L’individuazione dei frutteti con varietà protette non lecitamente utilizzate risulta complessa per la loro dispersione territoriale e frammentarietà. I controlli tradizionali da terra richiedono tempo, risultano costosi e relativamente efficaci quando applicati a territori agricoli estesi e superfici medie aziendali contenute. Per rispondere a questa criticità, è necessario superare l’approccio ispettivo puntuale ed indirizzarsi verso modelli di monitoraggio “collaborativi”, capaci cioè, in sinergia con diversi strumenti d’indagine, d’analizzare rapidamente superfici su scala regionale e non solo, così da sfruttare le finestre stagionali e fenologiche utili all’individuazione e riconoscimento varietale.
In tale contesto si inserisce la seconda fase del progetto che, dopo una prima che ha visto lo studio e sviluppo della rete neurale convoluzionale vera e propria (vedi articolo "Droni utili per la tutela delle varietà" ), si è concentrato sulla chiara definizione del percorso operativo per il passaggio dalla sperimentazione controllata alla validazione in campo, utilizzando come motore di analisi pre-addestrato la rete neurale sviluppata precedentemente. Questo approccio ha permesso di evitare ricalibrazioni stagionali, garantendo stabilità nelle prestazioni a seconda del luogo e periodo di sorvolo.
Addestramento del modello su fotografie
L’addestramento del modello si è basato su un ampio archivio di immagini raccolte nel corso di più anni, comprendente milioni di fotografie acquisite in molteplici condizioni ambientali e stadi fenologici permettendo così al sistema di IA di “formarsi” su caratteristiche morfologiche robuste e stabili nel tempo, come forma dei frutti, colore, loro disposizione nella chioma ma anche caratteristiche fogliari.
La validazione territoriale della seconda fase ha quindi rappresentato il banco di prova vero e proprio per verificare la resilienza del modello in condizioni operative reali e molto diverse tra loro. Per garantire obiettività e solidità dei risultati, la validazione è stata condotta adottando un rigoroso protocollo “blind test” per il quale i costitutori hanno selezionato frutteti “target” fornendone esclusivamente le coordinate Gps, senza alcuna ulteriore informazione sulle varietà presenti e lasciando il gruppo di ricerca volutamente allo scuro di qualsiasi dato varietale e agronomico di riferimento. Solo al termine dell’intero processo, i costitutori hanno reso note le denominazioni varietali reali oggetto del “blind test”, permettendo così di verificare le effettive prestazioni del sistema di intelligenza artificiale nel riconoscimento delle varietà in condizioni operative reali, riducendo al minimo qualsiasi forma di interferenza o bias umano.
Sulla base delle sole coordinate, sono stati così effettuati sorvoli aerei con elicotteri pilotati, durante i quali migliaia di immagini ad alta risoluzione sono state raccolte e grazie alle quali il sistema di intelligenza artificiale ha elaborato i dati producendo predizioni varietali fondate unicamente sulle caratteristiche visive dei frutti e delle piante.
Il passaggio a una scala territoriale molto più ampia ha reso necessario anche un ripensamento delle modalità di acquisizione delle immagini che si è sostanziata nell’utilizzo di elicotteri pilotati, superando così i limiti di copertura dei droni. Sono stati testati due diversi modelli di elicottero per valutare consumi di carburante e livelli di rumorosità, con l’obiettivo di ridurre i costi e minimizzare l’impatto sulle aree agricole. Questi aspetti risultano cruciali in una prospettiva di monitoraggio su larga scala, dove l’efficacia operativa e la discrezione del mezzo influiscono direttamente sulla sostenibilità economica dei controlli e sulla possibilità di effettuare sorvoli ripetuti nel corso della stessa stagione produttiva. Nel corso di quattro missioni di volo, condotte nel mese di giugno 2025, le attività di acquisizione hanno coperto complessivamente circa 586 km, per un tempo di volo totale pari a 6 ore e 52 minuti. Le operazioni si sono svolte su un territorio ampio e frammentato, affrontando condizioni operative eterogenee sia dal punto di vista geografico che ambientale.
La complessità operativa si è manifestata anche per ciò che riguarda la strumentazione, laddove l’acquisizione di informazioni varietali da un elicottero in movimento (vibrazioni, vento, velocità d’avanzamento) richiede infatti una strumentazione ottica in grado di garantire elevata qualità dell’immagine anche a notevole distanza e quando sottoposta a severe sollecitazioni. Il sistema di ripresa adottato ha consentito di rilevare dettagli sub-centimetrici, come la tessitura della buccia dei frutti o la disposizione delle foglie sulla chioma, garantendo al contempo condizioni di sicurezza e rapidità di acquisizione.
Le vibrazioni indotte dal volo sono state compensate grazie a sistemi avanzati di stabilizzazione ottica e a meccanismi di messa a fuoco ad alta velocità.
Nel complesso, la campagna ha prodotto un volume di circa 100 GB di dati grezzi, fornendo al sistema di intelligenza artificiale una qualità informativa paragonabile a un’osservazione di campo ravvicinata, pur operando a grande distanza. Perché tali dati fossero effettivamente utilizzabili, ogni immagine è stata associata in modo univoco ad una precisa posizione geografica grazie all’utilizzo, durante ogni volo, di un sistema di sincronizzazione Gps in tempo reale, integrato a bordo degli elicotteri, che ha consentito di registrare le coordinate esatte di ogni scatto fotografico.
