Framework ottimizzato Lightweight U-Net e YOLACT per il rilevamento della gravità di più malattie nelle foglie di pome

Perché controlli fogliari più intelligenti sono importanti

Gli agricoltori che coltivano mele e pere sanno che macchie e difetti sulle foglie possono diffondersi rapidamente e compromettere il raccolto. Percorrere i meleti e giudicare le malattie a occhio è lento e spesso incerto, specialmente quando più infezioni colpiscono la stessa foglia. Questo studio presenta un approccio automatizzato basato su fotocamere in grado di individuare più malattie su una singola foglia di pome e stimare quanto è avanzata ciascuna infezione, offrendo una strada pratica verso controlli della salute delle colture più rapidi e affidabili.

Vedere oltre l’occhio umano

I ricercatori si concentrano sui frutti di tipo pome, come mele e pere, molto esposti a malattie fogliari che danneggiano la qualità del frutto e riducono la resa. L’ispezione tradizionale si basa su esperti che valutano a vista dimensione e colore dei sintomi, un processo che richiede tempo e può variare da persona a persona. Nei frutteti reali si aggiungono inoltre sfondi complessi, luce variabile e foglie sovrapposte o arrotolate. Il gruppo ha voluto costruire uno strumento in grado di gestire questo rumore visivo, lavorare su foto a colori ordinarie e distinguere più infezioni sovrapposte su una singola foglia valutandone il grado di avanzamento.

Una visione in due fasi delle foglie malate

Per affrontare il problema, lo studio usa una pipeline visiva digitale in due passaggi. Prima, una versione snellita di una rete popolare per imaging medico, chiamata Lite U Net, viene addestrata a separare la foglia dallo sfondo e a evidenziare le aree generalmente malate. Questo passaggio elimina rami, cielo e terreno, assicurando che l’analisi successiva si concentri solo sul tessuto vegetale. Poi, una versione alleggerita di un’altra rete, Lite YOLACT, ingrandisce ulteriormente per rilevare ogni singola macchia malata come oggetto distinto. Insieme, questi due passaggi permettono al sistema di riconoscere che una singola foglia può, per esempio, presentare contemporaneamente ticchiolature e ruggine, ciascuna con propria estensione e diffusione.

Trasformare le macchie in punteggi semplici

Una volta delineata ogni area malata, il metodo misura quanto della superficie fogliare è coperta da ciascuna infezione. Gli autori propongono una nuova scala di gravità a nove livelli che traduce queste percentuali in fasi facili da interpretare, dai primi puntini minimi fino al danno quasi totale. La scala è progettata per gestire due malattie contemporaneamente, descrivendo se entrambe sono lievi, entrambe avanzate o se una domina chiaramente sull’altra. Per aumentare la fiducia degli utenti nel sistema, i ricercatori aggiungono una tecnica di visualizzazione chiamata Grad CAM che produce mappe di calore, mostrando su quali parti della foglia il modello si è basato per decidere la gravità delle infezioni.

Test in frutteti e in laboratorio digitale

Il team addestra e testa il proprio approccio su due grandi collezioni pubbliche di immagini di foglie di melo e pero. Questi dataset includono varie malattie comuni, fotografate in condizioni di campo reali e annotate da specialisti della salute delle piante. Dopo un accurato pre-processing, bilanciamento dei dati e addestramento su hardware grafico moderno, il sistema combinato raggiunge circa il 95% di accuratezza nella classificazione della gravità multi-malattia. Funziona anche in modo efficiente: grazie a progetti di rete compatti e a modi intelligenti di condividere i calcoli, il modello richiede meno operazioni e memoria rispetto a molti sistemi di deep learning standard, rendendolo adatto a telefoni o dispositivi edge da usare direttamente in campo.

Cosa significa per gli agricoltori

In termini pratici, questo lavoro dimostra che una semplice fotocamera più un modello di intelligenza artificiale snello possono individuare e classificare in modo affidabile più malattie fogliari contemporaneamente su mele e pere. Al posto di stime visive approssimative, gli agricoltori potrebbero ricevere valutazioni numeriche coerenti di quanto ogni foglia è infetta e di quanto è progredita ciascuna malattia. Sebbene il metodo richieda ulteriori test su colture e condizioni più ampie, indica la possibilità di esploratori digitali pratici che aiutino gli agricoltori ad agire prima, a mirare i trattamenti con maggiore precisione e a ridurre sprechi e uso di chimici nei frutteti.

Citazione: Qasim, M., Adnan, S.M. & Safi, Q.G.K. Optimized Lightweight U-Net and YOLACT framework for multi-disease severity detection in pome fruit leaves. Sci Rep 16, 15132 (2026). https://doi.org/10.1038/s41598-026-45947-7

Parole chiave: rilevamento malattie delle piante, malattie delle foglie di melo, malattie delle foglie di pero, deep learning in agricoltura, classificazione della gravità delle malattie