Funghi Shiitake e AI: Mamba-YOLO, l’Occhio Bionico per la Raccolta Perfetta!

Avete mai pensato a quanto lavoro c’è dietro quei deliziosi funghi Shiitake che troviamo al supermercato o gustiamo al ristorante? Beh, vi assicuro che la raccolta è una faccenda seria: richiede un sacco di manodopera, tempo e precisione. Sbagliare il momento giusto per raccoglierli può compromettere la qualità e il valore sul mercato. Immaginate file e file di funghi, e dover decidere a occhio quali sono pronti e quali no… stancante, vero? Ecco perché nel mondo dell’agricoltura moderna si cercano soluzioni più smart. E se vi dicessi che l’intelligenza artificiale (AI) sta per dare una mano, anzi, un “occhio” bionico?

La Sfida della Raccolta: Occhio Umano vs Complessità

Coltivare Shiitake su larga scala, specialmente con i metodi moderni “in sacco” (substitute cultivation), è efficiente, ma la raccolta resta spesso manuale. Il problema è che i funghi non crescono tutti uguali né tutti insieme. Bisogna saper distinguere:

• Quelli maturi da quelli ancora acerbi (spesso basandosi sul diametro del cappello, sopra i 40mm si raccoglie).
• La qualità in base alla texture del cappello (liscio o screpolato – “plane-surface” vs “cracked-surface”).
• Funghi deformi da quelli perfetti.
• Il tutto in ambienti dove i funghi crescono fitti, si sovrappongono, si nascondono, e magari l’illuminazione non è sempre ideale.

I metodi tradizionali di visione artificiale, basati su colore, forma e texture, hanno provato a risolvere il problema, ma spesso vanno in crisi con luci variabili o sfondi complessi. Serviva qualcosa di più potente e adattabile.

Ecco Mamba-YOLO: L’Innovazione che Serviva

Ed è qui che entro in gioco io, o meglio, la tecnologia che voglio raccontarvi: Mamba-YOLO. Sentite il nome? Suona quasi come un supereroe, e in un certo senso lo è per il mondo dei funghi Shiitake! Si tratta di un modello di intelligenza artificiale per il rilevamento di oggetti, basato sul famoso YOLO (You Only Look Once – un sistema velocissimo per identificare cose nelle immagini), ma con un’aggiunta speciale: l’architettura “Mamba” basata sui cosiddetti State Space Models (SSM).

Cosa significa in parole povere? Immaginate un sistema che non solo guarda l’immagine nel suo complesso (come fa YOLO), ma è anche incredibilmente bravo a capire le relazioni tra parti distanti dell’immagine (grazie a Mamba/SSM) senza diventare pesante o lento. È come avere un occhio acuto che coglie i dettagli locali (LS Block) e un cervello che collega tutto per avere una visione globale (RG Block), il tutto in modo super efficiente.

L’obiettivo? Creare un sistema capace di:

• Rilevare con precisione i funghi Shiitake, anche quelli piccoli o parzialmente nascosti.
• Classificarli in base a maturità e qualità (cappello liscio/screpolato, maturo/acerbo, deforme/normale).
• Distinguere i funghi dal loro substrato di crescita (il “mushroom stick”).
• Fare tutto questo velocemente e con un modello AI “leggero”, facile da installare su un robot raccoglitore.

Alla Prova dei Fatti: Come Abbiamo Testato Mamba-YOLO

Non basta avere una bella idea, bisogna vedere se funziona! Abbiamo quindi creato un nostro set di dati fotografici: siamo andati in una fungaia moderna (la Qihe Biological Intelligent Factory nello Shandong, Cina) e abbiamo scattato oltre 2300 foto di funghi Shiitake (varietà Qihe 9) in tutte le salse: singoli, ammassati, sovrapposti. Abbiamo usato uno smartphone di buona qualità (Huawei Mate 30 Pro) mantenendo una distanza fissa per coerenza.

Poi è iniziato il lavoro “da certosino” digitale:

1. Abbiamo ridimensionato le immagini.
2. Le abbiamo divise in set per allenare l’AI (training), validarla (validation) e testarla (test).
3. Abbiamo “etichettato” ogni fungo in ogni immagine del set di training usando un software apposito (LabelImg), disegnando rettangoli attorno a ciascuno e assegnandogli una categoria: c-mature (screpolato maturo), c-immature (screpolato acerbo), p-mature (liscio maturo), p-immature (liscio acerbo), d-mature (deforme maturo), d-immature (deforme acerbo), più l’etichetta mushroom stick per il substrato.
4. Per rendere l’AI più robusta, abbiamo anche “aumentato” i dati: abbiamo creato versioni modificate delle immagini (cambiando luminosità, aggiungendo un po’ di “rumore”) per simulare condizioni diverse. Alla fine, avevamo quasi 7000 immagini su cui allenare il nostro Mamba-YOLO!

