Nel frenetico mondo degli impianti di confezionamento dei lamponi, la classificazione in tempo reale di migliaia di piccoli frutti in movimento rappresenta una sfida notevole. Ogni singolo lampone, spesso di dimensioni ridotte a poche decine di pixel, richiede un'attenta valutazione per garantire la qualità e minimizzare lo spreco.
Le difficoltà si moltiplicano a causa di ostacoli come le occlusioni all'interno delle vaschette trasparenti, le sfumature cromatiche quasi impercettibili tra i diversi stadi di maturazione e una marcata disparità nella distribuzione delle classi, con i frutti difettosi o "di scarto" che costituiscono meno del 3% del raccolto totale. Fino ad oggi, il settore era privo di un dataset pubblico e accurato a livello di pixel, indispensabile per addestrare e validare modelli di segmentazione in condizioni operative reali.
Una recente e innovativa pubblicazione, frutto del lavoro di Mohamed Lamine Mekhalfi, Paul Chippendale, Fabio Poiesi, Samuele Bonecher, Gilberto Osler e Nicola Zancanella, ha dimostrato un approccio rivoluzionario per superare queste complessità, aprendo nuove prospettive per l'automazione nella filiera dei piccoli frutti.
Il cuore tecnologico: la metodologia "RaspGrade"
Per affrontare la sfida, gli autori hanno sviluppato RaspGrade, un dataset pionieristico. Hanno fotografato 200 vaschette di lamponi (per un totale di 5.243 frutti) provenienti da supermercati, utilizzando una fotocamera Intel RealSense D456 e un'illuminazione LED uniforme, in una configurazione che riproduceva fedelmente le condizioni di un nastro trasportatore.
Successivamente, sono state create a mano maschere pixel-accurate e assegnate etichette di maturazione su cinque livelli distinti utilizzando lo strumento CVAT. L'80% del dataset è stato destinato all'addestramento e il restante 20% alla validazione.
Le immagini sono state ridimensionate a 1280 × 800 pixel e un modello di segmentazione delle istanze leggero, YOLOv8-n-seg, è stato addestrato per 100 epoche con un batch di 2. L'obiettivo era garantire una velocità di 30 fotogrammi al secondo (FPS) su una GPU di edge computing, soddisfacendo così le esigenze industriali di real-time.
Sono state esplorate tre varianti di ingegneria della funzione di perdita (loss engineering) per ottimizzare le prestazioni:
- (i) una baseline basata sulla BCE (Binary Cross-Entropy);
- (ii) un'assegnazione di peso 10 volte superiore alla rara classe "Rifiuto" (Grado 5) per migliorarne il rilevamento;
- (iii) il mantenimento del peso per il Grado 5 con l'aggiunta di un robusto termine di classificazione globale (λ_cls = 7), o in alternativa, un aumento di peso sia per il Grado 4 che per il Grado 5.
Le prestazioni sono state valutate utilizzando metriche come precisione, richiamo e mean Average Precision (mAP_50 e mAP_50-95), sia per i bounding box che per le maschere di segmentazione.
Risultati chiave: precisione, velocità e impatto economico
I risultati di questa ricerca sono notevoli e promettenti per il settore dei piccoli frutti:
- Il modello YOLOv8-n-seg più performante ha raggiunto un'impressionante mAP del 65,5% per le maschere (mAP@50) su tutti e cinque i gradi di maturazione dei lamponi, operando a una velocità di 30 FPS. Questa performance è cruciale per l'industria.
- La performance del modello ha mostrato variazioni tra i gradi: ha eccelso sui lamponi di Grado 2, con un mAP del 91,0%, ma ha avuto le maggiori difficoltà con il Grado 5 ("Rifiuto"), raggiungendo un mAP del 23,7%. Questa discrepanza riflette la grave disparità nel dataset.
- L'implementazione del re-weighting della loss per le classi sottorappresentate si è rivelata estremamente efficace. Il mAP per il Grado 5 è più che raddoppiato, passando dal 9,3% al 23,7%. Sebbene questa ottimizzazione abbia leggermente ridotto le prestazioni sui gradi intermedi, l'incremento è fondamentale.
- La precisione nel rilevamento delle vaschette è stata quasi perfetta, raggiungendo il 99,5% di mAP. Questo consente un'analisi affidabile per singola vaschetta e sistemi di smistamento a ciclo chiuso.
- Il sistema è pronto per l'integrazione industriale. La velocità nel fornire coordinate e gradi consente l'impiego di robot "pick-and-place" per la rimozione dei frutti non idonei. Si stima un risparmio di manodopera di circa €30.000 all'anno per ogni linea di confezionamento.
Verso un futuro di qualità e efficienza per i piccoli frutti europei
I risultati di questo studio pionieristico sui lamponi dimostrano il potenziale trasformativo dell'Intelligenza Artificiale per il settore dei piccoli frutti. La capacità di classificare i frutti delicati in tempo reale, con alta precisione e in modo automatizzato, non solo migliora la qualità del prodotto finale ma offre anche significativi vantaggi economici alle aziende di confezionamento.
Per i produttori e gli esportatori italiani ed europei di piccoli frutti, dove la qualità e l'efficienza sono fattori chiave di competitività, queste innovazioni rappresentano un passo fondamentale. L'ottimizzazione dei processi di selezione e la riduzione degli sprechi possono tradursi in una maggiore sostenibilità e redditività.
L'impegno di realtà come Petiole Pro, che già offre soluzioni basate su IA per il conteggio e l'analisi di mirtilli e fragole, conferma la direzione dell'agricoltura moderna: un'agricoltura sempre più intelligente, precisa e in grado di affrontare le sfide della produzione su larga scala.
Mentre questa ricerca si concentra sui lamponi, la metodologia e le scoperte aprono la strada a sistemi simili per altri frutti delicati, compresi altri tipi di bacche, per assicurare che solo il meglio arrivi sulle nostre tavole.