Come capire se la pitaya è matura usando la computer vision

Il dragon fruit (chiamato anche pitaya, pitahaya o pera fragola) è noto per la sua buccia rosa brillante, le squame con la punta verde e la polpa punteggiata. Originario dell'America Centrale e Meridionale, questo frutto esotico ha viaggiato lontano dalle sue radici.

Oggi viene coltivato tutto l'anno nelle regioni tropicali, diventando una presenza comune nei mercati di tutto il mondo. Noto per i suoi benefici per la salute, il dragon fruit è una buona fonte di vitamina C, magnesio e antiossidanti in grado di sostenere il benessere generale.

Con la crescente popolarità del dragon fruit e un numero sempre maggiore di persone che lo apprezzano, è diventata più sentita anche la sfida di sapere quando è pronto per essere raccolto. Agricoltori e consumatori si chiedono spesso: come puoi capire se il dragon fruit è maturo?

Tradizionalmente, le persone hanno valutato la maturazione del dragon fruit in base al colore della buccia, alla consistenza o all'essiccazione delle squame. Ma questi segni sono incoerenti e variano tra le diverse varietà di dragon fruit.

Fig 1. Una panoramica di più varietà di dragon fruit rosso rispetto alla forma. (Source)

Per i coltivatori, questa incoerenza può significare una perdita di valore del raccolto. Per i consumatori, spesso porta a frutti dall'aspetto invitante ma privi di sapore. Per risolvere questo problema, agricoltori e ricercatori si stanno affidando alla tecnologia.

Con l'aiuto dell'intelligenza artificiale (IA) e del computer vision, che consentono alle macchine di interpretare e analizzare dati visivi, il rilevamento della maturazione sta diventando più coerente e accurato. Ad esempio, i modelli di computer vision come Ultralytics YOLO11 supportano varie attività come l'object detection e la segmentazione delle istanze che possono essere utilizzate per identificare, separare e analizzare i frutti per determinarne la maturazione. Questo aiuta gli agricoltori a smistare e classificare i raccolti in modo più efficiente, a ridurre gli errori e a mantenere standard coerenti.

In questo articolo, esamineremo più da vicino perché è difficile capire quando il dragon fruit è maturo, perché i metodi tradizionali spesso non sono sufficienti e come la computer vision stia rendendo il rilevamento della maturazione più affidabile. Iniziamo!

Perché è difficile determinare la maturazione del dragon fruit#

Prima di addentrarci nei metodi tradizionali per verificare la maturazione, vediamo innanzitutto perché determinare quando il dragon fruit è maturo può essere così difficile.

A prima vista, il dragon fruit sembra abbastanza semplice da gustare: lo tagli, lo scavi e lo mangi. Ma chiunque abbia provato a sceglierne uno sa che la vera sfida è capire quando è maturo. A differenza di banane, angurie o manghi, che mostrano segni chiari durante la maturazione, il dragon fruit spesso ti lascia nel dubbio.

Parte della confusione deriva dal fatto che non esiste un solo tipo di dragon fruit. Esistono tre varietà di colore principali e ognuna matura in modo leggermente diverso. Oltre al colore, i dragon fruit differiscono anche per forma, dimensione e caratteristiche della buccia. Alcuni hanno squame più lunghe, mentre altri sono più rotondi.

Ecco uno sguardo più da vicino ai diversi tipi di dragon fruit:

• Dragon fruit a polpa bianca: È la varietà più comune, con polpa bianca punteggiata da minuscoli semi neri.
• Dragon fruit rosso o rosa: Ha una polpa magenta o rosa e una buccia rosso vibrante, il che lo rende particolarmente accattivante.
• Dragon fruit giallo: Questa varietà è meno comune, con buccia dorata o gialla e la reputazione di essere la varietà più dolce.

Fig 2. Diverse varietà di dragon fruit rispetto al colore. (Source)

Metodi tradizionali per capire se il dragon fruit è maturo#

Prima che tecnologie all'avanguardia come l'AI venissero adottate dagli agricoltori, i controlli di maturazione si basavano su semplici segnali visivi e tattili. Queste pratiche sono ancora ampiamente utilizzate oggi nelle aziende agricole e nei mercati.

Ecco alcuni indicatori comuni che un dragon fruit è maturo:

• Colore della buccia: La maggior parte delle persone controlla prima la buccia del dragon fruit. Una polpa rosa brillante o rossa solitamente indica che è maturo, mentre macchie verdi significano che ha ancora bisogno di tempo. Il dragon fruit giallo dovrebbe avere una buccia dorata con poche imperfezioni. Tuttavia, questa regola non è universale. Alcuni frutti sembrano maturi all'esterno ma non sono pronti all'interno, mentre altri sviluppano macchie quando diventano troppo maturi.

