Rilevare in tempo reale la maturazione dell’uva da tavola per meccanizzare la raccolta: questa la nuova frontiera che alcuni ricercatori stanno tentando di raggiungere. 

Si chiama ESP-YOLO ed è un nuovo algoritmo pensato per piattaforme embedded, ovvero sistemi elettronici di elaborazione a microprocessore, progettate per robot da impiegare in vigneto al fine di migliorare la precisione e la velocità di rilevamento. 

Il lavoro giunge dalla Cina e intende fornire un metodo di rilevamento efficace dello stato di maturazione dell’uva, così da poterlo integrare in macchinari pensati per la raccolta come appunto i robot. 

Sebbene ancora poco impiegati nel comparto, dove ancora preponderante si conferma la raccolta a mano, presto anche in vigneto i robot potrebbero sostituire operai specializzati. In prospettiva, sarà dunque necessario dotarli di metodi di rilevamento della maturazione efficaci, ma soprattutto in grado di garantire l’integrità del prodotto. 

Come riportato nello studio, il rilevamento è un processo complicato e alcuni metodi non sono facili da applicare sui robot di raccolta dell’uva da tavola sia per i contesti in cui operano, sia per le diverse interferenze che si possono rilevare. Per esempio, metodi come il rilevamento acustico e l’analisi chimica si sono rivelati inadeguati per via delle interferenze ambientali che impediscono la precisa individuazione della posizione dei frutti. Analogamente anche metodi di analisi iperspettrale – sperimentati da più ricercatori – sono risultati complessi da integrare in un sistema di riconoscimento in tempo reale a causa dell’elevato onere di calcolo. Inoltre, la telecamera iperspettrale è estremamente costosa per un’applicazione su larga scala nei robot di raccolta. Ampiamente indagata è stata anche l’ispezione visiva: molti ricercatori hanno proposto metodi di segmentazione basati sul colore, sulla geometria e sulla consistenza per rilevare vari frutti, altri hanno ideato un algoritmo capace di determinare la posizione dell’uva ondeggiante nello spazio; alcuni hanno progettato un metodo di visione per localizzare con precisione il punto di raccolta dell’uva da tavola tramite l’estrazione di caratteristiche da immagini a lungo raggio e immagini a corto raggio. Tuttavia, le variabili condizioni di illuminazione e crescita delle piante, unitamente a scenari non sempre costanti, rendono l’elaborazione delle immagini difficile da applicare nei robot di raccolta. Al momento si stanno esaminando anche molti metodi di apprendimento automatico per i robot di raccolta capaci – ad esempio – di rilevare i punti di taglio degli acini sovrapposti, ma con risultati ancora poco accurati. A incidere anche le complesse caratteristiche geometriche degli acini di uva da tavola che hanno portato alcuni esperti a cambiare approccio e lavorare su algoritmi da integrare in piattaforme embedded. È stato proprio da qui che ha preso forma lo studio condotto dai ricercatori del Key Laboratory of Special Purpose Equipment and Advanced Processing Technology dell’Università di Zhejiang e dal Dipartimento di Ingegneria Meccanica dell’Università Politecnica di Hong Kong.

Come accennato, gli esperti hanno verificato le prestazioni di un nuovo algoritmo, ESP-YOLO, su piattaforme embedded con immagini di uva volte con l’obiettivo di migliorare l’accuratezza e l’efficienza del rilevamento della maturazione dell’uva da parte dei robot di raccolta.

L’algoritmo è stato condotto su piattaforme incorporate per rilevare uve da tavola in scenari complessi come in caso di sovrapposizione di grappoli o di occlusione di steli e foglie. I dati ottenuti hanno evidenziato un’accuratezza di rilevamento del 96,3% e una velocità di rilevamento di 45 ms/immagine, aprendo così alla possibilità di utilizzare ESP-YOLO come strumento utile per rilevare lo stato di maturazione dell’uva da tavola in modo accurato e rapido in vari scenari complessi.

Risultati di rilevamento di YOLOv5s ed ESP-YOLO in scenari di riprese a distanza (a) e (b) e di sovrapposizione (c).

Come ribadito dai ricercatori, sebbene i risultati preliminari dei modelli siano promettenti, questo studio presenta ancora delle limitazioni, come per esempio l’assenza di garanzia di accuratezza in situazioni con più di tre grappoli di uva sovrapposti. D’altra parte, la ricerca prosegue e già nel prossimo futuro si concentrerà sulla ricostruzione delle informazioni relative all’uva tramite riconoscimenti multipli, con la fotocamera mobile installata sul braccio del robot, al fine di ridurre i falsi rilevamenti in scenari complessi. Inoltre, queste informazioni potranno essere sfruttate per correggere la traiettoria del robot, migliorando così precisione e velocità di azione.

Ilaria De Marinis
© fruitjournal.com