Vine Vision: Machine Learning e Computer Vision per l’agricoltura di precisione

The Future of Farming: Machine Learning e Computer Vision per incoraggiare le colture biologiche

Come contrastare nella maniera più efficiente le infenzioni fungine nei vigneti biologici? La nostra soluzione: il Machine Learning e la Computer Vision per un’agricoltura sostenibile e un approccio data-driven

TL;DR: Come contrastare al meglio le infezioni nei vigneti biologici? La soluzione in uno dei nostri ultimi Exploratorium, il nostro laboratorio di prototipazione veloce: il Machine Learning e la Computer Vision per un’agricoltura sostenibile.

Il contesto: numeri e quote di mercato

Siamo 7.8 miliardi. Abbiamo tutti quanti bisogno di fonti di cibo sostenibili ambientalmente e socialmente.

Gli agricoltori attualmente si liberano di insetti e funghi usando una grande varietà di prodotti chimici –prodotti  sempre più normati e limitati nel loro consumo. E non potrebbe essere altrimenti: quando un agricoltore dispone di un grande superficie di terra coltivabile, magari con un solo tipo di coltivazione, il rischio di vederla rovinata dai parassiti aumenta esponenzialmente.

In questa cornice, nonostante negli ultimi venti anni la produzione complessiva di vino sia rimasta pressochè invariata, le colture esclusivamente organico-biologiche sono addirittura triplicate nel corso dell’ultimo decennio, con una quota di mercato del vino bio che le previsioni indicano raggiungerà il miliardo di bottiglie entro il 2023.

mercato vino bioFonte: Federvini

Il problema: le infezioni fungine nei vigneti

Funghi della vite - Malattie della vite - Funghi della vite - malattie della vita
Le infezioni fungine sono il problema più ricorrente per i vigneti: l’unico metodo bio per contrastare i funghi è rappresentato da composti a base di zolfo e solfato di rame.
Trattamenti particolari, che necessitano di essere applicati dalle 15 alle 20 volte all’anno, con un impatto notevole sui costi di gestione di un vigneto – fino al 20%. Ma non è tutto: trattandosi di composti a base di metalli, il loro utilizzo è regolamentato e limitato per legge.

i motivi per cui è molto utile un sistema di Computer Vision per l'Agricoltura
Un nuovo approccio: Machine Learning e Computer Vision

Computer vision Machine Learning per soluzioni tech in agricoltura, assieme ad app web per la visualizzazione dei dati

In questo Exploratorium abbiamo lavorato per fornire agli agricoltori un sistema per conoscere in tempo reale la presenza, quantità e distribuzione sulle foglie dei composti di rame e zolfo: tutto grazie all’introduzione in agricoltura di sistemi avanzati di Machine Learning e Computer Vision. In questo modo gli agricoltori possono prendere decisioni per la programmazione dei trattamenti in maniera del tutto data-driven.

La nostra soluzione: Vine Vision

 

La ricetta per ambiente e viticoltori più felici: Computer Vision e Machine Learning per l'agricoltura

In questo caso l’obiettivo è quello di mantenere diversità biologica ed equilibrio. La soluzione che abbiamo ideato ha il potenziale di permettere agli agricoltori di mantenere il focus sulla qualità abbassando i costi: una delle situazioni a più alto impatto negativo è quando le loro colture entrano nel così detto “squilibrio biologico“, dovuta all’eliminazione delle componenti biologiche necessarie alla coltivazione.

Per questo progetto abbiamo intervistato oltre 100 agricoltori per capire la loro propensione all’acquisto di soluzioni tecnologiche che li aiutassero in questo senso, e il 91% di loro ha dichiarato di essere “assolutamente disposto a pagare” per essere coadiuvato da soluzioni tecnologiche nel loro day by day.

Da un punto di vista tecnologico, abbiamo condotto alcuni test confermando che usare Computer Vision e Machine Learning per quantificare la distribuzione e concentrazione sulle foglie delle vigne di solfato di rame e zolfo permette di raggiungere l’obiettivo preposto.

Immagini ad alto ingradimento usate nella nostra soluzione di computer vision per l'agricoltura

Secondo la NASA: “L’hardware e la raccolta dati in ambito agricoltura sono rimasti invariati per alcuni anni. Oggi vediamo che il più grande valore aggiunto sta nella diffusione di informazioni tecniche e di strumenti che permettano di utilizzarle. Quindi, il valore non risiede solo nelle tecnologie di Computer vision e Machine Learning, ma anche nelle App Mobile che organizzano i dati raccolti, di modo che gli agricoltori possano sfruttarle per predire e organizzare la stagione.”

Impatto

Questo approccio alla lotta biologica ha conseguenze significative sul lavoro degli agricoltori – risultando in quantità minori e costantemente monitorate dei composti metallici necessari all’eradicazione delle infezioni fungine – ma anche apportando un considerevole risparmio in termini di tempistiche.

Un sistema quindi in grado di incoraggiare l’adozione di colture biologiche: l’ambiente ringrazia, e gli agricoltori pure.

Cover approfondimento su Computer Vision per l'Agricoltura con un robot che ispeziona le piante in una serra