Zdroj: technika, systémy, inteligentní, vinohradnictví
prof. Ing. Patrik Burg, Ph.D., MENDELU
Úvod
Udržitelné zemědělství vyžaduje neustálé hledání a zavádění nových pokročilých technologií, které se dokáží lépe přizpůsobovat přírodním, společenským a ekonomickým podmínkám. Ve vinohradnické praxi se tak lze stále častěji setkávat s termínem Smart Viticulture (Inteligentní vinohradnictví). Tento termín je spojen s využíváním nejmodernějších technologií a elektroniky umožňujících maximalizovat enologický potenciál vinic (Sohaib Ali Shah et al., 2020). Nový trend se rozvíjí zejména ve vinohradnických regionech, kde vysoké standardy kvality při výrobě vína vyžadují přijetí postupů řízení, specifických pro danou lokalitu, za účelem zvýšení kvality hroznů. Rozvoj těchto systémů v duchu 4 průmyslové revoluce, označované jako Zemědělství 4.0 je doprovázen zejména rychlým vývojem informačních a komunikačních technologií.
Inteligentní vinohradnictví poskytuje vinohradnické praxi možnost přizpůsobovat se globálním změnám podmínek, zejména rozdílným vlastnostem obhospodařovaných půd a stavu ošetřovaných porostů v rámci jednoho pozemku. Bramley (2003) uvádí, že se vinice vyznačují vysokou heterogenitou v důsledku významných faktorů, jako jsou pedomorfologické charakteristiky, či další dynamiky, jako např. technologické postupy a účinky počasí. Celý systém přispívá k zajištění optimální výživy, ochrany a v konečném výsledku vede k zajištění stabilních a kvalitních výnosů hroznů. Dnes jsou obecně známé možnosti diferencovaného hnojení a půdoochranných opatření prováděné na základě půdních map, ale také úspory při diferencování chemické ochrany.
Význam postupného zavádění tohoto principu hospodaření do vinohradnické produkce spočívá také v ochraně životního prostředí. Zejména chemické ochranné prostředky a hnojiva nejsou na pozemcích aplikovány paušálně v nastavené dávce, ale díky soustředěným vstupním datům, elektronice a jí ovládaným pracovním ústrojím využívaných strojů, je aplikace aktuálně uzpůsobována měnícím se podmínkám. V praktických aplikacích se to projeví například automatickou regulací dávky přípravku na ochranu rostlin v závislosti na hustotě olistění, nebo okamžitou změnou pojezdové rychlosti sklízeče podle aktuálního množství hroznů na sklízeném úseku v řádku. To vše vyžaduje systematické soustředění množství informací a jejich účelné zpracování do požadované formy. Tento proces tedy není možné realizovat bez potřebného vybavení moderními digitálními technologiemi.
I přes skutečnost, že je myšlenka po zavedení systém precizního vinohradnictví známá již od konce minulého století, je její praktické zavádění do provozní praxe velmi pozvolné a využívané zejména ve vinohradnicky vyspělých státech. Důvodem jsou vysoké nároky systému na softwarové a hardwarové vybavení, včetně souvisejících investic, které zajišťuje sběr dat a jejich následné využití při navádění strojů provádějících jednotlivé pracovní operace.
Inteligentní vinohradnictví je založeno na využívání nejmodernější techniky a softwarových technologií s cílem usnadnění prováděných pracovních operací, snížení spotřeby pohonných hmot a celkové minimalizaci nákladů na produkci (Ang et al., 2017). Moderní technika je ve vinohradnictví stále častěji zastoupena řadou robotických zařízení. Poměrně časté je jejich označení termínem “farmbots” a “agbots” a podle prognóz lze jejich plné nasazení v provozních podmínkách očekávat kolem roku 2050 (Vision Robotics Corporation, 2015). Některé konstrukční varianty jsou vyvíjeny a testovány na úrovni prototypů, jiné jsou již uváděny sériově na spotřebitelský trh. K hlavním cílům patří snahy o zvýšení výkonnosti těchto zařízení, zajištění jejich energetické nezávislosti, včetně cenové dostupnosti pro menší pěstitele.