• Consistenza: Il tatto è un altro test. Un dragon fruit maturo dovrebbe cedere leggermente alla pressione, in modo simile a un avocado maturo. Se risulta molto sodo, probabilmente non è ancora maturo. Se risulta troppo morbido o molliccio, potrebbe essere già troppo maturo. Anche la consistenza non è sempre affidabile, poiché la manipolazione e il modo in cui conservi il dragon fruit possono cambiare la sodezza percepita.

• Altri segni: Gli agricoltori di dragon fruit a volte si basano su dettagli più piccoli. Le brattee o ali frondose del frutto possono iniziare a seccarsi e arricciarsi man mano che il frutto matura, e un debole aroma dolce vicino al picciolo può essere un altro indizio. Questi suggerimenti possono essere utili, ma sono sottili e facili da ignorare.

Come la vision AI sta cambiando il rilevamento della maturazione del dragon fruit#

Segnali tradizionali come il colore della buccia o la sodezza possono essere utili, ma spesso sono incoerenti. La computer vision rende il rilevamento della maturazione del dragon fruit più affidabile imparando da migliaia di immagini etichettate e riconoscendo schemi che le persone potrebbero trascurare.

Ad esempio, il supporto di Ultralytics YOLO11 per attività come object detection, segmentazione di istanze e classificazione di immagini può essere utilizzato per analizzare la frutta in dettaglio quando il modello viene addestrato in modo personalizzato su dataset pertinenti.

In particolare, l'object detection può identificare singoli frutti in un'immagine. Allo stesso modo, la segmentation di istanze può separare ogni frutto dall'ambiente circostante anche quando si sovrappongono, e l'image classification può assegnare etichette basate su caratteristiche come forma, consistenza o colore.

Fig 3. Immagini di dragon fruit acerbo rispetto a maturo per la creazione del dataset. (Source)

Addestrare Ultralytics YOLO11 a individuare il dragon fruit maturo#

Subito pronto all'uso, Ultralytics YOLO11 è preaddestrato su dataset ben noti a seconda dell'attività. Per l'object detection e la segmentazione, è preaddestrato sul COCO dataset, che include oggetti di tutti i giorni come persone, animali e automobili.

Per la classificazione di immagini, è preaddestrato sull'ImageNet dataset, che copre anch'esso un'ampia gamma di categorie comuni. Questo preaddestramento offre a Ultralytics YOLO11 un solido punto di partenza, ma per attività specializzate come il rilevamento della maturità del dragon fruit, deve comunque essere messo a punto o addestrato in modo personalizzato su un dataset dedicato.

Ecco una panoramica di come Ultralytics YOLO11 può essere addestrato in modo personalizzato per il rilevamento della maturità del dragon fruit:

• Raccolta dei dati: Vengono catturate migliaia di immagini di dragon fruit in diverse condizioni di illuminazione, angolazioni e stadi di crescita. Ciascuna immagine viene annotata in base all'attività. Per la classificazione di immagini, le etichette potrebbero includere acerbo, maturo e troppo maturo. Per l'object detection o la segmentazione di istanze, vengono tracciati riquadri di delimitazione o maschere attorno ai frutti per contrassegnarne la posizione e delinearne il contorno. Questi esempi etichettati forniscono a Ultralytics YOLO11 le informazioni di cui ha bisogno per imparare.

• Model training: L'addestramento di YOLO11 non ricomincia da zero. Attraverso il transfer learning, si basa sulle caratteristiche visive apprese dai suoi set di dati pre-addestrati, come COCO per il rilevamento e la segmentazione o ImageNet per la classificazione, e le adatta alle caratteristiche del dragon fruit. L'addestramento personalizzato di YOLO11 con immagini annotate consente al modello di cogliere indizi di maturazione come i cambiamenti di colore della buccia, variazioni di consistenza e variazioni nella forma del frutto.

• Validazione e test: dopo l'addestramento, Ultralytics YOLO11 può essere valutato su un set separato di immagini di pitaya che non ha mai visto prima, chiamato set di validazione o di test. Le sue previsioni vengono confrontate con le etichette di ground truth per misurare l'accuratezza e identificare errori, come la classificazione errata di un frutto acerbo come maturo. Questa valutazione aiuta a prevenire l'overfitting e assicura che il modello stia imparando indizi di maturazione pertinenti anziché memorizzare i dati di addestramento.

