Droni e identificazione varietale attraverso l’utilizzo di foto aeree e dell’IA su alcune varietà di albicocche e pesche. Si tratta di un progetto sperimentale portato avanti da Sicasov, su richiesta di alcuni costitutori di varietà fruttifere, con lo scopo di sviluppare degli strumenti che possano aiutare a tutelare, proteggere e valorizzare il frutto della ricerca e del miglioramento varietale.
Proteggere il valore del miglioramento genetico
La frutticoltura moderna, così come l’agricoltura nel suo complesso, affronta oggi sfide sempre più complesse: cambiamenti climatici, nuove fitopatie, esigenze di mercato e sostenibilità ambientale. In questo scenario, la ricerca scientifica rappresenta un alleato strategico, in particolare attraverso i programmi di miglioramento genetico varietale.
In passato, l’obiettivo principale del miglioramento genetico era la produttività. Oggi, oltre alla resa, la selezione varietale punta a sviluppare caratteri morfo-fisiologici che garantiscano resistenza alle malattie, tolleranza agli stress abiotici, adattamento ai cambiamenti climatici e, non ultimo, sostenibilità economica ed ambientale.
Nel settore frutticolo poi, il miglioramento genetico si dimostra particolarmente complesso per la lunga fase giovanile degli alberi, che rallenta la selezione e dilata i tempi necessari a ottenere genotipi stabili. Condizionata da questo limite biologico di partenza, la ricerca ha progressivamente esteso il proprio orizzonte di indagine includendo nuovi aspetti colturali e non solo:
- caratteri del frutto: calendario di maturazione, pezzatura, qualità organolettiche, conservabilità e attitudine alla trasformazione industriale;
- esigenze biologiche della pianta: autofertilità, fabbisogno in freddo, riduzione del periodo giovanile;
- resistenza e adattamento: difesa da patogeni, tolleranza agli stress climatici, affinità con portinnesti.
Il risultato finale è la selezione di nuove varietà, spesso dopo oltre un decennio di ricerca e di investimenti con costi che possono superare il milione di euro a seconda della specie e delle tecnologie impiegate.
Per garantire la sostenibilità di questo processo, i costitutori si avvalgono della privativa vegetale, titolo giuridico rilasciato dal Cpvo (Ufficio comunitario delle varietà vegetali) o dagli uffici nazionali che conferisce il diritto esclusivo all’utilizzo (riproduzione, vendita e commercializzazione) della varietà protetta per 25-30 anni, a seconda della specie, e per un territorio ben definito. Quando il diritto è concesso in licenza a terzi, questi devono corrispondere una royalty, a parziale riconoscimento degli investimenti sostenuti per la selezione varietale stessa. La privativa vegetale è dunque fondamentale per tutelare la ricerca e il progresso varietale, garantendo continuità ed innovazione nel settore agroindustriale.
In questo contesto opera la Sicasov, società specializzata nella gestione dei diritti dei costitutori, attraverso la gestione delle royalties e la sorveglianza del mercato. In caso di utilizzo illecito di varietà protette, interviene con verifiche e, ove possibile, con accordi conciliativi; nei casi più gravi, procede per vie legali, anche con il supporto delle Forze dell’Ordine.
Foto aeree e intelligenza artificiale
Considerata l’importanza strategica del mercato nazionale delle drupacee e la diffusione di impianti con varietà protette utilizzate illegalmente, la Sicasov si attiva, per mandato dei costitutori, nel definire e sviluppare un sistema capace di identificare, in modo efficace, rapido e scalabile, ampie superfici devolute alla coltivazione di albicocche e pesche.
La collaborazione con partner tecnologici specializzati nell’Intelligenza Artificiale (IA), ha portato alla messa a punto di un sistema informatico basato su algoritmi di IA, integrando la raccolta di immagini georiferite con la loro elaborazione automatica. Il sistema consente quindi l’identificazione varietale remota, su ampie superfici coltivate, con un’affidabilità superiore al 90%, avendo la possibilità di integrare nuove varietà e specie
vegetali.
Gli obiettivi di tale progetto sono chiari: tutelare i diritti di proprietà intellettuale dei costitutori e garantire maggiore trasparenza lungo tutta la filiera, dai produttori stessi alle Op/Aop alle associazioni ed enti di certificazione e controllo fino al consumatore finale.
L’idea di utilizzare l’intelligenza artificiale per riconoscere a distanza le varietà frutticole parte da un presupposto semplice: ogni frutto di una determinata varietà, anche all’interno della stessa specie, possiede una propria “impronta” visiva fatta di colore, forma, dimensione e disposizione sul ramo. Catturare e interpretare questa impronta richiede però un processo complesso, che prevede rilievi sul campo, acquisizione di immagini e sviluppo di sistemi di apprendimento automatico capaci di distinguere e identificare le varietà.