L’allenamento è avvenuto su un computer bello potente con una scheda grafica NVIDIA RTX 3080 Ti, usando strumenti software come Python e PyTorch.

Risultati Sorprendenti: Precisione e Velocità

E i risultati? Davvero notevoli! Mamba-YOLO ha dimostrato di essere un vero campione:

• Precisione (P): 98.89% – Quando dice che un fungo è di un certo tipo, quasi sempre ci azzecca.
• Recall (R): 98.79% – Riesce a trovare quasi tutti i funghi presenti nell’immagine.
• mAP@0.5: 97.86% – Un indice generale di “bravura” nel riconoscere e localizzare correttamente i funghi, molto alto!
• mAP@0.5-0.95: 89.97% – Un indice ancora più severo sulla precisione della localizzazione, comunque ottimo.

Anche la capacità di classificare correttamente le varie categorie è stata eccellente, con accuratezze specifiche per tipo di fungo quasi sempre superiori al 98% (un po’ meno per quelli deformi, 96-97%, che sono più difficili).

Ma non è tutto. La velocità è cruciale per un robot. Mamba-YOLO ha processato le immagini a 8.3 millisecondi per foto. Non è il più veloce in assoluto tra gli YOLO, ma è ampiamente sufficiente per applicazioni in tempo reale. E la “leggerezza”? Il modello ha solo 6.1 Milioni di parametri. Sembrano tanti, ma è molto meno di altri modelli potenti come Faster R-CNN (22.7M) o YOLOv7 (30.4M), e persino leggermente meno di YOLOv8 (5.1M se si considera la versione specifica). Questo lo rende ideale per essere caricato su dispositivi con risorse limitate, come quelli a bordo di un robot agricolo.

Abbiamo anche confrontato Mamba-YOLO con altri modelli AI famosi (Faster R-CNN, YOLOv5s, YOLOv6s, YOLOv7, YOLOv8) sullo stesso set di dati. Indovinate? Mamba-YOLO li ha battuti quasi tutti in termini di precisione e recall, dimostrando una performance complessiva superiore per questo specifico compito. È particolarmente bravo a scovare i funghi piccoli e a distinguere le caratteristiche sottili anche in scene complesse.

Un Futuro Robotizzato per gli Shiitake?

Certo, qualche piccola imperfezione c’è. A volte, con luci strane o ombre ingannevoli, il sistema può confondere un’ombra per un funghetto acerbo. Oppure, se un fungo piccolo ha un colore molto simile al substrato, o se è quasi completamente coperto da altri funghi, può capitare che venga mancato. Ma attenzione: questi errori riguardano principalmente funghi non ancora pronti per la raccolta, quindi l’impatto sull’efficienza della raccolta vera e propria è minimo. Sui funghi maturi, quelli che contano, Mamba-YOLO è estremamente affidabile.

Abbiamo anche testato come si comporta con diverse condizioni di luce (poca luce, luce naturale, luce forte, controluce). Ovviamente, dà il meglio con luce naturale, ma dimostra una buona robustezza anche in condizioni non ideali, sebbene in controluce la performance cali un po’ (la precisione scende a circa il 94%).

Quindi, cosa significa tutto questo? Significa che Mamba-YOLO offre un supporto tecnico solidissimo per sviluppare robot raccoglitori di funghi Shiitake. Immaginate macchine intelligenti che si muovono nelle fungaie, identificano con precisione i funghi pronti e della giusta qualità, e li raccolgono delicatamente. Questo potrebbe rivoluzionare il settore:

• Riducendo la dipendenza dalla manodopera intensiva.
• Aumentando l’efficienza della raccolta.
• Garantendo una qualità costante del prodotto.
• Permettendo una gestione più precisa e sostenibile della produzione.

Cosa Ci Riserva il Domani?

Il lavoro non finisce qui. Ci sono ancora margini di miglioramento. Ad esempio, vorremmo:

• Ampliare il dataset con immagini prese in condizioni ancora più varie (luci diverse, angolazioni, stagioni).
• Usare tecniche come la validazione incrociata (cross-validation) per essere ancora più sicuri della robustezza del modello.
• Esplorare metodi per migliorare la performance in condizioni di luce estreme o con funghi molto nascosti (magari usando camere diverse o tecniche di imaging più avanzate).
• Ottimizzare ulteriormente il modello per farlo girare ancora più velocemente su hardware robotico a basso consumo.
• Testare l’algoritmo direttamente su un prototipo di robot raccoglitore!

La strada è tracciata. Mamba-YOLO ha dimostrato un potenziale enorme non solo per i funghi Shiitake, ma potenzialmente per tante altre colture che richiedono un rilevamento preciso di piccoli oggetti in ambienti complessi. L’agricoltura intelligente fa passi da gigante, e questa tecnologia è un esempio brillante di come l’AI possa aiutarci a coltivare il nostro cibo in modo più efficiente e sostenibile. Non è affascinante?

Fonte: Springer