Monitoraggio della mosca dell'olivo con l'intelligenza artificiale

I recenti rapidi progressi nell'intelligenza artificiale (IA) e nell'automazione rappresentano una nuova ondata di avanzamenti tecnologici in vari settori, tra cui quello sociale, sanitario, industriale e ambientale.

In particolare nel settore agricolo, l'IA offre approcci più sostenibili, efficienti e scalabili per affrontare le sfide chiave.

Negli ultimi anni, le tecniche di apprendimento automatico sono state sempre più utilizzate per il rilevamento, il monitoraggio e il controllo dei parassiti. Questi metodi basati sull'IA sono spesso considerati le soluzioni più adatte per specifici problemi agricoli. Nei sistemi agricoli, le tecnologie di IA hanno mostrato applicazioni promettenti in vari settori come il rilevamento delle erbacce, la riduzione dell'uso superfluo di sostanze chimiche, la gestione dell'irrigazione, la stima della resa e il monitoraggio del bestiame.

Tra tutte le colture agricole, studi recenti indicano che la coltivazione dell'olivo è uno dei settori principali in cui le applicazioni di IA sono più diffuse.

I danni causati dalla mosca dell'olivo possono interessare fino al 90-100% dei frutti e, in condizioni ambientali sfavorevoli, possono causare riduzioni della produzione fino al 30%.

Le crescenti preoccupazioni ambientali e le richieste dei consumatori di ridurre l'uso di sostanze chimiche hanno reso la gestione dei parassiti più impegnativa. Le strategie di gestione integrata dei parassiti (IPM) sono emerse come soluzioni sostenibili per migliorare gli sforzi di protezione delle piante. Un elemento fondamentale dell'IPM è il monitoraggio dell'attività dei parassiti e della densità della popolazione, tuttavia, l'identificazione e il conteggio dei parassiti utilizzando trappole convenzionali dipendono ancora fortemente dall'osservazione umana.

Negli ultimi anni, i progressi nell'intelligenza artificiale (IA), nell'apprendimento automatico, nell'apprendimento profondo e nelle tecnologie di elaborazione delle immagini hanno offerto soluzioni innovative per il controllo della mosca dell'olivo, B. oleae.

Esempi di algoritmi di IA come YOLO, CNN, Faster R-CNN e SVM dimostrano un notevole potenziale per il rilevamento in tempo reale dei parassiti con elevata precisione.

Il modello YOLO è stato applicato per rilevare la presenza di mosche nelle trappole a feromoni o direttamente su foglie e frutti in tempo reale. Questo modello consente un rilevamento rapido e sensibile degli oggetti su vaste aree, aiutando a stimare istantaneamente le popolazioni di mosche. Le reti neurali convoluzionali YOLO forniscono un rilevamento efficiente degli oggetti in un'unica fase con prestazioni elevate e bassi costi di calcolo, superando molti altri algoritmi di riconoscimento degli oggetti.

Rispetto all'architettura Faster R-CNN, la rete YOLO tratta il rilevamento dei parassiti come un problema di regressione. Utilizzando un singolo CNN per elaborare l'intera immagine, il modello YOLO divide l'input in sottoregioni e prevede direttamente le coordinate dei riquadri di delimitazione e le probabilità di classe attraverso la regressione. Questo design migliora significativamente sia l'accuratezza del rilevamento che la velocità di inferenza, raggiungendo tassi di rilevamento in tempo reale fino a 140 fotogrammi al secondo. La variante YOLOv5 è leggera e adatta all'implementazione su sistemi embedded che richiedono capacità di rilevamento in tempo reale.

Al contrario, il modello Faster R-CNN offre una maggiore precisione di rilevamento, soprattutto nell'identificazione di oggetti di piccole dimensioni come la mosca dell'olivo, e rimane ampiamente utilizzato per la localizzazione precisa degli oggetti

Recentemente, le reti neurali come le Deep Neural Networks (DNN) sono state sempre più adottate per le strategie decisionali in agricoltura. Le DNN, come architettura di deep learning di base, hanno dimostrato prestazioni notevoli nella gestione di modelli di immagini complessi rispetto ai metodi tradizionali.

I modelli DNN sono in grado di distinguere con elevata precisione tra specie nocive e non nocive apprendendo le caratteristiche biologiche delle specie infestanti.

Inoltre, algoritmi di apprendimento automatico come SVM, quando integrati con l'imaging iperspettrale, offrono un potente metodo per rilevare le infestazioni di mosca dell'olivo.