La rilevazione accurata e tempestiva delle microfessurazioni superficiali è cruciale per monitorare la qualità delle ciliegie dolci. Il cracking può compromettere il valore commerciale dei frutti e favorire l’ingresso di microrganismi responsabili dei marciumi, con conseguenze negative sulla conservabilità e perdite lungo la filiera.
L’ispezione manuale, oltre a richiedere un elevato impiego di manodopera, può risultare poco uniforme, mentre i sistemi convenzionali di visione artificiale incontrano difficoltà nel distinguere le lesioni più sottili dalle normali irregolarità dell’epidermide.
Un recente studio propone una soluzione basata sul deep learning, sviluppando YOLO-CY, un modello di rilevamento visivo progettato per identificare le fessurazioni con elevata precisione, mantenendo al contempo requisiti computazionali contenuti e prestazioni compatibili con le linee automatizzate di selezione. Il sistema deriva dall’architettura YOLO11, una rete neurale utilizzata per il riconoscimento e la localizzazione di oggetti nelle immagini, e introduce tre modifiche strutturali mirate alle caratteristiche delle lesioni delle ciliegie.
La prima, denominata C3k2_AdditiveBlock, migliora l’estrazione e la combinazione di informazioni visive a diverse scale, aumentando la sensibilità alle fessurazioni di dimensioni ridotte. La seconda, C2PSA_CGLU, perfeziona la selezione delle caratteristiche locali attraverso un meccanismo di attenzione sui canali, facilitando la distinzione tra le discontinuità della superficie del frutto, le normali texture della buccia e le ombre generate dal peduncolo.
La terza modifica introduce l’Efficient Up-Convolution Block (EUCB), che migliora la ricostruzione delle informazioni spaziali durante l’elaborazione delle immagini, preservando i dettagli dei bordi delle lesioni e favorendone una localizzazione più accurata.
L’efficacia del modello è stata valutata utilizzando un dataset realizzato dai ricercatori stessi, composto da 3.662 immagini di ciliegie acquisite su una linea di selezione reale in condizioni di illuminazione ambientale naturale. Il campione comprendeva 1.878 frutti integri e 1.784 frutti con cracking, includendo diverse configurazioni del difetto, dalle lesioni lineari sottili a quelle con basso contrasto, sovrapposte al peduncolo o presenti in gruppi ravvicinati.
I risultati evidenziano prestazioni superiori rispetto ai modelli di riferimento considerati. YOLO-CY ha raggiunto una precisione del 93,90% e un richiamo del 90,81%, mentre la precisione media di rilevamento (mAP50) si è attestata al 94,88%.
Quest’ultimo indicatore sintetizza la capacità del modello di identificare correttamente i difetti e localizzarli nelle immagini, adottando una soglia di intersezione tra area prevista e area di riferimento pari al 50%. Il miglioramento è rilevante specialmente per i campioni più difficili: in queste condizioni, YOLO-CY ha ottenuto una mAP50 del 92,6%, una precisione del 93,2% e un richiamo del 90,0%, confermando una maggiore capacità di riconoscere lesioni sottili, a basso contrasto o parzialmente nascoste.
Per quanto concerne la velocità di elaborazione, il modello ha raggiunto 160 immagini al secondo nella sola fase di inferenza e 125 fotogrammi al secondo considerando l’intera pipeline, comprensiva di pre-elaborazione e post-elaborazione. Gli esperimenti di ablazione hanno inoltre confermato che il miglioramento deriva dall’integrazione complementare dei tre moduli.
Nel complesso, i risultati mostrano che l’utilizzo di YOLO-CY può rendere più affidabile il riconoscimento automatico dei difetti senza penalizzare la velocità operativa.
L’impiego di questo modello potrebbe quindi contribuire a rendere più uniforme la selezione commerciale, riducendo il rischio che frutti con cracking sfuggano al controllo e raggiungano le fasi successive della filiera. È tuttavia necessario distinguere le prestazioni sperimentali dalla piena validazione industriale.
Questa tecnologia rappresenta una soluzione promettente per il controllo qualitativo automatizzato delle ciliegie, ma la sua adozione su scala commerciale dovrà essere accompagnata da verifiche su diverse varietà, impianti di selezione e condizioni operative.
Fonte: Sun, Y., Miao, X., Zhang, Y., He, Z., Tao, X., Wang, Z., Hou, T., Ren, P., & Wang, W. (2026). Lightweight and High-Precision Visual Detection of Cherry Cracking Defects Based on Improved YOLO11 with Enhanced Feature Fusion. Agriculture, 16(10), 1110. https://doi.org/10.3390/agriculture16101110
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
29 lug 2024
Passando alle informazioni sulle vendite al dettaglio, i dati parziali (29 aprile-16 giugno) di fonte NielsenIQ indicano per il 2024 rispetto alla campagna precedente un incremento dei volumi (+12,3%) e un più consistente incremento della spesa sostenuta dalle famiglie (+20,3%).
12 ago 2025
Un innovativo modello fenologico ibrido unisce conoscenze biologiche e machine learning per prevedere la fioritura del ciliegio. Testato in Giappone, Corea del Sud e Svizzera, offre maggiore precisione e adattabilità rispetto ai modelli tradizionali, anche con dati limitati.
04 nov 2026
YOLO-CY rileva le microfessurazioni delle ciliegie con precisione e rapidità. Testato su 3.662 immagini, il modello raggiunge una mAP50 del 94,88% e processa 125 fotogrammi al secondo. Servono ulteriori verifiche in diversi impianti e condizioni operative prima dell’uso.
04 nov 2026
Le ciliegie cilene in Cina passano da regalo del Capodanno lunare a frutto quotidiano. Tra prezzi in calo e consumatori attenti al valore, Ipsos indica quattro strategie per ampliare il pubblico, valorizzare qualità e salute e creare occasioni di consumo durante l’anno.
