Винодельческая отрасль переживает значительную цифровую трансформацию благодаря интеграции систем машинного зрения (MVS) для автоматизированного и точного контроля качества на различных этапах производства. Несмотря на растущий интерес к применению MVS, в литературе отсутствует всесторонний анализ того, как эти технологии интегрируются на протяжении всего процесса виноделия.
Данный систематический обзор восполняет этот пробел, классифицируя приложения MVS в соответствии с их технологическим подходом — стереоскопическое зрение (SV), дистанционное зондирование (RS), гиперспектральная визуализация (HSI), рентгеновская визуализация (XRI), тепловизионная визуализация (TI) и магнитно-резонансная томография (MRI) — и отображая их внедрение на различных этапах производства вина.
В общей сложности было отобрано 77 исследований, опубликованных в период с 2013 по 2026 год, на основе рекомендаций PRISMA и четко определенных критериев включения. Результаты показывают значительные успехи в мониторинге виноградников, сортировке винограда, отслеживании ферментации и контроле качества при розливе, при этом технологии MVS повышают операционную эффективность, устойчивость и точность оценки качества. Тем не менее, проблемы сохраняются, особенно на промежуточных этапах процессов, таких как измельчение и фильтрация, а также при переходе от лабораторных инноваций к промышленному масштабу из-за экономических и инфраструктурных ограничений.
Данный обзор не только обобщает существующие знания, но и определяет критические пробелы в исследованиях и будущие направления интеграции MVS в более широкую концепцию интеллектуального и устойчивого виноградарства. Результаты призваны информировать исследователей, разработчиков технологий и политиков, занимающихся цифровой трансформацией агропродовольственного сектора.
1. Введение
Агропродовольственный сектор является важнейшей составляющей мировой экономики, объединяя деятельность «от поля до стола» (F2F) и обеспечивая баланс между ростом и устойчивостью, а также меняющимся потребительским спросом [1].
Технологический прогресс значительно преобразовал агропродовольственную отрасль, особенно благодаря внедрению цифровых решений, таких как искусственный интеллект (ИИ), Интернет вещей (IoT) и передовые системы [2]. В этом контексте системы машинного зрения (MVS) стали преобразующим инструментом для повышения контроля качества и оптимизации эффективности производства.
MVS сочетают аппаратное обеспечение для обработки изображений с аналитикой на основе ИИ для автоматизации контроля и обнаружения дефектов, обеспечивая неразрушающую оценку в режиме реального времени, что повышает точность, согласованность и масштабируемость [3, 4]. В винодельческой отрасли ручной визуальный контроль ограничен трудоемкостью, субъективностью оператора и ограниченной пропускной способностью выборки, особенно на линиях приема винограда и высокоскоростных упаковочных линиях. Эти ограничения усугубляются неоднородностью сырья и скоростью линий, характерными для виноградарства и виноделия.
На винодельнях наиболее частые отклонения качества обнаруживаются визуально и возникают при высокой производительности: неоднородное состояние винограда при поступлении (наличие стеблей/других материалов, переменная зрелость и гниль) [5, 6], характеристики на стадии процесса, такие как образование пены и динамика потемнения в игристых винах [7], и дефекты упаковки/закупорки в конце линии [8, 9]. Эти классы проблем естественным образом связаны с неразрушающим методом визуализации, поскольку они требуют быстрой, объективной и оперативной оценки, которая сохраняет целостность продукта, одновременно поддерживая прослеживаемость решений. Типичные примеры применения, описанные в литературе, включают оценку качества партий урожая при поступлении с использованием конвейерной визуализации, раннее неразрушающее обнаружение Botrytis cinerea в высококачественных винах [6], компьютерную оценку качества пены [10], мониторинг потемнения с помощью смартфонов и рентгеновский анализ внутренних дефектов в пробках, которые могут влиять на проникновение кислорода. Что касается технологических операций, то описанные области применения охватывают сбор винограда, дробление и отделение стеблей, ферментацию (спиртовую и яблочно-молочную) и осветление, прессование и фильтрацию, переливание и перекачку, выдержку и созревание, а также розлив и упаковку; подробно описано в разделе 2 .
В рамках этих вариантов использования методы визуализации охватывают RGB/монохромное видео для сортировки и проверки уровня меток/заполнения, гиперспектральное/ближнеинфракрасное зондирование для определения состава и обнаружения заболеваний [11, 12], тепловые изображения для мониторинга процессов [13] и рентгеновскую томографию для контроля внутренних дефектов [8]. В сочетании с существующими конвейерами анализа изображений и машинного обучения этот неразрушающий инструментарий позволяет принимать решения в режиме реального времени на скорости промышленных линий, снижая зависимость от субъективного контроля при сохранении масштабируемости [14]. Несмотря на очевидные преимущества, внедрение MVS может быть ограничено капитальными затратами, системной интеграцией и производительностью в режиме реального времени в сложных, гетерогенных средах [2, 14, 15].
Недавние анализы рынка указывают на существенное увеличение внедрения MVS в пищевой промышленности и производстве напитков [16]. Внедрение машинного зрения и анализа процессов в производстве продуктов питания и напитков ускоряется, чему способствуют требования к производительности, отслеживаемости и автоматизации, создавая благоприятные условия для применения в виноделии [14]. Параллельные тенденции наблюдаются в виноградарстве с увеличением использования неинвазивных цифровых датчиков [13]. Помимо улучшения качества, технологии MVS также способствуют устойчивому развитию, сокращая ненужные отходы, оптимизируя условия обработки и повышая эффективность использования ресурсов по всей цепочке поставок вина [13, 17].
Несмотря на растущее академическое внимание к цифровым технологиям в винодельческой отрасли, по-прежнему отсутствует всеобъемлющий анализ, который бы охватывал использование МВС на всех этапах производства вина. Сравнимые анализы в агропродовольственном секторе и виноградарстве либо рассматривают цифровые датчики преимущественно на стадии виноградника, либо концентрируются на конкретных продуктах/технологических операциях (например, оценка пены в газированных напитках), но не показывают согласованного отображения МВС на основе изображений по всей цепочке от виноградника до бутылки [18, 19]. Данный обзор восполняет этот пробел, рассматривая внедрение МВС на разных этапах виноделия, классифицируя приложения по технологическому подходу и фазе производства. Для обеспечения прозрачности и воспроизводимости обзор был разработан и представлен в соответствии с методом PRISMA [20]. В частности, цели данного исследования заключаются в следующем:
- Разработать и внедрить таксономию технологий и процессов, которая бы согласовывала методы визуализации с производственными операциями винодельческих предприятий и целями их контроля.
- Оцените эффективность и ограничения этих технологий в решении задач контроля качества.
- Определить недостаточно охваченные этапы и приоритетные направления для внедрения, чтобы направлять исследования и внедрение в реальных условиях винодельческих предприятий.
Данная концептуальная основа прослеживается на протяжении всей статьи и способствует систематическому пониманию того, как различные решения для получения изображений соотносятся с конкретными этапами виноделия.
2. Предыстория
2.1. Винодельческая отрасль
Агропродовольственная отрасль, включающая как первичное производство (сырье), так и вторичное производство (переработанные товары), играет значительную роль в мировой экономике, внося существенный вклад в занятость и валовой внутренний продукт (ВВП) [9, 21]. Среди различных подсекторов виноделие имеет особое значение благодаря своей экономической ценности, культурному наследию и сложности процессов. Эти характеристики делают его привлекательной областью для применения передовых технологий автоматизации в производстве и контроле качества.
Мировой рынок вина демонстрирует устойчивый рост в последние годы; например, прогнозы указывают на среднегодовой темп роста около 3,4%, при этом мировые доходы вырастут с примерно 155 миллиардов долларов в 2018 году до 216 миллиардов долларов к 2028 году [22]. Такой рост в сочетании с изменением потребительских предпочтений (например, интерес к органическим винам и винному туризму) подчеркивает экономическую значимость винодельческого сектора. Географически Европа остается ведущим регионом по производству и продажам вина, за ней следуют Северная и Южная Америка, в то время как развивающиеся рынки Азии стимулируют новый спрос.
Виноделие проходит четко определенную последовательность этапов, включая сбор винограда, дробление/удаление стеблей, ферментацию, прессование/фильтрацию и розлив [23]. На каждом из этих этапов качество продукта зависит от биологической изменчивости, факторов окружающей среды и точности операций, что требует строгого контроля качества для обеспечения стабильности, соответствия стандартам и дифференциации продукта на конкурентных рынках.
Вертикально интегрированная цепочка поставок вина, от выращивания винограда до дистрибуции, позволяет осуществлять централизованный контроль качества, но также требует надежных систем мониторинга для поддержания высоких стандартов на протяжении всего производства. На рисунке 1 представлена схема общих этапов производства вина. Следует отметить, что точная последовательность может варьироваться в зависимости от типа вина: например, красные вина обычно ферментируются с кожицей перед прессованием, тогда как белые и розовые вина прессуются перед ферментацией.
Производственный процесс состоит из множества взаимозависимых этапов, каждый из которых представляет собой отдельную проблему с точки зрения точности и риска загрязнения. Краткий обзор этих этапов представлен ниже:
- Сбор винограда. Время сбора винограда имеет решающее значение, поскольку зрелость винограда напрямую влияет на качество вина. Ключевые биохимические показатели (чаще всего общее содержание растворимых твердых веществ, титруемая кислотность, pH и относительное содержание глюкозы и фруктозы) определяют решение о сборе урожая, но пороговые значения зависят от сорта и региона. Практикующие часто используют баланс сахара и кислоты или профиль глюкозы и фруктозы в качестве ориентиров при принятии решения, но рекомендуемые пороговые значения варьируются в зависимости от сорта и климата. Помимо технологической зрелости, фенольная зрелость, связанная с концентрацией и экстрагируемостью танинов и антоцианов, также имеет важное значение, особенно для красных вин, поскольку она влияет на стабильность цвета, терпкость и вкусовые ощущения [24]. Сбор урожая может производиться вручную, то есть выборочный ручной сбор гроздей (распространенный метод для премиальных и игристых вин), или механически с использованием обычных специализированных виноградоуборочных комбайнов, которые увеличивают производительность и сокращают трудозатраты в поле. Если не указано иное, речь идет об обычных инструментах; Решения на основе технологии MVS рассматриваются отдельно и включают в себя полевую съемку на ходу для ранней оценки урожайности в целях планирования сбора урожая, а также съемку на конвейере приемки на винодельне для быстрой сортировки и маршрутизации сырья. Следует отметить, что качество и состав винограда во время сбора урожая часто являются наиболее определяющими факторами для конечного качества вина – состав плодов во время сбора урожая широко признан одним из основных факторов, влияющих на качество вина.
- Дробление и отделение стеблей. После сбора урожая виноград транспортируется на винодельню, где подвергается дроблению для извлечения сока. Этот этап обычно сочетается с отделением стеблей для удаления богатых танинами стеблей, которые могут придавать вину нежелательную горечь или терпкость. Метод дробления (традиционный пресс или современная механическая дробилка) влияет на извлечение фенольных соединений, которые влияют на органолептические свойства вина (цвет, вкус, текстура).
