Procjena zrelosti vinskog grožđa. Nauka o vinarstvu značajno se razvijala u svakoj fazi svog proizvodnog procesa, počevši od vinograda gdje se mnogo definiše kvalitet vina. Osim fitosanitarnog statusa, ocjena kvaliteta grožđa uglavnom se odnosi na zrelost grožđa, zasnovanu na evoluciji enoloških parametara tokom vremena, što određuje optimalno vrijeme berbe zavisno o vinu koje se želi dobiti.
Praćenje sazrijevanja grožđa ima probleme vezane za veliku varijabilnost sastava grožđa, sorti grožđa i terroira. Obično se ovo vrednovanje vrši klasičnim fizičkim i hemijskim metodama koje se izvode off-line. Na ovaj način koristi se ograničen broj uzoraka, koji oduzimaju mnogo vremena, skupi su, invazivni i stvaraju hemijski otpad.
Rezime
Vinska industrija nastoji postići kvalitet i dosljednost vina, što uključuje berbu i izbor grožđa u optimalnoj zrelosti i prema željenim osobinama. Hiperspektralno snimanje (Hyperspectral imaging – HSI) u kombinaciji sa algoritmima mašinskog učenja (machine learning algorithms – ML) postalo je obećavajuća isplativa alternativa tradicionalnim analitičkim metodama za predviđanje važnih enoloških parametara i pomoć pri prikupljanju kritičnih odluka.
Međutim, velika količina podataka koje generiše HSI, zajedno sa velikom varijabilnošću (sorta grožđa, terroir), postavljaju računske izazove za modeliranje na temelju podataka, dajući izbor odgovarajućih modela koji najbolje odgovaraju problemu koji se proučava i osigurava njegovu generalizaciju.
U prezentovanom radu, velika prikupljena baza podataka (preko 2000 uzoraka od 2012. do 2018.) omogućila je sveobuhvatno testiranje modela predviđanja ML-a. Ova izvedba procijenjena je kroz n-puta-unakrsnu provjeru i nezavisne skupove testova za procjenu sposobnosti generalizacije (generalization ability – GA), koristeći uzorke iz različitih berbi, sorti i uslova rasta koji se ne koriste pri formiranju uzgojnog oblika, rješavajući pitanje prirodne varijabilnosti.
Uspostavljeni modeli uspješno su predvidjeli pH, nivo šećera i antocijanina u crnom grožđu u laboratorijskim uslovima. Zavisno od sorte, dobijeni rezultati ukazuju da je moguće dobiti modele koji dobro generaliziraju – uopštavaju problem.
Ključne riječi: hiperspektralno snimanje, bobice grožđa, predviđanje, neuronske mreže, PLS, duboko učenje
Članak je zasnovan na radu predstavljenom na SIVE OENOPPIA (12. izdanje Enoforum-a; Vicenza, Italija, 21.-23. maj 2019.)
Izvor: https://www.infowine.com/. Naslov orginala: Wine grape ripeness assessment using Hyperspectral imaging. Objavljeno: 31.03.2021. by Pedro Melo-Pinto, Véronique Gomes, Armando Fernandes, Ana Mendes-Ferreira. Pripremio: Dragutin Mijatović
Prilog, kompletan članak: https://www.infowine.com/intranet/libretti/0/19341-Enoforum2019-Melo-Pinto-PremioSIVE-arEN%20(00000002).pdf
Pogledati i: https://ovinu.info/procjena-prinosa-grozdja-2/
