Distinguere i mirtilli acerbi, in invaiatura e maturi attraverso le immagini, mantenendo il modello abbastanza leggero da funzionare su un dispositivo compatto. È l’obiettivo di uno studio pubblicato su Agriculture, che presenta risultati utili per lo sviluppo di strumenti di monitoraggio e supporto alla raccolta.
Riconoscere lo stadio di maturazione dei mirtilli nelle immagini di campo pone diverse difficoltà: i frutti sono piccoli, spesso riuniti in grappoli densi e parzialmente nascosti, mentre i passaggi di colore possono essere poco evidenti. Lo studio Lightweight Detection of Blueberries at Different Maturity Stages in Complex Orchard Environments, pubblicato il 10 settembre 2026, affronta questo problema attraverso un modello di intelligenza artificiale progettato per contenere la complessità di elaborazione.
Gli autori sono Aoyan Li, Chunhui Bai, Lilian Zhang, Lutao Gao, Zhongyue Fu e Linnan Yang. Il lavoro riguarda il riconoscimento visivo di tre stadi: acerbo, in invaiatura e maturo.
Un dataset di 4.680 immagini
La ricerca ha costruito un dataset di campo composto da 4.680 immagini e 60.573 riquadri di annotazione dei frutti. Questi riquadri indicano gli oggetti da riconoscere nelle immagini e costituiscono il riferimento per l’apprendimento e la valutazione del sistema.
Il modello parte da YOLOv12n, un’architettura per il rilevamento degli oggetti. I ricercatori ne hanno modificato la struttura per rafforzare la rappresentazione dei dettagli ad alta risoluzione, importanti quando il bersaglio è piccolo. Hanno inoltre introdotto un modulo di attenzione, denominato SHSA2C2f, per migliorare l’interpretazione dei grappoli densi e degli stadi di maturazione visivamente ambigui.
I risultati del modello M4
In tre esecuzioni indipendenti, la configurazione M4, orientata all’accuratezza, ha raggiunto una mAP@0,5 del 92,68 ± 0,04% e una mAP@0,5:0,95 dell’86,38 ± 0,10%, con 0,79 milioni di parametri. Per la classe dei frutti in invaiatura, l’AP50 è stata dell’89,78 ± 0,28%.
La mAP è una metrica di valutazione del rilevamento degli oggetti: considera la qualità delle individuazioni e la corrispondenza tra i riquadri previsti e quelli di riferimento. Il valore del 92,68% non va quindi interpretato come la semplice percentuale di mirtilli classificati correttamente.
Più frutti individuati, con un compromesso nelle prestazioni
Gli autori hanno valutato anche una strategia di trasferimento di conoscenza guidata da DINOv3 durante l’addestramento, senza costi aggiuntivi nella successiva elaborazione delle immagini.
A parità di architettura del modello destinatario, questa strategia ha portato il recall, cioè la capacità di individuare gli oggetti presenti, dall’85,00 ± 0,52% all’85,81 ± 1,12%. Contemporaneamente, la mAP@0,5:0,95 è scesa leggermente, dall’86,38 ± 0,10% all’86,19 ± 0,17%. I risultati descrivono quindi un compromesso tra diverse metriche, anziché un miglioramento uniforme.
Il test su un dispositivo compatto
Dopo la conversione con TensorRT in formato FP16, il modello M4 ha mantenuto una mAP@0,5 del 92,75% e una mAP@0,5:0,95 dell’86,24%. Su un Jetson Orin Nano ha elaborato 15,9 fotogrammi al secondo.
Secondo gli autori, questo risultato sostiene la fattibilità dell’elaborazione su dispositivi locali nelle condizioni valutate. Per la filiera, l’interesse riguarda la possibilità di sviluppare strumenti che analizzino le immagini vicino al punto di acquisizione.
Le prospettive per la produzione
Il riconoscimento dei diversi stadi di maturazione può fornire una base tecnologica per il monitoraggio degli impianti e la pianificazione della raccolta. L’impiego operativo richiede però di collegare le prestazioni del modello alle esigenze dell’azienda: condizioni di acquisizione delle immagini, affidabilità delle rilevazioni e utilità delle informazioni prodotte.
I dati riportati nell’abstract documentano le prestazioni di un sistema di visione nelle condizioni sperimentali considerate. Non permettono, da soli, di quantificare risparmi di manodopera, aumenti di resa o prestazioni di un robot di raccolta completo. Il contributo dello studio riguarda soprattutto il rapporto tra capacità di riconoscimento e leggerezza del modello.
Italian Berry - Tutti i diritti riservati
