La tecnología de aprendizaje profundo o Deep Learning se sitúa en el campo de la inteligencia artificial (IA), ya que se centra en desarrollar algoritmos y modelos que permitan a las computadoras aprender a partir de datos y mejorar con la experiencia, sin necesidad de una programación explícita para cada tarea. El uso de Deep Learning en la vitivinicultura abarca diversas áreas clave. Para la predicción de la calidad del vino, los modelos analizan datos históricos como condiciones climáticas, composición del suelo y técnicas de cultivo para mejorar la producción y la calidad. Los sistemas de visión por computadora basados en Deep Learning permiten detectar defectos en las uvas o en el proceso de vinificación, como uvas podridas o contaminación, mejorando así el control de calidad. Mediante el análisis de características químicas y sensoriales de los vinos, junto con las preferencias de los consumidores, los sistemas de recomendación basados en Deep Learning pueden sugerir maridajes adecuados entre vinos y alimentos. En el viñedo, mediante el análisis de imágenes de hojas de vid o racimos de uva, los algoritmos pueden clasificar automáticamente diferentes variedades de uva, facilitando la gestión de las vides y la identificación de cepas específicas. A su vez, al analizar datos en tiempo real de sensores instalados en los viñedos, los algoritmos pueden optimizar el riego, la fertilización y otros aspectos agrícolas para maximizar el rendimiento de los cultivos y reducir costos. A continuación, presentamos tres proyectos que han investigado el uso y la aplicabilidad de esta tecnología en la industria vitivinícola:
  • Modelos basados en Deep Learning para la fenología de la vid
El mildiú de la vid, causado por el Oomycete Plasmopara viticola, es una enfermedad devastadora que afecta a diversos órganos verdes de la vid, reduciendo significativamente tanto su rendimiento como su calidad. La detección manual tradicional es costosa, subjetiva y poco precisa, lo que ha llevado a explorar alternativas como las tecnologías de visión por computadora y la inteligencia artificial. El objetivo del estudio buscaba validar un enfoque basado en el aprendizaje profundo para detectar y localizar automáticamente las hojas afectadas por el mildiú, ofreciendo una solución más eficiente y precisa para combatir esta enfermedad. Se evaluaron 14 bloques comerciales (diferentes cultivares de vid) ubicados en el norte de España para generar un conjunto de datos completo para validar el algoritmo de aprendizaje profundo. Todos los bloques analizados presentaron síntomas de mildiú velloso con diferentes niveles de intensidad. Las imágenes del dosel se tomaron manualmente utilizando una cámara convencional. YOLOv4 (You Only Look Once) fue el algoritmo de aprendizaje profundo analizado en este estudio. El modelo YOLOv4 se entrenó utilizando un conjunto de datos heterogéneo poblado por imágenes obtenidas de diferentes bloques de viñedos en diferentes condiciones para aumentar la robustez del modelo. El modelo fue consistente en diferentes niveles de infección, lo que sugiere que se adapta bien a diversas condiciones. Además, pudo identificar correctamente las hojas con síntomas visibles de mildiú.
  • Detección y localización automática de hojas de vid con síntomas de mildiu
El seguimiento de las etapas fenológicas en el crecimiento de la vid es esencial para su gestión y calidad. Sin embargo, los métodos tradicionales, como las observaciones en el terreno, son costosos en tiempo y mano de obra. Este estudio propuso un enfoque escalable que utiliza datos satelitales para detectar automáticamente estas etapas, lo que lo hace adecuado para áreas extensas sin necesidad de datos de campo. Esto permite una aplicación global del método y su extensión a diferentes áreas. Se utilizaron las observaciones fenológicas históricas y desarrollaron un modelo supervisado de aprendizaje profundo que utiliza la temperatura de la superficie terrestre estimada por el satélite Copernicus Sentinel-3 para estimar el estado fenológico actual a nivel de parcela. Entrenaron el algoritmo con observaciones fenológicas recopiladas manualmente de cuatro cultivares de uva para vinificación en tres viñedos europeos (Italia, España y Portugal) de 2017 a 2022. Los resultados preliminares indicaron que el modelo de fenología de aprendizaje profundo supera a los métodos tradicionales basados ​​en GDD.
  • Conteo de racimos de uva mediante Deep Learning en diferentes condiciones de oclusión de frutos y hojas
La estimación precisa del rendimiento es crucial en la industria vitivinícola para la gestión efectiva de los viñedos y la producción de vino de calidad. Las técnicas tradicionales de estimación, que implican muestreos destructivos y recuentos manuales, son costosas, requieren mucho tiempo y mano de obra, y a menudo no son representativas de la variabilidad del viñedo. La cantidad de racimos por vid es el componente más influyente en la variabilidad del rendimiento, seguido del número de bayas por racimo y el peso de las bayas. La viticultura de precisión ha abierto nuevas oportunidades para mejorar la monitorización y predicción del rendimiento mediante el uso de sensores, plataformas y técnicas de modelado avanzadas. La visión por ordenador es una técnica ampliamente utilizada y exitosa en la viticultura para controlar la cantidad de fruto. Se han aplicado sistemas de visión por computadora en diferentes etapas fenológicas de la vid, como brotación, floración, tamaño de guisante y cosecha. Estas técnicas se clasifican en umbrales basados en el color, segmentación activa de contornos y segmentación de píxeles. Aunque han mostrado buenos resultados en la detección de racimos, están influenciadas por condiciones de adquisición de imágenes y características intrínsecas de las uvas. Los métodos de inteligencia artificial, especialmente el aprendizaje profundo, ofrecen soluciones prometedoras para mejorar esta detección y el recuento de racimos en viñedos. El algoritmo de aprendizaje profundo YOLOv4 fue capaz de detectar el número de racimos con alta precisión en condiciones de defoliación total de hojas y defoliación parcial. La oclusión de hojas y frutos afecta negativamente al rendimiento del modelo. La reducción de la precisión es un efecto claro de la oclusión de hojas y frutos, ya que el modelo no fue capaz de detectar los racimos parcialmente visibles. La falta de detección en las copas no defoliadas puede atribuirse al proceso de entrenamiento, ya que el modelo se entrenó en imágenes con racimos totalmente visibles. Se necesitan más estudios para probar este principio, realizando el entrenamiento con imágenes en las que aparezcan racimos parcialmente ocluidos para incorporar esta característica al algoritmo de detección. Un horizonte prometedor se dibuja en la vitivinicultura gracias a la tecnología del Deep Learning o aprendizaje profundo. Esta tecnología no reemplaza, sino que complementa los métodos tradicionales, permitiendo a los viticultores optimizar sus procesos y centrarse en lo más importante: producir vinos de alta calidad que capturen la esencia de su terroir y herencia.   Fuentes https://ives-openscience.eu/wp-content/uploads/2023/07/Basile_Deep-learning.pdf https://ives-openscience.eu/35785/ https://ives-openscience.eu/35804/