Indice
Riconoscere tempestivamente una mosca della frutta può fare la differenza tra il contenimento di un organismo nocivo e il suo ingresso in un nuovo territorio. Nei porti, negli aeroporti e nei laboratori fitosanitari, però, distinguere specie molto simili richiede competenze tassonomiche specialistiche e un’attenta osservazione di ali, torace e addome.
A rendere questo lavoro più rapido potrebbe contribuire l’intelligenza artificiale. Uno studio pubblicato sulla rivista Scientific Data, del gruppo Nature, presenta Tephritid26, una banca dati composta da 38.081 immagini riferite a 1.473 esemplari appartenenti a 26 specie di tefritidi. Il nuovo archivio è stato sviluppato per addestrare sistemi automatici capaci di supportare l’identificazione delle cosiddette mosche della frutta, tra i fitofagi più sorvegliati negli scambi internazionali.
Perché le mosche della frutta preoccupano
I tefritidi comprendono numerose specie capaci di provocare danni rilevanti alle colture. Le femmine depongono le uova nei frutti, mentre le larve si sviluppano nei tessuti, causando marciumi, cascola e perdita di commerciabilità.
Nel dataset sono presenti specie note nella frutticoltura mediterranea, come Ceratitis capitata, Bactrocera oleae e Rhagoletis cerasi, ma anche organismi al centro della sorveglianza internazionale, tra cui Bactrocera dorsalis, Bactrocera zonata e Zeugodacus cucurbitae.
Una corretta identificazione è particolarmente importante nei punti di ingresso delle merci. Confondere una specie già presente con un organismo da quarantena può comportare controlli e blocchi non necessari. Al contrario, non riconoscere tempestivamente un insetto invasivo può favorirne l’introduzione e la diffusione.
Tephritid26, immagini multiple per riconoscere ogni specie
Uno dei principali ostacoli allo sviluppo di sistemi automatici è la scarsità di immagini affidabili e correttamente attribuite alle singole specie.
Per costruire Tephritid26, i ricercatori hanno utilizzato esemplari provenienti da attività di monitoraggio, intercettazioni alle frontiere e colonie allevate in laboratorio. L’identificazione è stata verificata da un esperto tassonomo.
La particolarità dell’archivio riguarda il modo in cui gli insetti sono stati fotografati. Ogni esemplare è stato ripreso da diverse inclinazioni e durante una rotazione completa, ottenendo immagini di ali, torace e addome da numerosi punti di vista. Questa scelta consente di rappresentare meglio le condizioni reali dei controlli, dove gli insetti non sono sempre perfettamente posizionati o osservabili da una sola prospettiva.
Schema della raccolta di immagini delle specie di tefritidi di rilevanza quarantennale – Fonte: Scientific Data
L’intelligenza artificiale supera il 98%
Per valutare il dataset, gli studiosi hanno addestrato quattro differenti modelli di intelligenza artificiale. Tutti i modelli hanno ottenuto risultati molto elevati, con un indice complessivo di riconoscimento superiore al 96,75%. Il modello migliore ha raggiunto un’accuratezza del 98,22% nell’identificazione delle immagini utilizzate per il test. Per alcune specie, tra cui Ceratitis capitata, Bactrocera oleae, Bactrocera zonata e Rhagoletis cerasi, il sistema ha classificato correttamente tutte le immagini presenti nella prova finale.
I ricercatori hanno inoltre verificato quali parti degli insetti venissero analizzate dall’algoritmo. L’intelligenza artificiale ha concentrato l’attenzione soprattutto sulle nervature e sui disegni delle ali, sulle marcature del torace e sulle caratteristiche dell’addome: gli stessi elementi utilizzati dagli specialisti durante l’identificazione morfologica.
Controlli fitosanitari più rapidi grazie all’IA
Tephritid26 non è ancora un’applicazione pronta per identificare insetti direttamente in campo o attraverso uno smartphone. Si tratta di una raccolta scientifica aperta, creata per permettere ad altri gruppi di ricerca di addestrare, confrontare e migliorare nuovi modelli.
In futuro, sistemi basati su questo archivio potrebbero fornire un primo supporto agli ispettori fitosanitari, suggerendo rapidamente le specie più compatibili con l’esemplare osservato e indicando i casi che richiedono analisi più approfondite.
La diagnosi definitiva continuerebbe comunque a richiedere la valutazione di personale specializzato e, quando necessario, il ricorso a tecniche molecolari.
- Leggi anche: Deroghe fitosanitarie in Puglia per tre colture
Mappa delle parti dell’insetto analizzate dal modello per riconoscere la specie – Fonte: Scientific Data
Dal laboratorio alle frontiere: i limiti da superare
I risultati sono promettenti, ma sono stati ottenuti su immagini realizzate in condizioni controllate, con buona illuminazione e sfondi uniformi. Nelle trappole, nei magazzini o durante i controlli alle frontiere, gli insetti possono invece essere danneggiati, sovrapposti o fotografati in condizioni meno favorevoli. Anche il numero di esemplari non è uguale per tutte le specie. Per alcune, il materiale disponibile è ancora limitato e dovrà essere ampliato prima di valutare pienamente l’affidabilità del sistema.
Il valore della ricerca non consiste quindi nell’aver già automatizzato i controlli fitosanitari, ma nell’aver creato una base comune per sviluppare strumenti più rapidi e accessibili.
Di fronte all’aumento degli scambi commerciali e alla diffusione di nuovi organismi nocivi, anche poche ore possono essere decisive. L’intelligenza artificiale non sostituirà gli esperti, ma potrebbe aiutarli a riconoscere più velocemente le minacce e a indirizzare con maggiore precisione le analisi.
- Leggi anche: Difesa integrata, la Puglia aggiorna il quadro 2026
Donato Liberto
© fruitjournal.com