{"id":{"repo_id":"dialnet","oai_identifier":"oai:dialnet.unirioja.es:TES0000023212"},"canonical_url":"https://search.dev.ndltd.org/etd/dialnet/oai:dialnet.unirioja.es:TES0000023212","repository":{"repo_id":"dialnet","name":"Dialnet","base_url":"https://dialnet.unirioja.es/oaites/OAIHandler"},"display":{"title":"Grape yield estimation in commercial vineyards using artificial intelligence, image analysis, and proximal RGB sensing","abstract":"La estimación precisa del rendimiento de la uva es un reto histórico en viticultura, con implicaciones directas en la gestión del viñedo, la planificación de la vendimia, la logística de bodega y la calidad final del vino. Los métodos tradicionales —muestreo manual y evaluaciones de expertos— son costosos, subjetivos, destructivos y poco escalables, lo que reduce su fiabilidad en viñedos comerciales heterogéneos. La combinación de inteligencia artificial y visión por computador con sensores proximales RGB ofrece un enfoque no invasivo, rápido y objetivo para superar estas limitaciones en condiciones reales de campo. El objetivo de esta Tesis fue estimar el rendimiento en viñedos comerciales mediante inteligencia artificial, análisis de imágenes y sensado RGB proximal a través de cinco estudios sobre visibilidad de órganos, variabilidad fenológica, iluminación, preparación de imágenes y rasgos morfológicos relevantes. El primer estudio examinó la detección de racimos bajo distintos niveles de oclusión. La arquitectura de la canopia condicionó el desempeño, con pérdidas de precisión al aumentar la oclusión, aunque se lograron resultados robustos con densidad moderada cuando los modelos se entrenaron con conjuntos de datos heterogéneos con escenarios diversos. Se demostró que es posible estimar sin desfoliación —ventaja para mantener el equilibrio de la vid— y que la diversidad del dataset es clave para generalizar entre parcelas, campañas y estructuras; la detección por imagen fue una alternativa viable al conteo manual y toleró la variación entre sitios. El segundo estudio evaluó cómo la etapa fenológica y la iluminación condicionan la detección temprana de inflorescencias y racimos. El estado de fruit-set a la luz del día fue más favorable para identificar racimos, mientras que la iluminación artificial nocturna mejoró la visibilidad de inflorescencias en fases tempranas como pre-bloom. Combinar imágenes diurnas y nocturnas amplió la cobertura y permitió pautas para programar la adquisición equilibrando velocidad y calidad. El tercer estudio determinó el momento óptimo y la preparación de imagen para detectar racimos entre E-L 09 y E-L 38. La ventana E-L 13–E-L 15 (de racimo visible a racimo separado) resultó la más confiable, cuando los racimos están desarrollados pero aún poco ocultos por hojas. SmartROI superó de forma consistente a los enfoques raw y de ventana deslizante, evidenciando que la preparación pesa más que el reescalado; aumentar la resolución aportó beneficios marginales frente a una mejor selección de regiones. El cuarto estudio abordó la clasificación automática de estados fenológicos con imágenes RGB convencionales. YOLOv11-Classification ofreció el mejor equilibrio entre precisión y eficiencia, mientras que ResNet-34 y Vision Transformer fueron competitivos con mayor coste o métricas menos equilibradas. La clasificación automática, esencial porque la estimación del rendimiento depende del estado de desarrollo, respalda riego, manejo de la canopia, prevención de enfermedades y fenotipificación a escala, con decisiones casi en tiempo real e integración en plataformas móviles. El quinto estudio investigó la estimación del peso de racimos mediante análisis morfológico de imágenes RGB bajo regímenes de riego contrastados. Descriptores como área proyectada, perímetro y compacidad fueron predictores sólidos del peso y mostraron alta correlación con mediciones manuales. La estimación no destructiva del peso complementa el conteo para una visión más completa del rendimiento; modelos de regresión confirmaron el valor predictivo de los rasgos de imagen y, aunque el estado hídrico influyó en morfología y peso, la contribución principal fue demostrar la morfometría como enfoque simple, interpretable y escalable. En conjunto, esta Tesis demuestra que el rendimiento puede estimarse antes, con mayor objetividad y a mayor escala integrando inteligencia artificial, visión por computador y sensado RGB proximal. Se aportan herramientas de relevancia agronómica como alternativa práctica a métodos de muestreo y se clarifican los compromisos entre iluminación, oclusión y preparación de imagen para adaptar la adquisición y el procesamiento a las limitaciones de cada sitio.","abstract_html":"La estimación precisa del