- Ферментация. Ферментация — это критически важный этап виноделия, в ходе которого сахара в виноградном сусле превращаются в спирт и CO₂ под действием дрожжей. Этот биохимический процесс происходит в емкостях с контролируемой температурой (резервуары из нержавеющей стали, деревянные бочки или бетонные чаны) для обеспечения оптимальной активности дрожжей [25]. Протоколы ферментации значительно различаются для красных и белых вин. В красных винах ферментация обычно происходит в контакте с виноградной кожицей, что способствует извлечению цвета и танинов. В отличие от этого, белые вина обычно ферментируются после прессования, чтобы избежать чрезмерного извлечения фенолов. Ферментацию можно разделить на:
-
-
- Спиртовое брожение осуществляется дрожжевыми штаммами, в основном Saccharomyces cerevisiae, которые превращают сахара в этанол и углекислый газ, а также в вторичные метаболиты, такие как глицерин и органические кислоты.
- Яблочно-молочное брожение (ЯМБ) — это вторичное брожение (обычно после спиртового брожения), при котором молочнокислые бактерии превращают яблочную кислоту в более мягкую молочную кислоту. ЯМБ снижает кислотность и повышает стабильность и улучшает вкусовые качества, особенно во многих красных и некоторых белых винах. ЯМБ особенно желательно для красных вин и некоторых полнотелых белых вин (например, Шардоне), поскольку оно смягчает кислотность и способствует улучшению вкусовых качеств и микробиологической стабильности. Хотя ферментация имеет решающее значение для формирования основного профиля вина, основа для качества в значительной степени закладывается качеством поступающего винограда (этап 1). Селективный ручной сбор и сортировка винограда могут иметь большее значение для конечного качества, чем корректировки во время ферментации.
-
- Прессование и фильтрация. После ферментации жидкое вино отделяется от твердых частиц винограда (кожицы, семян, мякоти). При производстве красного вина виноград ферментируется на кожице, а затем прессуется после ферментации для извлечения оставшегося вина из жмыха. В отличие от этого, белые и розовые вина обычно прессуются до ферментации, при этом ферментации подвергается только сок. Техника прессования (например, щадящий корзиночный пресс или непрерывный пресс) может влиять на уровень извлекаемых танинов и фенольных соединений. После прессования применяются этапы фильтрации (например, перекрестная фильтрация или использование диатомитовой земли) для осветления вина путем удаления дрожжей, бактерий и твердых частиц, что обеспечивает стабильность и блеск конечного продукта.
- Перелив и перекачка. В течение всего процесса ферментации и созревания вина периодически переливаются из одной емкости в другую (процесс, известный как переливка), чтобы отделить прозрачное вино от осадка (дисперсии) и контролировать воздействие кислорода. Эти промежуточные переливы важны для осветления вина и предотвращения появления посторонних привкусов. Контролируемое воздействие кислорода во время переливов может способствовать развитию и стабильности вина, но следует избегать чрезмерного окисления. Таким образом, управление этими перемещениями между резервуарами или бочками является еще одним важным этапом производства, который способствует стабильности и качеству продукта.
- Выдержка и созревание. После первоначальной ферментации и осветления многие вина проходят период выдержки для развития сложности вкуса. Выдержка может происходить в инертных емкостях (из нержавеющей стали или бетона для «свежего» профиля) или в дубовых бочках, которые придают вину дополнительный аромат и обеспечивают медленное проникновение кислорода. Продолжительность и условия выдержки (температура, влажность и воздействие кислорода) тщательно контролируются. Ограниченный, контролируемый контакт с кислородом во время выдержки в бочках может способствовать полимеризации танинов и стабилизации цвета, повышая сложность вкуса, тогда как избыток кислорода приводит к окислению и порче. Виноделы часто проводят периодические сенсорные и химические анализы во время выдержки, чтобы определить оптимальное время выпуска для каждого вина.
- Розлив и упаковка. Заключительный этап включает стабилизацию вина (при необходимости путем осветления и окончательной фильтрации), а затем розлив в стерильные, инертные условия для предотвращения загрязнения [26]. На этом этапе выполняется правильное закупоривание или укупоривание, а также точная маркировка. После розлива условия хранения (около 12–15 °C и контролируемая влажность) важны для сохранения качества вина. Даже после розлива многие изысканные вина продолжают развиваться (выдержка в бутылке), но упаковка должна защищать вино от чрезмерного воздействия кислорода, света и перепадов температуры, чтобы сохранить его качество в течение всего срока хранения.
Рис. 1. Технологический процесс производства красного и белого вина. На диаграмме показаны этапы винификации красного (красные стрелки) и белого (желтые стрелки) вина. Синие прямоугольники обозначают оперативные этапы, серые — фазы винификации, а зеленые галочки — этапы, на которых могут применяться системы машинного зрения (MVS).
Каждый из этих этапов производства сталкивается с проблемами, связанными с естественной изменчивостью, требованиями к точному контролю и риском загрязнения. Традиционный ручной отбор проб и химический анализ часто не могут обеспечить мониторинг в режиме реального времени с высоким разрешением, необходимый для решения этих проблем. Это создает значительные возможности для технологической интеграции в винодельческой промышленности [27].
2.2. Машинное зрение как фактор, способствующий инновациям в процессах виноделия
Системы машинного зрения получили широкое распространение в пищевой промышленности и производстве напитков благодаря своей способности автоматизировать контроль качества, непрерывно отслеживать переменные продукта и процесса и снижать зависимость от визуального осмотра человеком [14].
Эти системы используют цифровое оборудование для обработки изображений, передовые алгоритмы обработки изображений и принятие решений в режиме реального времени для оценки качества продукта на различных этапах производства. В виноделии интеграция систем машинного зрения может повысить точность сортировки винограда, мониторинга ферментации, обнаружения загрязнений и проверки упаковки.
Обеспечивая последовательную, объективную оценку, системы машинного зрения помогают преодолеть ограничения ручных методов (которые могут быть медленными, трудоемкими и субъективными), тем самым повышая эффективность и улучшая повторяемость измерений и воспроизводимость решений между операторами и партиями. Кроме того, данные, собранные системами машинного зрения, могут способствовать отслеживаемости и позволять вносить корректировки в процесс (например, выявлять загрязненную партию до того, как она продолжится).
Согласно [2], типичный рабочий процесс MVS в производстве состоит из двух основных фаз:
- Получение изображений — это фиксация фотографий или видео продукта или процесса с помощью камер с соответствующей оптикой и освещением. В контексте виноделия это может означать съемку винограда на сортировочном конвейере, мониторинг бродильных емкостей с помощью камер или проверку бутилированного вина на линии.
- Обработка изображений с применением алгоритмов анализа изображений для извлечения релевантных признаков, оценки характеристик продукта, моделирования и принятия решений рассматривается в разделе 2.2.3. Это может включать измерение размера и цвета винограда для его сортировки, обнаружение дефектов или загрязнений (таких как насекомые, стебли или частицы), а также считывание этикеток и уровня наполнения на бутылках. Этап обработки часто включает автоматизированные триггеры принятия решений, например, сигнал механическому сортировщику об удалении дефектного винограда или остановку линии розлива при обнаружении неправильной маркировки.
На рисунке 2 показан общий рабочий процесс технологий MVS, демонстрирующий взаимодействие компонентов получения и обработки изображений вплоть до этапа принятия решения (на рисунке основное внимание уделяется самой системе машинного зрения; на практике же окончательный результат принятия решения будет взаимодействовать с физическим оборудованием или оповещениями для выполнения необходимого действия).
Такой замкнутый цикл, включающий в себя сбор, интерпретацию и действие, позволяет корректировать процесс в реальном времени и отбраковывать некачественную продукцию, тем самым поддерживая качество и эффективность. В промышленных условиях «в реальном времени» означает, что суммарное время цикла сбора-обработки-приведения в действие соответствует тактовой частоте линии, например, непрерывный онлайн-контроль крышек со скоростью ≥ 150 штук в минуту (≈ 400 мс на единицу продукции) или видеомониторинг процесса со скоростью ~ 2 кадра в секунду, как это используется в винодельческой отрасли.
Рис. 2. Схема рабочего процесса машинного зрения (получение данных, обработка, интерпретация/принятие решения). Диаграмма является типовой; работа в реальном времени достигается, когда цикл замыкается в течение времени выполнения процесса. Источник: [2]
2.2.1 Механизмы получения изображений
В системах MVS используются различные методы получения изображений, от традиционной 2D-фотографии до передовых спектральных и 3D-изображений. Согласно литературе, системы MVS могут получать изображения в реальном времени с помощью стандартных фотографий, высокоскоростного видео и даже трехмерных методов визуализации [11]. Захваченные изображения могут передаваться в блок обработки по различным каналам в зависимости от архитектуры системы: проводные соединения (USB или Ethernet для промышленных камер), сетевые каналы (промышленный интернет или LAN) или даже беспроводные методы, такие как метки радиочастотной идентификации (RFID) и беспроводные сенсорные сети (WSN) для распределенной системы сбора данных [2].
Выбор метода получения и канала передачи зависит от таких факторов, как требуемое разрешение, скорость и окружающая среда (например, стабильная проводная камера для линии розлива по сравнению с беспроводной сетью камер на винограднике). В таблице 1 приведены некоторые из наиболее широко используемых технологий получения изображений в пищевой промышленности с указанием технических характеристик (спектральный диапазон, разрешение/воксель, тип датчика, режим сканирования) и типичных областей применения. Каждая технология предлагает уникальные преимущества для определенных задач в виноделии.
Таблица 1. Наиболее широко используемые технологии получения изображений в пищевой промышленности, с конкретным применением в виноделии.
Каждая из вышеперечисленных технологий визуализации решает различные задачи в процессе производства вина. Важно отметить, что эти механизмы получения изображений часто должны сочетаться с правильным освещением, позиционированием и калибровкой для получения надежных данных для последующего анализа.
2.2.2 Конвейер обработки изображений
После получения изображений анализ проводится поэтапно, иерархически, от базового улучшения до представления признаков, ориентированного на выполнение задачи. Такой многоуровневый подход отражает возрастающий уровень вычислительной сложности, абстракции и интерпретируемости:
- Операции обработки изображений низкого уровня для улучшения качества и подготовки к анализу (например, шумоподавление, повышение контраста, калибровка цвета при переменном освещении (отображается как CIE Lab, угол оттенка и насыщенность в задачах виноградника и винодельни)) [32].
- Обработка промежуточного уровня: сегментация объекта или области, описание формы и извлечение признаков (например, эквивалентный диаметр, текстура, цветовые индексы) для количественной оценки соответствующих характеристик винограда, листьев или упакованных товаров [2].
- Высокоуровневая обработка (представление признаков): агрегирование и структурирование промежуточных признаков (например, статистики регионов, дескрипторов формы, спектральных индексов) в компактные, ориентированные на задачу представления, пригодные для последующего моделирования и принятия решений.
Постоянное совершенствование аппаратного обеспечения и алгоритмов позволяет выполнять эти этапы практически в реальном времени. На рисунке 3 показана многоуровневая структура от улучшения и сегментации до представления признаков. Полученные матрицы признаков используются в хемометрических моделях и моделях машинного обучения, описанных в разделе 2.2.3 .
Рис. 3. Различные уровни обработки изображений в механизмах машинного зрения.
2.2.3 Хемометрическое моделирование и моделирование с использованием машинного обучения
На основе характеристик, полученных в результате анализа изображений, хемометрические модели и модели машинного обучения выполняют калибровку, классификацию, прогнозирование и принятие решений в различных задачах виноделия.
