Un nuovo metodo per il conteggio delle foglie nelle piante di tabacco in campo basato su immagini UAV e un PointNext migliorato

Perché contare le foglie dall’alto è importante

Conoscere il numero di foglie di una coltura potrebbe sembrare un dettaglio minore, ma per i coltivatori di tabacco è una finestra diretta sulla salute della pianta e sulla resa futura. Oggi i lavoratori camminano ancora nei campi e contano le foglie a mano, un compito lento, faticoso e costoso che non scala alle piantagioni moderne. Questo studio mostra come droni, imaging 3D e intelligenza artificiale possano collaborare per contare automaticamente le foglie delle piante di tabacco in campo, offrendo un modo più rapido e preciso per orientare l’uso dei fertilizzanti, prevedere i raccolti e supportare il miglioramento genetico delle varietà.

Da voli con il drone a una vista 3D del campo

I ricercatori hanno impiegato i droni come telecamere volanti. Hanno fatto sorvolare un quadricottero commerciale sui campi di tabacco nello Yunnan, Cina, scattando foto ad alta risoluzione da diverse altezze e con angoli pronunciati attorno alle parcelle d’interesse. Con software di fotogrammetria, queste immagini sovrapposte sono state cucite in modelli tridimensionali dettagliati delle piante. Ogni pianta è stata quindi estratta come una propria nuvola di punti nello spazio 3D, dove ogni punto rappresenta una piccola porzione di fusto, foglia o rumore come il terreno e la vegetazione vicina. Questo passaggio trasforma immagini piatte in una descrizione 3D ricca, capace di rivelare le foglie anche quando si sovrappongono nelle fotografie tradizionali.

Insegnare a un computer a riconoscere le singole foglie

Per sfruttare queste nuvole di punti 3D, il team ha creato un ampio dataset accuratamente etichettato. Hanno raccolto 1.000 modelli di piante singole e hanno marcato manualmente ogni punto come appartenente a foglie bersaglio, fusti, altre piante o rumore. Con questo materiale di addestramento hanno perfezionato una rete profonda 3D moderna nota come PointNext in una nuova versione adattata alle colture di campo, chiamata SRW-PointNext. Sono stati aggiunti tre miglioramenti chiave: un modulo di attenzione che aiuta la rete a concentrarsi sui pattern spaziali e cromatici più informativi; una funzione di perdita rivista che impedisce ai numerosi punti di foglia di sovrastare classi più rare come fusti e sfondo; e una testa di uscita rinforzata che recupera meglio i dettagli fini quando parti della nuvola di punti sono mancanti o irregolari.

Trasformare le nuvole segmentate in conteggi di foglie

Una volta che SRW-PointNext ha imparato a etichettare ogni punto 3D, il modello può separare la nuvola di una singola pianta nelle sue componenti fogliare e non fogliare. Ma gli scienziati dovevano ancora sapere quante foglie reali fossero presenti. Per questo hanno adottato un approccio di clustering chiamato MeanShift. In termini semplici, l’algoritmo cerca tasche dense di punti foglia in tre dimensioni, con ogni tasca densa corrispondente a una foglia. La scelta di un unico parametro di “bandwidth” controlla quanto strettamente o largamente l’algoritmo raggruppa i punti. Un valore troppo piccolo fa sì che una foglia venga divisa in cluster artificiali, gonfiando il conteggio; un valore troppo grande fonde foglie vicine, riducendo il conteggio. Affinando accuratamente questo parametro, i ricercatori sono riusciti a raggruppare i punti segmentati in foglie individuali realistiche.

Quanto bene ha funzionato il metodo

Per verificare l’accuratezza, il team ha confrontato i conteggi automatici con i conteggi manuali meticolosi per 230 piante in campo. La loro pipeline — acquisizione con drone, ricostruzione 3D, segmentazione con SRW-PointNext e poi clustering MeanShift — ha raggiunto un’accuratezza nel conteggio delle foglie di circa il 92,6 per cento. La rete migliorata ha anche ottenuto segmentazioni di alta qualità: circa il 92 per cento di precisione e un intersection-over-union medio del 76 per cento, superando diversi metodi 3D per nuvole di punti popolari come PointNet, PointNet++, RandLA-Net e l’originale PointNext. È importante notare che questo incremento di accuratezza è arrivato con solo un modesto aumento del costo computazionale, suggerendo che l’approccio è praticabile per indagini su larga scala.

Cosa significa per l’agricoltura futura

Per un non specialista il messaggio principale è chiaro: combinando droni, modellazione 3D e un modello di IA migliorato, i ricercatori possono ora contare le foglie del tabacco in campo quasi con l’affidabilità delle persone, ma molto più velocemente e su aree molto più vaste. Questo sposta il conteggio delle foglie da clipboard e stivali sul terreno a un processo automatizzato e ricco di dati che può alimentare sistemi digitali di gestione delle colture. Sebbene il lavoro attuale si concentri sul tabacco in una fase di crescita specifica e dipenda da buone ricostruzioni 3D, la stessa strategia potrebbe essere estesa ad altre colture e stagioni. Col tempo, tali strumenti potrebbero diventare ausili di routine per gli agricoltori, aiutandoli a monitorare la crescita delle piante, ottimizzare gli input e selezionare varietà più performanti con molto meno lavoro manuale.

Citazione: Nan, D., Li, J., Liang, H. et al. A novel leaf counting method for field tobacco plants based on UAV imagery and an improved PointNext. Sci Rep 16, 11052 (2026). https://doi.org/10.1038/s41598-026-41365-x

Parole chiave: fenotipizzazione del tabacco, agricoltura con droni, nuvole di punti 3D, conteggio delle foglie, deep learning in agricoltura