rendimiento de la uva es un reto histórico en viticultura, con implicaciones directas en la gestión del viñedo, la planificación de la vendimia, la logística de bodega y la calidad final del vino. Los métodos tradicionales —muestreo manual y evaluaciones de expertos— son costosos, subjetivos, destructivos y poco escalables, lo que reduce su fiabilidad en viñedos comerciales heterogéneos. La combinación de inteligencia artificial y visión por computador con sensores proximales RGB ofrece un enfoque no invasivo, rápido y objetivo para superar estas limitaciones en condiciones reales de campo. El objetivo de esta Tesis fue estimar el rendimiento en viñedos comerciales mediante inteligencia artificial, análisis de imágenes y sensado RGB proximal a través de cinco estudios sobre visibilidad de órganos, variabilidad fenológica, iluminación, preparación de imágenes y rasgos morfológicos relevantes. El primer estudio examinó la detección de racimos bajo distintos niveles de oclusión. La arquitectura de la canopia condicionó el desempeño, con pérdidas de precisión al aumentar la oclusión, aunque se lograron resultados robustos con densidad moderada cuando los modelos se entrenaron con conjuntos de datos heterogéneos con escenarios diversos. Se demostró que es posible estimar sin desfoliación —ventaja para mantener el equilibrio de la vid— y que la diversidad del dataset es clave para generalizar entre parcelas, campañas y estructuras; la detección por imagen fue una alternativa viable al conteo manual y toleró la variación entre sitios. El segundo estudio evaluó cómo la etapa fenológica y la iluminación condicionan la detección temprana de inflorescencias y racimos. El estado de fruit-set a la luz del día fue más favorable para identificar racimos, mientras que la iluminación artificial nocturna mejoró la visibilidad de inflorescencias en fases tempranas como pre-bloom. Combinar imágenes diurnas y nocturnas amplió la cobertura y permitió pautas para programar la adquisición equilibrando velocidad y calidad. El tercer estudio determinó el momento óptimo y la preparación de imagen para detectar racimos entre E-L 09 y E-L 38. La ventana E-L 13–E-L 15 (de racimo visible a racimo separado) resultó la más confiable, cuando los racimos están desarrollados pero aún poco ocultos por hojas. SmartROI superó de forma consistente a los enfoques raw y de ventana deslizante, evidenciando que la preparación pesa más que el reescalado; aumentar la resolución aportó beneficios marginales frente a una mejor selección de regiones. El cuarto estudio abordó la clasificación automática de estados fenológicos con imágenes RGB convencionales. YOLOv11-Classification ofreció el mejor equilibrio entre precisión y eficiencia, mientras que ResNet-34 y Vision Transformer fueron competitivos con mayor coste o métricas menos equilibradas. La clasificación automática, esencial porque la estimación del rendimiento depende del estado de desarrollo, respalda riego, manejo de la canopia, prevención de enfermedades y fenotipificación a escala, con decisiones casi en tiempo real e integración en plataformas móviles. El quinto estudio investigó la estimación del peso de racimos mediante análisis morfológico de imágenes RGB bajo regímenes de riego contrastados. Descriptores como área proyectada, perímetro y compacidad fueron predictores sólidos del peso y mostraron alta correlación con mediciones manuales. La estimación no destructiva del peso complementa el conteo para una visión más completa del rendimiento; modelos de regresión confirmaron el valor predictivo de los rasgos de imagen y, aunque el estado hídrico influyó en morfología y peso, la contribución principal fue demostrar la morfometría como enfoque simple, interpretable y escalable. En conjunto, esta Tesis demuestra que el rendimiento puede estimarse antes, con mayor objetividad y a mayor escala integrando inteligencia artificial, visión por computador y sensado RGB proximal. Se aportan herramientas de relevancia agronómica como alternativa práctica a métodos de muestreo y se clarifican los compromisos entre iluminación, oclusión y preparación de imagen para adaptar la adquisición y el procesamiento a las limitaciones de cada sitio.","abstract_has_math":false,"creators":["Íñiguez Mangado, Rubén"],"institution":"Universidad de La Rioja (España)","degree_name":null,"degree_level":null,"degree_discipline":null,"degree_department":null,"school":null,"contributors":["Tardáguila Laso, Javier (Universidad de La Rioja)","Gutiérrez Salcedo, Salvador (Universidad de La Rioja)"],"advisors":[],"committee_chairs":[],"committee_members":[],"year":2025,"date_issued":"2025","date_published":"2025","updated_at":"2026-07-24T06:27:11Z","subjects":[],"languages":["eng"],"rights":["LICENCIA