2.2.3.1 Хемометрика (моделирование и калибровка в пространстве признаков)
Методы без учителя, такие как анализ главных компонентов (PCA), поддерживают снижение размерности и исследование структуры спектральных/цветовых характеристик, в то время как методы с учителем, такие как метод частичных наименьших квадратов (PLS), позволяют проводить количественную калибровку энологических параметров (например, растворимых твердых веществ/Brix, фенолов) и решать задачи по определению подлинности. Хемометрические модели часто используются для преобразования многомерных спектральных/цветовых представлений в стабильные, интерпретируемые предикторы для мониторинга процессов и оценки качества.
2.2.3.2 Машинное обучение и глубокое обучение (модели принятия решений)
Классические классификаторы, такие как машины опорных векторов (SVM) и метод k-ближайших соседей (KNN), широко применяются в бинарных и многоклассовых задачах (например, обнаружение болезней, оценка состояния виноградной лозы), часто демонстрируя точность, превышающую 90% [28, 33]. PLS-регрессия достигла значений R² выше 0,90 для ключевых показателей, таких как Brix или танины [34]. В последнее время глубокие архитектуры, особенно CNN, показали высокую эффективность в сегментации и обнаружении: например, YOLOv5 различает здоровые и поврежденные грозди винограда с F1 ≈ 0,92, а Mask R-CNN обеспечивает точность более 92% для сегментации и подсчета гроздей [35]. Эти модели реализуют решения, начиная от «принять/отклонить» при сортировке и заканчивая автоматическими оповещениями при проверке упаковки, дополняя хемометрику за счет обработки сложных нелинейных визуальных паттернов.
3. Методология исследования
Методология данного систематического обзора соответствует структуре PRISMA [36], с целью обеспечения прозрачности, воспроизводимости и методологической строгости при выявлении, отборе и анализе соответствующей литературы. PRISMA особенно подходит для данного исследования благодаря своему систематическому и структурированному подходу к синтезу фрагментированных и междисциплинарных знаний, что является ключевым требованием, учитывая сложный характер интеграции новых технологий, таких как MVS, в традиционные сектора, такие как виноделие.
Структура облегчает выявление технологических достижений, признание преимуществ и ограничений, специфичных для процесса, и выявление недостаточно изученных пробелов в исследованиях, в конечном итоге поддерживая принятие решений на основе фактических данных в винодельческой отрасли. Подход PRISMA к систематическому обзору литературы помогает направлять будущие исследования и поддерживать внедрение технологий на основе фактических данных в винодельческом секторе. Блок-схема PRISMA (рис. 4) суммирует записи, выявленные, проверенные, оцененные на соответствие критериям и включенные в обзор.
Рис. 4. Диаграмма подготовлена в соответствии с рекомендациями PRISMA 2020 по составлению отчетов.
Для обеспечения всестороннего охвата соответствующей литературы поиск проводился в базах данных Scopus, Web of Science и Google Scholar (февраль 2025 г.). Приоритет был отдан Scopus из-за его широкой индексации в журналах по инженерии, пищевым технологиям и управлению производством, а также благодаря строгому процессу отбора источников. Стратегия поиска была разработана для охвата пересечения технологий машинного зрения, процессов контроля качества и виноделия.
Структурированный булевый запрос (представленный в Приложении 6) объединял термины, связанные с визуальным распознаванием, анализом изображений, автоматизированной инспекцией и неразрушающим контролем, а также термины, специфичные для виноделия и обеспечения качества. Поиск охватывал публикации с 2013 по 2025 год, что соответствует быстрой технологической эволюции и расширению внедрения технологий машинного зрения в пищевой промышленности и производстве напитков за последнее десятилетие.
Критерии включения и исключения были тщательно определены для обеспечения научной строгости и соответствия целям исследования. В исследование были включены рецензируемые статьи, материалы конференций и высококачественные отраслевые отчеты, которые явно были посвящены применению МВС в виноделии или виноградарстве. Отобранные работы описывали реальные примеры применения, экспериментальные исследования или проверенные прототипы и явно касались процессов получения изображений, обработки изображений или принятия решений. Были исключены исследования, посвященные теоретическим алгоритмам обработки изображений без четкого практического применения, разработка сенсоров без явной связи с производством, исследования из несвязанных секторов и обзоры без оригинального эмпирического вклада.
Отбор исследований, основанный на методе PRISMA, включал удаление дубликатов (с использованием системы управления библиографическими ссылками Mendeley), последующий анализ заголовков и аннотаций, и, наконец, проверку доступности полных текстов. Этот систематический процесс сократил первоначальный набор из 112 статей до 77 исследований, которые легли в основу дальнейшего анализа. К каждой отобранной статье применялся структурированный шаблон для извлечения данных, позволяющий получить библиографические метаданные, информацию о направлении исследования, конфигурацию MVS, методы обработки изображений, показатели производительности, преимущества, ограничения и рекомендации для будущих исследований. Такой структурированный подход облегчил систематическое сравнение и поддержал разработку таксономии.
3.1 Библиометрический анализ
В дополнение к качественному анализу был проведен библиометрический анализ, позволяющий получить количественную картину исследовательского ландшафта. Для визуализации и анализа библиометрических сетей использовалось программное обеспечение VOSviewer. Этот анализ позволил составить карту географического распределения исследовательской активности, выявить ведущие исследовательские центры и учреждения, а также наиболее цитируемые статьи и авторов, отражающие значимые интеллектуальные достижения и влиятельные работы. Были также построены сети совместной встречаемости ключевых слов для выявления основных исследовательских тем, междисциплинарных пересечений и новых направлений исследований, что обеспечило важный обзор основных участников и вклада в данной области исследований.
3.2 Разработка таксономии
Извлеченные из научных статей данные были синтезированы в двухмерную таксономию, отображающую применение MVS в процессе производства вина. Эта таксономия классифицирует применение MVS по следующим критериям:
- Тип технологии получения изображений – это конкретная используемая технология получения изображений (SV, RS, HSI, XRI, TI, MRI) в соответствии с классификацией, предложенной в таблице 1.
- Технологическая фаза — это этап процесса производства вина, на котором применялась технология MVS (например, сбор урожая, ферментация, розлив в бутылки), согласно классификации, предложенной на рис. 1.
Эта структурированная классификация служит как академическим, так и промышленным целям. Для исследователей она предлагает четкий синтез существующих работ и выявляет технологические пробелы. Для специалистов отрасли она служит инструментом сравнительного анализа, помогая винодельням оценить, какие технологии MVS лучше всего соответствуют их конкретным технологическим задачам.
Для отражения постепенного сдвига в сторону сложности методов обработки изображений, используемых в рассмотренных исследованиях, была разработана трехуровневая классификация (низкая, средняя и высокая сложность). Уровни сложности определялись на основе сложности и типа используемых методов анализа изображений: «низкий» включает базовую предварительную обработку или пороговую обработку, «средний» включает методы извлечения признаков и сегментации, а «высокий» включает продвинутые алгоритмы машинного обучения (например, SVM, случайные леса) и модели на основе глубокого обучения (например, CNN), причем последние характеризуются многослойными нейронными архитектурами, способными автоматически обучаться иерархическим представлениям признаков из больших наборов данных. Это измерение имеет решающее значение для понимания технологической зрелости, практической осуществимости и проблем внедрения, связанных с использованием MVS в промышленных условиях.
4. Результаты
4.1 Библиометрический анализ
В результате систематического обзора после применения критериев отбора было выявлено 77 релевантных исследований, что подчеркивает растущий интерес к методам MVS для контроля качества вина. Журналы и количество цитирований для каждого журнала можно найти в таблице 2. Самым плодовитым журналом по количеству публикаций и цитирований является Computers and Electronics in Agriculture , в котором опубликовано 8 исследований и получено 324 цитирования, что указывает как на значительную исследовательскую активность, так и на высокое влияние в этой специализированной области.
Другие журналы, опубликовавшие значительные работы, включают Foods, Journal of the Science of Food and Agriculture и Molecules , в каждом из которых опубликовано по пять исследований и получено от 51 до 121 цитирования. Помимо этого, остальные публикации разбросаны по широкому кругу журналов, в каждом из которых опубликовано одно или два исследования. Такое рассредоточение может отражать как междисциплинарный характер темы, так и тот факт, что исследования MVS в виноделии еще не объединены в отдельное направление, а скорее интегрированы в более широкие области, такие как точное земледелие, пищевые технологии, автоматизация и дистанционное зондирование.
Таблица 2. Список журналов, рассмотренных в обзоре, с указанием соответствующего количества исследований и цитирований.
| Название журнала | Исследования | Цитаты |
| Computers and electronics in agriculture | 8 | 324 |
| Foods | 5 | 100 |
| Journal of the science of food and agriculture | 5 | 121 |
| Molecules | 5 | 51 |
| Biosystems engineering | 4 | 99 |
| Food control | 4 | 196 |
| Journal of agricultural and food chemistry | 3 | 42 |
| Remote sensing | 3 | 111 |
| Agricultural water management | 2 | 44 |
| Agronomy | 2 | 19 |
| Beverages | 2 | 10 |
| Food analytical methods | 2 | 13 |
| Food chemistry | 2 | 44 |
| Journal of food engineering | 2 | 45 |
| Microchemical journal | 2 | 4 |
| Oeno one | 2 | 7 |
| Artificial intelligence for digitising industry: applications | 1 | 0 |
| Carbohydrate polymers | 1 | 15 |
| Computers in industry | 1 | 11 |
| Electronic journal of biotechnology | 1 | 5 |
| Environmental science and pollution research | 1 | 4 |
| European food research and technology | 1 | 3 |
| Food and bioproducts processing | 1 | 10 |
| Food chemistry: X | 1 | 39 |
| Food research international | 1 | 10 |
| Frontiers in nutrition | 1 | 6 |
| Frontiers in plant science | 1 | 12 |
| Japan journal of food engineering | 1 | 1 |
| Journal of applied science and engineering (Taiwan) | 1 | 5 |
| Journal of field robotics | 1 | 26 |
| Journal of food composition and analysis | 1 | 25 |
| Journal of food process engineering | 1 | 0 |
| Membranes | 1 | 23 |
| Metabolites | 1 | 17 |
| PLoS one | 1 | 2 |
| Postharvest biology and technology | 1 | 60 |
| Precision agriculture | 1 | 15 |
| Scientia horticulturae | 1 | 181 |
| Smart agricultural technology | 1 | 53 |
Распределение рецензируемых статей по редакционным каналам представлено на рис. 5. Значительная часть публикаций сосредоточена среди трех крупнейших издательств: Elsevier (42%), MDPI (19%) и John Wiley and Sons Ltd (10%). Такое распределение подчеркивает ведущую роль этих издательств в распространении исследований на стыке прикладного искусственного интеллекта, сельского хозяйства и пищевой науки. Остальные публикации распределены между 13 другими издательствами, на каждое из которых приходится менее 5% от общего числа, что указывает на более широкий, но в то же время более фрагментированный редакционный ландшафт.
Рис. 5. Распределение рецензированных публикаций по издателям
Географическое распределение исследовательской активности показывает явную концентрацию в ведущих европейских странах-производителях вина (рис. 6). Испания внесла наибольший вклад в виде статей (25), за ней следуют Италия (13) и Франция (10). Это отражает экономическую важность винодельческой отрасли в этих странах и их сильные традиции исследований и инноваций в виноделии, где качество является признанным фактором конкурентоспособности. За пределами Европы наиболее активными участниками являются Австралия и Китай, представившие семь и шесть исследований соответственно. Контраст между европейским и азиатским вкладом в исследования представляет особый интерес. В то время как европейские исследования, как правило, исходят непосредственно из традиционных винодельческих регионов, азиатский вклад, особенно из Китая и Японии, может демонстрировать более стратегическую направленность. Эта стратегическая направленность обусловлена необходимостью повышения качества продукции и глобальной конкурентоспособности в относительно новых винодельческих отраслях.
