La visione artificiale in campo: come una macchina riconosce un'infestante

Un sistema di visione artificiale agricolo usa telecamere e modelli di intelligenza artificiale per distinguere in tempo reale una pianta coltivata da un'infestante, mentre una macchina avanza in campo. È il "cervello" che rende possibili tecnologie diverse come lo spruzzo selettivo di erbicida, il diserbo laser e i robot di raccolta: tutte dipendono dalla stessa capacità di base, che è molto più difficile da ottenere in modo affidabile di quanto la comunicazione commerciale lasci intendere.

Per comprendere le reali potenzialità e i limiti delle attuali innovazioni nell'agricoltura di precisione, è necessario abbandonare la semplificazione secondo cui l'intelligenza artificiale "riconosce" le piante con la stessa facilità con cui lo fa un agronomo umano. La realtà tecnica è molto più complessa. Il problema di fondo non è tanto l'elaborazione di un'immagine, quanto la gestione di un ambiente caotico, in continua evoluzione e soggetto a variabili fisiche imprevedibili.

Questo articolo intende fornire una base tecnica propedeutica per orientarsi tra le diverse tecnologie di intervento in campo. Esploreremo il principio di funzionamento, la distinzione fondamentale tra le diverse scale di difficoltà, le ragioni per cui i modelli di machine learning falliscono al cambiare delle condizioni ambientali, e i costi occulti dello sviluppo di questi sistemi.

I tre livelli del problema: classificare, rilevare, segmentare

Nella comunicazione divulgativa, il riconoscimento delle infestanti viene spesso descritto come un problema unico e monolitico. In realtà, dal punto di vista dell'informatica e della visione computazionale, il riconoscimento di un'infestante non è un problema unico ma si scompone in tre livelli tecnici distinti: classificare (l'immagine contiene un'infestante?), rilevare (dov'è, con quale riquadro di localizzazione?) e segmentare (qual è la sua forma esatta, pixel per pixel?). Attivare un ugello richiede solo il rilevamento; puntare un laser sul punto di crescita di una pianta richiede la segmentazione più precisa e computazionalmente più costosa.

Il primo livello è la classificazione. Il sistema analizza un'immagine o una porzione di essa e deve rispondere a una domanda binaria o categorica: "Questa immagine contiene una dicotiledone?", "È un amaranto?". Le architetture di rete neurale convoluzionali più utilizzate in ambito agricolo per questo compito, secondo le analisi della letteratura scientifica, appartengono alle famiglie ResNet e VGG. Questi modelli estraggono caratteristiche gerarchiche dall'immagine, ma restituiscono solo un'etichetta generale, senza indicare dove la pianta si trovi fisicamente all'interno del quadro.

Il secondo livello è il rilevamento (o object detection). Qui il sistema non solo identifica la presenza di un'infestante, ma la racchiude all'interno di un riquadro di localizzazione (bounding box), fornendone le coordinate spaziali. Questo livello è sufficiente per applicazioni come lo spot spraying: se l'obiettivo è aprire un ugello per spruzzare una dose di erbicida su una determinata area, knowing che dentro quel riquadro c'è vegetazione indesiderata è sufficiente. L'architettura dominante in questo ambito è la famiglia YOLO (You Only Once), presente in oltre il 53% degli studi di rilevamento in tempo reale analizzati dalla letteratura, grazie alla sua capacità di elaborare l'intera immagine in un unico passaggio, garantendo velocità.

Il terzo e più avanzato livello è la segmentazione. In questo caso, il modello non si accontenta di un riquadro approssimativo, ma deve tracciare il contorno esatto della pianta, pixel per pixel. Esistono due tipi principali di segmentazione: semantica (distingue le classi di pixel, ad esempio "sfondo" vs "pianta") e istanza (distingue le singole piante l'una dall'altra). Per questo compito, l'architettura più diffusa è UNet, originariamente sviluppata per le immagini biomediche ma ampiamente adottata in agritech per la sua precisione nel delineare i margini frastagliati delle foglie. Questo livello è indispensabile quando l'attuatore finale richiede una precisione millimetrica, ad esempio per colpire il meristema apicale con un raggio laser senza danneggiare la coltura adiacente.

Questi modelli non "capiscono" una pianta nel senso umano del termine. Non possiedono una conoscenza botanica. Imparano a riconoscere pattern statistici in enormi quantità di immagini etichettate da persone, associando determinate combinazioni di pixel a determinate etichette. Questo processo di addestramento ha un costo in tempo e denaro che viene sistematicamente sottovalutato rispetto al costo dei sensori o degli attuatori meccanici.

