Phenology/Doc/Documents/Papers/7.md

7

Crop: NaN Date of Lecture: 16 de julio de 2025 Link: https://www.mdpi.com/2073-4395/13/2/463?utm_source=chatgpt.com Name: Computer Vision and Deep Learning as Tools for Leveraging Dynamic Phenological Classification in Vegetable Crops Type: Phenology

1. Contesto e motivazione

• La fenologia vegetale (cronologia di eventi quali l'apertura dei cotiledoni, lo sviluppo delle foglie, la fioritura, ecc.) è fondamentale per programmare con precisione le pratiche agricole (irrigazione, diserbo, raccolta) e massimizzare i rendimenti e la qualità del prodotto.
• Nelle colture orticole (verdure), la crescita molto rapida e le transizioni fenologiche poco marcate rendono difficile il monitoraggio tradizionale (ispezione sul campo, modelli di coltivazione, telerilevamento satellitare), che è spesso costoso, lento o poco preciso .

2. Obiettivo

Sviluppare e valutare un sistema automatico basato sulla visione artificiale (CV) e sul deep learning (DL) in grado di classificare dinamicamente le principali fasi fenologiche di otto colture orticole a livello di appezzamento, utilizzando immagini RGB e in scala di grigi, dai cotiledoni al raccolto .

3. Dati e annotazioni

• Specie studiate (8): rucola, carota, coriandolo, lattuga, ravanello, spinacio, bietola e rapa.
• Ubicazione: serra in Portogallo; semina manuale in appezzamenti di 4,5 m²; irrigazione e diserbo controllati.
• Immagini: 4 123 foto RGB (3 456×4 608 px), scattate con smartphone in diverse condizioni di luce e angolazioni.
• Fenofasi BBCH: sono state raggruppate le fasi chiave (ad esempio, 10=cotiledoni aperti; 11–18=foglie multiple; …; 49–19=raccolta).
• Trasformazione in scala di grigi: con metodo di luminosità (0,299 R + 0,587 G + 0,114 B), per costringere il modello ad apprendere caratteristiche morfologiche oltre al colore.
• Annotazione: riquadri delimitati etichettati con lo strumento CVAT, esportati nei formati Pascal VOC (SSD) e YOLO .

4. Architetture DL valutate

1. SSD (Single Shot Multibox Detector) con tre “backbone”:
   • Inception v2 (300×300 px)
   • MobileNet v2 (300×300 e 640×640 px)
   • ResNet 50 (640×640 px)
2. YOLO v4 (416×416 px)

Questi modelli eseguono il rilevamento degli oggetti in un unico passaggio, prevedendo contemporaneamente la classe (fenofase) e il riquadro di delimitazione.

5. Addestramento e convalida

• Divisione del set di dati:
  • Addestramento (≈ 70 %)
  • Convalida (≈ 20 %)
  • Test (≈ 10 %)
• Aumento dei dati (rotazioni, ridimensionamenti, ritagli, modifiche di luminosità/contrasto) applicato all'addestramento e alla convalida per migliorare la robustezza.
• Transfer learning basato su pesi pre-addestrati in COCO; regolazioni delle dimensioni del batch e del numero di passaggi (SSD: 50 000, YOLO: in base alle classi).
• Ottimizzazione della soglia di confidenza (0–100 %) tramite validazione incrociata per massimizzare il F1‑Score.

6. Metriche di valutazione

• F1‑Score (media armonica di precisione e richiamo)
• mAP (mean average precision)
• BA (balanced accuracy), che corregge le distorsioni nei set sbilanciati .

7. Risultati principali

• SSD ResNet 50 è stato il miglior SSD:
• mAP ≈ 76,0 % (RGB), 73,3 % (grigio)
• BA ≈ 81,4 % (RGB), 79,8 % (grigio)
• YOLO v4 ha superato tutti:
• mAP ≈ 76,2 % (RGB), 83,5 % (grigio)
• BA ≈ 85,2 % (RGB), 88,8 % (grigio)
• Addestrando YOLO v4 con tutte le colture e le fenofasi (72 classi in totale):
• F1 ≈ 83,0 %
• mAP ≈ 76,6 %
  • BA ≈ 81,7 %
• Prestazioni per coltura:
• Peggiore: carota (mAP ≈ 53 % RGB / 38 % grigio), a causa della sua bassa copertura e della confusione con il terreno e le erbacce.
  • Migliore: spinaci (mAP ≈ 98 %), per le foglie ben definite e il netto contrasto con lo sfondo .

8. Discussione

• YOLO v4 offre il miglior compromesso tra velocità e immagine completa della stagione.
• La trasformazione in grigio non ha compromesso in modo sostanziale i risultati, facilitando la generalizzazione.
• La qualità e la quantità delle immagini (soprattutto nelle fasi fenologiche precoci come i cotiledoni) e le somiglianze morfologiche tra colture ed erbacce sono le sfide principali.
• Questo è il primo studio che applica CV + DL alla fenologia degli ortaggi, aprendo la strada a sistemi di supporto decisionale automatizzati nell'orticoltura di precisione.

9. Conclusioni e passi futuri

• Un unico modello (YOLO v4) può classificare più specie e le loro fenofasi tra la semina e il raccolto, con un'elevata precisione subparcellare.
• Prossime sfide:

1. Ampliare il dataset (più fasi poco rappresentate e più colture).
2. Valutare la velocità di inferenza su piattaforme robotiche per il volo o il suolo.
3. Testare le architetture più recenti (ad es. YOLO v7, Faster R‑CNN) e condurre studi di ablazione per capire quali componenti apportano il maggior contributo.
4. Integrare questi dati in modelli di coltivazione (climatici e di rendimento) che tengano conto delle interazioni genetiche-ambientali-gestionali.

Questo lavoro segna una pietra miliare nell'automazione del monitoraggio fenologico degli ortaggi, contribuendo a pratiche agricole più sostenibili, efficienti e redditizie.