La determinazione del grado di maturazione delle ciliegie rappresenta un passaggio fondamentale per arrivare a una raccolta realmente intelligente ed efficiente. Tradizionalmente, questa operazione è stata affidata soprattutto all’occhio esperto dell’agricoltore oppure a metodi di analisi delle immagini solo parzialmente automatizzati.
Nel primo caso, la valutazione si basa sull’esperienza accumulata nel tempo, osservando colore, dimensioni e brillantezza del frutto. Si tratta però di un approccio fortemente soggettivo, che varia da persona a persona ed è influenzato da fattori esterni come le condizioni di luce e il meteo.
Di conseguenza, l’efficienza è bassa, i costi di manodopera sono elevati e il metodo risulta poco adatto alle esigenze di una produzione su larga scala. I metodi tradizionali di elaborazione delle immagini hanno cercato di superare questi limiti attraverso tecniche come il rilevamento dei bordi e la segmentazione tramite soglie.
In genere, il processo prevede l’acquisizione dell’immagine della ciliegia e l’estrazione di caratteristiche come colore, texture e forma, per poi isolare l’area del frutto. Tuttavia, in ambienti reali caratterizzati da sfondi complessi, illuminazione non uniforme e presenza di ombre, queste tecniche mostrano rapidamente i loro limiti.
Le variazioni di luce possono causare la perdita di informazioni geometriche, mentre la difficoltà di integrare caratteristiche a diverse scale riduce ulteriormente l’affidabilità del riconoscimento.
A ciò si aggiunge un problema pratico: i requisiti computazionali di questi algoritmi spesso non sono compatibili con le capacità di calcolo dei dispositivi agricoli, come sensori o terminali mobili installati in campo.
Negli ultimi anni, il rapido sviluppo del deep learning e della visione artificiale ha aperto nuove prospettive per il riconoscimento automatico della maturazione delle ciliegie. In particolare, i modelli basati su reti neurali convoluzionali (CNN) e la famiglia di algoritmi YOLO (You Only Look Once) sono stati ampiamente adottati in ambito agricolo.
Le CNN tradizionali, pur offrendo buone prestazioni in termini di accuratezza, risultano però complesse e pesanti dal punto di vista computazionale, rendendo difficile il loro utilizzo. Inoltre, quando devono elaborare immagini ad alta risoluzione, spesso non riescono a garantire le prestazioni in tempo reale richieste nei contesti di monitoraggio sul campo.
I modelli YOLO, al contrario, hanno attirato crescente attenzione grazie alla loro capacità di combinare velocità ed elevata accuratezza. Nonostante ciò, la rilevazione della maturazione delle ciliegie resta una sfida complessa, per tre motivi principali: la presenza di forti interferenze ambientali che rendono difficile l’estrapolazione delle caratteristiche del frutto; la necessità di individuare oggetti piccoli e molto densi, con il rischio di errori e mancate rilevazioni; e l’elevato carico computazionale dei modelli, che ne ostacola l’implementazione su dispositivi agricoli.
Per affrontare queste criticità, lo studio condotto nella provincia di Yunnan (Cina) propone un nuovo modello leggero e in tempo reale, denominato CMD-YOLO, basato su un’architettura YOLO versione 12 migliorata.
Il modello introduce una testa di rilevamento adattiva, progettata per ottimizzare numero e scala dei moduli e migliorare la percezione di oggetti piccoli e ravvicinati. Inoltre, grazie a un innovativo modulo di fusione dei canali con convoluzioni depthwise, il sistema riesce a estrarre in modo più raffinato le caratteristiche spaziali e a ridurre l’influenza degli sfondi complessi.
Infine, l’adozione di una nuova funzione di perdita consente di modellare con maggiore precisione forma e dimensioni degli oggetti rilevati, migliorando l’accuratezza senza aumentare il costo computazionale.
I risultati sperimentali dimostrano che CMD- YOLO supera nettamente il modello di riferimento, ottenendo incrementi significativi in accuratezza, richiamo e precisione media, con una drastica riduzione del numero di parametri.
Questo rende il modello particolarmente adatto al rilevamento di ciliegie dense e di piccole dimensioni in ambienti complessi, ponendo solide basi per applicazioni concrete di raccolta intelligente e agricoltura di precisione.
Fonte: JOUR, T1 - CMD-YOLO: A lightweight model for cherry maturity detection targeting small object, Li, Meng, Ding, Xue, Wang, Jinliang, Smart Agricultural Technology, 12, 101513, 2025, 2025/12/01/2772-3755, https://doi.org/10.1016/j.atech.2025.101513
Fonte immagine: Meng Li et al., 2025
Melissa Venturi
Università di Bologna
04 dic 2024
Il metodo di allevamento Head System SRP sfrutta la naturale acrotonia del ciliegio a vantaggio della sua produttività, precocità ed efficienza nella gestione della coltura. Questo sviluppo si è evoluto utilizzando una tecnica di rottura dei rami annuale o biennale.
16 apr 2025
Superfresh Growers svela le strategie chiave per aumentare le vendite di ciliegie nel 2025: focus su target demografici, comportamento d'acquisto, visibilità online, marketing stagionale e nuovi modi per rendere le ciliegie irresistibili per ogni generazione.
23 feb 2026
In Patagonia, Frutos del Valle Patagónico produce fino a 1 milione di kg di ciliegie l’anno, con 800 mila kg destinati all’export verso Cina, USA e Medio Oriente. Qualità, tecnologia e nuove sfide di ampliamento guidano la crescita nel mercato globale dominato dal Cile.
23 feb 2026
L’industria delle ciliegie in Sudafrica ha quadruplicato le superfici dal 2012 al 2024 e punta a raddoppiare la produzione entro cinque anni. Export al 37%, focus su calibri oltre 28 mm e nuove aperture come la Cina, tra sfide climatiche e logistiche crescenti sui mercati globali