La vera scala di difficoltà: green-on-brown e green-on-green

Per capire perché esistono in commercio soluzioni che costano poche migliaia di euro e altre che richiedono investimenti di centinaia di migliaia di euro, è indispensabile comprendere la differenza tra due scenari operativi radicalmente diversi: il green-on-brown e il green-on-green. Questa distinzione tecnica, raramente spiegata con chiarezza dalla stampa di settore, è la chiave di volta per valutare qualsiasi tecnologia di diserbo di precisione.

Il green-on-brown ("verde su marrone") consiste nell'individuare piante verdi su un terreno nudo, marrone o comunque privo di coltura in atto. È il caso d'uso più semplice, tipico delle lavorazioni primarie o dei campi lasciati a riposo prima della semina. In questo scenario, il problema è talmente banale che spesso non richiede nemmeno il deep learning. Sistemi storici e ancora molto diffusi, come WeedSeeker di Trimble o Weed-IT, si basano su semplici sensori a infrarosso vicino (NIR). La clorofilla delle piante sane riflette fortemente la luce nello spettro del NIR. Il sensore, quindi, non "vede" la forma della pianta: si limita a reagire alla presenza di clorofilla attiva. Se rileva clorofilla, attiva l'ugello.

Il limite fatale dei sistemi NIR è che sono completamente ciechi rispetto alla specie botanica. Non possono distinguere una coltura da un'infestante. Se ci fosse una coltura in campo, il sensore la tratterebbe esattamente come un'infestante, distruggendola. Per questo motivo, i sistemi green-on-brown sono una tecnologia matura, relativamente semplice ed economica, ma il loro utilizzo è confinato esclusivamente ai campi privi di coltura.

Il green-on-green ("verde su verde") è un problema di visione artificiale di complessità superiore. Si verifica quando si deve individuare un'infestante in mezzo alla coltura, durante la stagione vegetativa, dove entrambe le piante sono verdi e spesso morfologicamente molto simili. In questo caso, la riflettanza nel NIR è identica per entrambe. Non basta più il colore; è necessario analizzare la forma, la texture, l'architettura fogliare, le venature. Questo salto tecnologico richiede necessariamente telecamere RGB ad alta risoluzione e modelli di deep learning complessi, capaci di estrarre特征 (features) visive ad alto livello. È la vera frontiera tecnologica, quella che permette di intervenire con la coltura già in campo, ma è anche quella che richiede la maggiore potenza di calcolo e i dataset di addestramento più vasti.

I sistemi green-on-brown, basati su sensori a infrarosso che reagiscono semplicemente alla presenza di clorofilla, funzionano solo su terreno privo di coltura: non distinguono affatto tra una pianta coltivata e un'infestante. Il riconoscimento in mezzo alla coltura, il cosiddetto green-on-green, è un problema molto più complesso che richiede necessariamente telecamere RGB e modelli di deep learning capaci di distinguere forma e texture, non solo colore — ed è qui che si concentra oggi la vera frontiera della ricerca.

Perché è più difficile di quanto sembra

La narrazione commerciale spesso dipinge l'intelligenza artificiale come uno strumento infallibile, capace di distinguere con certezza assoluta la pianta buona da quella cattiva. La realtà documentata dalla ricerca accademica racconta una storia molto diversa, fatta di compromessi, errori e fragilità strutturali. Secondo una revisione sistematica pubblicata su ScienceDirect, che ha analizzato in modo comprensivo l'applicazione del machine learning al riconoscimento delle infestanti, esistono tre sfide ricorrenti che mettono costantemente alla prova questi algoritmi.

La prima sfida è l'effetto della luce. L'illuminazione in campo aperto non è mai costante. Cambia radikalmente durante la giornata, con l'angolo del sole, e cambia con le stagioni e le condizioni meteorologiche. Un'ombra nuvolosa che si sposta rapidamente su una foglia può alterare i valori RGB dei pixel in modo sufficientemente drastico da confondere un modello addestrato prevalentemente su immagini in piena luce solare.

La seconda sfida è l'occlusione. In un campo reale, le foglie si sovrappongono, le infestanti si nascondono parzialmente sotto la chioma della coltura, il vento muove costantemente la vegetazione. I modelli faticano enormemente a riconoscere la geometria di una pianta quando solo il 30% o il 40% della sua biomassa è visibile alla telecamera.

