Un sistema spettrale IoT per il monitoraggio della maturazione dell’uva: definizione di una strategia di rilevamento delle anomalie

Accurate monitoring of grape ripening is crucial for vineyard management and ensuring the quality of the final wine product. This relies primarily on the quality of harvested and processed grapes. In this study, a novel in-situ optical monitoring system for grape ripening assessment based on diffuse reflectance signals, integrated into an autonomous IoT system has been proposed. The system has been designed, characterized, and tested both in laboratory and field conditions, consisting mainly of an optical module (wavelengths at 530, 630, 690, and 730 nm) and a control module (Oliveira et al., 2024). Predictive models for total soluble solids (TSS), potential alcohol (PA), pH, and titratable acidity (TA) were developed in the laboratory and subsequently applied to field-deployed sensors for continuous and autonomous monitoring of grape maturity, performed nightly throughout the entire experimental campaign. Despite the good performance of the developed models (RPD = 2.76 and R2 = 0.86 for TSS; RPD = 2.58 and R2 = 0.85 for PA; RPD = 3.65 and R2 = 0.92 for TA; RPD = 2.27 and R2 = 0.79 for pH), optical measurements are sensitive to various environmental, positioning, and external factors, which may cause anomalies in signal acquisition. Various unsupervised analytical methods including PCA, SVM, k-means, and deep learning techniques were tested to develop analytical models capable of detecting the different origins of anomalous data that could affect predictions. Consequently, this approach will be used to optimize optical signal processing, employing one or more methods in combination, to provide grape ripening predictive models with optical data that are less distorted and richer in chemical information useful for the operator, enabling correct and optimized vineyard management.

Il monitoraggio accurato della maturazione dell'uva da vino è un aspetto cruciale per gestire al meglio il vigneto e garantire le caratteristiche qualitative del prodotto finale. Questo dipende principalmente dalla qualità delle uve raccolte e conferite in cantina. In questo studio, viene presentato un nuovo sistema di monitoraggio ottico (in-situ) della maturazione dell'uva attraverso segnali a riflettanza dif-fusa, basato su un sistema autonomo IoT. Tale sistema è stato progettato, caratterizzato e testato sia in laboratorio che in campo e comprende, principalmente, un modulo ottico (lunghezze d'onda di emis-sione 530, 630, 690 e 730 nm) e un modulo di controllo (Oliveira et al., 2024). I modelli predittivi per solidi solubili totali (TSS), alcol potenziale (PA), pH e acidità titolabile (TA) sono stati sviluppati in laboratorio e successivamente applicati ai sensori in campo per un monitoraggio continuo e autonomo della maturazione, eseguito ogni notte durante l'intera campagna sperimentale. Nonostante la buona efficacia dei modelli sviluppati (RPD = 2.76 and R2 = 0.86 for TSS; RPD = 2.58 and R2 = 0.85 for PA; RPD = 3.65 and R2 = 0.92 for TA; RPD = 2.27 and R2 = 0.79 for pH), le acquisizioni ottiche sono sensibili a vari fattori ambientali, esterni e a variazione del cammino ottico tra sensore e acino che causano anomalie nell'acquisizione del segnale. Per questo motivo, sono stati testati vari metodi analitici non supervisionati, tra cui PCA, SVM, k-means e tecniche di deep learning, per sviluppare modelli analitici capaci di rilevare la diversa natura dei dati anomali che potrebbero influenzare le previsioni. Di conseguenza, tale approccio sarà utilizzato per ottimizzare l'elaborazione del segnale ottico, impiegando uno o più metodi in combinazione, al fine di fornire, ai modelli predittivi di maturazione, dati ottici meno distorti e più ricchi di informazione chimica utile all’operatore per una gestione ottimizzata dell’impianto.