Utilizzo di telecamere di profondità a basso costo e di reti neurali per stimare caratteri quali quantitativi dei frutti direttamente in frutteto

Negli ultimi anni la capacità e l’efficienza di sistemi computerizzati nell’estrarre informazioni complesse da immagini e video digitali (i.e., Computer Vision - CV) è aumentata in modo esponenziale. Questo grazie all’avvento e al rapidissimo sviluppo e diffusione di innovazioni in ambito hardware e software. Tra queste una pietra miliare sono certamente gli algoritmi di intelligenza artificiale (AI), sempre più prestanti ed efficienti, resi disponibili a tutti con una relativa semplicità di applicazione. Parlando di hardware invece, risultano ad oggi disponibili moltissime piattaforme e sensori, a basso costo, che rendono applicabili sistemi di CV direttamente in campo. Nell’attuale contesto dell’agricoltura digitale 4.0 risulta fondamentale essere in grado di raccogliere informazioni dettagliate, precise e su larga scala per poter applicare una gestione ottimizzata di tutti i fattori produttivi. Nelle colture frutticole questo risulta più complesso che in altri tipi di produzioni (es. colture estensive) a causa della complessità intrinseca del sistema frutteto. La CV sembra essere uno strumento rivoluzionario e il presente lavoro mira a esporre le potenzialità di utilizzare attrezzature a basso costo assieme ad algoritmi di CV (e AI) per favorire digitalizzazione e gestione precisa nei sistemi frutticoli, favorendo un aumento della loro sostenibilità produttiva. Conoscere la produzione in modo preventivo alla raccolta risulta molto importante per programmare le operazioni di gestione e organizzare la forza lavoro; allo stesso modo conoscere il carico produttivo della singola pianta in modo georeferenziato, in maniera molto anticipata, può aiutare anche nella gestione del diradamento manuale, molto impattante sulle spese di gestione. Allo stesso modo poter creare mappe di produzione/qualità georeferenziate, durante la raccolta, può favorire il frutticoltore nell’efficientare la logistica ed indirizzare il prodotto al miglior canale di vendita, facendo combaciare qualità del prodotto disponibile, con quella richiesta dal mercato. Con l’utilizzo di camere di profondità (RGB-D) a basso costo insieme a soluzioni di CV sono stati sviluppati due prototipi in grado di sopperire a quanto appena esposto: i) conteggio e dimensionamento di frutti di melo direttamente in campo, in tempo reale, con frutti ancora sulla pianta. ii) un sistema plug-play per piattaforme di raccolta in grado di stimare dimensione media e colore di pesche poste all’interno del bin direttamente in campo, alla raccolta. Il sistema operante su melo può riconoscere frutti dai 30-40mm ed ha riportato un errore nel dimensionamento medio dei frutti circa 3-4 mm ed un errore nel conteggio di circa il 10%. Errori maggiori (16mm - in netto miglioramento) sono stati ottenuti per i frutti di pesco posti nei bin, dove anche la percentuale di sovracolore è stata valutata. Le prestazioni non sono ancora in linea con le richieste dei frutticoltori, ma le potenzialità a seguito di ulteriori sviluppi sono notevoli, considerando che i risultati presentati riguardano una prima versione senza calibrazioni dedicate ai singoli scopi, notoriamente necessarie da letteratura. In conclusione, si evidenzia l’elevatissima potenzialità della computer vision nell’implementare sistemi a supporto della digitalizzazione e gestione precisa del frutteto, grazie alla sua efficienza e funzionalità anche con sistemi a basso costo.