Analisi delle immagini
Le informazioni geografiche sono state successivamente confrontate con la cartografia catastale ufficiale, basata su poligoni catastali digitali degli appezzamenti agricoli. In alcune situazioni di ambiguità operative, come in prossimità dei confini tra campi adiacenti, si è proceduto ad una verifica visiva diretta durante il sorvolo per assicurarsi della corretta scelta del frutteto. Questo passaggio ha garantito che ogni acquisizione fosse correttamente riferita alla parcella di interesse, garantendo coerenza tra predizione varietale e proprietà legale del terreno.
L’applicazione dell’intelligenza artificiale al contesto reale ha inoltre evidenziato limiti e criticità eliminabili a priori con opportuna pianificazione e gestione delle informazioni iniziali ed anche una rapidità decisionale durante le fasi operative. Nel corso dei rilievi, infatti, il 26% circa dei frutteti a controllo presentava reti antigrandine, soprattutto in presenza di varietà di maggior pregio, reti che hanno limitato l’efficacia delle riprese aeree standard ed imposto un vero e proprio cambio di prospettiva: non più acquisizioni verticali bensì rilievi fotografici direttamente da terra. A questi casi si sono aggiunte altre situazioni tipiche dell’attività agricola, come frutteti con frutta già raccolta o confini poco definiti tra appezzamenti adiacenti. Lontane dall’essere eccezioni, tali condizioni si sono dimostrate preziose permettendo di testare il sistema in scenari pienamente realistici ed evidenziando la necessità di strategie di acquisizione flessibili e adattabili.
Una volta acquisite e georeferenziate, le immagini ad alta risoluzione sono state elaborate per estrarre solo le informazioni utili al riconoscimento varietale. Analizzare ogni fotografia nel suo insieme risulterebbe poco efficace, poiché gran parte dell’immagine include anche elementi non rilevanti dal punto di vista biologico. Per questo motivo è stata adottata una strategia di segmentazione denominata tiling, che suddivide ogni scatto aereo in centinaia di riquadri più piccoli ed omogenei. Questa segmentazione consente al sistema di intelligenza artificiale di concentrarsi selettivamente sulle sole porzioni di immagine che contengono dati informativi unici, ovvero morfologicamente tipizzanti il frutto, preso singolarmente o in grappolo, le foglie, dalla loro forma alla disposizione in chioma, come altri elementi morfologici della pianta, escludendo al contempo elementi di disturbo, quali suolo, infrastrutture e materiali abiotici. In questo modo, la predizione finale si basa su dati biologici-botanici specifici e mirati, riducendo l’influenza delle condizioni ambientali esterne.
I risultati ottenuti: identificazione corretta fino all'88%
I risultati quantitativi hanno confermato l’efficacia dell’approccio del sistema di identificazione varietale gestito dall’intelligenza artificiale.
La fase di validazione ha mostrato che l’intelligenza artificiale così sviluppata ha identificato correttamente l’88% delle varietà di albicocco e il 67% delle varietà di pesco analizzate, con un livello di confidenza mediano sempre superiore all’88%.
La minore percentuale osservata per il pesco, verificati ed esclusi limiti del processo di riconoscimento automatico, deriva da fattori legati alla fase di acquisizione delle informazioni inziali come la localizzazione dell’appezzamento, copresenza di più varietà ecc. Tutti questi elementi, ancorché fonte di distorsioni nei risultati finali, si sono dimostrati preziosi sottolineando l’importanza della corretta definizione degli obiettivi in campo e della strategia di acquisizione delle immagini.
In questo processo, i costitutori hanno svolto un ruolo centrale non solo come titolari dei diritti varietali, ma soprattutto come partner strategici della validazione, contribuendo a trasformare un’analisi automatica teorica in un risultato concreto verificabile e verificato.
L’attività di validazione automatizzata basata su un protocollo “blind test” ha dimostrato che l’integrazione tra foto aeree, rilievi fotografici da terra e sistemi di intelligenza artificiale costituiscono realmente un modello per il controllo varietale su territori estesi ed eterogenei. La flessibilità nell’aggiungere nuove varietà e la capacità nell’identificarle con livelli di accuratezza prossimi al 90% costituiscono un deterrente credibile nei confronti dell’utilizzo non autorizzato delle varietà protette ed introduce un nuovo livello di trasparenza nella filiera frutticola.
Il sistema, per il suo valore tecnologico e versatilità, può così prestarsi ad Enti (per esempio, Agea Coordinamento Ufficio Antifrode e Risk-Compliance), attività (per esempio, copertura del rischio in agricoltura, servizio fitosanitario) e applicazioni (per esempio, Enti certificatori) per cui la verifica tra ciò che è dichiarato e ciò che è realmente in situ diventa fondamentale per una verifica preventiva della regolarità dei comportamenti di tutti gli attori della filiera, soprattutto quando questa comporta contributi erogati, certificazioni e altri sistemi di validazione nazionale comunitaria.