Pro podmínky vinohradnických provozů jsou tyto robotické systémy vybaveny řadou neinvazních snímacích technologií založených převážně na počítačovém vidění, využívajícím multispektrální senzory a kamery, senzory fluorescence, RGB kamery s nočním viděním, termokamery, senzory pro 3D animaci révového keře a GPS systémy.
Techniky počítačového vidění a strojového učení pro ošetřování a monitorování vinic lze nalézt v pracích McFarlane et al. (1997), Xu et al. (2014), Diego et al. (2017), aj. Příkladem praktického uplatnění počítačového vidění je např. zimní řez révy vinné. V roce 1997 publikoval McFarlane et al. jednu z prvních prací, které byly zaměřeny na problematiku analýzy obrazu s vazbou na řez révy. Autoři zde popisují komplikace vizualizačního systému, které nedokáže s přesností určit polohu réví a obtížně určuje, která část révového keře má být odstřižena. Další výzkumné aktivity v této oblasti byly realizovány v roce 2006 na Univerzitě v Adelaide. Gao a Lu (2006) vyvinuli konstrukčně nové zařízení založené na principu počítačového vidění, které umožňuje řez révy vinné na krátké dvouoké čípky. Stejní autoři později vyvinuli nový algoritmus využívající kombinaci pořízení obrazu kamerovým systémem, zpracování obrazu a analýzu obrazu s následným automatickým provedením řezu (Gao, 2007). Kamerový systém je využíván k obrazové analýze, která slouží k získání základních parametrů obrazů resp. 2D modelů jednotlivých prýtů révového keře. Tyto stereo 2D modely ve vícenásobném počtu jsou pak využívány při tvorbě a rekonstrukci trojrozměrných modelů. Posledním krokem je optimalizace 3D modelu, ze kterého jsou pomocí algoritmu určeny prýty, které mají být z keře odstraněny a současně také body, v nichž bude řez proveden. Respektován musí být např. tvar keře a současně eliminována rizika poškození drátů opěrné konstrukce apod. Vývoj algoritmu patří k velmi specifickým činnostem vyžadujícím znalosti ampelografie, fyziologie a morfologie jednotlivých odrůd při zohlednění pěstitelských požadavků. Vyvíjený software zpracovává velké množství informací a musí proto zohledňovat řadu limitujících kriterií. Na základě těchto údajů jsou pak, po konečném určení míst pro odřezání prýtů, robotická ramena zakončená hydraulicky či pneumaticky poháněnými nůžkami nebo pilovými kotouči naváděna k místům, kde provedou vlastní řez.
Hlavní nevýhodou těchto zařízení je v současnosti poměrně malá výkonnost a vysoké pořizovací náklady. Tyto nevýhody však mohou být výhledově kompenzovány nepřetržitým provozem stroje a při kvalitním softwarovém vybavení výrazným snížením potřeby lidské práce. Vývojové týmy navíc pracují na možnostech vyššího ročního využití těchto strojů v průběhu vegetace. Jedná se o další využití např. náhradou pracovních orgánů pro řez prstovými pracovními orgány, kdy by bylo možné stroje využít pro provedení zelených prací zejména podlomu, regulace násady hroznů, odlistění v zóně hroznů či pro samotnou sklizeň hroznů.
