Strumenti per il controllo della Drosophila suzukii
14 mar 2025
Luis Devotto, entomologo e ricercatore presso l'INIA Quilamapu, ha spiegato a Mundoagro i principali fattori che rendono questo insetto un parassita così dannoso.
A seconda del tipo di malattia, i sintomi che possono essere osservati visivamente si manifestano sotto forma di macchie colorate di varie forme e dimensioni, linee o segni sui fusti e su varie parti o organi della pianta. Per gestire e contrastare parassiti e malattie nelle piante, la soluzione più comune è data dall’impiego di agrofarmaci.
Tuttavia, non sempre è facile diagnosticare la malattia o l’insetto per poi trattare in tempo e con una dose adeguata. Di conseguenza, il momento ottimale per il trattamento può essere trascurato o può essere applicata una quantità eccessiva di prodotto. Poiché le tecniche di elaborazione delle immagini sono in grado di differenziare gli oggetti colorati, è possibile identificare anche le malattie delle piante.
Il metodo del deep learning può essere impiegato per sviluppare sistemi che consentano la diagnosi in tempo reale delle malattie. I metodi tecnologici più pratici, più rapidi e che eliminano il margine di errore umano nella diagnosi delle malattie, così come nell'identificazione della gravità e della progressione delle malattie, offrono notevoli vantaggi.
I ciliegi possono essere attaccati e danneggiati dalla cosiddetta malattia dell’impallinatura, una patologia indotta dal fungo Stigmina carpophila che porta ad una riduzione della qualità e della resa del ceraseto. Gli studiosi dell’Università di Ankara e dell’Università Tokat Gaziosmanpasa hanno eseguito uno studio con l’obiettivo di riuscire a rilevato la presenza di questa malattia in tempo reale con uno smartphone.
Tre metodologie distinte, ovvero gli algoritmi YOLOv8s, RtmDET MM Detection e DETR Transformer, sono state addestrate sul dataset ibrido generato e successivamente confrontate tra di loro. L'algoritmo YOLOv8s ha dimostrato le prestazioni migliori come conseguenza dell'addestramento.
Al termine dell'addestramento e dei test del modello, sono state condotte prove in tempo reale sul campo in cui era presente la malattia, utilizzando uno smartphone. I risultati sono stati confrontati con analoghi studi presenti in letteratura di rilevamento delle malattie in tempo reale e basati su YOLO.
Di seguito è riportata una sintesi dei principali risultati di questo studio:
- L'indagine ha generato un set di dati ibrido. Utilizzando parametri di prestazione identici con il set di dati generato, sono stati effettuati confronti tra gli algoritmi RTMDet MMDetection e DETR Transformer, che utilizzano metodologie diverse. Le prestazioni più impressionanti sono state fornite da YOLOv8s. Questo algoritmo ha completato l'addestramento nel tempo minimo quando gli algoritmi sono stati valutati in termini di tempo di addestramento.
- L'algoritmo YOLOv8s, utilizzato nello studio per le sue eccezionali prestazioni, è stato caricato sulla piattaforma Roboflow e sono stati generati codici API e QR. Il codice è stato scansionato con uno smartphone e le prove sono state condotte sul campo. La malattia dell’impallinatura è stata identificata con precisione in 115 su 119 immagini di piante di ciliegio, soddisfacendo così i criteri per un sistema affidabile.
- Come risultato del progetto è stato fornito il codice QR di un prototipo di applicazione. Questa applicazione può essere scansionata dai ricercatori e dai cerasicoltori direttamente dai loro dispositivi per identificare in tempo reale la malattia nel frutto.
In futuro, grazie al continuo sviluppo di hardware e algoritmi, sarà possibile sviluppare sistemi di rilevamento in tempo reale sempre migliori e integrarli nei macchinari agricoli per una gestione più sostenibile del ceraseto.
Fonte: Uygun, T., Ozguven, M.M. Real-Time Detection of Shot-Hole Disease in Cherry Fruit Using Deep Learning Techniques via Smartphone. Applied Fruit Science 66, 875–885 (2024). https://doi.org/10.1007/s10341-024-01085-w.
Immagine: EPPO
Melissa Venturi
Università di Bologna (IT)
