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.
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
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%).
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
28 nov 2025
Analisi approfondita della redditività dei frutteti di ciliegie in Cile con dati reali da Ñuble, Biobío, Araucanía, Maule e Los Lagos. Scopri i costi medi, le pratiche che aggiungono valore e gli scenari di produzione per ottimizzare ritorni e sostenibilità economica.
06 apr 2026
Nella valle dell’Ebro la raccolta delle ciliegie precoci inizierà il 15 aprile. Le produzioni sotto copertura resistono al clima instabile, mentre restano incertezze per le varietà medie e tardive a causa di piogge e vento durante la fioritura.
28 ago 2026
Ad Alicante, i trattamenti pre-raccolta con 24-BL hanno ridotto il cracking delle ciliegie fino al 50% e migliorato pezzatura, consistenza, colore e contenuto di antociani. Lo studio su ‘Sunburst’ e ‘Skeena’ indica una nuova strategia contro le piogge estreme in frutteto.
28 ago 2026
A Nishikawa, nella prefettura di Yamagata, robot, droni e sensori promettono di sostenere i coltivatori di sakura invernali. Ma tra anzianità, spopolamento e diffidenza verso la tecnologia, il futuro dell’agricoltura giapponese resta incerto e i robot restano fermi.
