L'impollinazione è fondamentale per la produttività del ciliegio dolce, soprattutto nelle cultivar autosterili, che dipendono dal trasporto di polline da parte degli insetti per un'allegagione ottimale.
Comprendere con precisione la frequenza e la qualità delle visite degli impollinatori assume quindi un ruolo strategico anche per chiarire fenomeni fisiologici ancora poco compresi, come la cascola di giugno.
Tuttavia, il monitoraggio diretto dell'attività degli insetti impollinatori richiede generalmente un'enorme quantità di tempo e lavoro manuale.
Un recente studio propone una soluzione innovativa basata sull'intelligenza artificiale: i ricercatori hanno sviluppato BeeSAM2, un sistema automatico capace di rilevare le api nei filmati time-lapse dei fiori di ciliegio con un livello di accuratezza estremamente elevato, aprendo nuove prospettive per la ricerca e il monitoraggio in frutticoltura.
Lo studio è stato condotto in impianti protetti di ciliegio presso il James Hutton Institute (Regno Unito), dove telecamere time-lapse hanno acquisito le immagini dei fiori a intervalli di un secondo durante le ore di maggiore attività di bottinamento.
L'analisi manuale delle registrazioni ha richiesto circa 500 ore di lavoro, evidenziando la necessità di strumenti automatizzati.
BeeSAM2 nasce dalla combinazione di due modelli di intelligenza artificiale: Grounding DINO, un rilevatore "zero-shot" capace di identificare oggetti senza un addestramento specifico, e Segment Anything Model 2 (SAM2), progettato per segmentare e seguire automaticamente un oggetto attraverso una sequenza video.
L'approccio sfrutta inizialmente Grounding DINO per individuare le api nelle immagini e successivamente utilizza SAM2 per seguirne il movimento durante l'intera sequenza, superando molte delle limitazioni tipiche dei sistemi di riconoscimento tradizionali.
La combinazione ottimale dei due modelli ha raggiunto un valore di recall pari a 0,959 e una precisione corretta di 0,991, indicando che il sistema è in grado di identificare quasi tutte le visite delle api riducendo al minimo i falsi riconoscimenti.
Questi risultati sono nettamente superiori rispetto all'impiego separato dei singoli modelli: Grounding DINO, infatti, mostra una buona precisione ma tende a perdere numerosi eventi di impollinazione, mentre SAM2, pur rilevando un numero maggiore di visite, può occasionalmente continuare a seguire oggetti erroneamente identificati.
La loro integrazione consente invece di sfruttare i punti di forza di entrambe le tecnologie.
Questo metodo è generalizzabile: a differenza di molti sistemi di visione artificiale basati su reti neurali, BeeSAM2 non richiede lunghe fasi di addestramento con dataset annotati manualmente.
I ricercatori hanno infatti testato il modello anche su un dataset indipendente proveniente da un precedente studio condotto su altre specie floreali e con api domestiche (Apis mellifera), ottenendo comunque valori di recall e precisione superiori a 0,80.
Sebbene tali prestazioni risultino leggermente inferiori rispetto a quelle ottenute sul dataset originale, esse confermano la capacità del sistema di adattarsi a nuovi contesti con interventi minimi.
Le principali limitazioni emergono quando le api risultano completamente o parzialmente nascoste all'interno del fiore oppure quando il sistema continua a seguire elementi vegetali erroneamente identificati durante le fasi iniziali dell'elaborazione.
Inoltre, BeeSAM2 non distingue le diverse specie di impollinatori, ma si limita a rilevarne la presenza.
Nonostante ciò, il sistema può essere facilmente integrato con algoritmi di classificazione specifici.
L'elevata accuratezza raggiunta rende BeeSAM2 uno strumento promettente per automatizzare il monitoraggio delle interazioni fiore-impollinatore, riducendo drasticamente i tempi di elaborazione delle immagini e fornendo dati quantitativi fondamentali per studiare l'efficienza dell'impollinazione, valutare le strategie di gestione degli impollinatori e approfondire le relazioni tra attività di bottinamento, allegagione e stabilità produttiva nel ciliegio e in numerose altre colture frutticole.
Fonte: Devlin, J., MacFarlane, F., Karley, A., Manfredini, F., & Williams, D. (2026). Detecting bees in cherry flowers using timelapse images and foundational models. Journal of Pollination Ecology, 41, 28–39. https://doi.org/10.26786/1920-7603(2026)897
Fonte immagine: Stefano Lugli
Andrea Giovannini
Dottore di Ricerca in Scienze e Tecnologie Agrarie, Ambientali e Alimentari - Arboricoltura Generale e Coltivazioni Arboree, Università di Bologna, IT
09 set 2025
La produzione australiana di ciliegie scenderà a 18.000 tonnellate nel 2025/26, registrando la peggiore stagione degli ultimi cinque anni. Mentre gran parte delle regioni affronta rischi climatici, la Tasmania emerge con condizioni favorevoli e potenziale per l’export.
14 gen 2025
Un recente studio dalla Polonia ha confrontato due metodi di propagazione per GiSelA 5: l'utilizzo di talee semi-legnose ed il metodo in vitro, valutandone l'impatto sulla crescita degli alberi, in particolare sulle varietà “Bellise”, “Earlise”, “Lapins” e “Vanda”.
29 lug 2026
Nel Regno Unito, BeeSAM2 combina intelligenza artificiale e visione automatica per rilevare con elevata precisione le visite delle api ai fiori di ciliegio, riducendo il lavoro manuale e migliorando lo studio di impollinazione, allegagione e produttività.
28 lug 2026
Una gestione fitosanitaria efficace del legno nel ciliegio richiede prevenzione, diagnosi corretta e strategie integrate. Potatura sanitaria, controllo dell’inoculo, trattamenti mirati, biostimolazione e monitoraggio stagionale aiutano a contenere batteriosi e funghi del legno.
