Peonie sotto la lente: come l'intelligenza artificiale impara a distinguere ogni varietà?

Le peonie di Luoyang, in Cina, sono famose in tutto il mondo per la loro bellezza e il loro valore economico. Ma distinguere una varietà dall'altra direttamente nei campi è un'impresa complicata anche per gli esperti. I fiori, infatti, si assomigliano molto tra loro, spesso si sovrappongono e le fotografie scattate all'aperto non sempre sono perfette. Per questo, un gruppo di ricercatori ha deciso di affidarsi all'intelligenza artificiale. Hanno preso come base YOLOv5, un modello famoso per il riconoscimento di oggetti nelle immagini, e lo hanno potenziato. Il risultato si chiama BCP-YOLOv5, un nome che racchiude le tre novità principali: Biformer, un sistema di attenzione che aiuta l'algoritmo a non perdersi dietro le foglie; CARAFE, che migliora la qualità dell'immagine durante l'analisi; e Focal-CIoU, una funzione che impara meglio anche da foto non perfette. Nei test sul campo, il nuovo modello ha migliorato la precisione del 3,4%, il richiamo del 4,4% e l'accuratezza complessiva del 4,5% rispetto alla versione di partenza. Un piccolo passo per gli algoritmi, un grande aiuto per gli agricoltori che vogliono monitorare i raccolti con strumenti intelligenti.

Il modello BCP-YOLOv5 nasce per risolvere un problema molto specifico: il riconoscimento automatico delle varietà di peonia in ambienti reali, dove le condizioni di luce, le occlusioni e la somiglianza tra cultivar rendono difficile l'analisi. Il cuore dell'architettura è YOLOv5s, una delle versioni più leggere della famiglia YOLO (You Only Look Once), famosa per la sua capacità di rilevare oggetti in tempo reale. I ricercatori hanno però introdotto tre modifiche chiave. La prima è il Biformer, un modulo di attenzione basato sui Vision Transformer. A differenza dei meccanismi di attenzione tradizionali, che calcolano relazioni tra tutti i pixel, Biformer utilizza un approccio bi-livello: prima seleziona le aree più rilevanti dell'immagine, poi calcola l'attenzione solo su quelle. Questo riduce drasticamente il carico computazionale e migliora la capacità del modello di concentrarsi su fiori parzialmente nascosti. La seconda modifica riguarda CARAFE (Content-Aware Reassembly of Features), un operatore di upsampling che sostituisce i metodi classici come il nearest neighbor. CARAFE analizza il contenuto locale dell'immagine e ricostruisce i dettagli in modo più fedele, fondamentale quando si lavora con fiori piccoli o parzialmente coperti. Infine, la funzione di perdita è stata riprogettata ispirandosi a Focal-EIoU: la nuova Focal-CIoU attribuisce un peso maggiore ai campioni ben localizzati, riducendo l'influenza di bounding box rumorosi o imprecisi durante l'addestramento. I risultati sperimentali, condotti su un dataset di peonie di Luoyang, mostrano un miglioramento significativo rispetto a YOLOv5s, con un mAP@0.5 che raggiunge il 93,2%. Questo approccio apre la strada a sistemi di monitoraggio automatico per l'agricoltura di precisione, dove riconoscere le varietà coltivate è essenziale per la tracciabilità e la gestione della qualità.