La terza sfida riguarda la classificazione nella fase iniziale di crescita. Quando le piantine sono appena emerse dal terreno, i cotiledoni e le prime foglie vere sono microscopiche e morfologicamente quasi identiche tra specie diverse. La somiglianza visiva tra infestante e coltura nelle prime fasi fenologiche inganna facilmente le reti neurali.

Oltre a queste tre sfide principali, la letteratura indipendente documenta altri fattori critici. La specie di infestante cambia in base alla posizione geografica, alla varietà di coltura, al clima e al tipo di suolo: un modello addestrato in Spagna potrebbe non riconoscere le infestanti dominanti in Pianura Padana. Inoltre, la sfocatura da movimento (motion blur) e il rumore digitale dell'immagine peggiorano ulteriormente il riconoscimento quando la macchina avanza su terreni sconnessi.

Il problema più insidioso, tuttavia, è quello che in letteratura tecnica viene chiamato "domain gap". Un modello addestrato su un campo specifico — con la sua luce, il suo suolo, la sua fase di crescita — tende a perdere accuratezza quando viene applicato a un campo diverso, anche a parità di coltura e infestante: è un fenomeno che la ricerca chiama 'domain gap', e non è un difetto isolato di progettazione, ma una caratteristica strutturale del modo in cui questi modelli imparano dai dati. Resta un'area di ricerca attiva, non un problema già risolto. Le differenze statistiche di basso livello, come la tonalità esatta del terreno di sfondo o le specifiche aberrazioni cromatiche di una diversa marca di telecamera, sono sufficienti per far crollare le prestazioni di un modello che non sia stato addestrato con una variabilità estrema e costosa di immagini.

Il caso che racconta il problema meglio di ogni definizione: da LettuceBot a See & Spray

Per comprendere la scala di questa complessità, nulla è più efficace della storia di Blue River Technology, l'azienda che ha contribuito più di ogni altra a portare la visione artificiale nell'agricoltura a pieno campo. L'azienda nasce nel 2011 a Mountain View, fondata da due studenti di Stanford, Jorge Heraud e Lee Redden. Il loro primo prodotto, LettuceBot, era pensato per un problema specifico e controllato: il diradamento selettivo della lattuga. Entro il 2014, LettuceBot aveva già diradato circa il 10% della produzione di lattuga degli Stati Uniti. Era un compito complesso, ma circoscritto: una singola coltura orticola, coltivata in righe perfettamente regolari, a bassa velocità, in un ambiente visivo relativamente prevedibile.

Il salto successivo, dalle colture orticole della California alle grandi colture a pieno campo come cotone e soia del Sud degli Stati Uniti, non è stato un semplice aggiornamento software. Il salto da LettuceBot — un robot che diradava selettivamente la lattuga in righe regolari a bassa velocità — al sistema oggi noto come See & Spray su grandi colture a pieno campo non è stato un aggiornamento incrementale: ha richiesto un aumento di un ordine di grandezza nella capacità di calcolo e nella quantità di dati etichettati necessari, perché il sistema doveva classificare le piante a circa 20 fotogrammi al secondo mentre la macchina avanzava a 12-20 miglia orarie, su una varietà di condizioni di campo molto più ampia di quella di un orto.

John Deere ha acquisito Blue River Technology nel 2017 per 305 milioni di dollari, riconoscendo il valore di questa capacità computazionale e integrando la tecnologia nel sistema oggi noto come See & Spray. L'evoluzione commerciale del prodotto è stata rapida e continua. La versione Premium è stata lanciata nel 2020 per il cotone, per poi essere estesa a mais e soia nel 2022. Nel 2024 è arrivata una versione più economica e retrofit, chiamata Select, progettata per rendere la tecnologia accessibile su attrezzature già esistenti, abbattendo la barriera d'ingresso per gli agricoltori.

Tuttavia, quando si analizzano le cifre sulla riduzione dell'uso di erbicida dichiarate dalle fonti nel corso degli anni, è fondamentale mantenere un approccio critico e attribuire esplicitamente i dati alle rispettive date, poiché questi numeri non sono mai stati un dato scientifico unico e stabile, ma hanno seguito l'evoluzione del prodotto. Una fonte aziendale del 2021 riportava una riduzione stimata del 77%. Una comunicazione aziendale successiva, del 2024, ha spostato l'attenzione sulla capacità di elaborazione, parlando di una scansione di oltre 2.100 piedi quadrati di superficie coltivata al secondo tramite telecamere montate su barra. Più recentemente, fonti relative al biennio 2025-2026 riportano una riduzione del 50% e un risparmio dichiarato di 31 milioni di galloni di erbicida su 5 milioni di acri nel 2025. Questi numeri, in continua evoluzione, sono il riflesso di un algoritmo e di un hardware in costante perfezionamento, e non possono essere presi come verità assolute e immutabili nel tempo.