DE USO: Los documentos a texto completo incluidos en Dialnet son de acceso libre y propiedad de sus autores y/o editores. Por tanto, cualquier acto de reproducción, distribución, comunicación pública y/o transformación total o parcial requiere el consentimiento expreso y escrito de aquéllos. Cualquier enlace al texto completo de estos documentos deberá hacerse a través de la URL oficial de éstos en Dialnet. Más información: https://dialnet.unirioja.es/info/derechosOAI | INTELLECTUAL PROPERTY RIGHTS STATEMENT: Full text documents hosted by Dialnet are protected by copyright and/or related rights. This digital object is accessible without charge, but its use is subject to the licensing conditions set by its authors or editors. Unless expressly stated otherwise in the licensing conditions, you are free to linking, browsing, printing and making a copy for your own personal purposes. All other acts of reproduction and communication to the public are subject to the licensing conditions expressed by editors and authors and require consent from them. Any link to this document should be made using its official URL in Dialnet. More info: https://dialnet.unirioja.es/info/derechosOAI"],"rights_urls":[],"identifier_entries":[]},"links":{"outbound_url":"https://dialnet.unirioja.es/servlet/oaites?codigo=397079","outbound_label":"Repository record","outbound_source":"dc:identifier"},"metadata_groups":[{"id":"people","label":"People","entries":[{"key":"dc:contributor","label":"Contributor","values":["Tardáguila Laso, Javier (Universidad de La Rioja)","Gutiérrez Salcedo, Salvador (Universidad de La Rioja)"]},{"key":"dc:creator","label":"Author","values":["Íñiguez Mangado, Rubén"]}]},{"id":"academic_context","label":"Academic Context","entries":[{"key":"dc:date","label":"Dc Date","values":["2025"]},{"key":"dc:publisher","label":"Institution","values":["Universidad de La Rioja (España)"]},{"key":"dc:type","label":"Dc Type","values":["text (thesis)"]}]},{"id":"language_rights","label":"Language and Rights","entries":[{"key":"dc:language","label":"Dc Language","values":["eng"]},{"key":"dc:rights","label":"Dc Rights","values":["LICENCIA DE USO: Los documentos a texto completo incluidos en Dialnet son de acceso libre y propiedad de sus autores y/o editores. Por tanto, cualquier acto de reproducción, distribución, comunicación pública y/o transformación total o parcial requiere el consentimiento expreso y escrito de aquéllos. Cualquier enlace al texto completo de estos documentos deberá hacerse a través de la URL oficial de éstos en Dialnet. Más información: https://dialnet.unirioja.es/info/derechosOAI | INTELLECTUAL PROPERTY RIGHTS STATEMENT: Full text documents hosted by Dialnet are protected by copyright and/or related rights. This digital object is accessible without charge, but its use is subject to the licensing conditions set by its authors or editors. Unless expressly stated otherwise in the licensing conditions, you are free to linking, browsing, printing and making a copy for your own personal purposes. All other acts of reproduction and communication to the public are subject to the licensing conditions expressed by editors and authors and require consent from them. Any link to this document should be made using its official URL in Dialnet. More info: https://dialnet.unirioja.es/info/derechosOAI"]}]},{"id":"identifiers","label":"Identifiers","entries":[{"key":"dc:identifier","label":"Identifier","values":["https://dialnet.unirioja.es/servlet/oaites?codigo=397079"]}]},{"id":"additional","label":"Additional Metadata","entries":[{"key":"dc:description","label":"Description","values":["La estimación precisa del rendimiento de la uva es un reto histórico en viticultura, con implicaciones directas en la gestión del viñedo, la planificación de la vendimia, la logística de bodega y la calidad final del vino. Los métodos tradicionales —muestreo manual y evaluaciones de expertos— son costosos, subjetivos, destructivos y poco escalables, lo que reduce su fiabilidad en viñedos comerciales heterogéneos. La combinación de inteligencia artificial y visión por computador con sensores proximales RGB ofrece un enfoque no invasivo, rápido y objetivo para superar estas limitaciones en condiciones reales de campo. El objetivo de esta Tesis fue estimar el rendimiento en viñedos comerciales mediante inteligencia artificial, análisis de imágenes y sensado RGB proximal a través de cinco estudios sobre visibilidad de órganos, variabilidad fenológica, iluminación, preparación de imágenes y rasgos morfológicos relevantes. El primer estudio examinó la detección de racimos bajo distintos niveles de oclusión. La arquitectura de la canopia condicionó el