Рис. 6. Географическое распределение исследований по странам
Помимо географического распределения, временная динамика публикаций дает ценное представление о растущем интересе к исследованиям в области применения MVS в виноделии (рис. 7). С 2013 по 2025 год количество исследований неуклонно росло, с двумя явными всплесками: первый в 2021 году и второй в 2023 году. Первые годы (2014 – 2018) отражают стабильную основу исследовательской активности, в среднем 6 – 8 публикаций в год. Снижение, наблюдаемое в 2024 году, вероятно, связано с неполнотой данных на момент анализа. В целом, тенденция демонстрирует последовательное и растущее внимание к применению MVS в виноделии, подтверждая его актуальность как новой области исследований.
Рис. 7. Количество исследований в год с 2013 по 2025 год
Что касается влияния, то наиболее часто цитируемые исследования (таблица 3) демонстрируют акцент на оценке качества винограда, мониторинге виноградников и раннем выявлении заболеваний. Эти исследования сосредоточены на первичных этапах производства (т.е. первичном секторе), а не на этапах вторичного сектора (т.е. перерабатывающей промышленности). Наиболее цитируемые статьи были опубликованы в журналах Scientia Horticulturae, Remote Sensing и Computers and Electronics in Agriculture.
Таблица 3. Пять наиболее цитируемых публикаций из рассмотренных исследований.
| Заголовок | Авторы | Год | Журнал | Цитаты | Ссылки. |
|---|---|---|---|---|---|
|
Качество виноградной лозы: вопрос с несколькими вариантами ответа. |
Пони и др. | 2018 | Scientia Horticulturae | 208 | [ 38 ] |
| Оценка водного стресса у виноградников, орошаемых подземным грунтом, на основе высокоразрешающих мультиспектральных и тепловых методов дистанционного зондирования. | Эспиноза и др. | 2017 | Дистанционное зондирование | 105 | [ 39 ] |
| Автоматическое обнаружение мучнистой росы на листьях винограда с помощью анализа изображений: оптимальный диапазон углов обзора для повышения чувствительности. | Оберти и др. | 2014 | Компьютеры и электроника в сельском хозяйстве | 90 | [ 40 ] |
| Автоматизированное раннее прогнозирование урожайности виноградников на основе получения изображений в процессе работы | Акино и др. | 2018 | Компьютеры и электроника в сельском хозяйстве | 78 | [ 41 ] |
| ИК-спектроскопия и хемометрические методы для типизации испанских винных уксусов с защищенным наименованием места происхождения. | Риос-Рейна и др. | 2018 | Контроль качества продуктов питания | 68 |
[ 42 ] |
Хотя анализ цитируемой литературы показывает, что основное внимание уделяется приложениям на уровне виноградников, опубликованным в специализированных сельскохозяйственных журналах, более глубокий лингвистический анализ литературы дает дополнительные сведения о методологических приоритетах во всем спектре виноделия.
На рисунке 8 представлена визуализация облака слов, которая выделяет наиболее часто встречающиеся термины в рассмотренной литературе, причем «анализ», «изображение», «спектроскопия» и «качество» являются доминирующими ключевыми словами. Это отражает сильную методологическую направленность на аналитические методы, особенно на спектроскопическую визуализацию и количественный контроль качества, что подтверждает центральную роль MVS как в оценке состава, так и в визуальной оценке в виноделии.
Рис. 8. Облако ключевых слов после перевода в нижний регистр и согласования терминов; размер шрифта отражает относительную частоту. Доминирующие термины включают анализ, изображение/компьютерное зрение, спектроскопию/инфракрасную спектроскопию и качество, что указывает на методологическую направленность на аналитическую визуализацию для контроля качества.
Для более глубокого понимания взаимосвязи этих ключевых терминов в рамках исследовательского ландшафта был проведен сетевой анализ с целью выявления отдельных тематических кластеров и их взаимосвязей в литературе. Карта совместной встречаемости, представленная на рис. 9, выявляет три основных тематических кластера, при этом термин «вино», являющийся наиболее часто встречающимся ключевым словом, занимает центральное место в сети.
Первый кластер (зеленый) фокусируется на таких терминах, как «анализ изображений», «виноградарство» и «компьютерное зрение», и представляет собой технологические разработки для мониторинга виноградников и сортировки винограда. Кластер номер 2 (синий) акцентирует внимание на «спектроскопии», «контроле качества», «классификации» и «прогнозировании» моделей и соответствует аналитическим исследованиям в виноделии.
Последний кластер (красный) объединяет такие термины, как «химия», «контроль качества пищевых продуктов» и «искусственный интеллект», отражая интеграцию машинного обучения в передовые методы контроля качества. Кластерный анализ показывает, что исследования в области машинного зрения в виноделии находятся на стыке обработки изображений, спектрального анализа и машинного обучения, с особым интересом к контролю качества. Карты ключевых слов были созданы в VOSviewer с использованием полного подсчета, минимального порога встречаемости 5, преобразования в нижний регистр и гармонизации простых терминов, при этом были удалены общие стоп-слова.
Рис.9. Сеть совместной встречаемости ключевых слов. Размер узла обозначает частоту; толщина ребра обозначает силу связи; цвета обозначают кластеры. В совокупности карта помещает винную микроэкономическую систему на пересечении обработки изображений (зеленый), спектрального анализа (синий) и машинного обучения (красный), при этом контроль качества является общей конечной точкой.
Обзор ключевых слов (рис. 8) и структура совместной встречаемости (рис. 9) в совокупности демонстрируют область, основанную на методах обработки изображений/компьютерного зрения и спектрально-хемометрических методах, сближающихся с контролем качества по всей цепочке производства вина. Терминология, используемая в кластерах, отражена в разделах 4.2–4.4 (сбор данных, анализ и моделирование), что позволяет напрямую сопоставлять темы и приложения.
4.2. Классификация МВС в процессе виноделия
Отобранные 77 статей были классифицированы по следующим параметрам: i) конкретная технология сбора данных, использованная в исследовании, и ii) этап процесса производства вина, на котором применялась технология MVS. Эта классификация призвана устранить несоответствие между техническими возможностями и практическим применением в отрасли, тем самым выделяя области, в которых технология MVS вносит наиболее эффективный вклад, и области, где исследования остаются недостаточно развитыми. В таблице 4 представлена предлагаемая таксономия, обобщающая соответствие между технологиями и этапами процесса.
Таблица 4. Таксономия технологий приобретения и соответствующих этапов процесса производства вина, рассмотренных в проанализированных исследованиях.
4.2.1 Неравномерное распределение исследований на различных этапах производства
Анализ выявляет существенный дисбаланс в исследовательских усилиях на разных этапах производства вина. Как показано в таблице 4.Этап сбора винограда является центральным элементом большинства исследований, особенно тех, которые используют SV, RS и HSI. Эта выраженная концентрация исследований отражает первостепенную важность точной оценки качества винограда и раннего выявления дефектов на этом начальном этапе, где решения, касающиеся сроков сбора урожая, сортировки и предварительной обработки, оказывают прямое влияние на качество вина.
Основной мотивацией для применения MVS на этом этапе является высокая внутрикустовая изменчивость качественных характеристик винограда, таких как зрелость, размер и цвет. Эти неоднородные характеристики делают ручную оценку неэффективной и подверженной ошибкам, в то время как MVS обеспечивает разрешение и скорость, необходимые для принятия избирательных и точных решений о сборе урожая. Основные преимущества MVS на этом этапе тройные: оценка зрелости винограда в режиме реального времени, неразрушающая оценка содержания сахара и кислотности, а также автоматическое выявление больных или поврежденных гроздей.
В отличие от этого, этап дробления и отделения стеблей представлен недостаточно, выявлено только одно исследование. Фаза ферментации, с другой стороны, демонстрирует сравнительно высокую интенсивность исследований, главным образом в исследованиях с использованием технологий HSI и TI. Это обусловлено важностью непрерывного мониторинга процесса на этой химически динамичной фазе, где температура, изменение цвета и микробная активность должны тщательно регулироваться для обеспечения стабильности ферментации и формирования вкусового профиля.
Было показано, что системы MVS, применяемые во время ферментации, обеспечивают мониторинг кинетики ферментации в реальном времени и раннее обнаружение отклонений, что позволяет более точно корректировать процесс. Фаза прессования и фильтрации — единственная фаза в виноделии, которая в настоящее время не включает исследования MVS в данном анализе. Это отсутствие, вероятно, объясняется присущими задействованным процессам характеристиками, которые преимущественно охватывают механические и химические параметры (например, контроль давления, размер частиц и стандарты прозрачности), а не органолептические аспекты.
В отличие от этого, фазы выдержки и созревания демонстрируют умеренную исследовательскую активность с использованием всех рассмотренных технологий сбора данных, при этом наиболее часто используются HSI, RS и MRI. На этих этапах метод MVS преимущественно используется для оценки гранулометрического состава, мутности и химического состава. Это позволяет оптимизировать условия выдержки, опираясь на непрерывные неразрушающие данные о качестве. Заключительный этап процесса, розлив и упаковка, имеет особое значение для обеспечения целостности конечного продукта. На этом этапе используются все технологии сбора данных. Основные функции этих технологий тройные: обнаружение посторонних предметов, проверка целостности пробки или крышки, а также обеспечение правильного расположения этикетки и соответствия упаковки требованиям.
Таксономия технологических процессов выявляет заметный дисбаланс в интенсивности исследований на различных этапах производства. Это неравномерное распределение свидетельствует о том, что наибольшее внимание уделяется ранним этапам производства и окончательной упаковке, в то время как процессы на средних этапах остаются менее изученными. Как показано на рис. 10 , сбор винограда привлек наибольшее внимание исследователей, фигурируя в 40% рассмотренных работ. Это наблюдение не является неожиданным, учитывая критическую роль качества сырья в определении конечных характеристик продукта.
Рис. 10. Распределение этапов производства, рассмотренных в проанализированных исследованиях.
4.2.2 Технологические тенденции в применении МВС
Среди шести основных технологий мониторинга виноградников (MVS) наиболее часто применялась радиоспектроскопия (RS), которая фигурировала в 33% выбранных исследований (рис. 11). Ее доминирование обусловлено способностью предоставлять подробные спектральные и пространственные данные, что делает ее высокоэффективной для мониторинга виноградников, обнаружения болезней и оценки качества в режиме реального времени.
Аналогичные рассуждения применимы и к технологии гиперспектральной визуализации (HSI), на долю которой приходится 31,4% исследований, что подтверждает ее критически важную роль в отрасли. В отличие от них, рентгеноспектроскопия (XRI) и магнитно-резонансная томография (MRI) представлены наименее широко, каждая из них фигурирует менее чем в 3% исследований.
Ограниченное внедрение этих технологий можно объяснить тремя основными факторами. Во-первых, высокая стоимость внедрения является существенным препятствием, особенно для мелких производителей. Во-вторых, применимость этих методов в виноделии ограничена, поскольку они требуют контролируемой среды, которая не всегда доступна. Наконец, эти методы в основном используются при розливе и окончательной проверке продукции, а не на более ранних этапах производства, где мониторинг виноградников (MVS) применяется более широко.
Рис. 11. Распределение технологий сбора данных, рассмотренных в проанализированных исследованиях.
