Lin, W. C. and Hill, B. D. 2007. Neural network modelling of fruit colour and crop variables to predict harvest dates of greenhouse-grown sweet peppers. Can. J. Plant Sci. 87: 137-143. Sweet peppers (Capsicum annuum L.) grown in the greenhouse have irregular yields. Modelling colouration of individual fruit could help growers predict the number of fully coloured peppers that will be ready to harvest within a routine harvest period. We monitored the red, green and blue colour intensities of developing pepper fruit via digital image processing. These colour measurements together with crop phenology and environmental variables were used as inputs into neural network (NN) models to predict days-to-harvest (D-to-H) for individual fruit. When 18 inputs were evaluated, a typical "best" NN model needed only five of the inputs to predict D-to-H (range 0 to 28 d) for red peppers with a R 2 of 0.79, a root mean square error (RMSE) of 3.4 d, and an average absolute error (AAE) of 2.5 d. D-to-H were more difficult to predict for yellow peppers, with the "best" model using eight inputs to achieve a R 2 of 0.69, a RMSE of 4.4 d, and an AAE of 3.4 d. Light and temperature made little contribution to predictions of D-to-H. NN models with only three inputs (Julian day, nodal position of the target fruit and ratio of red:green intensities) could still make useful predictions of harvest maturity. For both red and yellow peppers, the R 2 values of NN models were higher than the corresponding R 2 a (R 2 adjusted) values derived from multiple linear regression models. It is concluded that NN have potential to assist greenhouse operators to predict D-to-H of sweet peppers. Modéliser la coloration des fruits individuels aiderait les producteurs à prévoir le nombre de fruits entièrement colorés qu'ils pourront cueillir au cours d'une période donnée. Les auteurs ont établi l'intensité des couleurs rouge, verte et bleue des fruits en développement par numérisation des images. La quantification des couleurs, les stades phénologiques de la culture et des variables environnementales ont servi à créer un modèle de type « réseau neuronal » (RN) permettant de prévoir le nombre de jours avant la récolte (JAR) de chaque fruit. Sur 18 paramètres évalués, le meilleur modèle RN n'en a besoin que de cinq pour prévoir le JAR (fourchette de 0 à 28 jours) des poivrons rouges, avec une valeur R 2 de 0,79, une erreur-type de 3,4 jours et une erreur absolue moyenne de 2,5 jours. Le JAR est plus difficile à établir pour les poivrons jaunes, le « meilleur » modèle recourant à huit paramètres pour donner une R 2 de 0,69, une erreur-type de 4,4 jours et une erreur absolue moyenne de 3,4 jours. La luminosité et la température concourent peu à la prévision du JAR. Les modèles RN n'intégrant que trois paramètres (jour julien, emplacement du fruit par rapport au noeud et rapport entre l'intensité du rouge et du vert) pourraient tout de même donner une prévision utile de la maturité à la cueillette. Pour les poivrons rouges et jaunes, les modèles RN donnent une val...