La crescente esigenza di automatizzare i processi decisionali in ambito agricolo ha spinto la ricerca verso l’impiego di tecniche avanzate di visione artificiale. In questo contesto si inserisce il tema della classificazione degli stadi di maturazione delle ciliegie, un problema di rilevante importanza economica e qualitativa. Stabilire con precisione il momento ottimale della raccolta consente infatti di migliorare la qualità del prodotto finale, ridurre gli sprechi e ottimizzare la filiera produttiva.
I metodi tradizionali, basati principalmente sull’osservazione visiva, risultano soggettivi e poco scalabili, mentre l’impiego di un sistema automatico potrebbe essere visto come più affidabile poichè standardizzato. All’Università di Firat (Turchia) è stata svolta una ricerca che ha avuto come obiettivo quello di confrontare le performance di diversi modelli nella stima della maturazione delle ciliegie.
Lo studio si è quindi basato su un dataset composto da 3000 immagini di ciliegie raccolte in condizioni controllate, suddivise in cinque differenti stadi di maturazione. Un’attenzione particolare è stata sottoposta alle condizioni di acquisizione delle immagini perchè rappresenta un passaggio cruciale per limitare le variazioni dovute all’illuminazione e alle condizioni ambientali.
Successivamente, prima dell’analisi, i dati sono stati sottoposti a un processo di pre-processing che include la segmentazione della regione di interesse, il ridimensionamento e la normalizzazione dei valori dei pixel, al fine di garantire uniformità e compatibilità con i modelli usati. Per l’estrapolazione delle caratteristiche visive è stato adottato un approccio basato sul transfer learning, utilizzando una rete neurale convoluzionale pre-addestrata.
Sono stati poi impiegati algoritmi lineari (come regressione logistica e analisi discriminante lineare), metodi basati su margine (Support Vector Machines), approcci Random Forest ed Extra Trees, tecniche di boosting (XGBoost, LightGBM e CatBoost) e metodi basati sulla distanza (K-Nearest Neighbors). Le prestazioni sono state valutate mediante cross-validation, evidenziando come diversi modelli raggiungano già buoni livelli di accuratezza in configurazione standard, attorno al 93%.
Tuttavia, l’introduzione di un’ottimizzazione sistematica degli iperparametri consente un miglioramento significativo delle prestazioni complessive: in particolare, le Support Vector Machines emergono come il modello più efficace, raggiungendo un’accuratezza superiore al 95%.
Anche altri algoritmi, tra cui regressione logistica e i modelli di boosting, mostrano risultati competitivi, mantenendosi in un intervallo compreso tra circa il 92% e il 94%. Al contrario, il K-Nearest Neighbors evidenzia prestazioni inferiori e una limitata capacità di beneficiare dell’ottimizzazione.
Nel complesso, lo studio dimostra che l’integrazione tra tecniche di deep learning per l’estrazione delle caratteristiche e algoritmi di machine learning per la classificazione dello stadio di maturazione delle ciliegie rappresenta una soluzione efficace per il problema analizzato.
Le elevate prestazioni ottenute suggeriscono la possibilità di implementare sistemi automatici di supporto decisionale in ambito agricolo, capaci di migliorare il controllo qualità e la gestione della produzione. In prospettiva, l’estensione del dataset e l’impiego di modelli ancora più avanzati potrebbero consentire ulteriori progressi, aprendo la strada a applicazioni in tempo reale e su larga scala.
Fonte: Doğan, N., Özyurt, F., & Özgen, İ. (2026). Classification of cherry maturity stages using machine learning methods. International Journal of Agriculture Environment and Food Sciences, 10(1), 1-13. https://doi.org/10.31015/jaefs.2026.1.1
Fonte immagine: Stefano Lugli
Melissa Venturi
Dottoressa di Ricerca in Scienze e Tecnologie Agrarie, Ambientali e Alimentari - Arboricoltura Generale e Coltivazioni Arboree - Bologna, IT
10 ott 2023
I produttori hanno a disposizione diverse strategie di gestione per aumentare la dimensione finale dei frutti, tra cui la regolazione del carico di frutta, la corretta gestione dell'irrigazione e della concimazione e l'applicazione di biostimolanti e regolatori della crescita.
03 set 2024
Dalla prima installazione nel 2014 Rivermaid è stata all'avanguardia nell'adozione degli sviluppi innovativi di Ellips. In totale Rivermaid utilizza 106 corsie con tecnologia Ellips. Questa è la quarta linea con tecnologia Ellips, ma è la prima a incorporare l'hardware di Elifab.
07 mag 2026
La stagione delle ciliegie 2026 nel Pacific Northwest si apre con stime tra 19,5 e 21,5 milioni di box. Produzione sotto il record 2025, raccolta anticipata e più coordinamento con la California delineano un passaggio chiave per il mercato cerasicolo USA ora.
07 mag 2026
In Turchia, una ricerca dell’Università di Firat mostra come visione artificiale, deep learning e machine learning possano classificare gli stadi di maturazione delle ciliegie con accuratezza superiore al 95%, migliorando raccolta, qualità e gestione della filiera.
