Olivo 4.0: la computer vision stima la produzione con un errore del 2,6%

Per l’olivicoltore, conoscere in anticipo quanto olio si potrà produrre non è solo una curiosità: è una necessità gestionale. Una stima affidabile effettuata due mesi prima della raccolta consente di:

• organizzare meglio il personale e i mezzi meccanici;

• programmare la logistica del frantoio;

• gestire gli stock e la commercializzazione con maggiore sicurezza;

• ridurre gli sprechi e aumentare la sostenibilità economica dell’azienda.

Finora, però, le previsioni si basavano su due approcci entrambi imperfetti. Da un lato, l’esperienza del capocampo, che valuta "a occhio" la carica di frutti su alcune piante campione e poi estrapola il dato all’intero appezzamento. Dall’altro, modelli matematici che usano variabili indirette come l’andamento climatico, i dati di impollinazione o la fioritura. Metodi utili, ma affetti da soggettività, costi elevati e margini di errore non trascurabili.

Ora, per la prima volta, un gruppo di ricercatori dell’Università di Huelva (Spagna) e dell’Istituto Politécnico di Portalegre (Portogallo) ha dimostrato che si può fare di meglio: stimare la produzione futura semplicemente "guardando" le olive visibili sulla chioma, esattamente come fa l’olivicoltore esperto, ma in modo oggettivo e ripetibile.

Come funziona il sistema: una rete neurale che impara a "contare" le olive

Il cuore della metodologia è un sistema di visione artificiale (computer vision) alimentato da immagini RGB – quelle classiche a colori – scattate da un semplice smartphone o da una macchina fotografica digitale, inquadrando la pianta lateralmente.

Il sistema non si limita a contare i frutti: estrae per ogni lato della chioma ben 16 descrittori visivi, tra cui:

• il numero di olive visibili;

• l’area complessiva della superficie del frutto esposta;

• indicatori matematici che descrivono come i frutti sono distribuiti (dispersione) e se tendono a formare grappoli (aggregazione).

Questi dati vengono poi inseriti in una rete neurale artificiale, un algoritmo di intelligenza artificiale che, dopo un addestramento su un campione di 37 punti di rilevamento (74 immagini), impara a mettere in relazione le caratteristiche visive con il peso effettivo del raccolto.

Per la validazione finale, i ricercatori hanno usato 10 punti di controllo (20 immagini) in un oliveto superintensivo della varietà Picual, a Elvas (Portogallo), scattando le foto due mesi prima della raccolta. Il risultato? Una stima della produzione che ha sovrastimato il raccolto reale di appena il 2,64% – un errore più che accettabile per il settore.

Come può usarlo l’olivicoltore nella pratica

Il sistema è stato progettato per essere semplice e integrarsi nel lavoro ordinario di campagna. Ecco i passaggi operativi che un tecnico o un imprenditore agricolo potrebbe seguire:

1. Scelta dei punti di campionamento – Si selezionano alcune piante o sezioni di filare rappresentative dell’intero appezzamento, tenendo conto della variabilità del terreno e delle diverse esposizioni.

2. Acquisizione delle immagini – Con un dispositivo fotografico standard (anche uno smartphone con buona risoluzione) si inquadra ciascuna pianta da due lati opposti, ottenendo una coppia di foto per punto di campionamento. Le foto vanno scattate con luce diffusa (per evitare ombre che alterano il riconoscimento) e a distanza costante dalla chioma.

3. Elaborazione automatica – Le immagini vengono caricate nel software, che:

   • conta automaticamente le olive visibili (grazie a un algoritmo di rilevamento già validato in studi precedenti);

   • calcola l’area di frutto esposta tramite una rete neurale per la segmentazione semantica;

   • estrae i descrittori di dispersione e aggregazione;

   • fornisce, tramite la rete neurale principale, la stima di produzione per quel punto.

4. Estrapolazione – I valori stimati sui singoli punti vengono poi mediati ed estesi all’intera superficie, ottenendo una previsione complessiva di raccolta per l’appezzamento.

Tutto il processo è automatizzato e non richiede competenze specifiche di programmazione: l’olivicoltore si limita a scattare le foto e a lasciar lavorare il sistema.

Limiti attuali e prospettive future

Al momento, il modello è stato testato con successo solo su un oliveto superintensivo di varietà Picual in Portogallo. Per essere utilizzato su larga scala, andrà validato su:

• altre varietà (Frantoio, Coratina, Leccino, ecc.);

• diversi sistemi di allevamento (intensivo, tradizionale, secolare);

• condizioni pedoclimatiche differenti;

• annate con cariche produttive alternate (tipiche dell’olivo).

Inoltre, il sistema richiede che i frutti siano ben visibili: in chiome molto fitte o con fogliame particolarmente denso, la stima potrebbe risentire della parziale occlusione.

Tuttavia, il risultato ottenuto è molto incoraggiante. Per la prima volta si dimostra che la computer vision può eguagliare – e in alcuni casi superare – l’occhio esperto del campagnolo, con il vantaggio di offrire dati oggettivi, tracciabili e ripetibili nel tempo.

Un passo avanti verso l’olivicoltura di precisione

Questa ricerca apre la strada a strumenti decisionali innovativi. Immaginate un’app che, con poche foto scattate dal cellulare durante un giro in campagna, vi restituisca in tempo reale una mappa della produzione attesa per ogni lotto. Un supporto prezioso per:

• negoziare i contratti di vendita con maggiore consapevolezza;

• ottimizzare il calendario di raccolta, iniziando dalle zone più produttive;

• confrontare l’andamento di annate diverse e valutare l’efficacia delle pratiche agronomiche.

La strada è tracciata. E, come dimostra questo studio, il futuro dell’olivicoltura passa anche attraverso la capacità di "far vedere" alle macchine ciò che l’uomo già osserva da secoli.