Indice
In viticoltura, uno dei passaggi chiave per ottenere uva di qualità è il diradamento dei grappoli, una pratica fondamentale per migliorare sia la produzione dei frutti sia l’architettura del grappolo. L’efficacia del diradamento, però, dipende da un fattore spesso trascurato: la precisione nella stima del numero di bacche, un’operazione che spesso viene effettuata con metodi tradizionali costosi e poco efficienti.
Per affrontare questa sfida, un team di ricercatori dell’Università cinese di Taishan ha sviluppato MVDNet, una nuova architettura di intelligenza artificiale progettata per il conteggio automatico delle bacche d’uva e la segmentazione dei grappoli d’uva. A questo si affianca un robusto algoritmo di post-elaborazione, basato su tecniche di image processing, in grado di tradurre i dati prodotti dalla rete in conteggi accurati degli acini per singolo grappolo. Ma vediamolo nel dettaglio
Come nasce MVDNet
Per dare basi solide al nuovo sistema di intelligenza artificiale, i ricercatori hanno iniziato da un passaggio fondamentale: la costruzione di un dataset dedicato. Le immagini di uva da tavola sono state raccolte direttamente in campo, in condizioni reali di coltivazione, presso la stazione sperimentale orticola dell’Università di Agraria di Shandong, in Cina. Gli scatti, realizzati tra le 8 del mattino e le 15 del pomeriggio in tre giornate consecutive e soleggiate, dal 28 al 30 maggio 2021, riguardano la varietà Shine Muscat. In totale sono state selezionate 779 immagini, poi suddivise secondo gli standard dell’intelligenza artificiale: 545 utilizzate per addestrare il modello, 155 per verificarne l’affidabilità e 79 per il test finale delle prestazioni.
Il cuore del modello è composto da tre componenti fondamentali. Un front-end basato che analizza l’immagine in ingresso ed estrae via via informazioni sempre più dettagliate. Un modulo di fusione multiscala che permette alla rete di adattarsi alle diverse dimensioni di acini e grappoli, combinando dati provenienti da scale differenti. Infine, entra in gioco il meccanismo di attenzione SimAM, che senza aggiungere peso computazionale consente alla rete di “concentrarsi” automaticamente sulle parti più importanti dell’immagine. In pratica, il sistema impara a dare più importanza agli acini e a ridurre l’influenza degli elementi di disturbo, rafforzando in modo intelligente le informazioni davvero utili.
Ma come funziona questo sistema?
Il meccanismo è simile a un processo di lettura e ricostruzione dell’immagine. Nella fase iniziale, chiamata encoder, la rete riduce progressivamente la dimensione dell’immagine estraendo informazioni chiave. Successivamente entra in azione il decoder, che svolge l’operazione inversa: ricostruisce la struttura spaziale dell’immagine, recuperando i dettagli che erano stati compressi. A collegare le due fasi ci sono connessioni dirette che fungono da scorciatoie informative, permettendo di conservare i particolari più fini e garantendo una rappresentazione finale più precisa e fedele della realtà. La vera forza del modello sta però nella sua struttura a doppio ramo. Un ramo è dedicato al conteggio degli acini attraverso le cosiddette mappe di densità, mentre l’altro si occupa della segmentazione dei grappoli, cioè dell’identificazione precisa delle loro forme a livello di pixel. In questo modo il sistema riesce a combinare due punti di vista: uno estremamente dettagliato, focalizzato sul singolo acino, e uno più ampio, che considera il grappolo nel suo insieme.
Una volta completata questa fase, entra in gioco un algoritmo di post-elaborazione, che rifinisce ulteriormente la segmentazione, separando correttamente i singoli grappoli e localizzandoli con precisione. A questo punto, all’interno di ogni grappolo identificato, il numero di acini viene calcolato sommando i valori della mappa di densità, ottenendo così un conteggio affidabile degli acini per ciascun grappolo.
Metodo di conteggio delle bacche per grappolo. Fonte: Frontiers
I risultati: prove sul campo e confronto con i modelli esistenti
Per valutare l’efficacia del nuovo modello di intelligenza artificiale, i ricercatori hanno sottoposto MVDNet a una serie di test, analizzando il contributo di ciascun componente. I risultati mostrano un andamento chiaro e coerente: ogni modulo aggiunto migliora in modo concreto le prestazioni complessive. Il miglioramento più evidente arriva però con l’introduzione del meccanismo di attenzione SimAM, sia nel conteggio degli acini sia nella segmentazione dei grappoli. Ma i test non si fermano qui. MVDNet è stato messo a confronto diretto con quattro tra i più diffusi modelli di conteggio basati su mappe di densità. Anche in questo caso i risultati sono netti: MVDNet ottiene gli errori più bassi nel conteggio degli acini e la migliore precisione nella delimitazione dei grappoli. Un risultato particolarmente significativo se si considera che il modello utilizza una quantità inferiore di parametri rispetto a molti concorrenti, grazie a una struttura ottimizzata.
Le immagini di confronto confermano quanto indicato dai dati numerici. MVDNet riesce a localizzare con maggiore precisione i frutti, anche quando gli acini sono molto vicini tra loro. Nelle aree più dense mantiene un elevato livello di dettaglio, evitando sia il sovraconteggio sia il sottoconteggio. Anche nella segmentazione dei grappoli il vantaggio è evidente: i contorni risultano più definiti e le superfici interne meglio delimitate. Il risultato è una rappresentazione più fedele della realtà, un aspetto cruciale per l’applicazione pratica di queste tecnologie in agricoltura. Queste prestazioni dimostrano la sua superiorità rispetto a modelli comparabili e la sua idoneità per dispositivi edge con risorse limitate.
Limiti e prospettive future
Nonostante i risultati promettenti, lo studio evidenzia alcuni limiti. In situazioni particolarmente complesse, come grappoli molto fitti o vicini tra loro, il modello può dividere un grappolo in due o unire due grappoli separati, influenzando la precisione complessiva. Va anche sottolineato che MVDNet è stato testato su una sola varietà di uva, in condizioni specifiche, quindi non è ancora certo che le stesse prestazioni possano essere replicate in contesti diversi o con altre cultivar. Per questo il lavoro di ricerca non si ferma. Gli esperti puntano a rendere il sistema ancora più versatile e preciso. Imoltre l’obiettivo è rendere MVDNet più leggero e facilmente utilizzabile su dispositivi mobili, facilitando l’uso diretto nei vigneti.
Nonostante questi limiti, nel confronto complessivo MVDNet si conferma la soluzione più affidabile per il conteggio automatico degli acini per grappolo. Le sue mappe di densità sono nitide, le stime precise e i risultati coerenti anche in condizioni difficili. Può essere integrato in sistemi automatici o dispositivi portatili, rappresentando un supporto concreto per i viticoltori, aiutandoli a gestire meglio la produzione di uva, migliorare la qualità dei grappoli e ridurre il lavoro manuale durante il diradamento. In prospettiva, questa tecnologia apre nuove strade alla viticoltura di precisione, offrendo strumenti concreti per automatizzare operazioni complesse come il diradamento e incrementare l’efficienza produttiva dei vigneti.
- Leggi anche: Raccolta dell’uva: meccanizzarla si può
Federica Del Vecchio
©uvadatavola.com