Come può un piccolo chip contare i baccelli di soia con precisione?

Contare i baccelli di soia è fondamentale per prevedere il raccolto, ma farlo a mano è lento e soggetto a errori. Ora, grazie a un nuovo modello di intelligenza artificiale (IA) ultra‑leggero, è possibile ottenere stime rapide e precise anche con dispositivi economici. Il segreto sta in tre trucchi: semplificazione della rete, quantizzazione dei pesi e l’integrazione di blocchi di auto‑attenzione chiamati SE (squeeze‑and‑excitation). Queste tecniche riducono il numero di parametri da più di 20 milioni a meno di 2 milioni, mantenendo un’accuratezza tra l’84% e l’87%. Il risultato è un modello che può girare su un Raspberry Pi o su altri edge device, senza bisogno di server potenti. Inoltre, il modello è stato testato con immagini catturate da droni, così gli agricoltori possono monitorare i campi in tempo reale. Rispetto a soluzioni più ingombranti come YOLO POD o SoybeanNet, la nuova architettura offre prestazioni simili o migliori, ma con un ingombro di memoria ridotto di un fattore compreso tra 9 e 65. In futuro, i ricercatori vogliono ampliare il dataset con foto di diverse varietà di soia e sperimentare altre forme di attenzione, come CBAM o ECA, per rendere il conteggio ancora più affidabile. L’obiettivo finale è portare questa tecnologia direttamente nei campi, trasformando la precisione agricola in una realtà accessibile a tutti.

Il modello proposto combina tre strategie di ottimizzazione per ridurre drasticamente la complessità computazionale senza sacrificare la capacità di estrazione delle caratteristiche. Prima di tutto, la semplificazione della rete avviene mediante la rimozione di layer ridondanti e la riduzione della larghezza dei canali, mantenendo una struttura a blocchi convoluzionali standard. Successivamente, la quantizzazione dei pesi converte i valori a 32‑bit in rappresentazioni a 8‑bit, diminuendo l’occupazione di memoria e accelerando le operazioni di inferenza su hardware a bassa potenza. Il cuore dell’innovazione è l’integrazione dei blocchi SE, che introducono un meccanismo di auto‑attenzione canale‑specifico: il tensor di attivazione viene compresso tramite una bottiglia (squeeze) e poi ri‑espanso (excitation) per generare pesi di importanza per ogni canale. Questo permette al modello di focalizzarsi su caratteristiche rilevanti, migliorando la discriminazione tra baccelli e sfondo. Durante l’addestramento, è stato utilizzato un dataset di oltre 10.000 immagini aeree di campi di soia, etichettate manualmente per numero di baccelli. La perdita è stata ottimizzata con una combinazione di cross‑entropy e regressione L1, mentre la metrica principale è stata la percentuale di stima corretta (accuracy). I risultati mostrano che, nonostante il numero di parametri sia diminuito di un fattore 30‑50, l’accuratezza rimane nella fascia 84‑87%, comparabile a modelli con più di 20 milioni di parametri. L’analisi di ablation ha confermato che la rimozione dei blocchi SE riduce l’accuracy di circa 2 punti percentuali, evidenziando il loro impatto. Per il futuro, si prevede di testare meccanismi di attenzione più sofisticati (CBAM, ECA) e di implementare il modello su microcontrollori ARM Cortex‑M per valutare le prestazioni in condizioni di campo reale, includendo variabili ambientali come illuminazione e copertura vegetativa.