APPLICAZIONI DI VISIONE ARTIFICIALE IN AGRICOLTURA DI PRECISIONE E ALLEVAMENTO DI PRECISIONE

Questa tesi esplora applicazioni di Visione Artificiale, implementate tramite Deep Learning, come soluzioni pensate per realtà produttive di piccole e medie dimensioni che operano nell’Agricoltura di Precisione (PA) e nella Zootecnia di Precisione (PLF). La tesi è composta da cinque contribuzioni che analizzano con il metodo scientifico l’analisi di dati raccolti con telecamere di vario tipo (come RGB, RGB-T e Iperspettrali) al fine di operare in modo accessibile, efficace, non invasivo e modulare. Nell’ambito della viticoltura, i dati provenienti da imaging iperspettrale vengono analizzati usando le reti neurali convoluzionali (CNNs) per affrontare il problema della rilevazione precoce delle malattie del legno della vite. Si evidenzia che le CNNs hanno maggiore accuratezza rispetto ad approcci più classici, come PLS-DA, che sono molto adatti in task di classificazione in cui i punti formano insiemi quasi linearmente separabili nello spazio delle osservazioni. Il modello Segment Anything viene analizzato come strumento di base per accelerare il lavoro di annotazione di dataset da impiegare in contesti di Supervised Machine Learning, mostrando in un caso concreto il tradeoff tra tempo e precisione. Un ulteriore studio affronta il problema della qualità dei dataset agricoli pubblicamente accessibili, utilizzando un caso di studio concreto come esempio: vengono applicate tecniche di data augmentation e interpretability per investigare la presenza di bias e per mostrare come mitigarne l’effetto sui modelli che usano tali dati per l’allenamento. Nel campo della zootecnia, si propone un nuovo metodo per il calcolo di vari indici di attività cinetica degli avicoli tramite stream video RGB, con lo scopo di risparmiare tempo di elaborazione (o aumentare il rate di FPS analizzabili in tempo reale). Per la valutazione della pulizia del bestiame, viene sviluppata una soluzione che combina imaging RGB e termico allo scopo di automatizzare l’attribuzione di punteggi di pulizia per razze di bovini con mantello maculato. In tutti gli studi, le considerazioni sul deployment si concentrano su piattaforme System-on-Chip, che garantiscono un’elaborazione locale, a basso costo e modulare. I risultati dimostrano come modelli avanzati di intelligenza artificiale possano essere resi accessibili agli agricoltori, contribuendo a una transizione digitale scalabile, sostenibile e socialmente rilevante per il frammentato panorama agricolo italiano.