desempeño, con pérdidas de precisión al aumentar la oclusión, aunque se lograron resultados robustos con densidad moderada cuando los modelos se entrenaron con conjuntos de datos heterogéneos con escenarios diversos. Se demostró que es posible estimar sin desfoliación —ventaja para mantener el equilibrio de la vid— y que la diversidad del dataset es clave para generalizar entre parcelas, campañas y estructuras; la detección por imagen fue una alternativa viable al conteo manual y toleró la variación entre sitios. El segundo estudio evaluó cómo la etapa fenológica y la iluminación condicionan la detección temprana de inflorescencias y racimos. El estado de fruit-set a la luz del día fue más favorable para identificar racimos, mientras que la iluminación artificial nocturna mejoró la visibilidad de inflorescencias en fases tempranas como pre-bloom. Combinar imágenes diurnas y nocturnas amplió la cobertura y permitió pautas para programar la adquisición equilibrando velocidad y calidad. El tercer estudio determinó el momento óptimo y la preparación de imagen para detectar racimos entre E-L 09 y E-L 38. La ventana E-L 13–E-L 15 (de racimo visible a racimo separado) resultó la más confiable, cuando los racimos están desarrollados pero aún poco ocultos por hojas. SmartROI superó de forma consistente a los enfoques raw y de ventana deslizante, evidenciando que la preparación pesa más que el reescalado; aumentar la resolución aportó beneficios marginales frente a una mejor selección de regiones. El cuarto estudio abordó la clasificación automática de estados fenológicos con imágenes RGB convencionales. YOLOv11-Classification ofreció el mejor equilibrio entre precisión y eficiencia, mientras que ResNet-34 y Vision Transformer fueron competitivos con mayor coste o métricas menos equilibradas. La clasificación automática, esencial porque la estimación del rendimiento depende del estado de desarrollo, respalda riego, manejo de la canopia, prevención de enfermedades y fenotipificación a escala, con decisiones casi en tiempo real e integración en plataformas móviles. El quinto estudio investigó la estimación del peso de racimos mediante análisis morfológico de imágenes RGB bajo regímenes de riego contrastados. Descriptores como área proyectada, perímetro y compacidad fueron predictores sólidos del peso y mostraron alta correlación con mediciones manuales. La estimación no destructiva del peso complementa el conteo para una visión más completa del rendimiento; modelos de regresión confirmaron el valor predictivo de los rasgos de imagen y, aunque el estado hídrico influyó en morfología y peso, la contribución principal fue demostrar la morfometría como enfoque simple, interpretable y escalable. En conjunto, esta Tesis demuestra que el rendimiento puede estimarse antes, con mayor objetividad y a mayor escala integrando inteligencia artificial, visión por computador y sensado RGB proximal. Se aportan herramientas de relevancia agronómica como alternativa práctica a métodos de muestreo y se clarifican los compromisos entre iluminación, oclusión y preparación de imagen para adaptar la adquisición y el procesamiento a las limitaciones de cada sitio.","Accurate grape yield estimation has long been a challenge in viticulture, with direct implications for vineyard management, harvest planning, winery logistics, and final wine quality. Traditional methods—manual sampling and expert evaluations—are costly, subjective, destructive, and poorly scalable, which reduces their reliability in heterogeneous commercial vineyards. The integration of artificial intelligence and computer vision with proximal RGB sensing provides a non-invasive, rapid, and objective approach to overcome these limitations under real field conditions. The main objective of this PhD Thesis was to estimate grape yield in commercial vineyards through artificial intelligence, image analysis, and proximal RGB sensing, across five studies addressing organ visibility, phenological variability, illumination, image-preparation strategies, and morphological traits relevant to yield. The first study examined grape bunch detection under varying levels of canopy occlusion. Canopy architecture strongly conditioned performance, with accuracy decreasing as occlusion increased, although robust results were obtained under moderate canopy density when models were trained with heterogeneous datasets covering diverse scenarios. It was demonstrated that yield can be reliably estimated without defoliation—a clear advantage for maintaining vine balance—and that dataset diversity is critical for generalisation across plots, seasons, and canopy structures. Image-based detection emerged as a viable alternative to manual counting and