Indice
La diagnosi precoce delle avversità è ormai uno dei temi centrali della ricerca scientifica applicata all’agricoltura. Sensori, immagini avanzate e intelligenza artificiale stanno aprendo una nuova fase del monitoraggio fitosanitario. Non più solo osservare i sintomi quando la malattia è già visibile, ma intercettare le prime alterazioni fisiologiche della pianta, quando l’infezione è ancora nascosta. È dentro questo scenario che si colloca uno studio sulla peronospora del cetriolo, una delle avversità più insidiose per la coltura.
L’obiettivo? Riconoscere l’infezione da Pseudoperonospora cubensis nelle sue fasi iniziali, attraverso la risposta spettrale delle foglie. Un approccio che combina imaging iperspettrale e deep learning per leggere ciò che l’occhio umano non può ancora vedere
Il ruolo delle immagini iperspettrali
I ricercatori hanno lavorato su piante di cetriolo della varietà Marketer, coltivate in condizioni controllate e poi infettate artificialmente con Pseudoperonospora cubensis. Le foglie sono state osservate a 24 e 48 ore dall’infezione, quando la malattia era già in corso ma non ancora riconoscibile attraverso sintomi visibili. Su queste immagini è stato quindi addestrato un modello di deep learning, chiamato a distinguere i campioni sani da quelli infetti intercettando segnali che l’occhio umano non è ancora in grado di cogliere. Il punto chiave dello studio è l’uso dell’imaging iperspettrale, una tecnologia che permette di raccogliere informazioni su numerose bande dello spettro elettromagnetico. Proprio questa profondità di lettura rende il metodo interessante per la diagnosi precoce. Una foglia infetta, anche prima della comparsa dei sintomi, può infatti modificare riflettanza, pigmenti, contenuto idrico, struttura cellulare e attività fotosintetica. Alterazioni fisiologiche minime, invisibili a vista, ma potenzialmente riconoscibili attraverso la firma spettrale della pianta.
Nel caso analizzato, la camera iperspettrale operava tra 400 e 1000 nanometri, coprendo quindi il visibile e il vicino infrarosso, con 204 bande spettrali. Il dataset complessivo comprendeva 485 immagini, acquisite a 24 e 48 ore dall’inoculazione. Prima dell’elaborazione, le immagini sono state ritagliate per concentrare l’analisi sulla superficie fogliare e limitare l’interferenza dello sfondo, che avrebbe potuto creare interferenze nel processo di classificazione.
Immagini iperspettrali di foglie di cetriolo a 24 e 48 ore, inclusi campioni di controllo (sani) e infetti, acquisite con una telecamera Specim IQ e visualizzate come composizioni RGB. Le immagini sono state ritagliate per massimizzare la copertura fogliare riducendo al minimo lo sfondo. Le linee continue e tratteggiate rappresentano i valori spettrali medi trasformati con MNF per i campioni di controllo e infetti, rispettivamente, mentre le aree ombreggiate indicano la deviazione standard corrispondente. Fonte: Smart Agricultural Technology
Meno bande, più efficienza
Per rendere il sistema più gestibile, i ricercatori hanno utilizzato la PCA, cioè l’analisi delle componenti principali, una tecnica che permette di ridurre il numero di variabili conservando le informazioni più rilevanti.
Sono state testate diverse configurazioni, da 3 a 27 bande PCA. Il compromesso migliore è stato individuato in 12 bande, considerate sufficienti a rappresentare il segnale utile senza appesantire eccessivamente il modello. Questa scelta è uno degli aspetti più importanti dello studio, perché avvicina la tecnologia a un possibile impiego operativo. Un sistema troppo pesante, infatti, può funzionare in laboratorio ma diventare difficilmente scalabile in serra o in campo.
Il risultato migliore arriva a 24 ore
Il modello è stato valutato su tre gruppi di immagini. Quelle acquisite a 24 ore, quelle a 48 ore e il gruppo combinato 24h+48h. Il dato più interessante riguarda proprio il confronto tra i diversi tempi di acquisizione. Le prestazioni migliori sono state ottenute sulle immagini a 24 ore dall’infezione. In questo gruppo, il modello ha raggiunto un’accuratezza media dell’81,60% e una precisione dell’82,22%.
Il risultato è agronomicamente rilevante. Il sistema sembra riconoscere meglio la peronospora del cetriolo nella fase molto precoce, quando la risposta fisiologica della foglia è già alterata ma il quadro sintomatico non è ancora visibile. A 48 ore, invece, la maggiore variabilità della risposta vegetale potrebbe rendere più complessa la classificazione. Alcune foglie possono reagire più rapidamente, altre più lentamente, generando segnali meno uniformi.
Una tecnologia promettente, ma ancora sperimentale
La prospettiva tracciata dagli autori sposta il sistema fuori dalla dimensione sperimentale e lo proietta verso scenari applicativi più complessi, prima la serra, poi il pieno campo, fino al monitoraggio tramite droni. È qui, però, che la tecnologia dovrà misurarsi con la variabilità della produzione reale. Perché il metodo sia trasferibile, serviranno protocolli di acquisizione più solidi, in grado di garantire condizioni di ripresa affidabili, calibrazioni corrette, riferimenti standardizzati e una gestione controllata dell’illuminazione anche in ambienti meno prevedibili.
Il lavoro chiarisce anche il principale nodo ancora aperto. L’imaging iperspettrale, soprattutto quando integrato con modelli di deep learning, resta una tecnologia ad alta intensità di dati e richiede risorse informatiche significative. La strada verso l’applicazione commerciale passa quindi dalla semplificazione dei sistemi, dalla riduzione dei tempi di elaborazione e da una validazione ampia fuori dalle condizioni controllate di laboratorio. Nonostante i limiti è proprio in questo anticipo diagnostico che si concentra la parte più interessante della ricerca. La possibilità di passare da una difesa costruita sulla comparsa del sintomo a un monitoraggio capace di leggere prima, e meglio, le risposte della pianta.
Federica Del Vecchio
© fruitjournal.com