Yolo-pest: Ho addestrato un’IA per scovare i parassiti più piccoli con trappole super smart!

Ragazzi, lasciate che vi racconti una cosa che mi appassiona da matti ultimamente. Lavorare in agricoltura, o anche solo avere a cuore cosa mangiamo, significa scontrarsi con un problema vecchio come il mondo: i parassiti. In particolare, sto parlando di bestioline come le mosche della frutta e la terribile Spodoptera frugiperda (il verme dell’esercito d’autunno, un nome che è tutto un programma!). Questi insetti non sono solo fastidiosi, sono una vera piaga che può devastare interi raccolti, specialmente mais e frutta come il mango. Immaginatevi perdite che vanno dal 40% all’80%… un disastro!

Il problema: occhi che non bastano

Il guaio è che questi insetti, soprattutto gli adulti, volano e sono difficili da monitorare. I metodi tradizionali? Beh, parliamo di trappole appiccicose o con feromoni che attirano gli insetti. Funzionano, certo, ma richiedono che qualcuno vada fisicamente nei campi, spesso, a controllare, contare e sostituire le trappole. Un lavoro enorme, costoso e, diciamocelo, spesso si arriva tardi, quando il danno è già fatto. Con la popolazione mondiale in crescita e la necessità di produrre il 70% in più di cibo entro il 2050, non possiamo permetterci queste inefficienze. Serve una svolta.

La nostra idea: trappole che ci vedono benissimo!

E qui entriamo in gioco noi, con un’idea che unisce agricoltura, tecnologia IoT (Internet of Things) e intelligenza artificiale. Abbiamo sviluppato delle “Trappole Intelligenti”, o Smart Traps. Come funzionano? Semplice (si fa per dire!):

• Usano i classici feromoni specifici per attirare proprio le specie che ci interessano (nel nostro caso, tre tipi di mosche della frutta comuni in Pakistan – Bactrocera zonata, Bactrocera dorsalis, Bactrocera cucurbitae – e la Spodoptera frugiperda).
• All’interno, però, c’è il cuore tecnologico: una telecamera ad alta risoluzione e sensori IoT che misurano temperatura e umidità.
• La trappola cattura immagini in tempo reale degli insetti che entrano.
• Queste immagini vengono inviate a un server tramite una connessione GSM (sì, anche dove c’è poca rete!).
• Il tutto è alimentato da un piccolo pannello solare con batteria al litio, per essere autonomo.

Abbiamo progettato queste trappole per resistere alle intemperie: caldo torrido, polvere, umidità. La struttura è in PVC rigido, con una forma studiata per far entrare gli insetti ma non farli uscire facilmente. C’è persino un piccolo motore che fa ruotare la base per “pulire” la trappola dagli insetti morti accumulati, evitando che confondano le nuove rilevazioni.

Il cervello dell’operazione: Yolo-pest

Ma la vera magia avviene sul server. Qui entra in campo “Yolo-pest”. Cos’è? È la nostra versione super ottimizzata di YOLOv8x, un modello di deep learning all’avanguardia per il rilevamento di oggetti. Lo abbiamo “allenato” specificamente per riconoscere questi piccoli insetti parassiti. E non è stato facile!

Pensateci: dobbiamo distinguere specie di mosche della frutta molto simili tra loro, spesso sovrapposte, magari in immagini scattate di giorno, di notte, con la base della trappola sporca… Insomma, un bel caos!

Per addestrare Yolo-pest, abbiamo creato un dataset enorme, chiamato “FourPest”, con oltre 36.000 “istanze” (cioè singoli insetti etichettati) delle quattro specie target. Le immagini provenivano sia da insetti allevati in laboratorio (per avere immagini pulite) sia direttamente dalle nostre trappole sul campo. Abbiamo usato tecniche avanzate come l’aumento dei dati (creando artificialmente nuove immagini variando quelle esistenti), il “label smoothing” (per evitare che il modello fosse troppo sicuro di sé e generalizzasse meglio, soprattutto per la specie B. cucurbitae di cui avevamo meno campioni) e abbiamo aggiustato parametri come la soglia IoU (Intersection over Union) per gestire meglio gli insetti sovrapposti. Abbiamo alzato questa soglia a 0.9, il che significa che il sistema unisce i riquadri di rilevamento solo se si sovrappongono per più del 90%, distinguendo meglio gli individui ammassati.