L'hardware: elaborare in tempo reale mentre la macchina si muove

Il vincolo tecnico più spesso ignorato dalla narrazione divulgativa è la tirannia del tempo. Non basta che un modello di visione artificiale sia accurato: deve anche essere abbastanza veloce da decidere mentre la macchina è già passata oltre. Per questo la maggior parte dei sistemi commerciali elabora le immagini direttamente a bordo della macchina, invece di inviarle a un server remoto: la latenza di una connessione internet, spesso scarsa in campagna, sarebbe incompatibile con una decisione che deve avvenire in una frazione di secondo.

Se una barra atomizzatrice avanzasse a 15 km/h, si muoverebbe di circa 4 metri al secondo. Tra lo scatto di una foto e l'apertura fisica di un ugello electroidraulico passano decine di millisecondi. Un sistema che elabora un'immagine in un secondo intero è del tutto inutile in questo contesto: l'infestante sarebbe già stata irrimediabilmente superata e spruzzata fuori target.

Per questo motivo, l'elaborazione avviene in edge computing. Un computer industriale, installato direttamente sulla macchina agricola, riceve il flusso video, lo processa attraverso la rete neurale e invia il comando agli attuatori, il tutto in tempo reale. Questo impone vincoli severissimi sull'hardware: deve essere potente, ma anche in grado di resistere a vibrazioni, polvere e sbalzi termici.

L'industria dell'informatica ha risposto a questa esigenza sviluppando modelli cosiddetti "leggeri". Nella letteratura scientifica si trovano sempre più spesso architetture come YOLOX-tiny o MobileNet-SSD, progettate appositamente per girare su hardware embedded a basso consumo. Questi modelli sacrificano una minima parte di accuratezza nella segmentazione o nel rilevamento di oggetti molto piccoli per guadagnare un fattore moltiplicativo nella velocità di inferenza. Sono i modelli ideali per droni agricoli e piccoli robot da campo, dove lo spazio fisico per l'hardware, l'alimentazione elettrica e la dissipazione del calore sono limitati. Questo stesso vincolo di elaborazione in tempo reale a bordo macchina vale per la navigazione autonoma dei robot agricoli, come approfondito nella nostra guida alla robotica agricola e trattori autonomi, dove la macchina deve decidere come sterzare in millisecondi per evitare un ostacolo.

Il costo nascosto: etichettare i dati

Quando si parla di intelligenza artificiale, l'attenzione si concentra quasi sempre sulla potenza di calcolo, sui chip e sulle telecamere. Eppure, il vero collo di bottiglia economico e temporale nello sviluppo di questi sistemi agricoli è un'attività profondamente umana, lenta e faticosa: l'etichettatura dei dati. Un modello di deep learning impara da immagini etichettate da esseri umani, un lavoro lento e costoso che è spesso il vero collo di bottiglia nello sviluppo di questi sistemi, più della potenza di calcolo disponibile. Per ridurre questo costo, la ricerca usa sempre più spesso immagini sintetiche generate artificialmente, combinate con un numero molto più piccolo di immagini reali di campo.

Qualcuno, tipicamente un agronomo o un tecnico specializzato, deve prendere decine di migliaia di immagini scattate in campo e disegnare manualmente, pixel per pixel o riquadro per riquadro, i confini delle piante, decidendo e annotando se si tratta di coltura o infestante, e di quale specie. Questo processo di creazione del dataset di addestramento (il ground truth) richiede mesi di lavoro e costi elevatissimi.

Per aggirare questo ostacolo, la ricerca sta adottando due strategie principali. La prima è la generazione di immagini sintetiche. Utilizzando motori grafici avanzati o reti generative, i ricercatori possono creare ambienti virtuali realistici, inserendo modelli 3D di piante di coltura e infestanti in diverse fasi di crescita, sotto diverse illuminazioni e angolazioni. In uno studio scientifico focalizzato sul riconoscimento del convolvolo nelle barbabietole da zucchero, i ricercatori hanno combinato oltre 2.200 immagini sintetiche generate artificialmente con circa 450 immagini reali di campo. Questo mix ha permesso al modello di raggiungere un'accuratezza eccellente, riducendo drasticamente la necessità di raccogliere ed etichettare manualmente un numero proibitivo di foto reali.