tolerated variation across sites. The second study evaluated how phenological stage and illumination influenced the early detection of inflorescences and bunches. Fruit-set under daylight provided the most favourable conditions for identifying bunches, whereas artificial illumination at night improved visibility of inflorescences in early stages such as pre-bloom. Combining daytime and night-time images expanded coverage and provided guidelines for scheduling image acquisition while balancing speed and quality. The third study determined the optimal timing and image-preparation strategies for bunch detection between E-L 09 and E-L 38. The window between E-L 13 and E-L 15 (from visible bunch to separated bunch) proved to be the most reliable, when bunches are sufficiently developed but still minimally occluded by leaves. SmartROI consistently outperformed raw and sliding-window approaches, showing that preparation strategies weigh more heavily than resolution scaling. Increasing resolution provided only marginal benefits compared with smarter region selection, confirming that preprocessing is the most decisive factor. The fourth study addressed the automated classification of major grapevine phenological stages using conventional RGB imagery. Since yield estimation depends on knowing the developmental stage, this task is essential. Among the architectures tested, YOLOv11-Classification achieved the best balance between accuracy and efficiency, enabling reliable use in complex field conditions. ResNet-34 and Vision Transformer also delivered competitive results, though with higher computational cost or less balanced metrics. Automatic classification supports vineyard management in irrigation scheduling, canopy handling, disease prevention, and large-scale phenotyping. Moreover, the pipeline is scalable and integrates with proximal platforms and mobile devices, supporting near real-time applications. The fifth study investigated the estimation of grape bunch weight through morphological analysis of RGB images under contrasting irrigation regimes. Descriptors such as projected area, perimeter, and compactness proved to be strong predictors of bunch weight and showed high correlations with manual measurements. Agronomically, this approach complements bunch counting and provides a more complete view of yield potential. Technically, regression models confirmed the predictive value of image-derived traits under variable field conditions. Although water status influenced morphology and weight, the main contribution was demonstrating morphometrics as a simple, interpretable, and scalable method for yield prediction. Overall, this Thesis demonstrates that grape yield can be estimated earlier, more objectively, and at larger scale by integrating artificial intelligence, computer vision, and proximal RGB sensing. The studies provide agronomically relevant tools as a practical alternative to traditional sampling-based methods and highlight the trade-offs between illumination, canopy occlusion, and image-preparation strategies, offering guidelines to adapt acquisition and processing to the specific constraints of each vineyard."]},{"key":"dc:format","label":"Dc Format","values":["application/pdf"]},{"key":"dc:title","label":"Title","values":["Grape yield estimation in commercial vineyards using artificial intelligence, image analysis, and proximal RGB sensing"]}]}],"canonical_facts":{"dc:contributor":["Tardáguila Laso, Javier (Universidad de La Rioja)","Gutiérrez Salcedo, Salvador (Universidad de La Rioja)"],"dc:creator":["Íñiguez Mangado, Rubén"],"dc:date":["2025"],"dc:description":["La estimación precisa del rendimiento de la uva es un reto histórico en viticultura, con implicaciones directas en la gestión del viñedo, la planificación de la vendimia, la logística de bodega y la calidad final del vino. Los métodos tradicionales —muestreo manual y evaluaciones de expertos— son costosos, subjetivos, destructivos y poco escalables, lo que reduce su fiabilidad en viñedos comerciales heterogéneos. La combinación de inteligencia artificial y visión por computador con sensores proximales RGB ofrece un enfoque no invasivo, rápido y objetivo para superar estas limitaciones en condiciones reales de campo. El objetivo de esta Tesis fue estimar el rendimiento en viñedos comerciales mediante inteligencia artificial, análisis de imágenes y sensado RGB proximal a través de cinco estudios sobre visibilidad de órganos, variabilidad fenológica, iluminación, preparación de imágenes y rasgos morfológicos relevantes. El primer estudio examinó la detección de racimos bajo distintos niveles de oclusión. La arquitectura de la canopia condicionó el desempeño, con pérdidas de precisión