Automatic classification of healthy / diseased plants using multispectral images

In agricoltura, al crescere dell’estensione delle colture, cresce la complessità nel valutare lo stato di salute della singola pianta. Questo perché, attualmente, la valutazione dello stato fisiopatologico di esse, avviene su controlli visivi diretti, seguiti eventualmente da indagini di laboratorio, caratterizzati da processi non immediati e da una costosa strumentazione scientifica. Questo lungo processo può comportare, oltre ai costi derivanti dalle analisi strumentali, una mancanza in termini di reattività decisionale, che nel caso di malattie trasmissibili, ad esempio, può portare alla perdita di più esemplari. La tesi in questione porta avanti il progetto DroNuts, che si propone di costruire un’infrastruttura sia hardware che software, in grado di fornire, tramite servizi di telerilevamento, una classificazione dello stato di ogni singola pianta. Sulla base di immagini multispettrali, raccolte in una precedente fase, verranno comparate diverse tecniche per la valutazione dello stato di salute delle piante. Verranno quindi analizzati approcci più specifici, come il calcolo e la rappresentazione di Indici Vegetazionali. Questi ultimi rappresentano una combinazione delle proprietà relative alle riflettanze spettrali, misurate da degli appositi sensori sensibili a diverse lunghezze d’onda. Essi trovano ampio uso nell’analisi di immagini satellitari, in quanto permettono di esaltare particolari caratteristiche della vegetazione e, più in generale, di una vasta area di terreno, fornendo importanti informazioni su stato di salute delle coltivazioni, apporto idrico, presenza di eventuali incendi, ecc. Di essi verranno quindi mostrati esempi di applicazione, pregi e limitazioni. Si procederà quindi successivamente con l'applicazione e valutazione di un approccio più generico, improntato su algoritmi di Machine Learning. Partendo da un dataset di immagini multispettrali, si proverà a costruire modelli in grado di distinguere all’interno di esso, le piante malate da quelle sane. Anche su questo approccio ci si soffermerà su pregi e limitazioni derivanti sia dagli algoritmi che dalle dimensioni e qualità del dataset. Alla fine verranno mostrati i risultati ottenuti, le problematiche riscontrate, e eventuali suggerimenti volti al futuro miglioramento dei risultati.