La calibratura delle ciliegie è storicamente uno dei problemi più impegnativi legati alla commercializzazione dei frutti. Attualmente, la calibratura manuale rimane prevalente durante la stagione di maturazione delle ciliegie; tuttavia, questo approccio è caratterizzato da costi elevati, inefficienza e difficoltà nel garantire la qualità dei frutti, dando così origine a notevoli problemi durante la commercializzazione.
Di conseguenza, il progresso dei macchinari per la calibratura automatica sta diventando di alto interesse. In base ai vari stadi di maturazione, la colorazione delle ciliegie viene classificata in tre livelli distinti. Per garantire che le ciliegie mantengano la loro consistenza croccante e l'elevata durezza anche dopo diversi giorni di imballaggio e trasporto, è necessario raccoglierle e selezionarle prima della fase di maturazione caratterizzata da un colore rosso intenso.
In questo modo si garantisce che i prodotti commercializzati siano di alta qualità. Attualmente, durante la fase di calibratura si è soliti dividere il prodotto in quattro principali categorie: acerbo, maturo, sovra-maturo e danneggiato. Tuttavia, questa classificazione non è sufficientemente ampia e per migliorarla sono necessarie ulteriori ricerche e l'aggiunta di nuove categorie, come quelle dei frutti malati e dei semi-maturi.
Di conseguenza, determinare con precisione la maturità e il deterioramento delle ciliegie è fondamentale per la loro lavorazione. Grazie ai progressi tecnologici dell'intelligenza artificiale, le fotografie sono state utilizzate in numerosi studi per rilevare la qualità dell'aspetto dei frutti in modo non distruttivo.
Ad esempio, Swin Transformer è un modello di deep learning che, a differenza del suo predecessore Vision Transformer, è preciso ed efficiente e può fungere da base per un sistema di computer vision universale. Il lavoro condotto dai ricercatori degli istituti di ricerca di Xi’an (Cina) presenta un metodo basato su Swin Transformer per identificare la qualità delle ciliegie sulla base del loro aspetto esteriore.
Il metodo proposto estrae le informazioni sulle caratteristiche dalle immagini di ciliegie utilizzando lo Swin Transformer e successivamente carica tali informazioni nei classificatori, tra cui il perceptron multistrato (multi-layer perceptron, MLP) e la macchina vettoriale di supporto (support vector machine, SVM), ai fini della classificazione. In questo studio sono state analizzate 4669 foto scattate con un cellulare in un ceraseto cv. Tieton a frutti in diversi stadi di maturazione.
L'approccio mostra ottime prestazioni nel riconoscimento delle ciliegie. È notevole che il tempo di addestramento di Swin Transformer e della MLP sia stato di soli 78,43 secondi (quando in assenza di MLP il tempo di addestramento era di 551,24 secondi) e che la loro accuratezza di riconoscimento abbia raggiunto un picco del 98,5%.
Il metodo proposto possiede quindi una notevole utilità pratica. Inoltre, questo approccio vale come punto di riferimento anche quando si tratta di identificare il grado di maturazione di altre varietà. Infatti, per calibrare una differente varietà è sufficiente sostituire solamente il set di dati.
Pertanto, questo studio fornisce una soluzione adattabile e pratica al problema della calibratura delle cultivar di ciliegio. L'applicazione di questo metodo alle apparecchiature di calibrazione e ad altri dispositivi meccanici, per far progredire lo sviluppo di metodi di calibratura intelligenti, sarà l'obiettivo principale della ricerca futura.
Fonte: Song Ke, Yang Jiwen, Wang Guohui, A Swin transformer and MLP based method for identifying cherry ripeness and decay, Frontiers in Physics, vol.11, 2023, https://www.frontiersin.org/articles/10.3389/fphy.2023.1278898.
Melissa Venturi
Università di Bologna (IT)
13 mag 2026
Uno studio in Serbia su otto genotipi di ciliegio dolce mostra come temperatura, polline e crescita del tubetto pollinico influenzino fertilità e allegagione. ‘Lapins’, ‘Canetova’ e ‘G-2’ emergono come cultivar più stabili e resilienti al cambiamento climatico attuale.
21 mar 2024
Il peduncolo svolge un ruolo fondamentale. La comprensione dei meccanismi di perdita dell'acqua attraverso il peduncolo può aiutare a sviluppare strategie per ridurre al minimo la disidratazione del peduncolo e preservare la qualità post-raccolta dei frutti di ciliegia dolce.
11 set 2026
L’intelligenza artificiale trasforma la frutticoltura in Cile: visione artificiale, machine learning e dati aiutano a misurare qualità, resa e scarti, ridurre gli errori e migliorare le decisioni dal frutteto alla linea di confezionamento e fino all’esportazione.
11 set 2026
In Puglia l’HTS identifica per la prima volta in Italia il Pomes virus Greece (PVGR) nel ciliegio dolce. Il virus è stato rilevato nell’8,7% dei campioni analizzati; un caso di Cherry green ring mottle virus segna inoltre la prima segnalazione regionale del virus CGRMV.
