基于 illumination-invariant 深度学习的葡萄产量与品质现场映射
计算机视觉与模式识别
2025-10-07 v1
摘要
本文提出了一种面向葡萄酒庄园的端到端、物联网驱动的机器人系统，用于非破坏性、实时且空间分辨率高的葡萄产量与品质（度数、酸度）映射。该系统集成了两个关键模块：一个用于葡萄簇检测与重量估计的高性能模型，以及一个用于从 hyperspectral 光谱数据进行品质评估的新型深度学习框架。面向现场HSI的关键挑战是由可变照明引起的"领域迁移"。为克服这一困难，我们的品质评估模块采用Light-Invariant Spectral Autoencoder（LISA），这是一个基于域对抗框架的模型，能从未校准数据中学习照明不变特征。我们在覆盖三个不同照明域（受控人工照明（实验室）、自然阳光（上午）和自然阳光（下午））的专用HSI数据集上验证了系统的鲁棒性。结果表明，整个管道的簇检测召回率达0.82，重量预测的R²达0.76，而LISA模块相对于基线方法可提高20%以上的品质预测泛化能力。通过将这些稳健模块组合，系统成功生成了产量与品质的高分辨率、带有地理坐标的数据，为精密葡萄酒生产提供了可操作的数据驱动洞见。
引用
@article{arxiv.2510.04864,
title = {In-Field Mapping of Grape Yield and Quality with Illumination-Invariant Deep Learning},
author = {Ciem Cornelissen and Sander De Coninck and Axel Willekens and Sam Leroux and Pieter Simoens},
journal= {arXiv preprint arXiv:2510.04864},
year = {2025}
}
备注
Accepted manuscript for the IEEE Internet of Things Journal. The final version will be available on IEEE Xplore. \c{opyright} 2025 IEEE