al aumentar la oclusión, aunque se lograron resultados robustos con densidad moderada cuando los modelos se entrenaron con conjuntos de datos heterogéneos con escenarios diversos. Se demostró que es posible estimar sin desfoliación —ventaja para mantener el equilibrio de la vid— y que la diversidad del dataset es clave para generalizar entre parcelas, campañas y estructuras; la detección por imagen fue una alternativa viable al conteo manual y toleró la variación entre sitios. El segundo estudio evaluó cómo la etapa fenológica y la iluminación condicionan la detección temprana de inflorescencias y racimos. El estado de fruit-set a la luz del día fue más favorable para identificar racimos, mientras que la iluminación artificial nocturna mejoró la visibilidad de inflorescencias en fases tempranas como pre-bloom. Combinar imágenes diurnas y nocturnas amplió la cobertura y permitió pautas para programar la adquisición equilibrando velocidad y calidad. El tercer estudio determinó el momento óptimo y la preparación de imagen para detectar racimos entre E-L 09 y E-L 38. La ventana E-L 13–E-L 15 (de racimo visible a racimo separado) resultó la más confiable, cuando los racimos están desarrollados pero aún poco ocultos por hojas. SmartROI superó de forma consistente a los enfoques raw y de ventana deslizante, evidenciando que la preparación pesa más que el reescalado; aumentar la resolución aportó beneficios marginales frente a una mejor selección de regiones. El cuarto estudio abordó la clasificación automática de estados fenológicos con imágenes RGB convencionales. YOLOv11-Classification ofreció el mejor equilibrio entre precisión y eficiencia, mientras que ResNet-34 y Vision Transformer fueron competitivos con mayor coste o métricas menos equilibradas. La clasificación automática, esencial porque la estimación del rendimiento depende del estado de desarrollo, respalda riego, manejo de la canopia, prevención de enfermedades y fenotipificación a escala, con decisiones casi en tiempo real e integración en plataformas móviles. El quinto estudio investigó la estimación del peso de racimos mediante análisis morfológico de imágenes RGB bajo regímenes de riego contrastados. Descriptores como área proyectada, perímetro y compacidad fueron predictores sólidos del peso y mostraron alta correlación con mediciones manuales. La estimación no destructiva del peso complementa el conteo para una visión más completa del rendimiento; modelos de regresión confirmaron el valor predictivo de los rasgos de imagen y, aunque el estado hídrico influyó en morfología y peso, la contribución principal fue demostrar la morfometría como enfoque simple, interpretable y escalable. En conjunto, esta Tesis demuestra que el rendimiento puede estimarse antes, con mayor objetividad y a mayor escala integrando inteligencia artificial, visión por computador y sensado RGB proximal. Se aportan herramientas de relevancia agronómica como alternativa práctica a métodos de muestreo y se clarifican los compromisos entre iluminación, oclusión y preparación de imagen para adaptar la adquisición y el procesamiento a las limitaciones de cada sitio.","Accurate grape yield estimation has long been a challenge in viticulture, with direct implications for vineyard management, harvest planning, winery logistics, and final wine quality. Traditional methods—manual sampling and expert evaluations—are costly, subjective, destructive, and poorly scalable, which reduces their reliability in heterogeneous commercial vineyards. The integration of artificial intelligence and computer vision with proximal RGB sensing provides a non-invasive, rapid, and objective approach to overcome these limitations under real field conditions. The main objective of this PhD Thesis was to estimate grape yield in commercial vineyards through artificial intelligence, image analysis, and proximal RGB sensing, across five studies addressing organ visibility, phenological variability, illumination, image-preparation strategies, and morphological traits relevant to yield. The first study examined grape bunch detection under varying levels of canopy occlusion. Canopy architecture strongly conditioned performance, with accuracy decreasing as occlusion increased, although robust results were obtained under moderate canopy density when models were trained with heterogeneous datasets covering diverse scenarios. It was demonstrated that yield can be reliably estimated without defoliation—a clear advantage for maintaining vine balance—and that dataset diversity is critical for generalisation across plots, seasons, and canopy structures. Image-based detection emerged as a viable alternative to manual counting and tolerated variation across sites. The