4.3. Уровни обработки изображений: переход к сложности
Как уже упоминалось в разделе 2.2.2 , системы MVS используют три уровня обработки изображений. Проанализированные исследования выявили явное предпочтение высокоуровневой обработке (67%), за которой следуют промежуточная (19,6%) и низкоуровневая (13,4%) обработка (рис. 12 ). Эти методы часто комбинируются, при этом уровни обработки адаптируются в зависимости от сложности задачи.
Рис. 12. Распределение уровней обработки изображений, рассмотренных в проанализированных исследованиях.
В виноделии все большее значение придается обработке изображений с помощью ИИ, при этом цифровой анализ изображений (DIA), глубокое обучение и статистическое моделирование играют решающую роль в оценке качества. DIA широко используется для классификации зрелости виноградных косточек, обнаружения дефектов пробки и аутентификации вина, достигая точности более 90% в различных приложениях, включая анализ стабильности пены в игристых винах [46].
Модели глубокого обучения, такие как CNN и Mask R-CNN, продемонстрировали высокую точность в обнаружении гроздей винограда и классификации заболеваний вина, в то время как классификаторы машинного обучения, такие как SVM и KNN, достигли точности более 89% в обнаружении заболеваний виноградника [35].
Кроме того, было показано, что использование передовых статистических методов, таких как PLS-регрессия и PCA, повышает возможности прогнозного моделирования. В дополнение к этим результатам, растущее использование методов компьютерного зрения в анализе пены игристых вин и мониторинге фенологии виноградников еще раз иллюстрирует расширяющуюся роль обработки изображений с помощью ИИ в автоматизации и оптимизации операций виноделия.
4.4 Алгоритмический ландшафт и типы управления
В таблице 5 обобщены основные семейства методов, используемых в винодельческой отрасли. Регрессионные модели (в частности, PLS-R, PCR, MLR, SVR) остаются предпочтительным выбором для количественной оценки спектральных/цветовых характеристик. Методы классификации (PLS-DA, SVM, CART, KNN) широко распространены в аутентификации/отслеживаемости и контроле качества готовой продукции, где решения являются дихотомическими.
Снижение размерности — в основном PCA — используется в качестве этапа предварительной обработки перед калибровкой или классификацией, а также при оптимизации процесса. Глубокое обучение (например, обнаружение/сегментация на основе CNN) сосредоточено на визуальном осмотре и проверках процесса (дефекты, этикетки/заполнение).
Кластеризация (k-средних, HCA) используется для исследовательской группировки сортов/партий, а классические операции с изображениями (пороговое преобразование, преобразование Хафа) поддерживают генерацию признаков на этапах до и во время производственного процесса. Ансамблевые методы (Random Forest, Extra Trees, AdaBoost), схемы отбора признаков (например, iPLS, iSPA-PLS), модели временных рядов или кинетические модели и байесовские классификаторы используются в целевых исследованиях и суммированы по типу вина, алгоритму и применению в таблице 5.
Таблица 5. Алгоритмические методы по этапам применения и области охвата.
| Название техники | Объем работ на этапе | Используемый алгоритм | Приложение | Ссылки |
|---|---|---|---|---|
| Регрессия | Процесс (сусла/вина) | PLS-регрессия (PLS-R); Линейная регрессия; Множественная линейная регрессия (MLR); Регрессия главных компонентов (PCR); Регрессия случайного леса (RFR); Регрессия опорных векторов (SVR) | Прогнозирование возраста вина на основе характеристик RGB-изображений (изображений бутылок). | [ 7 , 53 , 61 , 79 ] |
| Выбор признаков (хемометрический) | Процесс (сусла/вина) | Преобразование Хафа, пороговая обработка, PLS, iSPA-PLS | Выбор интервала для повышения точности прогнозирования возраста на основе изображений. | [ 41 , 79 ] |
| Классификация | Готовый продукт | Дискриминантный анализ PLS (PLS-DA); SVM; дерево классификации и регрессии (CART), метод k-ближайших соседей (KNN): | Классификация пробки по сорту/дефектам на основе характеристик изображения. | [ 8 , 63 , 80 ] |
| Байесовские методы | Готовый продукт | Байесовский классификатор | Автоматизированная система сортировки/проверки пробковых пробок | [ 8 ] |
| Снижение размерности | Перекрестный этап | PCA | Предварительная обработка для классификации/регрессии качественных характеристик | [ 44 , 62 , 72 ] |
| Глубинное обучение | Виноград с виноградника | YOLOv5, CNN, искусственная нейронная сеть (ИНС) | Обнаружение гроздей и повреждений на виноградных гроздьях. | [ 35 , 45 ] |
| Кластеризация | Виноград с виноградника | K-средние, иерархический кластерный анализ (HCA); | Группировка партий/зрелости семян с использованием описаний изображений. | [ 10 , 81 ] |
| Временные ряды | Процесс (сусла/вина) | Линейные/кинетические модели нулевого порядка для траекторий RGB-каналов | Последовательности изображений, полученных с помощью смартфонов, для моделирования кинетики потемнения во времени. | [ 13 ] |
| Ансамблевые методы | Перекрестный этап | Деревья решений, AdaBoost, случайный лес, дополнительные деревья | Дополнительные базовые показатели для классификации/регрессии качества | [ 60 ] |
| Гибридные трубопроводы | Перекрестный этап | PCA→SVM/PLS-DA; Выбор признаков→PLS; | Комплексный анализ изображений для контроля качества. | [ 33 , 82 ] |
Анализ различных типов управления показывает, что на рис. 13 акцентируется оперативное внимание на этапе сбора урожая. На рис. 14 представлена краткая карта семейств алгоритмов и типов управления. Качественная интенсивность подтверждает, что: (i) регрессия доминирует в мониторинге созревания, контроле качества готовой продукции и аутентификации/отслеживаемости; (ii) классификация концентрируется на аутентификации/отслеживаемости и контроле качества готовой продукции; (iii) глубокое обучение сосредоточено на задачах визуального контроля (обнаружение дефектов/посторонних примесей, проверка этикеток/наполнителей) и оптимизации процесса; и (iv) метод главных компонент (PCA) выступает в качестве повсеместно используемого препроцессора, который в сочетании с регрессией смещает акцент в сторону оптимизации процесса.
Рис. 13. Распределение рассмотренных типов контроля
В совокупности распределения на рис. 13 и сводка на рис. 14 показывают, что регрессионные модели (в частности, PLS-R, MLR, PCR) преобладают в мониторинге созревания, контроле качества готовой продукции и аутентификации/отслеживаемости, где хорошо описаны количественные связи между спектральными/химическими характеристиками и целевыми показателями [29, 68].
PCA используется в основном в качестве препроцессора, часто в паре с регрессией, и связан с оптимизацией процесса [61]. Алгоритмы классификации (PLS-DA, SVM) сосредоточены на аутентификации/отслеживаемости и контроле качества готовой продукции — задачах с дихотомическими решениями [8, 80]. Глубокое обучение используется в визуальном осмотре/проверке процесса (дефекты/посторонние примеси, маркировка/заполнение) и в отдельных задачах оптимизации.
Рис. 14. Краткая карта семейств алгоритмов в сравнении с типами управления в винодельческой отрасли. Символы указывают на качественную значимость, обобщенную из таблицы 5 (● основной; ○ второстепенный).
5. Обсуждение
В этом разделе обсуждаются результаты предложенного систематического обзора, критически интерпретируется применение MVS в виноделии через призму предложенной таксономии. Внедрение MVS в виноделии представляет собой значительный технологический прогресс в контроле качества. Однако, несмотря на доказанные преимущества, широкое внедрение остается неравномерным на разных этапах производства из-за экономических, технических и практических ограничений.
При организации обсуждения по технологическим группам выявляются несколько закономерностей. Помимо каталогизации методов, в разделе «Обсуждение» обобщаются компромиссы между различными модальностями (таблица 6), связываются методы с типами контроля (рис. 13 и 14), а также рассматриваются вопросы внедрения и технико-экономические аспекты (5.8) для определения выбора, специфичного для каждого этапа.
5.1 Стереоскопическое изображение (SV)
Технологии стереоскопического зрения, которые обычно используют двухкамерные системы для реконструкции трехмерных пространственных данных, работают преимущественно в диапазоне видимого света. Эти системы полагаются на пространственное различие между парами изображений, полученных в спектре RGB, для оценки глубины и структуры. Хотя стереоскопическое зрение не ограничивается только видимым светом, большинство практических применений в виноградарстве и виноделии используют стандартные RGB-камеры из-за их стоимости, доступности и простоты развертывания.
Их основные области применения включают подсчет гроздей винограда, оценку урожайности и анализ морфологии листвы, а также роботизированную обрезку [40, 42, 43]. Стереоскопическое зрение также используется для автоматизации полевых работ, таких как роботизированная обрезка виноградной лозы [28], повышая эффективность и точность работы, сокращая время и затраты, связанные с управлением виноградником. Было показано, что стереосистемы демонстрируют высокую степень точности при оценке вегетативного роста и обнаружении ранних признаков болезней или стресса.
Помимо качественных признаков, исследования SV количественно оценивают компактность грозди и размер ягод с прогнозируемым R² ≥ 0,80, а также оценивают объем грозди (R²≈0,82), общий вес ягод (R²≈0,83) и количество ягод (R²≈0,71) с использованием 3D-дескрипторов (например, вогнутость, пересечение ягод), проверенных на десяти сортах [42]. Помимо виноградарских работ, SV применялся на этапе розлива для проверки пробок и оценки качества пены игристого вина [10]. Хотя SV преуспевает в пространственном анализе и автоматизации, более простые технологии обработки изображений, такие как RGB, по-прежнему сохраняют значительную актуальность в виноградарстве.
5.1.1 Изображение в формате RGB (красный-зеленый-синий).
RGB-изображение, несмотря на меньшую технологическую сложность по сравнению с другими методами, остается широко распространенным и универсальным инструментом в виноградарстве и виноделии благодаря своей низкой стоимости и простоте интеграции [83].
Его применение варьируется от мониторинга зрелости винограда до классификации качества и проверки этикеток. Для воспроизводимого представления цвета в исследованиях используются стандартные индексы, такие как CIE L*a*b* (включая угол оттенка и насыщенность) [84] и компонент оттенка HSV [85]. Колориметрия с помощью смартфонов для игристых вин отслеживает потемнение посредством затухания синего канала и показывает сильную корреляцию с A420 и 5-HMF, предлагая недорогой аналог химических маркеров.
Помимо традиционных вариантов использования, недавние исследования расширили его применение в более сложных аналитических контекстах [86]. RGB-изображение успешно использовалось для аутентификации вина и обнаружения фальсификации посредством многомерного анализа цифровых цветовых данных, демонстрируя ошибки прогнозирования всего 1,6% [83].
Аналогичным образом, были продемонстрированы многообещающие результаты в оценке возраста вина с использованием регрессионных моделей, основанных на цветовых гистограммах, извлеченных из изображений бутылок [79]. В виноградарстве системы RGB поддерживали прогнозирование урожайности путем количественной оценки плотности листвы и структуры лозы с точностью, превышающей 90% [40]. Также были разработаны инструменты RGB на основе смартфонов для мониторинга содержания антоцианов в красном винограде в полевых условиях, предлагающие экономически эффективное решение, соответствующее лабораторным стандартам [87].