Dalším příkladem využití počítačového vidění ve vinohradnictví je možnost detekce chorob. K nejčastějším chorobám patří v současnosti padlí révové, plíseň révová a plíseň šedá. Tyto houbové choroby způsobit vážné poškození porostu, což zejména ve vztahu k hroznům může představovat vážné ekonomické ztráty (Stummer, 2005). Účinným nástrojem proti těmto škodlivým činitelům je chemická ochrana porostu. V současnosti představují náklady na zajištění včasné a kvalitní ochrany vinic až 40% celkových nákladů na produkci. Důležitým nástrojem, který tyto náklady umožňuje významným způsobem snížit je včasná detekce těchto chorob (Pérez-Ruiz, 2015). Správné určení choroby však může být v provozních podmínkách ovlivněno řadou aspektů např.: příznaky a symptomy projevené choroby se mohou lišit v závislosti na vývojovém stádiu a odrůdě révy; na keřích se houbové patogeny mohou objevit samostatně nebo společně, což komplikuje přesnost detekce; faktory, jako je nedostatek živin, pesticidy a počasí, mohou vykazovat podobné symptomy jako samotné choroby (Seng et al., 2018).
Boso et al. (2004) navrhli obrazovou techniku pro detekci padlí. Principem metody bylo snímkování povrchu plně vyvinutých listů s příznaky choroby. Snímky byly následně analyzovány pomocí softwarového nástroje anaySIS 3.0. Při hodnocení byla zohledněna velikost a počet skvrn na ploše listů vyjadřující celkový rozsah napadení porostu. Tato úvodní studie naznačila, že techniky zpracování obrazu by mohly poskytnout způsob včasné, spolehlivé a kvantitativní detekce onemocnění.
Peresottia et al. (2011) realizovali vývoj jednoduché poloautomatické metody založené na analýze obrazu pro kvantifikaci sporulace plísně révové pomocí kompaktního digitálního fotoaparátu a softwaru ImageJ. Autorský tým nejprve uměle naočkoval malé disky listů révy, které následně několik dní fotografovali. Barva zachycených obrazů byla vyvážena pomocí softwaru ImageJ a v konečném efektu vedla ke kvantifikaci sporulace pomocí automatického prahování.
Wadekar et al. (2015) vyvinuli automatický systém pro diagnostiku houbových chorob pomocí digitalizace pořízeného obrazu, v kombinaci s automatickou aplikační technikou. Výhodou systému je cílená aplikaci přípravků na ochranu rostlin na napadené části keřů. Také Fountas et al. (2020) uvádějí, že díky rychlému rozvoji počítačového vidění a umělé inteligence představují robotické postřikovače nové inteligentní systémy, které ve srovnání s konvenčními typy strojů umožňují provedení selektivního postřiku. Tyto systémy umožňují díky cílené aplikaci minimalizovat negativní dopady zemědělské produkce na životní prostředí, omezit vznik rezistence patogenů vůči přípravkům na ochranu rostlin a současně minimalizovat kontaminaci produktu případnými rezidui přípravků.
Pérez-Expósito et al. (2017) navrhli systém prostorově rozptýlených a vyhrazených senzorů (angl. WSN - Wireless sensor network), které monitorují a zaznamenávají fyzický stav prostředí a předávají shromážděná data do centrálního umístění, s cílem detekovat primární i sekundární infekce plísní ve vinicích. Centrální server denně kontroluje stav infekce pomocí parametrů prostředí, a pokud nahromaděný index překročí předem nastavenou prahovou hodnotu (např. 80%), je pěstiteli zasláno upozornění. Také Matese et al. (2013) navrhli aplikaci bezdrátových senzorů pro potřeby inteligentního vinohradnictví, která umožňuje monitorování mikroklimatu ve specifických místech dynamického bloku vinice.
Počítačové vidění lze nově využít také při hodnocení kompaktnosti hroznů, která souvisí s velikostí bobulí, celkovým výnosem i výskytem chorob. Tuto problematiku publikovalo ve svých pracích několik autorů např. Cubero et al. (2015), Tello a Ibáñez (2014).