second study evaluated how phenological stage and illumination influenced the early detection of inflorescences and bunches. Fruit-set under daylight provided the most favourable conditions for identifying bunches, whereas artificial illumination at night improved visibility of inflorescences in early stages such as pre-bloom. Combining daytime and night-time images expanded coverage and provided guidelines for scheduling image acquisition while balancing speed and quality. The third study determined the optimal timing and image-preparation strategies for bunch detection between E-L 09 and E-L 38. The window between E-L 13 and E-L 15 (from visible bunch to separated bunch) proved to be the most reliable, when bunches are sufficiently developed but still minimally occluded by leaves. SmartROI consistently outperformed raw and sliding-window approaches, showing that preparation strategies weigh more heavily than resolution scaling. Increasing resolution provided only marginal benefits compared with smarter region selection, confirming that preprocessing is the most decisive factor. The fourth study addressed the automated classification of major grapevine phenological stages using conventional RGB imagery. Since yield estimation depends on knowing the developmental stage, this task is essential. Among the architectures tested, YOLOv11-Classification achieved the best balance between accuracy and efficiency, enabling reliable use in complex field conditions. ResNet-34 and Vision Transformer also delivered competitive results, though with higher computational cost or less balanced metrics. Automatic classification supports vineyard management in irrigation scheduling, canopy handling, disease prevention, and large-scale phenotyping. Moreover, the pipeline is scalable and integrates with proximal platforms and mobile devices, supporting near real-time applications. The fifth study investigated the estimation of grape bunch weight through morphological analysis of RGB images under contrasting irrigation regimes. Descriptors such as projected area, perimeter, and compactness proved to be strong predictors of bunch weight and showed high correlations with manual measurements. Agronomically, this approach complements bunch counting and provides a more complete view of yield potential. Technically, regression models confirmed the predictive value of image-derived traits under variable field conditions. Although water status influenced morphology and weight, the main contribution was demonstrating morphometrics as a simple, interpretable, and scalable method for yield prediction. Overall, this Thesis demonstrates that grape yield can be estimated earlier, more objectively, and at larger scale by integrating artificial intelligence, computer vision, and proximal RGB sensing. The studies provide agronomically relevant tools as a practical alternative to traditional sampling-based methods and highlight the trade-offs between illumination, canopy occlusion, and image-preparation strategies, offering guidelines to adapt acquisition and processing to the specific constraints of each vineyard."],"dc:format":["application/pdf"],"dc:identifier":["https://dialnet.unirioja.es/servlet/oaites?codigo=397079"],"dc:language":["eng"],"dc:publisher":["Universidad de La Rioja (España)"],"dc:rights":["LICENCIA DE USO: Los documentos a texto completo incluidos en Dialnet son de acceso libre y propiedad de sus autores y/o editores. Por tanto, cualquier acto de reproducción, distribución, comunicación pública y/o transformación total o parcial requiere el consentimiento expreso y escrito de aquéllos. Cualquier enlace al texto completo de estos documentos deberá hacerse a través de la URL oficial de éstos en Dialnet. Más información: https://dialnet.unirioja.es/info/derechosOAI | INTELLECTUAL PROPERTY RIGHTS STATEMENT: Full text documents hosted by Dialnet are protected by copyright and/or related rights. This digital object is accessible without charge, but its use is subject to the licensing conditions set by its authors or editors. Unless expressly stated otherwise in the licensing conditions, you are free to linking, browsing, printing and making a copy for your own personal purposes. All other acts of reproduction and communication to the public are subject to the licensing conditions expressed by editors and authors and require consent from them. Any link to this document should be made using its official URL in Dialnet. More info: https://dialnet.unirioja.es/info/derechosOAI"],"dc:title":["Grape yield estimation in commercial vineyards using artificial intelligence, image analysis, and proximal RGB sensing"],"dc:type":["text (thesis)"]},"updated_at":"2026-07-24T06:27:11Z"}