Эти разнообразные приложения обычно основаны на обработке изображений среднего уровня. Это подтверждает сохраняющуюся актуальность RGB-изображений как доступного, но аналитически надежного метода как в точном виноградарстве, так и в виноделии, ориентированном на качество.
5.2 Дистанционное зондирование (ДЗ)
Дистанционное зондирование доминирует на ранних стадиях применения, особенно в сборе винограда, где возможности высокоточного химического и спектрального анализа используются для прогнозирования степени зрелости, выявления заболеваний и оценки урожайности.
5.2.1 Спектроскопия ближнего инфракрасного диапазона (ИК-спектроскопия)
Среди различных технологий RS особенно ценной благодаря своей универсальности и аналитической точности стала спектроскопия ближнего инфракрасного диапазона (NIR). Спектроскопия NIR стала одним из наиболее универсальных и широко используемых методов в виноделии. Ее главное преимущество — быстрый, неразрушающий анализ ключевых параметров состава, включая содержание растворимых твердых веществ, кислотность и антоцианы.
Анализ NIR также был объединен с электронным носом для онлайн-мониторинга процессов виноделия [29]. Такой подход значительно улучшил контроль качества, позволяя проводить непрерывную и точную оценку критических параметров во время производства вина. NIR оказалась особенно эффективной на винограднике, где она позволяет в режиме реального времени оценивать зрелость винограда и изменчивость почвы, и на винодельне, где она поддерживает мониторинг кинетики брожения и обезвоживания винограда [55, 67].
При интеграции с моделями машинного обучения — в частности, с PLS-регрессией — системы NIR демонстрируют уровни точности прогнозирования, сопоставимые с традиционными химическими тестами. Это делает NIR ценным инструментом не только для контроля качества, но и для оптимизации процессов и улучшения отслеживаемости по всей цепочке поставок [74].
Помимо вина, NIR в сочетании с хемометрией доказал свою эффективность для производных продуктов, в частности, для винных уксусов PDO, достигнув более 90% правильной классификации по категории и происхождению с использованием PLS-DA [70]. Эта быстрая, неразрушающая идентификация поддерживает крупномасштабную проверку подлинности с минимальной подготовкой образцов.
5.2.2 Многоспектральная визуализация
Дополняя точечный анализ в ближнем инфракрасном диапазоне, мультиспектральная визуализация (MSI) расширяет аналогичные принципы для захвата пространственных вариаций на больших площадях. MSI — это метод, работающий в ограниченном наборе дискретных длин волн, предлагающий баланс между простотой RGB и сложностью HSI.
Эффективность MSI в прогнозировании урожайности, классификации зрелости и выявлении водного стресса хорошо задокументирована. Его использование с помощью БПЛА или наземных платформ облегчает крупномасштабный мониторинг. Несмотря на отсутствие спектральной детализации по сравнению с HSI, вычислительная эффективность и экономичность MSI делают его привлекательным вариантом для внедрения в точном виноградарстве в больших масштабах [12].
5.3 Гиперспектральная визуализация (ГСИ)
Гиперспективная визуализация (ГСИ) отличается способностью интегрировать пространственные и спектральные данные, что облегчает анализ химических и физических характеристик на уровне пикселей. Применение ГСИ успешно реализовано на различных этапах производственного процесса, включая прогнозирование содержания Брикса в винограде, мониторинг уровня танинов и обнаружение таких заболеваний, как вирус, вызывающий скручивание листьев винограда [33, 63, 77].
Точность классификации более 90% делает ее подходящей для детального картирования, например, для фенольного профилирования и сортировки по качеству. Несмотря на высокую вычислительную нагрузку и большой объем данных, недавние исследования демонстрируют растущую интеграцию ГСИ с алгоритмами машинного обучения для повышения ее применимости в реальном времени и функций поддержки принятия решений.
5.3.1 Фурье-преобразовательная инфракрасная спектроскопия (FTIR)
Дальнейшее расширение спектроскопических подходов в виноделии, инфракрасная спектроскопия с преобразованием Фурье (FTIR) предоставляет дополнительные молекулярные данные с явными преимуществами. Она широко используется для проверки подлинности, анализа полисахаридов и мониторинга специфических характеристик ферментации [68, 74]. В винных уксусах ATR-FTIR позволяет выявлять специфические для категории изменения в области «отпечатков пальцев», обеспечивая четкое разграничение категорий PDO с помощью неконтролируемого PCA.
Эти спектры были предложены для быстрой проверки регулирующими органами советов PDO и производителями. Исследования продемонстрировали ее способность обнаруживать несанкционированные добавки и методы разбавления, особенно в сочетании с хемометрическими инструментами, такими как PCA и PLS. Метод FTIR характеризуется высокой скоростью, минимальными требованиями к подготовке образцов и совместимостью с многомерным анализом данных, что делает его предпочтительным методом для быстрой проверки и соблюдения нормативных требований, особенно в контексте защищенных наименований происхождения (PDO).
5.3.2 Рамановская спектроскопия
Рамановская спектроскопия — это метод, который позволяет получить уникальные вибрационные отпечатки молекулярных соединений посредством неупругого рассеяния света, обеспечивая исключительную специфичность. Ее эффективность в аутентификации вина по сорту, географическому происхождению и году урожая хорошо задокументирована, при этом точность классификации часто превышает 90%.
Кроме того, рамановская спектроскопия была применена для мониторинга процессов ферментации, что позволяет отслеживать химический состав сахара, этанола и метаболитов в режиме реального времени [74]. Ее способность работать без необходимости обширной подготовки образцов или деструктивного анализа делает ее ценным дополнением к ИК-спектроскопии и ИК-спектроскопии с преобразованием Фурье. Однако ограничения, связанные с флуоресцентными помехами и стоимостью оборудования, продолжают препятствовать ее более широкому коммерческому применению [73].
5.4 Тепловизионная съемка (ТВС).
В то время как спектроскопические методы позволяют определить химический состав, методы тепловизионной съемки (ТВС) смещают акцент на физиологические параметры, обнаруживаемые по изменениям температуры. ТВС предполагает выявление изменений температуры поверхности. Ее основные области применения включают оценку водного стресса в виноградниках, мониторинг процессов ферментации и обнаружение заболеваний. Использование тепловизионных камер, установленных на БПЛА, облегчает пространственное разрешение анализа физиологии виноградной лозы, тем самым способствуя оптимизации методов орошения и продвижению устойчивого развития [13].
Кроме того, ТВС была интегрирована с мультиспектральными и физиологическими данными для улучшения прогностических моделей качества винограда. Бесконтактный характер и возможности обратной связи в реальном времени ТВС особенно хорошо подходят для контроля окружающей среды и анализа микроклимата [76]. В недавних приложениях изучалось использование ТВС для обнаружения температурных аномалий во время ферментации и выявления рисков микробного загрязнения, что подтверждает ее ценность как диагностического инструмента на критических этапах производства [56]. Несмотря на растущий потенциал, методы TI остаются менее распространенными, чем оптические методы, из-за чувствительности к окружающей среде и требований к калибровке.
5.5 Рентгеновская технология (XRI) и магнитно-резонансная томография (MRI)
Было доказано, что рентгеноструктурный анализ является высокоэффективным методом обнаружения внутренних дефектов в пробках и упаковке, предотвращая тем самым проникновение кислорода и загрязнение.
Хотя и менее распространенный, магнитно-резонансный томограф обеспечивает беспрецедентное разрешение в молекулярном профилировании и успешно используется для аутентификации вина и обнаружения фальсификации.
Однако эти передовые технологии обременены значительными эксплуатационными расходами и требованиями к инфраструктуре, что ограничивает их использование высокотехнологичными производственными средами или лабораторными условиями [31, 78].
В совокупности эти специфические для каждого метода результаты показывают, что внедрение зависит от используемого аналитического стека и типа управления, которое система обеспечивает на каждом этапе производства; поэтому мы сравниваем технологии по этим параметрам (таблица 6), опираясь на таксономию в таблице 4 и аналитические карты в таблице 5.
5.6 Сравнительный анализ различных технологий: аналитика, возможности управления и компромиссы
В таблице 6, основанной на таксономии получения данных (таблица 4) и алгоритмическом ландшафте (таблица 5), сравниваются методы машинного зрения по пяти важным для принятия решений осям: типичная аналитика, возможности управления, ключевые преимущества и основные ограничения. Данные получены из проанализированного корпуса, чтобы избежать чисто спекулятивных компромиссов.
Таблица 6. Сравнительный анализ технологий сбора данных по аналитическим параметрам, преимуществам и ограничениям.
5.7 Последствия для внедрения и контроля
Сравнительный анализ различных технологий объясняет неравномерность внедрения, описанную выше: на ранних этапах мониторинга виноградников предпочтение отдается RS и TI для масштабируемых, неразрушающих методов анализа; на промежуточных этапах (например, дробление и отделение стеблей; прессование и фильтрация) по-прежнему отсутствует надежное зондирование в условиях окклюзии и многофазного потока; а на поздних этапах розлива в бутылки XRI выигрывает от уникальной способности выявлять внутренние дефекты.
Важно отметить, что переход от классических моделей CV/хемометрии к моделям более высокой сложности (таблица 5) приводит к более широким возможностям контроля (рис. 12 и 13) только при одновременном решении проблем качества данных, переноса калибровки и ограничений развертывания. Примечательно, что эти спектроскопические методы применимы и к производным продуктам: спектральные отпечатки ATR-FTIR/NIR позволяют обеспечить соответствие требованиям PDO и проверку категории винного уксуса наряду с контролем качества на винодельне.
Основываясь на этих выводах, авторы обобщают готовность к внедрению и технико-экономические ограничения, которые определяют целесообразность практического применения.
5.8 Вопросы технологической зрелости и внедрения
В литературе выделены три различных уровня технологической готовности (TRL) и готовности к внедрению машинного зрения в виноделии.
- Промышленные и ближнелинейные системы – наиболее зрелые решения, прошедшие обширную проверку в производственных условиях (полевые и винодельческие). К ним относятся портативные спектрометры (ИК/ИК-спектрометры) и традиционные системы RGB/SV для контроля поверхности [29, 41, 83]. Варианты применения варьируются от недорогого мониторинга потемнения с помощью смартфонов до контроля качества пены с помощью машинного зрения на роботизированных разливочных устройствах. Затраты на интеграцию относительно невелики и, как правило, ограничиваются корпусами с контролируемым освещением, простой механикой и плановым обслуживанием хемометрических моделей.
- Пилотные и управляемые поточные системы второго уровня включают поточные развертывания в контролируемых условиях. Типичными примерами являются модели глубокого обучения, работающие на периферийных устройствах для мониторинга в реальном времени во время прессования [19, 35]. Эти реализации демонстрируют осуществимость глубокого обучения на производственной линии, хотя часто с небольшим компромиссом в точности для соблюдения ограничений по задержке. В том же диапазоне классические системы, основанные на признаках, остаются прагматичным выбором для высокоскоростных упаковочных линий, где производительность может составить конкуренцию неоптимизированным моделям глубокого обучения.
- Технологии лабораторных и автономных систем , в значительной степени ограниченные лабораторными условиями, включают гиперспектральную визуализацию (ГСИ), рентгеновскую компьютерную томографию и магнитно-резонансную томографию [33, 74]. Несмотря на высокую точность, ГСИ ограничена высокими скоростями передачи данных и сложностью переноса калибровки между приборами. Рентгеновские и МРТ-системы ограничены длительным временем сканирования, требованиями безопасности (например, экранированием) и высокими капитальными затратами, что делает их более подходящими для диагностического анализа или проектирования систем управления, чем для высокоскоростной инспекции.
