Intelligenza artificiale e deep learning per classificare le ciliegie in Turchia

27 giu 2025
2280

Per ridurre i costi di produzione e commercializzazione delle ciliegie è necessario trovare metodi di classificazione accurati e rapidi. I metodi di classificazione tradizionali sono frequentemente soggetti a errori, richiedono conoscenze specializzate e consumano una quantità significativa di tempo.

In uno studio apparso sulla rivista “Scientific reports” di Nature, i ricercatori dell’Università Burdur Mehmet Akif Ersoy in Turchia mostrano i risultati di uno studio volto a migliorare l'accuratezza della classificazione delle ciliegie attraverso l'integrazione di tecniche avanzate di deep learning e di elaborazione di immagini, strumenti che stanno offrendo notevoli vantaggi in termini di efficienza e controllo della qualità dei frutti.

In questo studio, il modello YOLOv8 è stato migliorato nella rilevazione e classificazione di varie cultivar di ciliegie grazie all'aggiunta di Swin Transformer e Deformable Attention Transformer. Questo approccio migliora l'efficienza e la precisione dei processi di produzione e commercializzazione delle ciliegie, rafforza il ruolo dell'intelligenza artificiale nelle tecnologie agricole e si prevede che aumenterà il vantaggio competitivo del settore.

Identificazione precoce sul campo

Studiando la letteratura scientifica, gli studi sulla classificazione delle ciliegie si concentrano sulla classificazione delle ciliegie raccolte e prive di foglie. Tuttavia, è necessario che gli agricoltori identifichino accuratamente il tipo di frutto mentre è ancora sull'albero, piuttosto che dopo la raccolta, per ottimizzare le fasi della raccolta, garantire la classificazione dei frutti in linea con le richieste del mercato, migliorare il controllo qualità e facilitare migliori strategie di esportazione.

Di conseguenza, questa indagine si distingue da quanto esistente concentrandosi sull'identificazione delle ciliegie sull'albero, un compito che è stato poco studiato nell'attuale corpus di ricerca.

Stella, Regina, Rainer, White Cherry e Ziraat 900 hanno composto il dataset utilizzato in questa indagine. I risultati indicano che le varietà di ciliegie sono state classificate con successo utilizzando tecniche di deep learning e di elaborazione delle immagini.

Figura 1. Flusso operativo complessivo del quadro proposto. Fonte: Arısoy e Uysal, 2025

Prestazioni del modello

Quando i 4 modelli dello studio vengono confrontati tra loro, nel modello proposto Yolov8n-Multipleattn, in particolare, la precisione per la classe "Regina" è aumentata all'87%, riflettendo una migliore capacità di identificare correttamente i casi di questa classe.

Allo stesso modo, la classe "Stella" raggiunge un punteggio F1 migliorato di 0,93, supportato da una precisione e un richiamo bilanciati (entrambi al 93%) e una maggiore accuratezza del 92,50%. Questo dimostra una maggiore coerenza nel riconoscere i casi di questa classe.

Inoltre, le classi "Rainier" e "White Cherry" mantengono le loro alte prestazioni, con la classe "White Cherry" che raggiunge metriche quasi perfette (F1 score: 0.99, accuratezza: 100%).

Prospettive future

Tuttavia, per migliorare ulteriormente le prestazioni del modello è consigliabile utilizzare sia set di dati più ampi che più diversificati, assicurandosi che i dati siano raccolti da una varietà di regioni geografiche. Questo migliorerà le capacità di generalizzazione del modello.

Inoltre, l'integrazione del modello nelle piattaforme mobili, inclusi droni e dispositivi portatili, potrebbe portare allo sviluppo di applicazioni in tempo reale, che migliorerebbero l'efficacia dei processi agricoli.

Grazie a questi risultati incoraggianti, ci possiamo aspettare miglioramenti nel controllo della qualità e nell'efficienza in agricoltura, che può essere impiegata anche nella classificazione di altri tipi di frutta.

Fonte:Varol Arısoy, M., Uysal, İ. BiFPN-enhanced SwinDAT-based cherry variety classification with YOLOv8. Sci Rep 15, 5427 (2025). https://doi.org/10.1038/s41598-025-89624-7 

Fonte immagine apertura: SL Fruit Service 

Melissa Venturi
Università di Bologna


Cherry Times - Tutti i diritti riservati

Potrebbe interessarti anche

Ciliegie australiane: strategie vincenti tra social, GDO e export in Asia

Mercati

07 nov 2025

Hort Innovation ha guidato nel 2024/25 una strategia promozionale a tutto campo per le ciliegie australiane: social mirati, formazione in GDO e campagne export in Asia hanno portato a +11,8% nei volumi in store e +46% di export in Vietnam, rafforzando l’intera filiera.

I metaboliti delle amarene sono funzionali all'attività antiossidante e combattono lo stress ossidativo

Qualità

20 dic 2024

Un recente studio ha analizzato quattro cultivar di amarena, due a polpa scura “Heimann R” e “Gorsemska” e due a polpa chiara “Montmorency” e “V70142”, per determinare le differenze nella composizione dei metaboliti e nell'attività antiossidante.

In evidenza

Calibro e colore: due indicatori chiave per la qualità delle ciliegie

Qualità

20 nov 2026

Calibro e colore delle ciliegie dipendono dai regolatori di crescita. L’acido gibberellico, applicato al momento giusto, favorisce l’allungamento cellulare e una maturazione uniforme; dosi eccessive o interventi precoci possono ridurre la qualità e ritardare la raccolta.

Drosophila suzukii: nuove strategie di biocontrollo di AST-Seipasa

Difesa

20 nov 2026

Originaria del Giappone e presente in Europa, Drosophila suzukii colpisce frutti sani. Pyrecris d’AST – Seipasa amplia gli usi autorizzati su piccoli frutti, drupacee, pomacee e kaki e offre un’opzione di biocontrollo contro adulti e larve per la difesa delle colture.

Tag Popolari