Grape yield estimation in commercial vineyards using artificial intelligence, image analysis, and proximal RGB sensing

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.

Grantor dc:publisher

Universidad de La Rioja (España)

Year dc:date

2025

Author dc:creator

• Íñiguez Mangado, Rubén

Contributors dc:contributor

• Tardáguila Laso, Javier (Universidad de La Rioja)
• Gutiérrez Salcedo, Salvador (Universidad de La Rioja)

Statement 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

Language dc:language

eng

Repository record dc:identifier

https://dialnet.unirioja.es/servlet/oaites?codigo=397079

OAI identifier oai:identifier

oai:dialnet.unirioja.es:TES0000023212