Abbiamo anche esportato il modello finale in formato ONNX ottimizzato, perché la versione base era un po’ lenta per un’applicazione in tempo reale. Questo ci ha permesso di avere un sistema veloce ed efficiente.

I risultati sul campo: ci abbiamo visto giusto!

Abbiamo messo alla prova le nostre Smart Traps e Yolo-pest in condizioni reali: per quattro mesi in un frutteto di mango durante l’estate e per tre mesi in un campo di mais, entrambi in climi aridi. I risultati? Fantastici! Abbiamo raggiunto un’accuratezza media di rilevamento del 94%. Il modello si è dimostrato robusto, funzionando bene sia con immagini a colori che in bianco e nero, con luce solare diretta o al crepuscolo.

Anche confrontando Yolo-pest con altri modelli come YOLOv7 sul nostro dataset specifico, il nostro si è dimostrato più veloce nell’addestramento (13.6 ore contro 30) e più preciso nel rilevamento (mAP di 0.974 sul set di test).

Tutto a portata di smartphone

Ma a cosa serve tutta questa tecnologia se poi non è facile da usare? Abbiamo sviluppato un’applicazione mobile dedicata. L’agricoltore, registrato al sistema, può vedere in tempo reale dal suo telefono:

• Le immagini scattate dalla trappola.
• Il conteggio degli insetti rilevati per specie.
• I dati precisi di temperatura e umidità nel suo campo.
• Grafici che mostrano l’andamento della popolazione di parassiti e le condizioni meteo.

Il bello è che il sistema può inviare allarmi automatici quando il numero di insetti supera una certa soglia critica (la cosiddetta Economic Threshold Level, ETL). Questo permette all’agricoltore di intervenire tempestivamente e solo dove serve, magari riducendo l’uso di pesticidi.

Perché è importante e cosa ci aspetta

Questo approccio cambia le carte in tavola. Passiamo da un monitoraggio manuale, lento e reattivo, a uno automatico, in tempo reale e proattivo. I vantaggi sono enormi:

• Efficienza: Risparmio di tempo e manodopera.
• Precisione: Decisioni basate su dati reali e aggiornati.
• Sostenibilità: Possibilità di interventi mirati, riducendo l’impatto ambientale dei pesticidi.
• Ricerca: I dati raccolti (conteggi, specie, meteo, posizione) sono oro colato per studiare le dinamiche delle popolazioni di insetti in relazione ai cambiamenti ambientali e climatici.
• Prevenzione: Utile anche per il rilevamento precoce di specie invasive.

Certo, ci sono ancora sfide. La dipendenza da batterie e connettività in zone remote, la resistenza a condizioni meteo estreme nel lungo periodo, l’adattabilità ad altri tipi di insetti. Ma stiamo già lavorando per migliorare questi aspetti e per estendere il sistema ad altri parassiti chiave, come la Piralide del cotone (Pink Bollworm).

Il futuro? Immagino reti di queste trappole intelligenti connesse a livello regionale o globale, che forniscono dati preziosi per una gestione agricola davvero “smart”. E magari, un giorno, collegare direttamente la trappola a un sistema di irrorazione di precisione, per un controllo dei parassiti quasi fantascientifico, ma incredibilmente efficace ed ecologico.

Insomma, con Yolo-pest e le Smart Traps, stiamo cercando di dare agli agricoltori degli occhi bionici per difendere i loro raccolti in modo più intelligente e sostenibile. E per me, questa è una sfida che vale davvero la pena affrontare!

Fonte: Springer