Cubero et al. (2015) navrhl postup k posouzení kompaktnosti hroznu neinvazivním, objektivním a kvantitativním způsobem s uplatněním automatické analýzy obrazu. Principem metody je pořízení barevných snímků většího počtu hroznů u jednotlivých hodnocených moštových odrůd révy vinné. Následně byla provedena řízená segmentace, po níž následovala extrakce morfologických znaků, a pro odhad kompaktnosti hroznu byl použit prediktivní model nejmenších čtverců. Z rozboru výsledků získaných při experimentálních měřeních vyplynula až 85% správná predikce, přičemž největší vliv na správnost výsledků měl tvar hroznu a rozmístění bobulí.
Metody počítačového vidění pro posouzení kompaktnosti hroznu uplatnili ve svých studiích také vědci z Universitat Politècnica de València ve spolupráci s Institutem pro agrární výzkum (IVIA) a Výzkumným centrem pro révu a víno (ICVV). Stejně jako v předchozí studii by jejich systém mohl poskytovat informace o charakteristikách moštových hroznů na základě jejich morfologických vlastností a barvy. Při analýzách použili systém s kamerou a čtyřmi světelnými zdroji. Jejich přístup také poskytl informace o viditelnosti stopek třapiny, přítomnosti bobulí deformovaných tlakem a prostorových vztazích mezi geometrickými charakteristikami jednotlivých bobulí.
Vyzrálost semen révy vinné obsažených v bobulích se v podmínkách moderního vinohradnictví využívá jako ukazatel pro stanovení optimálního termínu sklizně. Tradiční metody stanovení vyzrálosti jsou destruktivní a jsou spojené s velkou časovou náročností. Získané výsledky mohou být subjektivně zkresleny, protože se často provádějí vizuální a senzorickou analýzou. Tyto nedostatky lze potenciálně eliminovat prostřednictvím nově vznikajících technik zpracování obrazu a strojového učení, které jsou konkrétně na tuto problematiku zaměřeny.
Rodríguez-Pulido et al. (2012) předložila studii k vyhodnocení potenciálu počítačového vidění ke stanovení fenolické zralosti hroznových semen. Cílem studie bylo najít vztahy mezi chemickým (fenolickým) složením a vzhledem (barvou a morfologií) semen. Jejich studie zahrnovala deskriptory, jako je např. hmotnost, délka a tvar semene. Autoři současně identifikovali 21 fenolických sloučenin v semenech, které hodnotili ve vztahu k jejich morfologickým deskriptorům. Systém DigiEye byl použit k získání snímků semen ze 100 vzorků bobulí a software DigiFood byl použit k získání morfologických a vzhledových parametrů včetně souřadnic CIELab z RGB. Souhrnné výsledky potvrdili vztah mezi chemickým složením a vzhledem semen, což uspokojivě umožňuje stanovit stupeň jejich zralosti.
Obdobně také Rodríguez-Pulido et al. (2012) analyzoval nejen semena, ale také samotné bobule. Velikost bobulí a vývojová fáze byla stanovena obrazovou analýzou, přičemž autoři vytvořili pro semena objektivní Browningův index. Autoři studovali morfologické rozdíly mezi různými odrůdami použitím modelů diskriminační analýzy, které umožňují klasifikaci hroznových semen s vysokou přesností.
Zuñiga et al. (2014) navrhli další metodu odhadu vyzrálosti hroznů na základě snímků semen. Jejich přístup umožnil klasifikovat semena do tří tříd (nezralá, zralá a přezrálá). Jejich metoda zahrnovala získávání obrazu, segmentaci, výpočet a klasifikaci deskriptoru. Přesnost stanovených výsledků byla až 90%.
