BaleUAVision: Dataset di immagini da UAV per balle di fieno

Perché contare le balle di fieno dall’alto è importante

Le balle di fieno possono sembrare semplici rotoli di erba secca, ma sapere esattamente quante ce ne sono in un campo e dove si trovano ha un valore economico reale per gli agricoltori. Conteggi precisi guidano la stima del foraggio disponibile per gli animali, il numero di camion necessari e la durata del lavoro delle squadre di raccolta. Questo articolo presenta BaleUAVision, un nuovo dataset open costruito con immagini da drone che facilita l’individuazione e il conteggio automatico delle balle di fieno dall’alto, contribuendo a rendere l’agricoltura più intelligente ed efficiente.

Aziende viste dall’alto

BaleUAVision si basa su 2.599 fotografie a colori nitide scattate da droni che sorvolavano 16 campi di fieno nel nord della Grecia. I campi coprono circa 94 ettari e si estendono su due aree con paesaggi differenti: ampie pianure intorno a Xanthi e terreni più variabili vicino a Drama. I voli sono stati effettuati nell’estate del 2023, con cielo sereno e vento leggero, a quote tra i 50 e i 100 metri e velocità moderate. Il risultato è un quadro realistico dei campi post-raccolta, con balle sparse in schemi che riflettono pratiche agricole e conformazioni del territorio locali piuttosto che una simulazione di laboratorio.

Trasformare le immagini in dati utilizzabili

Raccogliere le immagini è solo il primo passo. Il team ha processato attentamente tutte le foto, scartando quelle mosse o con altri problemi, e le ha poi cucite insieme in mappe aeree dettagliate, chiamate ortomosaici, per ciascun campo. Questi mosaici sono stati usati per contare manualmente ogni balla come riferimento attendibile. Allo stesso tempo, ogni singola balla è stata tracciata a mano sulle foto originali con un profilo preciso, non solo con un semplice rettangolo approssimativo. Questo lavoro meticoloso ha creato dati di “ground truth” di alta qualità in diversi formati comuni, in modo che molti strumenti di intelligenza artificiale possano essere addestrati e testati senza ulteriori conversioni.

Varietà nei voli, robustezza nei modelli

Il modo in cui un drone viene pilotato—quanto in alto, quanto veloce e quanto si sovrappongono le immagini—influenza ciò che cattura. BaleUAVision varia deliberatamente questi parametri di volo in modo che i sistemi di rilevamento addestrati su di esso non si rompano quando le condizioni cambiano. I voli a quote più basse catturano più dettagli ma meno superficie per ogni fotogramma; i voli più alti vedono più area ma rendono le balle più piccole. Includendo immagini a diverse altezze e in condizioni di illuminazione varie su due regioni, il dataset cattura sia la varietà geografica sia i cambiamenti di scala della fotocamera che le operazioni reali affrontano. I test mostrano che questa varietà aiuta i modelli di intelligenza artificiale a riconoscere le balle anche quando sono fotografate in luoghi o da quote nuove.

Mettere il dataset alla prova

Per verificare l’utilità di BaleUAVision, gli autori hanno addestrato un noto sistema di rilevamento, noto come YOLOv11, per trovare le balle di fieno nelle immagini. Hanno quindi sfidato il modello in due modi: chiedendogli di rilevare le balle in campi di una regione diversa da quella vista in addestramento e variando l’altezza di volo tra addestramento e test. Addestrato sul dataset, il sistema ha rilevato quasi tutte le balle in campi nuovi con pochissimi falsi allarmi. Ha inoltre gestito bene quote di volo maggiori quando durante l’addestramento aveva visto immagini a quote più basse. Tuttavia, un modello addestrato solo su immagini ad alta quota ha mostrato difficoltà con vedute ravvicinate finché i ricercatori non hanno aggiunto anche un piccolo numero di esempi a bassa quota, dimostrando come dati aggiuntivi modesti ma ben scelti possano aumentare notevolmente l’affidabilità.

Oltre l’IA generica, verso strumenti pronti per il campo

Il team ha anche confrontato il proprio modello specializzato, addestrato sulle balle, con grandi sistemi di visione generalisti progettati per “segmentare qualsiasi cosa” in un’immagine. Sebbene questi modelli di base siano potenti in molti contesti, hanno reso notevolmente peggio nel riconoscere balle di fieno piccole e ravvicinate contro sfondi di campo complessi. Il modello su misura addestrato su BaleUAVision è risultato non solo più accurato ma anche più pratico da eseguire su droni reali e computer agricoli. Questo mette in evidenza come dati specifici e curati possano trasformare i progressi generali dell’intelligenza artificiale in strumenti funzionali su scala aziendale.

Da conteggi migliori a un’agricoltura più intelligente

In termini semplici, BaleUAVision fornisce a ricercatori e aziende un set ricco e liberamente disponibile di immagini da drone e contorni delle balle per costruire e testare robot e software di conta delle balle. Con esso possono creare strumenti che indicano rapidamente e in modo affidabile agli agricoltori quante balle hanno, dove si trovano e come raccoglierle al meglio—risparmiando carburante, tempo e lavoro. Gli stessi dati possono anche supportare studi sulle condizioni dei campi, la pianificazione logistica e persino futuri robot agricoli. Aprendo il dataset al pubblico, gli autori pongono le basi per trasformare semplici balle di fieno in un punto di partenza per un’agricoltura più precisa e guidata dai dati.

Citazione: Karatzinis, G.D., Gkelios, S. & Kapoutsis, A.C. BaleUAVision: Hay Bales UAV Captured Dataset. Sci Data 13, 313 (2026). https://doi.org/10.1038/s41597-026-06622-8

Parole chiave: agricoltura di precisione, immagini da drone, rilevamento delle balle di fieno, computer vision, dataset di telerilevamento