利用光照不变性深度学习技术对葡萄产量和品质进行实地监测

《IEEE Internet of Things Journal》：In-Field Mapping of Grape Yield and Quality With Illumination-Invariant Deep Learning

该研究提出一种基于IoT的智能机器人系统，实现葡萄园中葡萄产量（重量）和质量（糖度与酸度）的无损实时空间分辨检测。系统整合高效检测模型与LISA框架的高光谱成像质量评估模块，有效克服光照偏移问题，实验验证其可靠性，为精准葡萄酒栽培提供数据支持。

　　

摘要：

本文介绍了一种端到端的、基于物联网的机器人系统，用于葡萄园中葡萄产量和品质（糖分含量和酸度）的非破坏性、实时以及空间分辨的监测。该系统包含一个综合的分析流程，整合了两个关键模块：一个是用于葡萄串检测和重量估计的高性能模型，另一个是基于高光谱成像（HSI）数据的质量评估深度学习框架。在实地应用高光谱成像技术时，一个主要挑战是由光照变化引起的“域偏移”问题。为了解决这一问题，我们采用了光不变谱自动编码器（LISA）这一领域对抗性框架，该框架能够从未经校准的数据中学习出与光照无关的特征。我们在一个专门构建的高光谱成像数据集上验证了该系统的鲁棒性，该数据集涵盖了三种不同的光照条件：受控的人工照明环境（实验室）以及早晨和下午捕获的自然光照条件。实验结果显示，整个分析流程在葡萄串检测方面的准确率达到0.82，在重量预测方面的准确率为0.76；而LISA模块将质量预测的泛化能力提高了20%以上。通过结合这些鲁棒的模块，该系统成功生成了高分辨率、带有地理参考信息的葡萄产量和品质数据，为精准葡萄栽培（Precision Viticulture, PV）提供了可操作的、基于数据的洞察。

引言

精准葡萄栽培（Precision Viticulture, PV）旨在管理葡萄园内的空间和时间变化，以优化葡萄的质量和产量。传统的评估关键参数（如糖分含量和酸度）的方法依赖于手动采样，这些方法具有破坏性且劳动强度高[1]。这些方法不具备可扩展性，也无法提供数据驱动管理所需的高分辨率、实时数据。物联网（Internet of Things, IoT）与农业机器人技术的结合为克服这些限制提供了机会。通过部署智能的移动传感平台，可以实现数据收集的自动化，并生成作物健康状况的空间分辨数据，从而实现有针对性的干预措施，推动可持续农业的发展。