Negli ultimi anni, l'automazione in agricoltura ha fatto grandi passi avanti grazie all'uso di sistemi robotici e algoritmi di visione artificiale. Queste tecnologie possono permettere ai computer di compiere molteplici operazioni, tra cui identificare ed analizzare i frutti.
Automatizzando così attività come la valutazione della maturità e la raccolta. Tuttavia, per addestrare efficacemente algoritmi di apprendimento automatico, è essenziale disporre di dataset specifici per ogni tipo di frutto.
La maggior parte delle tipologie di frutti, però, non dispone di dataset pubblicamente disponibili, e questo rappresenta una barriera per lo sviluppo di tali sistemi autonomi.
In risposta a questa esigenza, è stato sviluppato “Cherry CO”, un dataset nuovo e ad alta risoluzione specificamente pensato per il rilevamento e segmentazione delle ciliegie.
Questo dataset comprende 3.006 immagini etichettate, raccolte in un ceraseto in diverse condizioni ambientali per rappresentare al meglio la variabilità di questo sistema.
Ogni ciliegia è stata etichettata manualmente per indicare posizione, forma e classe, considerando aspetti come lo stato di maturazione, la salute del frutto e la posizione rispetto alla fotocamera.
Le immagini sono state acquisite in un arco di tre settimane presso il “Center for Advanced Fruit Studies (CEAF)” in Cile, utilizzando una fotocamera Canon Rebel Ti7.
Per garantire la diversità delle scene, le foto sono state scattate in condizioni di luce differenti, su frutti a vari stadi di maturazione e da diverse angolazioni.
L'etichettatura ha richiesto circa sei mesi di lavoro, durante i quali ogni ciliegia visibile è stata classificata in una delle sei categorie stabilite in base al colore e alla posizione.
Le categorie includono: verde, immatura, matura (in primo piano), e ciliegie di sfondo divise in mature e immature, oltre ad una categoria per i frutti danneggiati.
Una delle principali sfide affrontate dai ricercatori è stata la variabilità tipica degli ambienti agricoli, come l'occlusione da foglie e rami, le variazioni di illuminazione e la sovrapposizione di frutti in immagini densamente popolate.
Nonostante queste difficoltà, il dataset Cherry CO offre una vasta gamma di esempi utili per addestrare modelli di deep learning, garantendo un'elevata capacità di generalizzazione degli algoritmi.
Per valutare le prestazioni sui compiti di rilevamento e segmentazione delle ciliegie, sono stati utilizzati diversi Deep Neural Networks (DNN), tra cui Faster-RCNN, Mask-RCNN, Mask-Swin e le reti della famiglia YOLO (YOLOv4, YOLOR e YOLOv7).
Tra queste, YOLOv7 ha ottenuto le migliori prestazioni complessive, mostrando alta precisione e capacità di rilevare i frutti anche in condizioni complesse.
In particolare, ha raggiunto un ottimo equilibrio tra “Precision and Recall”, risultando adatta per applicazioni in tempo reale come il monitoraggio video e la raccolta automatizzata.
Pertanto, Cherry CO rappresenta un’utile risorsa per addestrare modelli al riconoscimento e segmentazione delle ciliegie. Le reti addestrate con questo dataset possono essere utilizzate in applicazioni autonome per il conteggio dei frutti, la valutazione della maturità e persino per lo sviluppo di robot per la raccolta automatizzata.
In conclusione, Cherry CO si aggiunge alla lista (purtroppo carente) di dataset pubblici per il rilevamento e la segmentazione dei frutti, supportando l'innovazione tecnologica in agricoltura e promuovendo l'adozione di sistemi autonomi nella produzione delle ciliegie.
Image by freepik
Source: Cossio-Montefinale, L., Ruiz-del-Solar, J., & Verschae, R. (2024). Cherry CO Dataset: a dataset for cherry detection, segmentation and maturity recognition. IEEE Robotics and Automation Letters, vol. 9, no. 6, pp. 5552-5558. https://doi.org/10.1109/LRA.2024.3393214
Andrea Giovannini
Università di Bologna (IT)
19 ago 2025
Arturo Aguirre sottolinea l’importanza del suolo e della nutrizione nella produzione di ciliegie. Una gestione agronomica mirata è essenziale per ottenere frutti con calibro, qualità e condizione ideali. Il futuro del frutteto si costruisce dal basso, stagione dopo stagione.
08 mag 2026
CrackSense integra dati ambientali, sensori, droni e intelligenza artificiale per stimare il rischio di spaccatura dei frutti a livello di albero, frutteto e regione in Europa e Israele, aiutando coltivatori e consulenti a ridurre perdite di resa e qualità con decisioni mirate.
31 lug 2026
Un sistema open source con dendrometri a basso costo monitora in tempo reale crescita del fusto, stress idrico e fabbisogno irriguo di melo, ciliegio acido e pesco. La soluzione basata su Arduino migliora precisione, sostenibilità e gestione dell’acqua nei frutteti moderni.
31 lug 2026
In Polonia la stagione delle ciliegie registra rese fino al 50% del raccolto record 2025. Caldo, gelate, siccità e importazioni eccessive comprimono prezzi e vendite, mentre i produttori puntano su celle frigorifere, qualità e raccolta fai da te per difendere i margini.
