Come i droni e l'IA stanno salvando le banane dall'Moko e dal Sigatoka?

Le banane, uno dei frutti più amati al mondo, sono minacciate da due nemici invisibili: la malattia di Moko e la Sigatoka nera. In Ecuador, questi patogeni hanno ridotto drasticamente le rese, mettendo a rischio l’intera economia del paese. Tradizionalmente, gli agricoltori ispezionano le piantagioni a piedi, un lavoro lento, soggettivo e spesso troppo tardivo per fermare l’infezione.

Un team di ricercatori ha deciso di cambiare le regole del gioco usando droni e intelligenza artificiale. Hanno volato sopra i campi con UAV equipaggiati di fotocamere ad alta risoluzione, raccogliendo centinaia di immagini delle foglie. Poi hanno addestrato una versione migliorata del modello YOLOv8, noto per il riconoscimento rapido di oggetti, a segmentare le aree malate.

Dopo aver testato diverse configurazioni – più profonde, più leggere, con iperparametri ottimizzati – il modello finale ha raggiunto una precisione del 79,6% e un recall dell’80,3%, con una media di precisione (mAP) di 84,9% a soglia 0,5. In pratica, il sistema individua con quasi certezza le foglie colpite, distinguendo i sintomi di Moko da quelli della Sigatoka nera.

Questa tecnologia non solo velocizza la diagnosi, ma la rende oggettiva e scalabile: basta lanciare il drone, analizzare le foto e intervenire subito con trattamenti mirati. Il risultato è una gestione più sostenibile delle piantagioni, meno pesticidi e un futuro più sicuro per le banane che arrivano sulle nostre tavole.

Il modello YOLOv8 (You Only Look Once version 8) è una rete neurale convoluzionale a singola fase, progettata per l'object detection in tempo reale. Nella sua variante di segmentazione, il backbone estrae caratteristiche gerarchiche dalle immagini, mentre il neck aggrega informazioni a diverse scale mediante un Feature Pyramid Network (FPN). Il capo di segmentazione utilizza un mask head che genera maschere binarie per ogni istanza rilevata.

Per l'applicazione su immagini UAV, è cruciale gestire la variazione di risoluzione e l'illuminazione variabile. Il team ha impiegato data augmentation avanzata (rotazioni, flip, variazioni di colore) per rendere il modello robusto a queste condizioni. Inoltre, è stato effettuato un hyperparameter tuning con tecniche bayesiane, ottimizzando il learning rate, il batch size e il coefficiente di loss per la maschera (Dice loss combinata con BCE).

Le metriche riportate includono precision (79.6%), recall (80.3%) e mAP@0.5 (84.9%). Il valore mAP@0.5:0.95 di 62.9% indica una buona capacità di localizzazione precisa a soglie più stringenti. Il modello è stato confrontato con approcci basati su classificazione (es. ResNet‑50) che mostrano performance inferiori, soprattutto nella localizzazione di sintomi diffusi su ampie aree fogliari.

Infine, l'implementazione su edge device a bordo del drone richiede quantizzazione del modello (INT8) per ridurre latenza e consumo energetico, mantenendo una perdita di accuratezza inferiore al 2%. Questo rende possibile l'elaborazione in tempo reale, fondamentale per interventi tempestivi in campo.