Development of Optical Measurement Methodologies for In-Field Estimation of Plant Health and Agricultural Yield

This study explores the reuse of photonic and vision systems initially developed for autonomous driving to enhance the monitoring capabilities of agricultural tractors. These systems, optimized for cost-effectiveness, are integrated into existing machinery to collect accurate data for plant monitoring in precision agriculture. This approach minimizes the need for developing dedicated software or acquiring specialized equipment, making advanced monitoring solutions more accessible. Metrology plays a pivotal role in ensuring the reliability of the process. Experimental campaigns conducted in real-world environments evaluate the performance of these sensors, quantify uncertainties, and validate their effectiveness under the dynamic conditions of agricultural fields. This thorough validation enables the selection of appropriate sensors and hardware and supports the development of robust algorithms for processing visual and spectral data. The research includes trials conducted on renowned agricultural estates, such as the MASI Amarone vineyard, and experimental fields at ETSEA, the precision agriculture campus in Lleida. These trials demonstrate how environmental conditions influence sensor performance and measurement accuracy, offering valuable insights for adapting photonic and vision systems to the specific needs of agriculture. By equipping tractors with validated systems like the Intel RealSense D435 and the Azure Kinect DK, these machines become intelligent platforms capable of improving crop, soil, and resource management. The findings show how low-cost sensors originally designed for autonomous driving can be successfully adapted to agricultural needs, supported by metrological validation and algorithmic advancements. This work highlights the importance of integrating affordable and validated technologies into agriculture, ensuring practical and reliable solutions tailored to the industry's challenges.

Questo studio mira a potenziare le capacità di monitoraggio dei trattori agricoli attraverso l'uso di tecnologie fotoniche e di visione sviluppate per la guida autonoma. Sistemi low-cost, già ottimizzati e consolidati, vengono integrati nelle macchine agricole esistenti per raccogliere dati accurati e affidabili. Questa soluzione consente di rendere accessibili tecnologie avanzate senza la necessità di sviluppare software o apparecchiature specializzate. L'affidabilità dei sistemi proposti è fondata su principi metrologici. Per verificarne le prestazioni, quantificare le incertezze e garantirne l’efficacia in condizioni agricole variabili e complesse, sono state condotte campagne sperimentali in ambienti reali. Tali esperimenti hanno permesso di sviluppare algoritmi per l’elaborazione di dati spettrali e visivi, nonché di selezionare i sensori e l’hardware più appropriati per il contesto agricolo. Le attività sperimentali si sono svolte nei campi di ETSEA, il campus di agricoltura di precisione di Lleida (ES), e in aziende agricole come il vigneto MASI Amarone (VR). Questi test hanno evidenziato l’influenza delle condizioni ambientali sulle prestazioni dei sensori e sull’accuratezza delle misurazioni, fornendo preziose indicazioni per adattare le tecnologie alle esigenze specifiche del settore agricolo. L'integrazione di sensori come Azure Kinect DK e Intel RealSense D435i trasforma i trattori in strumenti intelligenti, capaci di ottimizzare la gestione delle colture, del suolo e delle risorse. I risultati confermano che, attraverso processi di validazione metrologica e lo sviluppo di algoritmi avanzati, è possibile adattare con successo sensori a basso costo, originariamente destinati alla guida autonoma, per applicazioni agricole. Questo studio evidenzia l'importanza di combinare tecnologie economiche e validazioni metrologiche per sviluppare soluzioni pratiche e affidabili, capaci di affrontare le sfide dell'agricoltura moderna.