Indice
Candidata a diventare una preziosa alleata nella difesa delle colture, l’intelligenza artificiale sta offrendo soluzioni sempre più precise ed efficienti per tutelare rese e qualità. Tra le sue applicazioni più promettenti, spicca il riconoscimento automatico delle avversità, oggi impiegato anche su una coltura tanto delicata quanto strategica come il kiwi. A indagare le potenzialità dell’intelligenza artificiale in questo campo è stato un team di ricercatori dell’Università Democrito della Tracia, in Grecia, che si è concentrato su tre delle principali avversità che colpiscono il kiwi: Alternaria, Phytophthora e Nematodi. Il tratto che le accomuna è che possono essere individuate precocemente grazie ai sintomi visibili che si manifestano sulle foglie, differenti per ciascuna patologia. Per questo, i ricercatori hanno sviluppato AgriVision-Kiwi Dataset, il primo archivio pubblico dedicato al riconoscimento automatico delle malattie fogliari del kiwi. Alimentato da sei modelli avanzati di intelligenza artificiale, il sistema non solo identifica le foglie all’interno di una foto, ma è anche in grado di classificarle in base alle avversità. Ma come è stato realizzato questo innovativo strumento?
Un dataset da laboratorio: il kiwi per addestrare l’intelligenza artificiale
La ricerca è partita da un lavoro sul campo. I ricercatori hanno, infatti, raccolto 152 fotografie di foglie di kiwi, suddividendole con cura in quattro categorie: foglie sane e foglie colpite da Alternaria, Phytophthora e Nematodi. Per ampliare e bilanciare il dataset, le immagini sono state poi potenziate digitalmente attraverso tecniche di data augmentation – come rotazioni, modifiche nei colori e ingrandimenti – fino a ottenere un archivio finale di 5.832 immagini.
A questo punto, il progetto è entrato nella fase operativa, articolata in due momenti distinti. Il primo ha riguardato il rilevamento automatico delle foglie all’interno delle immagini, affidato a YOLOv11, un modello specializzato nel riconoscimento visivo. Questo sistema ha permesso di individuare e ritagliare con precisione le foglie, rimuovendo gli elementi di sfondo e migliorando così la qualità dei dati destinati all’analisi.
Diagnosi di precisione: i migliori modelli IA entrano in azione
Successivamente, l’attenzione si è spostata sul riconoscimento delle avversità. Ogni foglia è stata sottoposta all’analisi di sei diversi modelli di deep learning – AlexNet, VGG-16, ResNet-50, DenseNet-121, EfficientNet-B3 e MobileNet-V3 – tra i più autorevoli nel campo della visione artificiale. Alcuni si distinguono per l’elevata accuratezza, altri per la rapidità e la leggerezza, caratteristiche ideali per applicazioni mobili o in tempo reale.
Ma perché non utilizzare solo YOLOv11? Nonostante le sue eccellenti prestazioni nel rilevare foglie all’interno delle immagini, questo modello non è abbastanza preciso nel distinguere sintomi simili tra loro, una sfida nota come “fine-grained classification”. Per questo, la diagnosi è stata affidata a modelli più avanzati, capaci di cogliere anche le minime differenze tra una foglia sana e una malata.
Prestazioni eccellenti: DenseNet e ResNet in testa
I risultati ottenuti dal progetto greco sono decisamente promettenti. Una volta addestrato, il sistema ha mostrato un’elevata capacità di rilevare e distinguere correttamente le foglie di kiwi, raggiungendo valori di precisione pari a 0,995 e di recall a 0,990. In altre parole, non solo è in grado di individuare le foglie con estrema accuratezza, ma riesce anche a riconoscere con grande affidabilità l’avversità presente. Le buone performance si sono confermate anche durante i test su immagini mai viste prima, a dimostrazione della robustezza del modello. Un ruolo chiave lo ha giocato la qualità del dataset, ben strutturato e bilanciato, costruito a partire da immagini raccolte direttamente nei campi di kiwi del nord della Grecia. Per quanto riguarda il riconoscimento specifico delle patologie, DenseNet-121 e ResNet-50 si sono distinti come i modelli più performanti, raggiungendo un’accuratezza intorno al 99%. Ottimi risultati anche per MobileNet-V3, un modello più leggero ma comunque efficace, particolarmente adatto ad applicazioni su smartphone o in ambienti con risorse computazionali limitate.
Tuttavia, non sono mancate le difficoltà. Il principale ostacolo è emerso nel riconoscimento dei sintomi causati dai nematodi, spesso poco evidenti e facilmente confondibili con quelli di foglie sane o affette da altre patologie, come l’Alternaria. I nematodi, infatti, provocano segni lievi come l’arricciamento delle foglie senza alterarne il colore, rendendo la diagnosi molto più complessa. In questo contesto, l’utilizzo di immagini ad alta risoluzione e il supporto di competenze agronomiche possono rivelarsi decisivi per affinare ulteriormente l’efficacia dei modelli.
Risultati indicativi del rilevamento delle foglie con YOLOv11.
Velocità e accuratezza: l’IA è pronta per il campo
Nonostante le sfide, il sistema ha dimostrato notevole affidabilità e rapidità di risposta: i tempi di elaborazione per ciascuna immagine si riducono a pochi millisecondi, rendendo i modelli facilmente applicabili sia in scenari che richiedono alta precisione, sia in contesti dove è fondamentale una diagnosi in tempo reale. Con l’introduzione dell’AgriVision-Kiwi Dataset, l’intelligenza artificiale segna un nuovo importante traguardo nel settore agricolo. Non solo migliora la capacità di prevenzione e gestione delle avversità, ma offre anche strumenti open-source, messi a disposizione della comunità scientifica e del mondo agritech.
- Leggi anche: Moria del kiwi: tra difficoltà e rinascita
Federica Del Vecchio
© fruitjournal.com