Nuovi metodi per monitorare la produttività alla raccolta

Numerose sono le tecnologie che si stanno implementando nei frutteti con l’obiettivo di migliorare la gestione dei frutteti. Tra queste, la mappatura della resa dei frutteti viene utilizzata per ottimizzare la produzione e la gestione delle risorse. L'integrazione del sistema globale di navigazione satellitare (GNSS) e di altri sensori è stata resa possibile dai progressi dei microcomputer, che hanno permesso di implementare algoritmi complessi sul campo a costi contenuti.

L'algoritmo You Only Look Once (YOLO) è il modello di rilevamento degli oggetti a una fase più diffuso. Il vantaggio di YOLO è il tempo di inferenza più rapido rispetto ai rilevatori a due stadi, che ne consente l'utilizzo in scenari in tempo reale. DeepSORT (simple online real-time tracking with deep association metric) è un approccio di monitoraggio multioggetto che mostra prestazioni eccezionali.

Sempre più spesso queste tecnologie vengono implementate nei frutteti, ma poca attenzione è stata dedicata a questo approccio nella gestione delle amarene.

L'obiettivo dell'indagine condotta presso la Utah State University di Logan, negli Stati Uniti, è stato quindi quello di valutare due metodologie per il monitoraggio della resa delle amarene: una che incorpora sensori di prossimità per il rilevamento dei cambiamenti nella vasca di raccolta e l'altra che impiega la computer vision per il conteggio dei frutti in tempo reale.

Gli obiettivi del primo approccio consistono nell'analisi delle statistiche sul raccolto e delle mappe della resa, mentre gli obiettivi del secondo approccio comprendono la valutazione della velocità di inferenza e dell'accuratezza del conteggio dei frutti. 

L'approccio iniziale impiega sensori di prossimità, Raspberry Pi e GPS per stimare la variabilità della resa monitorando le variazioni del serbatoio durante il raccolto. Il secondo metodo utilizza la visione computerizzata, in particolare YOLOv8 e DeepSORT, per determinare la quantità di ciliegie per albero.

Durante la fase di raccolta, gli operatori hanno mantenuto un ritmo costante di caricamento delle vasche, con una media di 516 kg per serbatoio. La produzione media del blocco è stata di 9,16 t/ha. La mappa della resa ha illustrato le variazioni spaziali e i dati ottenuti dallo strumento hanno offerto preziose indicazioni sull'efficacia del raccolto.

I diversi tempi di addestramento dei modelli testati illustra chiaramente il compromesso tra precisione e rapidità, sottolineando al contempo l'adeguatezza di YOLOv8n per il conteggio dei frutti in tempo reale. Questi metodi, che impiegano computer portatili, offrono miglioramenti sostanziali nella mappatura della resa per l'agricoltura di precisione, offrendo così preziose indicazioni per frutticoltori.

I metodi proposti mostrano un notevole potenziale come strumenti efficaci per il monitoraggio della resa. Nel frutteto in esame, le misurazioni indicano che la variazione tra gli operatori in termini di riempimento delle vasche di raccolta è minima. In futuro il modello sarà addestrato utilizzando scenari che contengono diversi livelli di occlusione, distorsione del movimento e variazioni di illuminazione.

Sarà possibile comprendere l'influenza delle condizioni avverse sull'accuratezza del modello calcolando le metriche in questi diversi scenari. Sono necessarie ulteriori indagini per sfruttare appieno il potenziale di queste scoperte, che hanno implicazioni significative per lo sviluppo dell'agricoltura di precisione nei frutteti di ciliegie.

Fonte: Safre, A., Torres-Rua, A., Black, B. and Schaffer, B. (2024). Advanced methods for yield mapping in tart cherries: tank change tracking and YOLO-DeepSort fruit counting. Acta Hortic. 1395, 289-296, https://doi.org/10.17660/ActaHortic.2024.1395.38.
Immagine: SL Fruit Service

Melissa Venturi
Università di Bologna (IT)

Cherry Times - Tutti i diritti riservati