Важно отметить, что зрелость в значительной степени зависит от конкретных сценариев использования. В отличие от ограничений гиперспектральной визуализации, целевые приложения, такие как контроль качества пробок на поверхности, уже работают в режиме реального времени с использованием промышленных линейных сканирующих камер, что демонстрирует, что сложность приложения может быть столь же решающей, как и сложность технологии. Следовательно, затраты на интеграцию зависят от оптики и освещения, требований к экранированию, надежности калибровки и переноса модели, требований к периферийным вычислениям и инфраструктуры безопасности.
5.9 Научная программа и барьеры интеграции
Несмотря на достигнутый прогресс, данное сравнение также выявляет сохраняющиеся проблемы, которые необходимо решить для полной реализации преобразующего потенциала MVS в винодельческой отрасли. Заметен дисбаланс в распределении исследовательских усилий: выраженная концентрация на ранних стадиях применения, особенно на мониторинге виноградников, в то время как промежуточные этапы, такие как дробление и отделение стеблей, прессование и фильтрация, остаются недостаточно изученными.
Эти этапы представляют собой уникальные проблемы, включая визуальное перекрытие, высокую скорость обработки и сложные взаимодействия жидкости и твердого тела, что может частично объяснить ограниченное применение технологий визуализации. Разработка решений для визуализации, устойчивых к воздействию окружающей среды и способных работать в непрозрачных, неоднородных средах, представляет собой важный рубеж исследований.
Кроме того, еще одним ограничением является то, что перенос лабораторных инноваций в промышленное производство затруднен высокими затратами, отсутствием стандартизации и несовместимостью с существующей инфраструктурой, особенно для передовых технологий, таких как XRI и MRI. Основываясь на приведенном выше сравнении, будущие исследования должны сосредоточиться на мультимодальных системах, моделях обработки данных в реальном времени и совместимых объектах для содействия интеграции на винодельческих предприятиях.
6. Выводы
В данном обзоре систематизируется применение методов магнитооптической сцинтиграфии (МВС) в виноделии путем сопоставления технологий сбора данных с этапами производства и аналитическими функциями, предлагая таксономию, которая объединяет разрозненные данные в операционную структуру. Анализ показывает, что МВС вносят вклад на всех этапах производства: RS/HSI/SV поддерживают мониторинг виноградников и планирование сбора урожая; TI/MSI помогают в оценке водного стресса и степени зрелости; а XRI/MRI позволяют оценивать качество и подлинность на поздних стадиях (например, целостность пробки, проверка продукта). Помимо вина, тот же набор инструментов распространяется на производные продукты — в частности, винный уксус, — где ATR-FTIR и NIR-спектры позволяют быстро и неразрушающим способом проверять наличие защищенного наименования происхождения/категории, что подходит для рутинного контроля.
Выявляются два сквозных момента. Во-первых, эффективное внедрение зависит от соответствия методов измерения требуемой функции управления (мониторинг, консультирование или контроль качества в процессе производства), что отражено в сравнительном анализе технологий. Во-вторых, готовность к внедрению неравномерна: промышленные решения/решения для ближней линии (например, портативные ИК-спектрометры ближнего/дальнего инфракрасного диапазона; контроль качества в формате RGB/SV) являются зрелыми, в то время как промежуточные операции (дробление, прессование/фильтрация) по-прежнему ограничены проблемами, связанными с перекрытием потока, многофазным потоком и требованиями к скорости линии. Поэтому решение проблемы стоимости интеграции (оптика/освещение, перенос калибровки, периферийные вычисления, инфраструктура безопасности) имеет решающее значение, особенно для малых и средних предприятий.
Предложенная таксономия предоставляет масштабируемый инструмент принятия решений для заинтересованных сторон: производители могут согласовывать инвестиции с потребностями конкретного этапа; разработчики технологий могут оценивать производительность и выявлять пробелы; а политики могут расставлять приоритеты в отношении цифровых инструментов, которые повышают отслеживаемость и устойчивость. Следует отметить методологическое ограничение: данный анализ в основном основан на англоязычных индексированных источниках и может недостаточно отражать местные или отраслевые отчеты о внедрении.
Дальнейшая работа должна выйти за рамки проверки качества на конечной стадии и перейти к мониторингу в реальном времени непосредственно на промежуточных этапах процесса, которые недостаточно охвачены современными технологиями, а также углубить интеграцию с IoT/AI/облачной аналитикой для замыкания цикла от сбора данных до управления. Развитие многомодальных систем и совместимых архитектур ускорит масштабируемое внедрение. В совокупности эти направления позиционируют многомодальные системы мониторинга как ключевой инструмент повышения устойчивости, точности и эффективности в условиях все более ориентированной на данные винодельческой отрасли.
Литература
- Konfo TRC, Djouhou FMC, Hounhouigan MH, et al. Recent advances in the use of digital technologies in agri-food processing: a short review. Applied Food Research. 2023;3:100329. Article CAS Google Scholar
- Zhu L, Spachos P, Pensini E, Plataniotis KN. Deep learning and machine vision for food processing: a survey. Curr Res Food Sci. 2021;4:233–49. Article CAS PubMed PubMed Central Google Scholar
- Blanco M, Villarroya I. NIR spectroscopy: a rapid-response analytical tool. TrAC Trends Anal Chem. 2002;21:240–50. Article CAS Google Scholar
- Seng KP, Ang LM, Schmidtke LM, Rogiers SY. Computer vision and machine learning for viticulture technology. IEEE Access. 2018;6:67494–510. Article Google Scholar
- Portalés C, Ribes-Gómez E. An image-based system to preliminary assess the quality of grape harvest batches on arrival at the winery. Comput Ind. 2015;68:105–15. Article Google Scholar
- Modesti M, Alfieri G, Chieffo C, et al. Destructive and non-destructive early detection of postharvest noble rot (Botrytis cinerea) in wine grapes aimed at producing high-quality wines. J Sci Food Agric. 2024;104:2314–25. Article CAS PubMed Google Scholar
- Pérez-Bernal JL, Villar-Navarro M, Morales ML, et al. The smartphone as an economical and reliable tool for monitoring the browning process in sparkling wine. Comput Electron Agric. 2017;141:248–Article Google Scholar
- Oliveira V, Knapic S, Pereira H. Classification modeling based on surface porosity for the grading of natural cork stoppers for quality wines. Food Bioprod Process. 2015;93:69–76. Article Google Scholar
- Bianchi A, Venturi F, Palermo C, et al. Primary and secondary shelf-life of bread as a function of formulation and MAP conditions: focus on physical-chemical and sensory markers. Food Packag Shelf Life. 2024. Article Google Scholar
- Condé BC, Fuentes S, Caron M, et al. Development of a robotic and computer vision method to assess foam quality in sparkling wines. Food Control. 2017;71:383–92. Article CAS Google Scholar
- ElMasry GM, Nakauchi S. Image analysis operations applied to hyperspectral images for non-invasive sensing of food quality – a comprehensive review. Biosyst Eng. 2016;142:53–82. Article Google Scholar
- Benelli A, Cevoli C, Ragni L, Fabbri A. In-field and non-destructive monitoring of grapes maturity by hyperspectral imaging. Biosyst Eng. 2021;207:59–67. Article CAS Google Scholar
- Tardaguila J, Stoll M, Gutiérrez S, et al. Smart applications and digital technologies in viticulture: a review. Smart Agricultural Technology. 2021. Article Google Scholar
- Kakani V, Nguyen VH, Kumar BP, et al. A critical review on computer vision and artificial intelligence in food industry. J Agric Food Res. 2020;2:100033. Article Google Scholar
- Palacios F, Bueno G, Salido J, et al. Automated grapevine flower detection and quantification method based on computer vision and deep learning from on-the-go imaging using a mobile sensing platform under field conditions. Comput Electron Agric. 2020;178:105796. Article Google Scholar
- Market Insights | Statista. ссылка. Accessed 13 Mar 2025.
- Watson NJ, Bowler AL, Rady A, et al. Intelligent sensors for sustainable food and drink manufacturing. Front Sustain Food Syst. 2021;5:642786. Article Google Scholar
- Kang W, Lin H, Jiang H, et al. Advanced applications of chemo-responsive dyes based odor imaging technology for fast sensing food quality and safety: a review. Compr Rev Food Sci Food Saf. 2021;20:5145–72. Article PubMed Google Scholar
- Carneiro GA, Cunha A, Aubry TJ, Sousa J. Advancing grapevine variety identification: A systematic review of deep learning and machine learning approaches. AgriEngineering. 2024;6:4851–88. Article Google Scholar
- Page MJ, McKenzie JE, Bossuyt PM, et al. The PRISMA 2020 statement: an updated guideline for reporting systematic reviews. BMJ. 2021;372.
- Food – Worldwide. | Statista Market Forecast. ссылка Accessed 28 Feb 2025.
- Henning Vuo. (2023) Wine: market data & analysis | Statista.
- Jackson RS. Introduction. Wine Sci. 2008;1–14.
- International Code of Oenological Practices | OIV. ссылка . Accessed 29 Sep 2025.
- Jackson RS. Fermentation. Wine Sci. 2008;332–417.
- Division IC. Agribusiness handbook. Grapes Wine; 2010.
- Hitzmann B, Hauselmann R, Niemoeller A, et al. Process analytical technologies in food industry – challenges and benefits: a status report and recommendations. Biotechnol J. 2015;10:1095–100. Article CAS PubMed Google Scholar
- Williams H, Smith D, Shahabi J, et al. Modelling wine grapevines for autonomous robotic cane pruning. Biosyst Eng. 2023;235:31–49. Article CAS Google Scholar
- Littarru E, Modesti M, Alfieri G, et al. Optimizing the winemaking process: NIR spectroscopy and e-nose analysis for the online monitoring of fermentation. J Sci Food Agric. 2025;105:1465–75. Article CAS PubMed Google Scholar
- Oliveira V, Lopes P, Cabral M, Pereira H. Influence of cork defects in the oxygen ingress through wine stoppers: insights with X-ray tomography. J Food Eng. 2015;165:66–73. Article CAS Google Scholar
- Viskić M, Bandić LM, Korenika AMJ, Jeromel A. (2021) NMR in the service of wine differentiation. Foods 10.
- Senni L, Ricci M, Palazzi A. On-line automatic detection of foreign bodies in biscuits by infrared thermography and image processing. J Food Eng. 2014;128:146–56. Article Google Scholar
- Zhang P, Wu Q, Wang Y, et al. Rapid detection of tannin content in wine grapes using hyperspectral technology. Life. 2024;14:416. Article CAS PubMed PubMed Central Google Scholar
- Swe KN, Takai S, Noguchi N. Novel approaches for a Brix prediction model in Rondo wine grapes using a hyperspectral camera: comparison between destructive and Non-destructive sensing methods. Comput Electron Agric. 2023;211.
- Pinheiro I, Moreira G, Queirós da Silva D, et al. Deep learning YOLO-Based solution for grape bunch detection and assessment of biophysical lesions. Agronomy. 2023;13.
- Page MJ, Moher D, Bossuyt PM et al. (2021) PRISMA 2020 explanation and elaboration: updated guidance and exemplars for reporting systematic reviews. The BMJ 372.