La seconda strategia è il transfer learning. Invece di addestrare una rete neurale da zero (il che richiederebbe milioni di immagini generiche), i ricercatori partono da un modello già pre-addestrato su vastissimi dataset di immagini non necessariamente agricole (come ImageNet). Questo modello ha già imparato a riconoscere bordi, curve, texture e forme geometriche di base. A quel punto, la rete viene "congelata" nei suoi strati iniziali e ri-addestrata solo sugli strati finali, utilizzando un numero molto più piccolo di immagini specifiche del compito agricolo. Questo approccio riduce drasticamente sia il tempo di sviluppo sia il costo economico, rendendo la visione artificiale accessibile anche a startup e centri di ricerca con budget limitati.

Dove va a finire il riconoscimento: gli attuatori

Il riconoscimento di un'infestante, per quanto sofisticato, è un esercizio puramente accademico se non è immediatamente seguito da un'azione fisica. La visione artificiale è il "cervello", ma il valore pratico ed economico per l'agricoltore si misura esclusivamente nell'attuatore finale. Il sistema deve essere collegato a un meccanismo che agisca nel mondo reale: un ugello che si apre per spruzzare una micro-dose di erbicida, un raggio laser che termicamente distrugge il tessuto vegetale, o un braccio meccanico che estirpa la pianta dal suolo.

È esattamente questo il principio alla base del il diserbo con laser e luce: prima si vede, poi si colpisce. La differenza sostanziale tra le varie tecnologie commerciali oggi sul mercato non risiede tanto nel principio di visione artificiale sottostante, che rimane concettualmente simile nella sua architettura di base, quanto nella natura dell'attuatore finale e nella precisione millimetrica che quell'attuatore specifico richiede al sistema di visione. Un ugello può tollerare un errore di localizzazione di diversi centimetri; un laser che deve bruciare il meristema apicale senza colpire la foglia della coltura adiacente richiede una segmentazione istantanea e flawless.

Domande frequenti sulla visione artificiale in agricoltura

Come fa una macchina a distinguere una coltura da un'infestante?

Attraverso telecamere e modelli di intelligenza artificiale addestrati su grandi quantità di immagini etichettate da esseri umani. Il sistema impara a riconoscere pattern visivi — forma, colore, texture delle foglie — che distinguono statisticamente una specie dall'altra, non attraverso una comprensione della pianta nel senso in cui la intende un essere umano.

Cos'è la differenza tra riconoscimento green-on-brown e green-on-green?

Il green-on-brown individua piante verdi su terreno nudo, tipicamente con sensori a infrarosso che reagiscono alla clorofilla senza distinguere il tipo di pianta: funziona solo in assenza di coltura. Il green-on-green individua un'infestante in mezzo alla coltura, dove entrambe sono verdi: richiede telecamere RGB e deep learning, ed è un problema tecnico molto più complesso e ancora in evoluzione.

L'intelligenza artificiale riconosce sempre correttamente le infestanti?

No. La letteratura scientifica indipendente documenta che le prestazioni di questi modelli peggiorano sensibilmente quando cambiano le condizioni di luce, il tipo di suolo, la fase di crescita della pianta o semplicemente il campo rispetto a quello su cui il modello è stato addestrato, un fenomeno noto come 'domain gap' e ancora oggetto di ricerca attiva.

Perché questi sistemi devono elaborare le immagini a bordo della macchina?

Perché la decisione deve avvenire in una frazione di secondo mentre la macchina avanza in campo: inviare le immagini a un server remoto introdurrebbe una latenza incompatibile con i tempi richiesti, aggravata dalla copertura di rete spesso scarsa in ambito rurale. Per questo la maggior parte dei sistemi commerciali usa hardware di elaborazione installato direttamente sulla macchina (edge computing).

Qual è il costo maggiore nello sviluppo di questi sistemi?

Spesso non è l'hardware ma l'etichettatura dei dati: qualcuno deve marcare manualmente, immagine per immagine, dove si trova ogni pianta e se è coltura o infestante. Per ridurre questo costo, la ricerca usa sempre più immagini sintetiche generate artificialmente e tecniche di transfer learning, che riducono la quantità di dati reali necessari.

Qual è la differenza tra il sistema di visione artificiale e il diserbo laser?

La visione artificiale è il sistema di riconoscimento — il 'cervello' che identifica dove si trova un'infestante. Il laser è uno dei possibili attuatori — la parte che agisce fisicamente sulla base di quel riconoscimento. Lo stesso principio di visione artificiale può guidare un ugello selettivo, un laser o un braccio meccanico: cambia l'azione finale, non il modo in cui la pianta viene identificata.