Determinar el número de racimos por planta, evaluar el peso medio del racimo, contar el número de bayas por racimo y estimar el peso medio de la baya son tareas necesarias para evaluar, de manera fiable, el rendimiento del viñedo. Estas tareas se han venido realizando tradicionalmente de manera manual, lo que resulta poco práctico en nuestros días, donde se busca modernizar y aumentar la eficacia de nuestros sistemas vitícolas. En este sentido, la aplicación de nuevas tecnologías de visión artificial para el análisis de los distintos componentes del viñedo a partir de imágenes está suponiendo una auténtica revolución, siendo capaz de caracterizar estos componentes de manera eficaz, rápida y completamente objetiva.
Así, el análisis de imágenes tomadas con cámaras digitales estándar (imágenes RGB) se presenta como una interesante opción para la rápida y económica caracterización de los componentes del viñedo. Como ejemplo, cabe destacar un reciente trabajo (Klodt et al., 2015) en el que se presenta un método eficiente capaz de segmentar la imagen lateral de una canopia en cuatro clases (o componentes) diferentes: hoja, sarmiento, uva y fondo de imagen. Con esta información se puede evaluar, de manera eficiente y rápida, características tan importantes del viñedo como el crecimiento de la planta o la superficie foliar de la canopia. Igualmente, esto permite calcular de manera rápida y objetiva importantes parámetros vitícolas (como la relación hoja:fruto, Figura 1), permitiendo al viticultor actuar de manera inmediata. Igualmente, hay trabajos que presentan la metodología necesaria para detectar de manera automática el número de bayas que integran un racimo y estimar su tamaño medio, todo ello a partir de imágenes tomadas directamente en el viñedo bajo condiciones no controladas (Herzog et al., 2014)
No obstante, las tecnologías basadas en el análisis de imagen no se limitan a la caracterización de los componentes del viñedo, sino que su potencial en el campo de la viticultura es prácticamente ilimitado. Así, el análisis de imágenes de racimos permite obtener información muy valiosa para su caracterización morfológica, obteniéndose información sobre su tamaño (longitud y anchura), forma y densidad (o compacidad). Estos atributos resultan fundamentales para la obtención de uva de calidad, teniendo una clara incidencia en el valor comercial de la uva, el estado sanitario del racimo, y el rendimiento del cultivo. En este sentido, el análisis de imagen se ha propuesto como un método eficaz para cuantificar el número (y tamaño) de huecos libres presentes en el racimo (Figura 2). Según los autores, esta característica está muy relacionada con la compacidad del racimo, presentando los racimos sueltos una mayor cantidad de huecos libres en su estructura que los racimos compactos. Entre otras, esta variable permitió la construcción de un modelo capaz de predecir la compacidad del racimo de forma no invasiva y objetiva, presentándose como una interesante alternativa al método tradicional de evaluación (Cubero et al., 2015).
Referencias:
Cubero, S., Diago, M.P., Blasco, J., Tardáguila, J., Prats-Montalbán, J.M., Ibáñez, J., Tello, J., Aleixos, N. (2015). A new method for assessment of bunch compactness using automated image analysis. Australian Journal of Grape and Wine Research 21: 101-109.
Herzog, K., Roscher, R., Wieland, M., Kicherer, A., Läbe, T., Förstner, W., Kuhlmann, H., Töpfer (2014). Initial steps for high-throughput phenotyping in vineyards. Vitis 53(1): 1-8. Disponible en:
Klodt, M., Herzog, K., Töpfer, R., Cremers, D. (2015). Field phenotyping of grapeving growth using dense stereo reconstruction. BMC Bioinformatics 16:143. Disponible en: http://www.biomedcentral.com/1471-2105/16/143