Matese a Gennaro (2015) popisují jako další příklad technologií pro oblast inteligentního vinohradnictví geolokaci. Jedná se o proces vytváření vztahu mezi prostorovými informacemi a jejich geografickou polohou. To umožňuje srovnání různých prostorových dat detekovaných ve vinici, jako jsou fyzikální vlastnosti půdy, výnos hroznů, vlhkost půdy a obsah živin. Geolokace využívá princip globálního pozičního systému (GPS - Global Positioning Systém). GPS je vesmírný satelitní navigační systém, který poskytuje uživatelům vysoce přesné 3D pozice (x, y, z) a rychlé a včasné informace. Zatímco přijímač GPS vypočítává svou polohu na Zemi na základě informací, které přijímá ze čtyř nebo více satelitů, s přesností přibližně 3–15 m, diferenciální techniky poskytují přesnost polohy na centimetry díky síti pevných pozemních referenčních stanic ke korekci pozic označených satelitními systémy se známými pevnými polohami. Tento typ technologie GPS je užitečný při plnění úkolů vyžadujících vysokou přesnost, jako je mapování porostu, automaticky pracující zemědělské stroje, odběr vzorků půdy a distribuce hnojiv a pesticidů s různou rychlostí.
Hall et al. (2002) uvádí, že další z důležitých metod s potenciálem využití ve vinohradnictví je dálkový průzkum Země. Prostředky pro realizaci dálkového průzkumu jsou satelity, letadla a bezpilotní prostředky (UAV), s různými aplikačními metodami a typy senzorů založenými nejčastěji na principu spektroskopie a optických analýz. Techniky dálkového průzkumu rychle poskytují popis tvaru, velikosti a variabilitu vinice. Obraz získaný na dálku s různými měřítky rozlišení, umožňují popsat fyziologický stav keřů pomocí výpočtu vegetačních indexů (NDVI–Normalized difference vegetation index) detekcí a záznamem slunečního světla odraženého od povrchu předmětů na zemi. Výsledkem těchto měření realizovaných nejčastěji pomocí multispektrálních senzorů je např. detekce fotosyntetické aktivity, evapotranspirace i teploty rostlinného povrchu. Martín et al. (2007) uvádí, že NDVI může souviset s různými faktory, jako je index listové plochy (LAI–Leaf area index), chlorózy, vodní stres nebo celkový zdravotní stav keřů, zatímco úzkopásmové indexy hyperspektrální vegetace jsou citlivé na obsah chlorofylu. Dalšími využitelnými výstupy mohou být např. půdní mapy, mapy porostu, výnosové mapy apod. (Petrie et al., 2000).
Významnou roli může z pohledu inteligentního vinohradnictví plnit také proximální sledování půdní variability, při kterém jsou nejčastěji využívány elektromagnetické indukční senzory. V aplikacích proximálního snímání je k dispozici mnoho nástrojů pro kontinuální měření prováděná pohybujícími se vozidly nebo nástroje pro přesné pozemní pozorování prováděné operátorem. Tato měření slouží ke stanovení půdních parametrů jako např. pH, objemová hmotnost, půdní struktura, obsah organické hmoty aj. (Corwin a Lesch, 2017; Samouëlian et al., 2005)
Závěr
Vývoj v oblasti digitálních technologií a konstrukce robotických zařízení postupuje nezadržitelně kupředu. Vyvíjeny jsou tak stále nové typy strojů pro provádění jednotlivých pracovních operací ve vinohradnictví. Vývoj těchto zařízení spojuje mnoho oborů a specialistů: agronomů, inženýrů, mechatroniky, inteligentního modelování, strojového vidění atd. V konstrukci těchto stojů je kladen důraz zejména na výkonnost, nízké provozní náklady, šetrnost vůči životnímu prostředí (solární elektropohon, cílená aplikace pesticidů), kvalitu prováděných zásahů a v neposlední řadě kvalitu sklízených hroznů u sklizňových operací. Výsledkem dosavadního výzkumu a vývoje jsou tak vysoce přesná robotická ramena, obratné koncové efektory, výkonná výpočetní zařízení, přesné zobrazovací systémy a odpovídající algoritmy.
K hlavním nedostatkům těchto zařízení patří vysoká pořizovací cena, citlivost elektroniky vůči povětrnostním vlivů (teplota, vlhkost, prašnost aj.) a poměrně malá výkonnost. Velká část vyvíjených zařízení je většinou testována na simulační úrovni a nebyla použita v praktických aplikacích v reálném čase.
