882

Raccogliere i pomodorini nel momento esatto in cui raggiungono la maturazione ideale è da sempre una questione di esperienza. Per decenni, infatti, gli agricoltori hanno affinato questa capacità con pazienza, osservazione e pratica quotidiana nei campi. Tuttavia, si sa, la raccolta manuale è tra le operazioni più onerose e faticose dell’intera filiera agricola. E se fosse possibile automatizzarla? Non si tratterebbe soltanto di un vantaggio operativo, ma di una vera e propria svolta strategica in un settore dove il tempo è denaro. 

Ed è qui che entra in gioco la tecnologia. Un team di ricercatori cinesi ha sviluppato ASE-YOLOv8, un sistema avanzato di riconoscimento visivo basato sull’intelligenza artificiale. Evoluzione perfezionata dell’algoritmo YOLOv8, questo modello è stato progettato per operare direttamente sul campo, individuando con rapidità e precisione i frutti maturi anche in situazioni ambientali difficili. Di cosa si tratta? 

• Leggi anche: Tomato Yellow Leaf Curl Virus: cosa sappiamo

Sperimentazione sul campo: il dataset dei pomodorini 

Il progetto ha preso forma a Pingdu, nella provincia cinese di Shandong, dove i ricercatori hanno avviato una fase sperimentale fondamentale per l’automazione della raccolta dei pomodorini. Per replicare fedelmente le condizioni di campo, sono state realizzate 870 immagini di frutti in diversi stadi di maturazione, fotografati da cinque angolazioni e in due situazioni luminose: luce diretta e controluce, spesso critiche in ambito agricolo.

Il dataset è stato poi ampliato artificialmente grazie a tecniche di data augmentation, come rotazioni, ribaltamenti, variazioni di luminosità, inserimento di rumore e composizioni a mosaico, fino a raggiungere un totale di 9.360 immagini. Ma non è finita qui. Per rendere il modello più efficiente ogni scatto è stato etichettato manualmente, distinguendo i pomodorini in due categorie: unripe, ovvero acerbi, con meno del 40% della superficie rossa, e ripe, maturi, con una colorazione superiore al 40%.

Le novità del modello ASE-YOLOv8

La vera svolta del progetto è arrivata con l’ottimizzazione del celebre algoritmo di visione artificiale YOLOv8, da cui è nata una versione evoluta e potenziata: ASE-YOLOv8. L’obiettivo? Renderlo più veloce, preciso e leggero, ideale per essere impiegato su dispositivi con risorse limitate, come quelli utilizzati direttamente sul campo. Le innovazioni introdotte sono tre, ognuna pensata per rispondere alle sfide dell’agricoltura di precisione.

La prima innovazione riguarda l’introduzione di un nuovo modulo, chiamato ADown, che sostituisce alcune componenti del sistema originale. Questa modifica consente al modello di estrarre informazioni visive più complesse, migliorando la precisione nel riconoscimento dei pomodorini. Al tempo stesso, riduce la complessità computazionale e abbassa il numero di parametri necessari, rendendo il sistema più efficiente e leggero. Il secondo miglioramento interessa la struttura del “collo” del modello, ovvero la parte che elabora e combina le informazioni raccolte. Qui, le tecnologie tradizionali sono state sostituite da uno Slim-Neck, che integra soluzioni più leggere ed efficienti come GSConv e VoV-GSCSP. Questo aggiornamento rende il sistema più agile e reattivo, mantenendo intatta la precisione dell’analisi.

Infine, è stato implementato un sofisticato meccanismo di attenzione, denominato EMA. Questo componente aiuta il modello a concentrarsi sui dettagli rilevanti all’interno dell’immagine, migliorando significativamente la capacità di rilevare i frutti anche in condizioni complesse, come ombre, sovrapposizioni o luce intensa.

Più preciso, più leggero, più veloce

I test effettuati sulle varie combinazioni di miglioramenti hanno restituito risultati estremamente incoraggianti. Il nuovo modello ASE-YOLOv8 ha mostrato un incremento dell’accuratezza del 3,18%, un miglioramento dell’1,43% nel recall. A colpire non è solo la precisione, ma anche l’efficienza: il numero di parametri del modello è stato ridotto a 2,52 milioni, mentre le dimensioni complessive sono scese a soli 5,08 megabyte.

In sostanza, ASE-YOLOv8 è più preciso, più veloce e decisamente più leggero rispetto ai modelli precedenti della stessa famiglia e a molte reti neurali convoluzionali (CNN) tradizionalmente impiegate nel settore. Tutto questo lo rende perfettamente adatto all’uso su dispositivi mobili e sistemi embedded, spesso limitati in termini di potenza di calcolo. 

Verso un futuro agricolo più intelligente

Nonostante gli ottimi risultati finora ottenuti, ASE-YOLOv8 è solo all’inizio del suo percorso. I ricercatori sono già al lavoro per affrontare nuove sfide e perfezionare ulteriormente il modello. La prima riguarda l’espansione del dataset: per garantire un funzionamento efficace su larga scala, sarà necessario includere nuove varietà di pomodorini e immagini provenienti da contesti agricoli differenti. 

In prospettiva, i ricercatori sono fiduciosi. ASE-YOLOv8 potrebbe trovare applicazione anche su altre colture, trasformandosi in uno strumento polivalente per l’agricoltura di precisione: dal riconoscimento della maturazione dei frutti al monitoraggio di malattie e parassiti, dalla gestione ottimizzata delle risorse fino alla previsione delle rese. Ma per raggiungere questi obiettivi, il lavoro è ancora lungo. Ad ogni modo un primo passo è stato fatto e grazie a strumenti come ASE-YOLOv8, l’intelligenza artificiale entra a pieno titolo nei campi, offrendo soluzioni concrete, scalabili e già pronte per rivoluzionare l’agricoltura a livello globale.

• Leggi anche: Pomodoro arancione: gusto, salute e tradizione

 

Federica Del Vecchio
© fruitjournal.com