751

Da anni l’agricoltura guarda alle tecnologie smart come strumenti chiave per proteggere le colture senza compromettere l’equilibrio dell’ecosistema. La strada è quella della diagnosi precoce, un approccio che unisce innovazione e sostenibilità per intervenire in modo mirato: trattare solo dove serve e nel momento più opportuno. In questo scenario si inserisce OPTIMA, progetto finanziato dall’Unione Europea nell’ambito di Horizon 2020, che ha l’obiettivo di sviluppare un sistema avanzato di gestione integrata dei parassiti (IPM) basato su quattro pilastri: previsione, rilevamento, selezione e applicazione dei trattamenti.

Il progetto nasce dalla collaborazione tra varie istituzioni – l’Università e Ricerca di Wageningen (WUR), l’Università di Agraria di Atene (AUA), l’Università di Torino (UNITO), la Universitat Politècnica de Catalunya (UPC), l’INRAE e INVENIO – e si concentra su tre malattie che tradizionalmente costringono gli agricoltori a ricorrere all’uso di agrofarmaci: la peronospora della vite (Plasmopara viticola), la ticchiolatura del melo (Venturia inaequalis) e la macchia fogliare da Alternaria nella carota.

• Leggi anche: Il kiwi si difende con l’intelligenza artificiale

Tecnologie smart: smart camera e deep learning 

Il cuore del progetto OPTIMA è un sistema intelligente capace di rilevare con precisione le malattie delle piante grazie a telecamere RGB e spettrali. Le immagini raccolte vengono elaborate da un sistema di supporto alle decisioni (DSS), che integra i dati visivi con informazioni storiche e condizioni meteo per generare una mappa di prescrizione: uno strumento che indica con esattezza dove intervenire e in quale quantità applicare i prodotti fitosanitari. La mappa viene poi trasferita all’irroratrice intelligente, che distribuisce i trattamenti in modo mirato, riducendo l’uso di sostanze chimiche e salvaguardando l’ambiente.

Il rilevamento si basa su YOLOv5, uno dei modelli di deep learning più diffusi per il riconoscimento e la localizzazione degli oggetti. Questo algoritmo consente di identificare contemporaneamente più patologie all’interno della stessa immagine, distinguendo le zone sane da quelle infette, con un tempo medio di analisi di appena 0,45 secondi per immagine. 

Test sul campo in Italia, Spagna e Francia

Nel 2021 il sistema è stato messo alla prova direttamente sul campo, in vigneti, meleti e coltivazioni di carote, per verificarne l’affidabilità in condizioni reali. I ricercatori hanno condotto due tipi di test: 

• Open-set, con immagini diverse da quelle usate per l’addestramento, per simulare condizioni impreviste;
• Closed-set, con immagini simili a quelle del training, per verificare le performance ottimali del modello.

Questo approccio ha permesso di capire non solo quanto fosse efficace YOLOv5 nell’individuare le malattie, ma anche come reagisse di fronte a scenari non previsti durante l’addestramento.

Risultati chiave del rilevamento

I test hanno messo in luce differenze nette tra i due approcci. Nel closed-set, il modello ha garantito prestazioni decisamente superiori, grazie a una maggiore precisione e a un drastico calo dei falsi positivi. Le immagini dell’open-set, invece, presentavano caratteristiche visive troppo diverse rispetto al contesto reale del 2021, penalizzando i risultati. Sulla peronospora della vite, ad esempio, il punteggio F1 (media calcolata dagli esperti tra percentuale di rilevamenti corretti e capacità di YOLOv5 di rilevare tutte le foglie malate) è quasi raddoppiato, passando dal 34,8% al 66,3%, con una precisione che ha toccato il 77,2% e un crollo dei falsi positivi da 118 a 18. Più complesso il caso della ticchiolatura del melo: riflessi e condizioni ambientali avverse hanno limitato il modello a un F1 del 5,5% in open-set, ma dopo il riaddestramento i risultati sono migliorati sensibilmente fino al 45,1%, un valore considerato realistico in uno scenario così ostico. Ancora più evidente il progresso nelle prove sull’Alternaria delle carote, dove il punteggio è balzato dal 4,2% in open-set al 42,1% in closed-set, con un netto incremento della precisione (47,9%).

Pur con margini di miglioramento, il sistema ha dimostrato di poter individuare efficacemente molte delle principali malattie delle colture, riducendo la necessità di trattamenti preventivi su larga scala grazie all’elevata risoluzione delle immagini e alla distribuzione mirata dell’irroratrice.

Verso un’agricoltura più precisa e sostenibile

Il progetto OPTIMA dimostra che le tecnologie intelligenti come le smart camera, integrate nei sistemi di gestione integrata dei parassiti (IPM), possano rivoluzionare la protezione delle colture, riducendo l’uso di agrofarmaci e tutelando al tempo stesso l’ambiente. Le prospettive per il futuro sono promettenti: dall’impiego di telecamere multispettrali con canali infrarossi, capaci di rilevare sintomi invisibili all’occhio umano, fino all’introduzione di sistemi di campionamento intelligente, in grado di selezionare automaticamente le immagini più complesse e migliorare così le prestazioni dei modelli in condizioni reali. L’obiettivo è ambizioso ma concreto: mettere a disposizione degli agricoltori una tecnologia pratica ed efficace, capace di coniugare produttività e sostenibilità nella difesa delle colture.

• Leggi anche: L’intelligenza artificiale sfida le malattie degli agrumi
  

 

Federica Del Vecchio
© fruitjournal.com