Vývoj v posledních letech naznačuje stále širší uplatnění náročných elektronických systémů a jejich dostupnost i ve vinohradnictví. Zda dojde k širšímu uplatnění těchto strojů, ukáže až blízká budoucnost.
Perspektiva těchto systémů je s ohledem na intenzivní vývoj digitálních technologií z hlediska dlouhodobého výhledu nesporná. Uplatnění bude v řadě případů podmíněno také změnou filozofie uplatňovaných pěstitelských postupů a zajištěním odpovídajícího stavu vinic i pozemků. O rychlosti jejich zavedení bude významným způsobem rozhodovat také celkový vývoj v pěstitelsko-ekonomické oblasti.
Literatura
Ang, Li M., Kah P., Seng, Feng, L. Ge, 2017: Natural Inspired Intelligent Visual Computing and Its Application to Viticulture. Sensors 17, no. 6: 1186. https://doi.org/10.3390/s17061186
Boso, S., Santiago, J. L., Martínez, M. C., 2004: Resistance of eight different clones of the grape cultivar Albariño to Plasmopara viticola, Plant Disease, vol. 88, no. 7, pp. 741-744.
Bramley, R., 2003: Smarter thinking on soil survey. Australian and New Zealand Wine Industry Journal. 18(3):88–94. http://iwrdb.org/cgi-bin/koha/opac-detail.pl?biblionumber=30800.
Corwin, D.L., Lesch, S.M., 2005: Characterizing soil spatial variability with apparent soil electrical conductivity. Part II. Case study. Computers and Electronics in Agriculture. 2005;46:135–152.
Cubero, S. et al., 2015: A new method for assessment of bunch compactness using automated image analysis. Austral. J. Grape Wine Res., vol. 21, pp. 101-109.
Diego, S. P., Bromberg, F., Carlos, A. D., 2017: Image classification for detection of winter grapevine buds in natural conditions using scale-invariant features transform bag of features and support vector machines. Comput. Electron. Agricult., vol. 135, pp. 81-95.
Fountas, S., Mylonas, N., Malounas, I., Rodias, E., Hellmann Santos, C., Pekkeriet, E., 2020: Agricultural Robotics for Field Operations. Sensors. 20(9):2672. https://doi.org/10.3390/s20092672.
Gao, M., Lu, T.-F., 2006: Image processing and analysis for autonomous grapevine pruning. Proc. IEEE Int. Conf. Mechatronics Automat., vol. 28, pp. 922-927.
Gao, M., 2011: Image processing and analysis for autonomours grapevine pruning.
Hall, A., Lamb, D.W., Holzapfel, B., Louis, J., 2002: Optical remote sensing applications in viticulture – a review. Australian Journal of Grape and Wine Research. 8:36–47.
McFarlane, N. J. B., Tisseyre, B., Sinfort, C., Tillett, R. D., Sevila, F., 1997: Image analysis for pruning of long wood grape vines. J. Agricult. Eng. Res., vol. 66, no. 2, pp. 111-119.
Martín, P., Zarco-Tejada, P.J., González, M.R., Berjón, A., 2007: Using hyperspectral remote sensing to map grape quality in ‘Tempranillo’ vineyards affected by iron deficiency chlorosis. Vitis. 46(1):7–14.
Matese, A., Vaccari, F.P., Tomasi, D., et al., 2013: CrossVit: enhancing canopy monitoring management practices in viticulture. Sensors (Basel). 13(6):7652–7667.
Matese, A., Di Gennaro, S.F., 2015: Technology in precision viticulture: a state of the art review. International Journal of Wine Research. 7:69-81, https://doi.org/10.2147/IJWR.S69405.
