Un nuovo metodo per rilevare la lebbra dell'olivo in campo prima che si manifestino i sintomi

L'antracnosi dell'olivo è conosciuta come un'epidemia dal 1898 quando fu descritta in Portogallo da Almeida (1899) e chiamata "gaffa". Attualmente è conosciuta come "lebbra" in Italia e come "aceituna jabonosa" in Spagna, dove il termine "repilos" è comunemente usato per indicare collettivamente antracnosi, occhio di pavone e cercosporiosi.

L'antracnosi è una delle principali malattie che colpiscono la produzione di olive prima e dopo il raccolto, causando gravi danni e perdite economiche.

Uno dei problemi principali è quello di rilevare precocemente la malattia, dando all'olivicoltore il tempo di intervenire, prima che progredisca troppo, portando a un declassamento della qualità.

Insieme a un team dell'Università di Reggio Calabria e dell'Istituto Valenciano de Investigaciones Agrarias (IVIA) ho voluto verificare la possibilità di rilevare questa malattia nelle fasi iniziali, utilizzando immagini iperspettrali e tecniche di modellazione avanzate di Deep Learning (DL) e reti neurali convoluzionali (CNN).
Al giorno d'oggi, proprio il machine learning, applicato in sinergia con una rete neurale convoluzionale, sta rapidamente crescendo per necessità di gestire un'enorme quantità di informazioni generate dalla computer vision.

Ai fini sperimentali, le olive sono state inoculate artificialmente con il fungo.
Le immagini iperspettrali (450-1050 nm) di ogni oliva sono state acquisite fino all'osservazione dei sintomi visivi della malattia, in alcuni casi fino a 9 giorni.

Le olive sono state classificate in due classi: controllo, inoculate con acqua, e funghi composti da olive inoculate con il fungo.

L'architettura ResNet101 è stata scelta e adattata per elaborare immagini iperspettrali a 61 bande con solo due classi.

Il metodo ha portato a buoni risultati di accuratezza (91,8%), sensibilità (96,88%), e specificità inferiore ma ancora ragionevole (73,08%) a causa di falsi negativi nei i primi giorni dopo l'inoculazione.
Dal giorno 5 dopo l'inoculazione, accuratezza, sensibilità e specificità hanno raggiunto il 100%, quando i danni sulla buccia delle olive erano ancora minori e avevano un aspetto visivo di una piccola macchia.

L'analisi proposta è quindi stata testata con successo. Se applicata in operazioni di post-raccolta, potrebbe garantire un ragionevole e accurato controllo dell'antracnosi delle olive per salvaguardare la qualità e il valore commerciale dell'oliva e dell'olio d'oliva.

Bibliografia

Antonio Fazari et al, Application of deep convolutional neural networks for the detection of anthracnose in olives using VIS/NIR hyperspectral images, Computers and Electronics in Agriculture 187 (2021) 106252