Indice
Visione artificiale per riconoscere i grappoli e contarli: è la nuova frontiera della viticoltura di precisione. Non più soltanto sensori, mappe o modelli previsionali, ma strumenti di visione artificiale pensati per riconoscere direttamente in campo ciò che la pianta esprime, traducendo un’immagine in informazione utile. È dentro questo orizzonte che si colloca lo studio condotto da un team di ricercatori dell’Università di Bari Aldo Moro, dedicato al riconoscimento automatico dei grappoli di uva da tavola attraverso modelli di computer vision addestrati sulla piattaforma Roboflow 3.0. L’obiettivo è chiaro: rendere più accessibile una tecnologia che, finora, è rimasta spesso confinata dentro percorsi di ricerca avanzata, lontani dalle condizioni operative quotidiane.
Dati, grappoli e immagini reali
Il cuore sperimentale dello studio è stato sviluppato in vigneti del territorio di Noicattaro (BA), in Puglia, su cultivar di uva da tavola bianca e rossa come Italia, Allison e Millenium.
Come riportato nel lavoro di ricerca, il sistema è stato pensato per la rilevazione di grappoli di uva a bacca bianca e rossa a partire da immagini RGB acquisite direttamente in campo con uno smartphone. Il dataset iniziale era composto da 150 immagini raccolte tra luglio e agosto 2025, successivamente ampliate fino a 320 grazie a operazioni di preprocessing e data augmentation, vale a dire mediante la preparazione delle immagini originali e la creazione di varianti utili a simulare diverse condizioni di acquisizione e a rafforzare l’addestramento del modello. Un aspetto rilevante riguarda proprio la scelta metodologica: le fotografie non sono state acquisite seguendo un protocollo rigidamente standardizzato, ma in condizioni variabili di luce, angolazione e distanza dal grappolo. Le immagini, inoltre, provenivano da un impianto allevato a tendone, sistema nel quale la copertura fogliare riduce in parte l’occlusione, ma lascia aperta una criticità ben nota: la sovrapposizione dei grappoli. Per questo, utilizzando poligoni e non semplici riquadri, sono stati annotati manualmente 366 grappoli, così da seguire con maggiore fedeltà i contorni irregolari del grappolo e fornire al modello una base di apprendimento più accurata.
Grafico dell’effetto di riconoscimento di ciascun modello addestrato per il rilevamento e il conteggio dei fasci bianchi.
I modelli testati
Il confronto ha riguardato cinque modelli: Roboflow 3.0 Object Detection, YOLOv12, YOLOv11, YOLO-NAS e RF-DETR. I risultati, nel complesso, hanno mostrato che la rilevazione automatica dei grappoli può raggiungere livelli di accuratezza elevati anche partendo da immagini di qualità media e da un dataset relativamente contenuto. Come riportato nel lavoro di ricerca, i comportamenti più convincenti sono emersi con Roboflow 3.0 Object Detection e YOLOv11. Nel caso dei grappoli di uva a bacca bianca, le precisioni hanno raggiunto rispettivamente l’86,6% e l’88%; per quelli a bacca rossa, 85,7% e 89,9%. Roboflow 3.0 ha evidenziato un equilibrio particolarmente solido tra precisione e recall, mentre YOLOv11 ha fatto segnare i valori di precisione più alti. Il punto più interessante, però, non è soltanto numerico. Secondo quanto riportato, proprio nei casi più complessi – grappoli sovrapposti, parzialmente visibili, difficili da separare – i modelli Roboflow 3.0 e YOLOv11 sono riusciti a distinguere correttamente più grappoli là dove altri approcci tendevano a fondere le unità o a moltiplicare erroneamente le bounding box, cioè i riquadri rettangolari usati nei sistemi di visione artificiale per delimitare un oggetto all’interno di un’immagine. È in questa capacità di reggere l’imperfezione del campo che lo studio trova il suo elemento di maggiore interesse applicativo.
Grafico dell’effetto di riconoscimento di ciascun modello addestrato per il rilevamento e il conteggio dei fasci rossi.
Una strada concreta per la stima produttiva in vigneto
La ricaduta potenziale è immediata: se il conteggio dei grappoli diventa più rapido, automatico e sufficientemente affidabile, si apre un canale operativo nuovo per la stima della produzione, tema sempre più sensibile in una filiera come quella dell’uva da tavola, dove tempestività decisionale e lettura del potenziale produttivo incidono sulla gestione tecnica e commerciale. Lo studio lo ricorda: l’adozione di questi strumenti, oggi, è frenata non solo dalla complessità tecnologica, ma anche dal basso livello di competenze digitali, dall’età media elevata degli operatori e dalla difficoltà di trasferire in azienda modelli nati in contesti troppo specialistici. Per questo il valore del lavoro non risiede soltanto nell’aver addestrato modelli efficaci, ma nell’aver verificato che una soluzione più “farmer-friendly” è plausibile. Stando ai dati ottenuti, i modelli possono essere distribuiti su smartphone o dispositivi edge e, nella versione più semplice, persino utilizzati via cloud, riducendo la barriera tecnica per l’utente finale. La prossima tappa sarà decisiva: testare queste architetture direttamente nella stagione vegetativa successiva, sotto variabilità reale di luce, sfondo, distanza e condizioni operative.
- Leggi anche: Compattezza del grappolo: si può prevedere nel DNA?
Ilaria De Marinis
©uvadatavola.com