- Poni S, Gatti M, Palliotti A, et al. Grapevine quality: a multiple choice issue. Sci Hortic. 2018;234:445–62. Article CAS Google Scholar
- Espinoza CZ, Khot LR, Sankaran S, Jacoby PW. High resolution multispectral and thermal remote sensing-based water stress assessment in subsurface irrigated grapevines. Remote Sens. 2017;9(9):961. Article Google Scholar
- Oberti R, Marchi M, Tirelli P, et al. Automatic detection of powdery mildew on grapevine leaves by image analysis: optimal view-angle range to increase the sensitivity. Comput Electron Agric. 2014;104:1–8. Article Google Scholar
- Aquino A, Millan B, Diago MP, Tardaguila J. Automated early yield prediction in vineyards from on-the-go image acquisition. Comput Electron Agric. 2018;144:26–36. Article Google Scholar
- Ríos-Reina R, García-González DL, Callejón RM, Amigo JM. NIR spectroscopy and chemometrics for the typification of Spanish wine vinegars with a protected designation of origin. Food Control. 2018;89:108–16. Article CAS Google Scholar
- Ivorra E, Sánchez AJ, Camarasa JG, et al. Assessment of grape cluster yield components based on 3D descriptors using stereo vision. Food Control. 2015;50:273–82. Article Google Scholar
- Tello J, Cubero S, Blasco J, et al. Application of 2D and 3D image technologies to characterise morphological attributes of grapevine clusters. J Sci Food Agric. 2016;96:4575–83. Article CAS PubMed Google Scholar
- Rabot A, Rousseau C, Li-Mallet A, et al. A combined approach using chemical and image analysis to estimate seed. maturity for Bordeaux area grapevine; 2017.
- Majeed Y, Karkee M, Zhang Q, et al. Development and performance evaluation of a machine vision system and an integrated prototype for automated green shoot thinning in vineyards. J Field Robotics. 2021;38:898–916. Article Google Scholar
- Cejudo-Bastante MJ, Rodríguez-Pulido FJ, Heredia FJ, González-Miret ML. Assessment of sensory and texture profiles of grape seeds at real maturity stages using image analysis. Foods. 2021;10:1098. Article PubMed PubMed Central Google Scholar
- Carmona L, Varela J, Godoy L, Ganga MA. Comparative proteome analysis of Brettanomyces bruxellensis under hydroxycinnamic acid growth. Electron J Biotechnol. 2016;23:37–43. Article Google Scholar
- Prat-García S, Nevares I, Martínez-Martínez V, del Alamo-Sanza M. Customized oxygenation barrels as a new strategy for controlled wine aging. Food Res Int. 2020. Article PubMed Google Scholar
- Viejo CG, Torrico DD, Dunshea FR, Fuentes S. Bubbles, foam formation, stability and consumer perception of carbonated drinks: a review of current, new and emerging technologies for rapid assessment and control. Foods. 2019. Article PubMed Google Scholar
- Mohimont L, Roesler M, Steffenel A et al. AI-Based Quality Control System at the Pressing Stages of the Champagne Production.
- Yang Q, Yu X, Chen Q. Design of drug and wine bottlecap defect detection system based on machine vision. J Appl Sci Eng. 2023;26:489–500. Article Google Scholar
- Crumpton M, Rice CJ, Atkinson A, et al. The effect of sucrose addition at dosage stage on the foam attributes of a bottle-fermented English sparkling wine. J Sci Food Agric. 2018;98:1171–8. Article CAS PubMed Google Scholar
- Marín-San Román S, Fernández-Novales J, Cebrián-Tarancón C, et al. Application of near-infrared spectroscopy for the estimation of volatile compounds in Tempranillo Blanco grape berries during ripening. J Sci Food Agric. 2023;103:6317–29. Article CAS PubMed Google Scholar
- Fernández-Novales J, Tardáguila J, Gutiérrez S, Paz Diago M. On-the-go VIS + SW – NIR spectroscopy as a reliable monitoring tool for grape composition within the vineyard. Molecules. 2019. Article PubMed PubMed Central Google Scholar
- Lopo M, dos Teixeira Santos CA, Páscoa RNMJ, et al. Near infrared spectroscopy as a tool for intensive mapping of vineyards soil. Precis Agric. 2018;19:445–62. Article Google Scholar
- Lyu H, Grafton M, Ramilan T, et al. Using remote and proximal sensing data and vine vigor parameters for non-destructive and rapid prediction of grape quality. Remote Sens. 2023. Article Google Scholar
- González-Fernández AB, Rodríguez-Pérez JR, Marcelo V, Valenciano JB. Using field spectrometry and a plant probe accessory to determine leaf water content in commercial vineyards. Agric Water Manag. 2015;156:43–50.
- Sanmartin C, Modesti M, Venturi F, et al. Postharvest water loss of wine grape: when, what and why. Metabolites. 2021. Article PubMed PubMed Central Google Scholar
- Trivella A, Richard C. New insights into pesticide photoprotection. Environ Sci Pollut Res. 2014;21:4828–36. Article CAS Google Scholar
- Kasimati A, Espejo-Garcia B, Vali E, et al. Front Plant Sci. 2021;12. Investigating a Selection of Methods for the Prediction of Total Soluble Solids Among Wine Grape Quality Characteristics Using Normalized Difference Vegetation Index Data From Proximal and Remote Sensing.
- Beghi R, Giovenzana V, Marai S, Guidetti R. Rapid monitoring of grape withering using visible near-infrared spectroscopy. J Sci Food Agric. 2015;95:3144–9. Article CAS PubMed Google Scholar
- Urraca R, Sanz-Garcia A, Tardaguila J, Diago MP. Estimation of total soluble solids in grape berries using a hand-held NIR spectrometer under field conditions. J Sci Food Agric. 2016;96:3007–16. Article CAS PubMed Google Scholar
- MacDonald SL, Staid M, Staid M, Cooper ML. Remote hyperspectral imaging of grapevine leafroll-associated virus 3 in cabernet sauvignon vineyards. Comput Electron Agric. 2016;130:109–17. Article Google Scholar
- Cancela JJ, Fandiño M, Rey BJ, et al. Discrimination of irrigation water management effects in pergola trellis system vineyards using a vegetation and soil index. Agric Water Manag. 2017;183:70–7. Article Google Scholar
- dos Santos Costa D, Oliveros Mesa NF, Santos Freire M, et al. Development of predictive models for quality and maturation stage attributes of wine grapes using vis-nir reflectance spectroscopy. Postharvest Biol Technol. 2019;150:166–78. Article Google Scholar
- Murru C, Chimeno-Trinchet C, Díaz-García ME, et al. Artificial neural network and attenuated total reflectance-Fourier transform infrared spectroscopy to identify the chemical variables related to ripeness and variety classification of grapes for protected. designation of origin wine production. Comput Electron Agric. 2019;164:104922. Article Google Scholar
- Fuentes S, Tongson E, Chen J, Viejo CG. (2020) A Digital Approach to Evaluate the Effect of Berry Cell Death on Pinot Noir Wines’ Quality Traits and Sensory Profiles Using Non-Destructive Near-Infrared Spectroscopy. Beverages 2020, Vol 6, Page 39 6:39.
- Croce R, Malegori C, Oliveri P, et al. Prediction of quality parameters in straw wine by means of FT-IR spectroscopy combined with multivariate data processing. Food Chem. 2020;305:125512. Article CAS PubMed Google Scholar
- Baca-Bocanegra B, Nogales-Bueno J, Hernández-Hierro JM, Heredia FJ. Valorization of American barrel-shoot wastes: effect of post fermentative addition and readdition on phenolic composition and chromatic quality of Syrah red wines. Molecules. 2020. Article PubMed PubMed Central Google Scholar
- Sánchez MT, Márquez R, Torres I, et al. Chemical characterization of wine vinegars belonging to the vinagre de Montilla-Moriles protected designation of Origin, using Near-Infrared spectroscopy. Food Anal Methods. 2020;13:802–10. Article Google Scholar
- Suehara KI, Kameoka T, Hashimoto A. Spectral features characterizing rice wine sake variety using mid-infrared spectroscopy. Japan J Food Eng. 2016;16:279–89. Article Google Scholar
- Ríos-Reina R, Callejón RM, Oliver-Pozo C, et al. ATR-FTIR as a potential tool for controlling high quality vinegar categories. Food Control. 2017;78:230–7. Article CAS Google Scholar
- Wu Z, Long J, Xu E, et al. A feasibility study on the evaluation of quality properties of Chinese rice wine using Raman spectroscopy. Food Anal Methods. 2016;9:1210–9. Article Google Scholar
- Mac HX, Pham TT, Ha NTT, et al. Current techniques for fruit juice and wine adulterant detection and authentication. Beverages. 2023;9(4):84. Article CAS Google Scholar
- Brink JC, Calitz FJ, Fourie PH. Spray deposition and control of botrytis cinerea on grape leaves and bunches: part 2 (Wine grapes). S Afr J Enol Vitic. 2016;37:157–68. Article Google Scholar
- Lyu H, Grafton M, Ramilan T, et al. Assessing the leaf blade nutrient status of Pinot Noir using hyperspectral reflectance and machine learning models. Remote Sens. 2023;15:1497. Article Google Scholar
- Baca-Bocanegra B, Nogales-Bueno J, Heredia FJ, Hernández-Hierro JM. Influence of oak wood chips–grape mix maceration on the extraction of anthocyanins from low-extractable anthocyanin content red grapes. Eur Food Res Technol. 2018;244:729–34. Article CAS Google Scholar
- Lagorce-Tachon A, Karbowiak T, Loupiac C, et al. The cork viewed from the inside. J Food Eng. 2015;149:214–21. Article Google Scholar
- Vyviurska O, Khvalbota L, Koljančić N, et al. Wine age prediction using digital images and multivariate calibration. Microchem J. 2023. Article Google Scholar
- Zhu H, Zhu D, Sun J. Application of GC-IMS coupled with chemometric analysis for the classification and authentication of geographical indication agricultural products and food. Front Nutr. 2023;10.
- Agati G, Soudani K, Tuccio L, et al. Management zone delineation for winegrape selective harvesting based on fluorescence-sensor mapping of grape skin anthocyanins. J Agric Food Chem. 2018;66:5778–89. Article CAS PubMed Google Scholar
- Feng Skun, Yuan Lming, Ye H. Grading bunch tightness for grape by multiperspective imaging approach coupled with multivariate classification methods. J Food Process Eng. 2019;42:e13052. Article Google Scholar
- Herrero-Latorre C, Barciela-García J, García-Martín S, Peña-Crecente RM. Detection and quantification of adulterations in aged wine using RGB digital images combined with multivariate chemometric techniques. Food Chem X. 2019;3:100046. Article CAS PubMed PubMed Central Google Scholar
- León K, Mery D, Pedreschi F, León J. Color measurement in L∗a∗b∗ units from RGB digital images. Food Res Int. 2006;39:1084–91. Article Google Scholar
- Flores-Vidal P, Gómez D, Castro J, Montero J. New aggregation approaches with HSV to color edge detection. Int J Comput Intell Syst. 2022;15:1–15. Article Google Scholar
- Diago MP, Aquino A, Millan B, et al. On-the-go assessment of vineyard canopy porosity, bunch and leaf exposure by image analysis. Aust J Grape Wine Res. 2019;25:363–74. Article Google Scholar
- Menozzi C, Calvini R, Nigro G, et al. Design and application of a smartphone-based device for in vineyard determination of anthocyanins content in red grapes. Microchem J. 2023;191:108811. Article CAS Google Scholar
Авторы: Elisa Verna, Alberto Piovano & Maurizio Galetto
