999

Profumati, succosi, dai colori brillanti: l’immagine degli agrumi è da sempre legata a salute e freschezza. Ma dietro la loro bellezza si nascondono insidie. Tra le più gravi? Le malattie fungine, spesso responsabili di ingenti perdite produttive e qualitative. Dato il loro alto potenziale di contagio diventa fondamentale disporre di strumenti diagnostici  più rapidi, precisi ed economici, in grado di individuare le infezioni fin dai primissimi stadi.

Una risposta promettente arriva dalla Cina, dove un gruppo di ricercatori ha migliorato l’efficacia dell’imaging iperspettrale – una tecnologia in grado di analizzare la luce riflessa dai frutti su centinaia di lunghezze d’onda, molte delle quali invisibili all’occhio umano – abbinandola a un modello di intelligenza artificiale leggero ma estremamente performante. Di cosa si tratta, e come può cambiare il futuro della coltivazione degli agrumi?

• Leggi anche: Malattie degli agrumi, Bacillus per controllarle

Dentro l’esperimento: agrumi infettati  per studiare le malattie fungine

Gli esperimenti sono stati condotti in laboratorio: agrumi sani sono stati infettati intenzionalmente con tre ceppi di funghi del genere Phytophthora – citrophthora, citricola e syringae – in condizioni controllate di umidità (90%) e temperatura (17 °C). Per raccogliere i dati, i ricercatori hanno utilizzato un sistema portatile di ultima generazione, composto da una fotocamera iperspettrale (la Specim FX 10e), una camera oscura per eliminare ogni interferenza luminosa esterna e un computer dotato del software di acquisizione SpecView. Le immagini sono state scattate in diverse fasi della malattia: dall’apparizione di piccole ulcere marroni fino al marcato deterioramento del frutto. Da questa raccolta, è stato prodotto un archivio imponente: 800 immagini iperspettrali raccolte per costruire un sistema di riconoscimento capace di distinguere tra agrumi sani e infetti. Nello specifico, sono state catturate 200 immagini di agrumi privi di malattia, 185 affetti da Phytophthora syringae, 210 da P. citricola e 205 da P. citrophthora.

Il problema: troppe informazioni, poca efficienza

Ma i ricercatori non si sono fermati alla semplice raccolta di immagini. Il vero salto di qualità è arrivato nella fase successiva, quella dell’elaborazione dei dati. Come anticipato, le immagini iperspettrali, offrono molto più delle classiche foto RGB, ma tanta abbondanza ha anche un rovescio della medaglia: molte bande spettrali contengono informazioni ridondanti, simili tra loro. Il risultato? I modelli di intelligenza artificiale rischiano di perdersi in un mare di dati inutili, rallentando le analisi e riducendo la precisione.

Per mettere ordine, il team ha scelto un approccio raffinato, la cosiddetta estrazione delle caratteristiche, un processo che seleziona solo le bande davvero significative. Lo ha fatto con CARS, un algoritmo che funziona come una gara di selezione: ogni banda viene valutata in base alla quantità e all’unicità delle informazioni che fornisce. Solo le migliori – le più efficaci e meno ripetitive – arrivano al traguardo. Alla fine, solo 44 bande sono state selezionate tra le 224 disponibili: un set compatto ma altamente rappresentativo, ideale per allenare un sistema di riconoscimento rapido, preciso e leggero.

Il cervello artificiale che riconosce le malattie fungine degli agrumi

Dopo aver selezionato le bande spettrali più significative, il passo successivo è stato affidarle a una rete neurale di nuova generazione, costruita su misura per diagnosticare le malattie fungine degli agrumi grazie all’imaging iperspettrale. Il modello sviluppato dai ricercatori è strutturato come un “cervello a due emisferi”, ognuno con un compito ben preciso. Il primo ramo analizza le informazioni spaziali: in altre parole, individua dove si trovano le anomalie all’interno dell’immagine. Per questa funzione, è stata adottata una versione compatta di ResNet12, una rete nota per le sue prestazioni elevate anche con set di dati ridotti. Per affinare ulteriormente l’attenzione del sistema sulle aree rilevanti, è stato integrato il meccanismo SE (Squeeze-and-Excitation), che potenzia i segnali utili e attenua il rumore di fondo.

Il secondo ramo, invece, si concentra sull’aspetto spettrale: analizza che tipo di luce riflettono le diverse zone del frutto. Ma qui non basta considerare ogni banda singolarmente: è essenziale cogliere anche le relazioni tra le bande. Per riuscirci, i ricercatori hanno impiegato una rete LSTM bidirezionale, capace di “leggere” i dati in entrambe le direzioni, migliorando la comprensione del contesto e delle dinamiche interne all’immagine.

I due percorsi – quello spaziale e quello spettrale – convergono infine in un unico output: vettori numerici che rappresentano le caratteristiche chiave del campione analizzato. È da questo insieme di dati che la rete elabora la sua diagnosi, identificando con precisione il tipo di infezione che colpisce il frutto. Un risultato che avvicina la tecnologia a un impiego pratico, sul campo e in tempo reale.

Agrumi sotto la lente dell’intelligenza artificiale: diagnosi sempre più veloci e precise

Per mettere alla prova l’efficacia del nuovo modello di intelligenza artificiale, i ricercatori hanno condotto un test cruciale: l’esperimento di ablazione. Si tratta di un metodo che consiste nel rimuovere o aggiungere singole componenti del sistema per valutarne l’impatto sulle prestazioni complessive. Il verdetto è stato chiaro: il sistema funziona, e funziona bene.

Nonostante qualche difficoltà nel distinguere tra infezioni molto simili, il modello ha raggiunto livelli di accuratezza sorprendenti:

• 86,25% con semplici immagini RGB (a colori),
• 90,63% con immagini iperspettrali complete,
• 92,50% utilizzando solo le bande spettrali selezionate come rilevanti.

Una conferma importante: meno dati ma di qualità equivale a maggiore precisione e minor dispendio di risorse computazionali. Il modello, infatti, si è dimostrato robusto, capace di identificare le malattie anche quando i frutti si trovano in fasi diverse dell’infezione. Ma non è tutto. I ricercatori hanno rilasciato pubblicamente un nuovo dataset iperspettrale, con immagini che documentano l’evoluzione della malattia in quattro fasi distinte. Un contributo prezioso per la comunità scientifica e per lo sviluppo di futuri strumenti diagnostici.

Guardando avanti, lo studio apre la strada a ulteriori sviluppi con un unico obiettivo: migliorare ancora l’accuratezza e portare questa tecnologia dal laboratorio al campo, con sistemi capaci di diagnosticare in tempo reale direttamente sulle piante.

• Leggi anche: Maculatura bruna degli agrumi: dai sintomi alla gestione
  

 

Federica Del Vecchio
©fruitjournal.com