Applicazioni reali della computer vision nel rilevamento della maturazione#

Successivamente, esploriamo come il computer vision viene applicato all'farming and processing del mondo reale, in particolare nella raccolta del dragon fruit.

Droni per il monitoraggio e la valutazione della maturazione#

Per decenni, gli agricoltori hanno dovuto camminare fila dopo fila sotto il sole, controllando i frutti a mano. Questo processo era lento, ad alta intensità di lavoro e spesso perdeva sottili segni di maturazione nascosti sotto le foglie o sparsi in grandi campi.

Oggi stanno emergendo nuovi approcci che utilizzano droni e computer vision per monitorare la maturazione dei frutti. Questi sistemi possono acquisire immagini ad alta risoluzione che rivelano sottili cambiamenti di colore e consistenza, offrendo intuizioni difficili da cogliere a occhio nudo.

Invece di affidarsi solo a controlli manuali, i computer vision models possono aiutare a giudicare la maturazione dalle immagini catturate. Identificando la maturazione in anticipo e su scala più ampia, gli agricoltori sono in grado di pianificare meglio i raccolti e portare i frutti sul mercato al loro apice.

Robot per la raccolta automatizzata dei frutti#

La raccolta dei frutti è tutta una questione di tempismo. Un giorno in anticipo o in ritardo può ridurre il valore di un raccolto, motivo per cui la robotica sta diventando parte dell'agricoltura. Ad esempio, i ricercatori hanno sviluppato dragon fruit–harvesting robots che utilizzano il computer vision e l'object detection per individuare i frutti in ambienti complessi.

Una volta identificato questo frutto tropicale, il robot può guidare una pinza o un artiglio meccanico per raccoglierlo con danni minimi. Alcuni sistemi hanno anche funzioni di smistamento integrate per distinguere i frutti maturi da quelli acerbi o danneggiati utilizzando la computer vision. Con più bracci robotici che lavorano simultaneamente, queste macchine possono potenzialmente raccogliere in modo più rapido e coerente rispetto agli umani, riducendo al contempo il rischio di danni alle colture.

Fig 4. Un esempio di robot abilitato alla visione che raccoglie dragon fruit maturi. (Source)

Pro e contro dell'uso della vision AI per il rilevamento del dragon fruit#

Ecco alcuni dei principali vantaggi dell'utilizzo della computer vision per il rilevamento della maturazione nel dragon fruit:

• Riduce gli sprechi: Un rilevamento accurato della maturazione riduce la raccolta prematura e previene danni durante lo stoccaggio e il trasporto.

• Garantisce una qualità costante: Gli agricoltori possono fornire frutti al giusto stadio di maturazione, costruendo la fiducia dei consumatori e aumentando il valore di mercato.

• Supporta lo smistamento su larga scala: I sistemi di visione possono elaborare raccolti sfusi in modo rapido e preciso, riducendo la necessità di grandi squadre di lavoro manuale.

D'altra parte, ecco alcune limitazioni da considerare quando si utilizza la vision AI per il rilevamento del dragon fruit:

• Dipendenza dai dati: I modelli di visione funzionano al meglio quando vengono addestrati su set di dati ampi e diversificati di dragon fruit acquisiti in diverse condizioni di illuminazione, angolazioni e stadi di crescita.

• Annotation efforts: La preparazione di questi set di dati richiede un'etichettatura accurata, spesso con il contributo di esperti, che può richiedere molto tempo ed essere laboriosa.

• Costi elevati: Lo sviluppo, l'addestramento e la distribuzione di sistemi di AI possono comportare spese significative in termini di hardware, software e competenze tecniche, il che può rappresentare una barriera per le aziende agricole più piccole.

Punti chiave#

La computer vision ha il potenziale per trasformare il modo in cui il dragon fruit viene raccolto e smistato, e questo vale anche per l'agricoltura in generale. Dal campo alla linea di confezionamento, gli strumenti basati sulla visione possono semplificare la raccolta, lo smistamento e il confezionamento, aiutando gli agricoltori a fornire frutta in modo più coerente. Con l'avanzare della tecnologia, è probabile che la vision AI svolgerà un ruolo ancora maggiore in agricoltura.

Pronto a esplorare l'IA? Unisciti alla nostra community e al repository GitHub per saperne di più sull'IA e sulla computer vision. Visita le nostre pagine sulle soluzioni per esplorare ulteriori applicazioni della computer vision in agricoltura e dell'IA nella robotica. Controlla le nostre opzioni di licensing e inizia subito con la computer vision!