Come funziona
Il primo passo consiste nell’individuazione dei siti di indagine, con la selezione di più aziende agricole distribuite in contesti ambientali differenti per ciascuna varietà protetta presa in considerazione (fig. 1). Ciò permette di includere nelle immagini, di una stessa varietà, la variabilità fenotipica dovuta alle condizioni pedoclimatiche come alle pratiche agronomiche. In ogni sito viene pianificato un calendario di rilievi in funzione delle fasi fenologiche più rappresentative, di norma la fruttificazione, quando la pianta ed il frutto mostrano in modo più evidente le caratteristiche distintive della varietà. Le acquisizioni vengono effettuate con droni e fotocamere da terra dotati di sensori ottici ad alta risoluzione. La combinazione di acquisizioni aeree e da terra offre punti di vista complementari: le immagini dall’alto garantiscono una copertura omogenea ed ampia dei filari, mentre quelle da terra forniscono maggiore dettaglio permettendo di superare possibili ostacoli come reti antigrandine, antinsetto o di altro genere.
Terminate le campagne di rilievo, il materiale raccolto viene sottoposto a una selezione preliminare: vengono scartate le immagini non a fuoco, sovraesposte, sottoesposte o in cui compaiono strutture antropiche che potrebbero influenzare la rete neurale, una struttura matematica ispirata al funzionamento del cervello umano. A questo punto entrano in gioco gli algoritmi di riconoscimento che individuano le zone in cui compaiono porzioni di pianta su cui l’algoritmo di apprendimento andrà a lavorare.
La fase successiva riguarda la selezione delle immagini più adatte, scartando quelle di qualità insufficiente, per costruire un dataset efficace per l’addestramento della rete neurale profonda. Decine di migliaia di immagini vengono analizzate dalla rete neurale che “impara” a riconoscere automaticamente i tratti distintivi che caratterizzano le diverse varietà. Attraverso una serie di iterazioni la rete neurale apprende e riconosce forme, colori e dettagli sempre più fini, non solo relativi ai frutti, ma anche ad altri elementi distintivi della pianta come rami, foglie e disposizione della chioma.
Per garantire affidabilità e oggettività, il dataset di immagini viene diviso in tre parti: una per l’addestramento, una per la validazione durante l’apprendimento ed una per il test finale. In questo modo l’algoritmo è valutato su immagini che non ha mai “visto” prima, simulando le condizioni reali in cui dovrà operare. Durante l’addestramento, il sistema corregge i propri parametri per ridurre progressivamente l’errore tra previsione e realtà, fino a stabilizzarsi su un livello di accuratezza ottimale. L’andamento dell’apprendimento viene costantemente monitorato nella fase di validazione per valutare come il modello migliora le proprie previsioni. A mano a mano che la rete elabora nuove immagini vengono ridotti gli errori cercando di mantenere un equilibrio tra la capacità di riconoscere correttamente i casi già noti e quella di adattarsi a situazioni nuove, senza “imparare a memoria” i dati di partenza. Alla fine del processo, la rete neurale restituisce per ogni immagine la probabilità di appartenenza a ciascuna delle varietà conosciute.
Una volta costruita e addestrata, questa rete diventa uno strumento operativo: analizzando nuove immagini acquisite in frutteti la cui composizione varietale è ignota o parzialmente nota, è in grado di riconoscere la presenza di varietà protette note. In questo modo il modello consente di individuare sul territorio un eventuale utilizzo illecito di varietà protette, fornendo un supporto concreto nella verifica e tutela dei diritti di privativa vegetale.
Risultati interessanti
Finora il sistema è stato sviluppato e testato su cinque varietà frutticole. Le attività hanno coinvolto circa 15 aziende agricole, permettendo di raccogliere un patrimonio di oltre 100.000 immagini georiferite. L’addestramento del modello ha richiesto un impegno computazionale significativo, pari a oltre 50.000 core/hour, a testimonianza della complessità del processo e della quantità di dati elaborati.
Dietro l’apparente semplicità di un drone che scatta fotografie si nasconde dunque un processo complesso che parte dai campi e arriva al centro di calcolo, trasformando l’osservazione visiva in informazione scientifica e da qui al rispetto o meno del diritto di proprietà intellettuale, la privativa vegetale. È un approccio che coniuga agronomia, informatica e telerilevamento, offrendo nuove opportunità nella tutela delle varietà protette, per garantire il miglioramento della qualità produttiva e la gestione intelligente dei frutteti.
Il sistema di intelligenza artificiale così pensato (identificazione varietale a distanza con geolocalizzazione puntuale), oltre a rappresentare un’innovazione tecnologica strategica per il settore frutticolo, lascia spazio a numerose altre applicazioni in ambito agricolo, dove la corrispondenza tra quanto dichiarato e quanto realmente presente in campo è cruciale, perché implica diritti e doveri verso numerosi portatori d’interesse e diverse attività della filiera agricola (contributi Pac, copertura dei rischi, certificazione di conformità, Global Gap, catasti varietali ecc.).
Grazie alla capacità di operare su larga scala e alla flessibilità nell’integrazione di nuove specie e varietà, il sistema si configura quindi come uno strumento versatile e sostenibile, in grado di supportare istituzioni, organismi di controllo e imprese agricole nella gestione di processi complessi, riducendone tempi e costi.