McFarlane, N. J. B., Tisseyre, B. C., Sinfort, R. D., 1997: Tillett and F. Sevila, "Image analysis for pruning of long wood grape vines", J. Agricult. Eng. Res., vol. 66, no. 2, pp. 111-119.
Peressotti, E., Duchêne, E., Merdinoglu, D., Mestre, P., 2011: A semi-automatic non-destructive method to quantify grapevine downy mildew sporulation. J. Microbiol. Methods, vol. 84, pp. 265-271.
Pérez-Expósito, J., Fernández-Caramés, T., Fraga-Lamas, P., Castedo, L., 2017: VineSens: An eco-smart decision-support viticulture systém. Sensors, vol. 17, no. 3, pp. 465.
Pérez-Ruiz, M., Gonzalez-de-Santos, P., Ribeiro, A., et al., 2015: Highlights and preliminary results for autonomous crop protection. Computers and Electronics in Agriculture. 110:150-161.
Petrie, P.R., Trought, M.C.T., Howell, G.S., 2000: Growth and dry matter partitioning of Pinot Noir (Vitis vinifera L) in relation to leaf area and crop load. Australian Journal of Grape and Wine Research. 6:40–45.
Rodríguez-Pulido, F. J., Gómez-Robledo, L., Melgosa, M., Gordillo, B., González-Miret, M. L., Heredia, F. J., 2012: Ripeness estimation of grape berries and seeds by image analysis. Comput. Electron. Agricult., vol. 82, pp. 128-133.
Rodríguez-Pulido, F. J., Ferrer-Gallego, R., González-Miret, M. L., Rivas-Gonzalo, J. C., Escribano-Bailón, M. T., Heredia, F. J., 2012: Preliminary study to determine the phenolic maturity stage of grape seeds by computer vision. Anal. Chim. Acta, vol. 732, pp. 78-82.
Samouëlian, A., Cousin, I., Tabbagh, A., Bruand, A., Richard, G., 2005: Electrical resistivity survey in soil science: a review. Soil and Tillage Research. 83:173-193.
Seng, K.P., Ang, L., Schmidtke, L.M., Rogiers, S.Y., 2018: Computer Vision and Machine Learning for Viticulture Technology. v IEEE Access, sv. 6, s. 67494-67510. doi: 10.1109/ACCESS.2018.2875862.
Sohaib Ali Shah, S., Zeb, A., Qureshi, W.S., Arslan, M., Ullah Malik, A., Alasmary, W., Alanazi, E., 2020: Towards fruit maturity estimation using NIR spectroscopy. Infrared Phys. Technol. 111, 103479.
Stummer, B. E., Francis, I. L., Zanker, T., Lattey, K. A., Scott, E. S., 2005: Effects of powdery mildew on the sensory properties and composition of Chardonnay juice and wine when grape sugar ripeness is standardised. Austral. J. Grape Wine Res., vol. 11, no. 1, pp. 66-76.
Tello, J., Ibáñez, J., 2014: Evaluation of indexes for the quantitative and objective estimation of grapevine bunch compactness", Vitis, vol. 53, no. 1, pp. 9-16.
Vision Robotics Corporation [homepage on the Internet]. San Diego, CA: Vision Robotics Corporation (VRC). Available from: http://www.visionrobotics.com/. Accessed February 10, 2015.
Wadekar, N. B., Sharma, P. K., Sapkale, N. S., 2015: Detection and controlling of grape leaf diseases using image processing and embedded systém. SSRG Int. J. Elect. Electron. Eng., vol. 2, no. 10, pp. 13-15.
Xu, S., Xun, Y., Jia, T., Yang, Q., 2014: Detection method for the buds on winter vines based on computer vision. Proc. 7th Int. Symp. Comput. Intell. Design (ISCID), vol. 2, pp. 44-48.
Zuñiga, A., Mora, M., Oyarce, M., Fredes, C., 2014: Grape maturity estimation based on seed images and neural networks. Eng. Appl. Artif. Intell., vol. 35, pp. 95-104.
