Foglie d'olivo sotto esame: l'intelligenza artificiale che riconosce le malattie anche in campo

L'olivo è una coltura strategica per l'intero bacino del Mediterraneo, non solo dal punto di vista economico ma anche culturale. Le malattie che colpiscono le foglie — come l'acaro Aculus olearius o l'occhio di pavone — rappresentano una minaccia concreta: se non individuate in tempo, possono compromettere la resa e la qualità del raccolto. Il problema è che i metodi tradizionali di diagnosi, basati sull'ispezione visiva di un esperto o su analisi di laboratorio, sono lenti, costosi e spesso arrivano quando i sintomi sono ormai evidenti, cioè quando il danno è già in parte fatto.

Negli ultimi anni l'intelligenza artificiale ha offerto un'alternativa promettente, con modelli in grado di riconoscere le malattie dalle immagini con precisione elevata. Tuttavia, come sottolineano gli autori dello studio, la maggior parte di questi sistemi è stata addestrata e validata su dataset "controllati", raccolti in laboratorio o in condizioni standardizzate. Il risultato è che questi modelli faticano a generalizzare quando si trovano di fronte a immagini scattate in campo, con luci variabili, sfondi disordinati e foglie parzialmente occluse.

Quattro fasi per un sistema robusto

Per superare questi limiti, i ricercatori hanno progettato un pipeline articolata in quattro fasi. La prima è la raccolta dei dati: 330 immagini sono state acquisite direttamente in oliveti della Tunisia centrale e meridionale e del Libano meridionale, in stagioni diverse (primavera e inverno), con smartphone di modelli differenti, a distanze variabili e in condizioni di luce eterogenee. Nessun controllo artificiale dello sfondo o dell'illuminazione: l'obiettivo era catturare la variabilità del mondo reale.

La seconda fase riguarda la segmentazione, cioè l'isolamento della foglia dal resto dell'immagine. Qui entra in gioco il Segment Anything Model (SAM), un modello capace di generare maschere precise per ogni oggetto presente nella foto. I ricercatori hanno messo a punto i parametri di SAM per bilanciare completezza della segmentazione e riduzione delle maschere ridondanti, scartando automaticamente le immagini sfocate o di bassa qualità.

La terza fase è quella del riconoscimento: un modello basato su reti neurali convoluzionali (CNN) distingue le foglie d'olivo da altri elementi come frutti, mani o sfondo. Tra le architetture testate — ResNet50, MobileNet ed EfficientNet — è stata quest'ultima a offrire il miglior compromesso tra accuratezza (94,17%) e leggerezza computazionale, risultando adatta a un impiego su dispositivi mobili.

La classificazione delle malattie e il ruolo dei Transformer

La quarta fase è quella più delicata: la classificazione vera e propria delle malattie. Qui i ricercatori hanno confrontato quattro architetture basate su Transformer — Swin, ViT, BEiT e DeiT — utilizzando un dataset pubblico di circa 7.000 immagini di foglie classificate come sane, affette da Aculus o da occhio di pavone. Il modello Swin Transformer si è dimostrato il più robusto, con un'accuratezza media del 97,7% in validazione incrociata e del 98% sul set di test.

Un aspetto interessante emerso dallo studio riguarda la generalizzazione. Quando il modello viene testato su un dataset esterno di grandi dimensioni (il CNN Olive Dataset Master, con oltre 3.400 immagini raccolte in Turchia), le prestazioni restano eccellenti, sopra il 98%. Ma quando si passa a immagini segmentate e annotate manualmente, cioè più eterogenee e vicine alle condizioni reali, l'accuratezza scende intorno al 70%. Questo calo evidenzia una difficoltà specifica: quando il contesto visivo viene ridotto dalla segmentazione, il modello fatica a cogliere i segnali sottili delle malattie. È un limite che gli stessi autori riconoscono e che intendono affrontare in futuro con strategie di apprendimento multi-scala.

Spiegare le decisioni: l'intelligenza artificiale diventa trasparente

Uno degli aspetti più innovativi dello studio è l'attenzione dedicata all'explainability, cioè alla capacità di spiegare perché il modello ha preso una certa decisione. Per un agricoltore, infatti, non basta sapere che una foglia è malata: è utile capire quali sono le zone dell'immagine che hanno portato a quella conclusione.

I ricercatori hanno confrontato quattro tecniche — SHAP, LIME, Grad-CAM e Grad-CAM++ — su metriche di fedeltà, stabilità e sovrapposizione con le aree malate annotate dagli esperti. Il risultato è netto: LIME ha ottenuto le prestazioni migliori, con una fedeltà di 0,51 e una sovrapposizione (IoU) di 0,98, evidenziando in modo intuitivo le lesioni scure e le irregolarità tipiche dell'occhio di pavone. Al contrario, Grad-CAM e Grad-CAM++ si sono dimostrate stabili ma poco localizzate, con mappe di attivazione diffuse e poco utili per una diagnosi visiva. SHAP, infine, è risultata rumorosa e debolmente localizzata. La conclusione è che, per i modelli Transformer applicati al riconoscimento delle malattie delle piante, le tecniche basate su perturbazioni come LIME sono più informative di quelle basate sui gradienti.

Dal laboratorio al campo: l'app mobile

Per dimostrare la fattibilità pratica del sistema, i ricercatori hanno sviluppato un'applicazione mobile prototipale in React Native, pensata per essere utilizzata direttamente dagli agricoltori. L'app permette di scattare una foto della foglia e inviarla a un server remoto, dove vengono eseguite segmentazione, riconoscimento e classificazione. Il risultato restituito all'utente include non solo l'etichetta della malattia, ma anche una spiegazione visiva tramite LIME. Il tempo di risposta medio è di pochi secondi, compatibile con un utilizzo sul campo. Gli autori precisano però che si tratta di un proof-of-concept, non di un prodotto commerciale pronto per il mercato.

Prospettive e limiti

Lo studio rappresenta un passo avanti significativo verso sistemi di diagnosi agricola realmente utilizzabili in condizioni reali. La combinazione di segmentazione robusta, classificazione accurata e spiegazioni visuali offre un quadro completo e trasparente, in linea con le esigenze di un settore che richiede strumenti affidabili e comprensibili. Restano però alcune sfide aperte: la perdita di prestazioni su dati eterogenei e segmentati, la necessità di validare le spiegazioni con agronomi esperti e l'opportunità di raccogliere dataset più ampi e diversificati, che includano diverse varietà, stadi di malattia e condizioni ambientali. Sono proprio queste le direzioni che i ricercatori intendono esplorare nei prossimi lavori, con l'obiettivo di rendere l'intelligenza artificiale un alleato sempre più concreto per la sostenibilità e la produttività dell'olivicoltura mediterranea.