基于多光谱成像与人工神经网络建模的葡萄园近感测技术：葡萄成熟度与品质性状评估新方法

研究人员针对传统葡萄成熟度评估方法耗时费力且主观性强的问题，通过多光谱成像（含蓝、绿、红、红边、近红外及热红外波段）结合人工神经网络（ANN）建模，开发了非破坏性葡萄品质预测系统。研究构建了11个ANN模型，成功预测总可溶性固形物（TSS）、酸度、pH及酚类物质等关键参数，其中红葡萄品种TSS预测R2达0.89，白葡萄品种酸度预测R2高达0.97。该技术为精准葡萄栽培提供了高效、低成本的解决方案，推动农业智能化发展。

　　

葡萄的成熟度与品质直接影响葡萄酒的风味与价值，但传统评估方法依赖人工采样和实验室检测，不仅效率低下，还难以覆盖整个葡萄园的变异。随着精准农业技术的发展，多光谱成像和机器学习为这一难题提供了新思路。墨西哥蒙特雷理工学院（Tecnologico de Monterrey）的研究团队在《Journal of Agriculture and Food Research》发表论文，通过六波段多光谱相机（475-842 nm及热红外）和人工神经网络模型，实现了葡萄关键品质参数的快速、精准预测。

研究采用Cabernet、Merlot和Parellada三个葡萄品种，采集其成熟过程中的多光谱图像，并结合实验室测量的TSS、酸度、pH、总酚及花青素数据。通过图像对齐、葡萄串分割及光谱特征提取（包括像素强度分布和邻域标准差），构建了11个ANN模型。结果显示，红葡萄品种的TSS、酸度和pH预测R²分别达0.89、0.81和0.83，白葡萄品种的酸度模型表现尤为突出（R²=0.97）。

主要技术方法

研究使用Altum多光谱相机采集图像，通过Matlab?和Python进行图像对齐与葡萄串分割，提取89个特征参数（如像素尺寸、光谱强度百分位数）。采用PCA降维后，利用17种训练算法优化ANN模型，最终选择缩放共轭梯度算法，模型验证采用70:15:15的数据划分策略。

研究结果

1. 1.

   葡萄成分分析：Cabernet的TSS范围最广（11.13-23.83 °Brix），Merlot的花青素含量最高（815.09 mg·L^-1），表明白葡萄品种的数据变异较小。

2. 2.

   多光谱数据差异：Parellada的绿光和红边波段亮度比红葡萄高77%和93%，而红葡萄的近红外波段邻域标准差更高，反映颜色分布复杂性。

3. 3.

   模型性能：红葡萄的综合模型（R²=0.79）优于白葡萄（R²=0.70），但后者单项模型表现更优，如酸度预测误差仅0.11 g·L^-1。

结论与意义

该研究首次证明低成本六波段多光谱相机结合ANN可替代高分辨率光谱设备，尤其适用于TSS和酸度等成熟度核心指标的田间评估。红葡萄因花青素复杂性导致模型泛化能力稍弱，而白葡萄数据更易建模。未来通过整合气象数据或化学传感器，可进一步提升酚类物质的预测精度。这一技术为葡萄园自动化管理和分级采收提供了实用工具，推动葡萄酒产业向数字化迈进。