Non-Destructive Method for Grape Ripeness Estimation Using Intervals’ Numbers (INs) Techniques
dataset and code: https://gitcode.net/weixin_42990464/Grapes-Maturity-Dataset
摘要： 葡萄收获基于估计现场成熟度指数可以降低收获前的成本详尽抽样和化学分析，以及收获后的存储和浪费的成本整个生产链由于葡萄的性质，这意味着他们无法达到所需的从葡萄后成熟度水平。彩色成像被广泛用于果实的完整成熟度估计。在本研究中，彩色成像结合间隔数（INs）技术，将葡萄簇图像与成熟度相关的指标联系起来，如总可溶性固体（TSSs）、可滴定酸度（TA）和pH。利用神经网络回归器来估计CIELAB颜色空间的IN表示的给定输入的三个指标。在100张成功南龙品种图像上对模型进行了测试，并计算了均方误差（MSE），对模型进行了性能评价。结果显示，Ins的NN回归器在TSS、TA和pH评估中作为一种无损、高效、快速和成本效益的工具，能够集成到自动收获机器人中。
Prediction of the Maturity of Greenhouse Grapes Based on Imaging Technology
摘要：为了预测太阳温室中葡萄的成熟度，利用植物表型监测平台（法国Phenofixe）获得了葡萄从扩张到成熟的RGB图像。测定和评价了葡萄的水平和纵向直径、致密性、可溶性固体含量（SSC）、可滴定酸含量和SSC/酸含量。测定了葡萄皮的颜色值（R、G、B、H、S、I），并采用反向传播神经网络算法（BPNN）来预测葡萄的成熟度。结果表明，三种葡萄品种的理化性质（PCP）在浆果扩张阶段和变色成熟阶段发生了显著变化。根据PCP指标的归一化变化率，三个品种葡萄的成熟过程可分为两个阶段：未成熟阶段（成熟系数Mc < 0：7）和成熟阶段（之后发生颜色变化）（0：7≤Mc < 1）。在基于R、G、B、H、I和S颜色值预测葡萄成熟度时，R、G、I、G、H和I在醉香、马斯喀特汉堡和湘悦葡萄成熟度预测方面表现良好。当上述指标结合BPNN，通过单因素和联合因素分析预测葡萄Mc时，GPI排名前3位（高达0.87）。结果表明，双因素组合对醉香、马斯喀特汉堡和香越葡萄的预测精度（RG和HI）较好（识别准确率分别为79.3%、78.2%和79.4%），且所有预测值均高于单因素预测。使用混淆矩阵比较Mc在双因素组合下的方法的预测能力的准确性，预测精度顺序如下：项悦（88%）> Muscat汉堡（81.3%）>醉香（76%）。本研究结果为预测温室葡萄成熟度提供了有效的途径。
