1,1K

Riconoscere tempestivamente le malattie, proteggere le colture e garantire raccolti di qualità: sono questi gli obiettivi quotidiani di ogni agricoltore, soprattutto quando si tratta di colture ad alto valore economico come la patata. In un comparto sempre più esposto a rischi e imprevedibilità, l’impiego di dispositivi tecnologici per prevenire le malattie della patata rappresenta un elemento fondamentale. 

Grazie all’analisi automatica delle immagini, oggi, è infatti possibile individuare molte patologie vegetali in modo rapido ed efficace, riducendo le perdite e migliorando la produttività. Tra le soluzioni più innovative degli ultimi anni, spiccano le reti neurali convoluzionali (CNN), modelli di deep learning, capaci di distinguere con grande precisione le foglie sane da quelle colpite, superando spesso le capacità umane in termini di velocità e accuratezza. Tuttavia, se da un lato questi modelli brillano per efficienza, dall’altro hanno un limite importante: non spiegano il perché delle loro decisioni, rendendo difficile fidarsi completamente dei risultati.

Per superare questo ostacolo, un recente studio propone un approccio innovativo, che unisce deep learning e intelligenza artificiale spiegabile (XAI). L’obiettivo? Non solo classificare con precisione le malattie delle foglie di patata, ma anche spiegare in modo chiaro e trasparente le motivazioni delle previsioni del modello.

Diagnosi intelligente: un modello AI per le malattie della patata

Per sviluppare un sistema in grado di riconoscere le malattie delle foglie di patata, i ricercatori hanno utilizzato un dataset pubblico e standardizzato. La base dati comprende 2.152 immagini suddivise in tre categorie: foglie sane, foglie colpite da peronospora precoce e foglie colpite da peronospora tardiva. Per migliorare l’efficienza del modello, il team ha impiegato tecniche di data augmentation, cioè trasformazioni digitali come rotazioni, ridimensionamenti, ribaltamenti e traslazioni delle immagini, con l’obiettivo di espandere artificialmente il numero di esempi, mantenendo inalterate le caratteristiche biologiche. Il dataset è stato suddiviso in un 80% per l’addestramento del modello e un 20% per il test finale. Una parte del set di addestramento (15%) è stata riservata alla validazione, per evitare che il modello imparasse a memoria i dati, compromettendo la sua capacità di riconoscere casi nuovi.

Un modello intelligente e trasparente

Il cuore del sistema è un’architettura ibrida che combina l’affidabilità del deep learning con la trasparenza dell’intelligenza artificiale spiegabile (XAI). La rete neurale utilizzata si basa su VGG16, uno dei modelli più noti e collaudati per l’analisi di immagini. Nato nei laboratori dell’Università di Oxford, VGG16 ha raggiunto risultati eccezionali nel riconoscimento visivo, dimostrandosi capace di cogliere anche dettagli complessi. Nel progetto, VGG16 è stato adattato al compito specifico della classificazione delle foglie di patata. I ricercatori hanno utilizzato una versione pre-addestrata del modello – inizialmente allenata su milioni di immagini generiche – e l’hanno “personalizzata” eliminando i livelli finali originali e sostituendoli con nuovi livelli specifici per le tre classi di malattia. 

• Leggi anche: Elateridi delle patate: strategie efficaci di controllo

Capire come decide l’algoritmo

Come accennato, uno dei principali limiti dei modelli di deep learning risiede nella loro opacità: spesso, non è chiaro come arrivino a una certa decisione. Per superare questo problema, è stata integrata la tecnica Grad-CAM, una variante del Class Activation Mapping, una tecnica che consente di evidenziare le regioni dell’immagine che hanno maggiormente influenzato la decisione del modello, permettendo di visualizzare visivamente le aree dell’immagine su cui la rete ha concentrato la propria attenzione. In altre parole, il sistema non si limita a dire se una foglia è malata, ma mostra anche dove ha guardato per capirlo.

Queste mappe di attivazione sono generate utilizzando i gradienti che passano attraverso gli ultimi strati della rete neurale e permettono di evidenziare le regioni più influenti per ciascuna previsione. Un modo efficace per validare non solo l’accuratezza, ma anche l’affidabilità del sistema.

Una nuova frontiera per la diagnosi automatica delle malattie delle patate

Durante la fase sperimentale del progetto, i ricercatori hanno messo alla prova quattro dei più avanzati modelli di deep learning attualmente disponibili: VGG16, InceptionResNetV2, GoogleNet e AlexNet. Tutti sono stati sottoposti a un rigoroso confronto, utilizzando le medesime condizioni operative. A spiccare tra tutti è stato VGG16, che ha superato i suoi concorrenti in ogni parametro di valutazione: accuratezza, precisione, richiamo e F1-score.

È proprio grazie a queste prestazioni che VGG16 è stato selezionato come cuore del nuovo framework di intelligenza artificiale spiegabile (XAI). Non solo ha dimostrato una precisione superiore, ma è anche l’unico tra i modelli testati a offrire spiegazioni trasparenti delle proprie previsioni, un fattore chiave per garantire fiducia e applicabilità in ambito agricolo. I risultati parlano chiaro: 97% di accuratezza in fase di validazione e 98% nei test finali.

Guardando al futuro, i ricercatori propongono di ampliare il ventaglio di strumenti XAI integrati, esplorando tecniche avanzate. L’obiettivo è migliorare ulteriormente la capacità del modello di fornire spiegazioni dettagliate e comprensibili, anche nei casi più complessi. Insomma, la sperimentazione non finisce qui. Altre direzioni promettenti includono l’espansione del dataset con immagini provenienti da contesti geografici, stagionali e varietali più diversificati, così da aumentare la capacità del sistema di adattarsi a condizioni reali. Infine, l’integrazione con tecnologie di acquisizione dati in tempo reale, come le reti IoT, potrebbe trasformare questo modello in uno strumento operativo per l’agricoltura di precisione, capace di offrire diagnosi rapide e supportare decisioni tempestive direttamente in campo.

• Leggi anche: Semina delle patate: cosa fare

 

Federica Del Vecchio
© fruitjournal.com