AI, agricoltura
Come l’AI può identificare in anticipo marciume e muffa nei frutti raccolti
Lo sviluppo di modelli per l’agricoltura basati su Intelligenza Artificiale, oggi, tende a “colmare il vuoto” di automazione in processi ancora affidati all’azione dell’uomo. Se in campo, gli interventi sono da tempo guidati dagli strumenti di agricoltura di precisione, dopo il raccolto, il controllo della calibratura e della salute dei frutti è ad opera quasi esclusivamente dal coltivatore.
Uno dei problemi più diffusi in questa fase di post-raccolta e pre-vendita al cliente è assicurare un prodotto sano, non danneggiato da marciume o da patologie fungine. I frutti raccolti, infatti, possono ammaccarsi per accumulo e dare così avvio a una prematura decomposizione oppure sviluppare danni da patogeni fungini.
I progressi scientifici in ambito agricolo hanno dimostrato che oggi è possibile integrare modelli di autoapprendimento nel monitoraggio del raccolto per rilevare difetti nella fase iniziale, quando questi sono ancora invisibili all’occhio umano. Tra gli esperimenti di successo finora condotti, spicca il sistema di visione artificiale (sviluppato in via pionieristica dall’Università di San Pietroburgo e dal centro ricerca Skoltech) in grado di identificare in modo tempestivo “futuri” frutti marci o ammuffiti.
Questo sistema utilizza due tipi di reti neurali: la rete generativa avversaria e la rete neurale convoluzionale.
Una rete generativa avversaria (GAN) è una classe di metodi di apprendimento automatico composta da due reti neurali, il generatore e il discriminatore, che si sfidano in un gioco a somma zero. Il generatore crea dati sintetici, mentre il discriminatore cerca di distinguere tra i dati reali e quelli generati. Le GAN sono utilizzate per la generazione di immagini, video, riconoscimento vocale e altri compiti di modellazione generativa.
Una rete generativa convoluzionale è un tipo specifico di GAN in cui il generatore e il discriminatore sono entrambi reti neurali convoluzionali. Le reti neurali convoluzionali (CNN o ConvNet) sono un’architettura di rete per il deep learning che apprende direttamente dai dati, particolarmente adatte per l’elaborazione di immagini e il riconoscimento di pattern in esse.
Nel sistema di visione artificiale, gli scienziati hanno utilizzato la rete generativa avversaria per ottenere immagini a infrarossi da RGB, ovvero foto visibili. Ma questo non è stato sufficiente per rilevare difetti perché le reti generative avversarie non classificano le immagini. Quindi hanno adottato reti neurali convoluzionali per identificare gli oggetti delle foto in classi. Queste ultime reti sono state addestrate partendo da un set di dati ricavato da immagini a infrarossi dove erano contrassegnati frutti sani e frutti danneggiati (con patogeni fungini o in via di decomposizione).
Questo sistema conferma l’importanza strategica dell’AI in tutte le fasi del ciclo di vita del prodotto ed è un esempio di come si possono integrare modelli di autoapprendimento in agricoltura.
La ricerca scientifica è da sempre fonte di ispirazione per Reterea, in prima linea nella innovazione dei settori produttivi.
L’unione del patrimonio di conoscenze del mondo agricolo con quelle scientifiche dà origine a soluzioni rivoluzionarie alla portata di qualsiasi imprenditore di successo per restare competitivo e migliorare continuamente la sua produzione.
Nello specifico, l’integrazione dell’Intelligenza Artificiale nel monitoraggio di frutta e verdura dal campo alla vendita va a vantaggio del coltivatore che può garantire ai suoi clienti un prodotto di qualità e quindi di maggiore valore.
Sviluppiamo Sistemi di monitoraggio e previsione per l'agricoltura basati su modelli di autoapprendimento. I nostri software per device da posizionare in campo o strumenti da utilizzare in fase post-raccolta sono su misura delle specifiche esigenze. Vuoi saperne di più?
