Ricercatori indiani presentano un sistema di IA che rileva le malattie nelle foglie di vite

Ricercatori in India hanno presentato un nuovo sistema di intelligenza artificiale progettato per identificare le malattie nelle foglie di vite a partire da immagini, uno strumento che, a loro dire, potrebbe aiutare i viticoltori a individuare i problemi prima e a intervenire prima che i danni si diffondano nei vigneti.

Lo studio è stato pubblicato lunedì su Scientific Reports. Descrive un modello chiamato HASFT-Net, acronimo di Deep High Attention Stage-by-Stage Forward Taylor Network, sviluppato per classificare le malattie delle foglie di vite utilizzando l’analisi delle immagini e diversi livelli di elaborazione di computer vision.

Secondo il paper, la malattia delle foglie di vite può essere causata da diversi patogeni che provocano scolorimento o deformazioni delle foglie. Gli autori hanno affermato che molti metodi esistenti rilevano la malattia solo dopo la comparsa di sintomi visibili, il che può ritardare il trattamento e ridurre le rese. Il loro obiettivo era migliorare le prestazioni di classificazione combinando pulizia dell’immagine, segmentazione delle aree colpite ed estrazione delle caratteristiche prima della fase finale di previsione della malattia.

Il team di ricerca comprendeva Lalitha R del Rajalakshmi Institute of Technology di Chennai, Sivasangari Ayyappan del GMR Institute of Technology nell’Andhra Pradesh, Saranya K del Vel Tech Rangarajan Dr. Sagunthala R&D Institute of Science and Technology di Chennai e A. S. Malleswari dell’Aditya University nell’Andhra Pradesh. L’autrice corrispondente è Malleswari. Il paper afferma che gli autori hanno dichiarato di non avere conflitti di interesse.

Nel sistema descritto dai ricercatori, le immagini delle foglie di vite sono state tratte da un database esistente anziché raccolte direttamente nei vigneti per questo studio. Le immagini sono passate inizialmente attraverso una fase di denoising usando quello che il paper definisce Attention-Guided Convolutional Neural Network, o ADNet. Successivamente, le regioni malate sono state segmentate con una Spatial Pyramid-oriented Encoder-Decoder Cascade Convolutional Neural Network, indicata nel paper come SPEDCCNN, utilizzando una funzione di perdita Tversky. L’output segmentato è stato poi raffinato con un metodo chiamato Siberian Tiger Optimization.

Il modello ha inoltre estratto diverse caratteristiche visive dalle immagini delle foglie, tra cui Opponent Color Local Binary Pattern, Scale Invariant Feature Transform e misure di forma come rettangularità, eccentricità e circolarità. Questi input sono stati poi utilizzati da HASFT-Net per la classificazione. Gli autori hanno affermato che l’architettura è stata costruita per combinare elementi di NASNet, metodi basati sulle serie di Taylor e una Deep High-order Attention Neural Network.

Nei risultati riportati dal paper, HASFT-Net ha raggiunto un’accuratezza del 92.172% quando è stato addestrato con il 90% dei dati di apprendimento. Lo studio ha inoltre riportato un true positive rate del 92.883%, un true negative rate del 91.993%, una precisione del 90.887% e un F1-score del 91.874%.

Questi dati suggeriscono che il modello abbia funzionato bene nelle condizioni testate, anche se il paper non stabilisce come si comporterebbe in tutti gli ambienti viticoli, nelle diverse condizioni di luce o con le varie cultivar di uva nell’uso commerciale. Poiché il lavoro si è basato su un database di immagini, sarebbe probabilmente necessaria un’ulteriore validazione in condizioni di campo prima che i viticoltori possano farvi affidamento come strumento di gestione ordinaria.

Questo è rilevante per il settore delle bevande perché l’uva è la materia prima per la produzione di vino e la pressione delle malattie può influire sia sulla resa sia sulla qualità del frutto. Se sistemi come questo si dimostrassero affidabili al di fuori di test in stile laboratorio, potrebbero supportare una gestione più precisa del vigneto, aiutare i viticoltori a intervenire prima e potenzialmente ridurre le perdite di raccolto. Una rilevazione più precoce potrebbe anche migliorare le decisioni su quando e dove applicare i trattamenti fitosanitari, una questione con implicazioni dirette per i costi e la sostenibilità nella viticoltura.

Il paper è stato ricevuto il 2 aprile, accettato il 6 luglio e pubblicato il 27 luglio. È disponibile in open access sotto licenza Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International.

Lo studio si aggiunge a un corpus crescente di lavori che applicano il machine learning all’agricoltura, soprattutto nel monitoraggio della salute delle colture tramite il riconoscimento delle immagini. In viticoltura, questa tendenza ha attirato attenzione perché le epidemie di malattie possono diffondersi rapidamente e perché l’ispezione visiva su ampie superfici vitate richiede molto lavoro. Un sistema in grado di segnalare foglie sospette a partire da fotografie potrebbe in futuro essere usato insieme a droni, telefoni cellulari o telecamere fisse, anche se queste applicazioni non sono state testate in questo paper.

Per gli operatori del vigneto e i produttori di vino, la questione pratica non è solo se un algoritmo possa classificare foglie malate in un contesto di ricerca, ma se possa farlo abbastanza presto e con sufficiente costanza da cambiare le decisioni in campo. Questo studio non risponde da solo a questa più ampia domanda operativa, ma offre un altro esempio di come gli strumenti di IA vengano sviluppati attorno a una delle sfide più persistenti della viticoltura: individuare la malattia prima che intacchi il volume della vendemmia o la qualità dell’uva.