DIVINE: DIagnosi delle malattie della VIte per immagini tramite le reti NEurali e il deep learning = DIVINE: DIagnosis of grapeVIne diseases through NEural networks and deep learning

I cambiamenti climatici stanno mettendo a dura prova le coltivazioni: si stima che il 40% delle colture a livello mondiale muoia prima del raccolto a causa delle malattie. A livello nazionale, una tra le piantagioni più importanti è la vite. L'irregolarità delle precipitazioni e l'aumento delle temperature facilitano la proliferazione di malattie funginee su questo tipo di piante. Per proteggere i vigneti, si è dunque costretti ad incrementare le quantità di agrofarmaci utilizzati. Inoltre, nella maggior parte dei casi, il trattamento viene eseguito senza discriminazione su tutta la coltivazione, poichè non si dispone di strumenti diagnostici con un livello di dettaglio sufficiente per consentire un intervento mirato. L'uso massiccio di prodotti chimici, derivato dalle cause appena descritte, comporta non solo una crescita dei costi di produzione, ma soprattutto effetti negativi sulla salute umana e sull'ambiente. Partendo da queste problematiche, gli obiettivi principali di questo studio sono tre: (1) analizzare lo stato dell'arte dei metodi per la diagnosi automatica delle malattie nelle vigne, esplorando varie tecniche e modelli derivanti dal campo dell'Intelligenza Artificiale (IA), in particolar modo del Deep Learning; (2) definire e realizzare una procedura di collezione dei dati che sfrutti strumenti e metodi di ultima generazione, come l'annotazione assistita dall'IA, al fine di creare una dataset specifico per diverse malattie delle vigne, in grado di fornire un supporto utile all'addestramento delle reti neurali; (3) implementare ed addestrare una rete neurale in grado di facilitare la diagnosi automatica delle malattie nelle vigne, facilmente addestrabile per nuove patologie. Per raggiungere tali obiettivi, la Computer Vision offre diverse soluzioni, tra cui tecniche di Classificazione e di Object Detection. Tali sistemi vengono dunque impiegati per analizzare fotografie di piante e pareti fogliari con lo scopo di individuare la posizione delle foglie all'interno dell'immagine ed indicare per ogni foglia se questa è sana o malata, specificandone l'eventuale malattia. Queste tecnologie quindi rendono possibile l'intervento con prodotti chimici esclusivamente nelle aree di interesse evitando inutili sprechi e supportando l'ambiente. Dalla revisione della letteratura è emerso che non esiste un dataset ampio e pubblico adatto ad addestrare modelli di Object Detection e Classificazione per le malattie delle vigne. Tuttavia sono stati individuati 4 dataset, che dopo essere stati trattati, annotati e migliorati, sono stati unificati nel Vine Leaf Vision Dataset. Questo nuovo dataset contiene quasi 10.000 immagini di foglie e pareti fogliari di viti, con oltre 38.000 annotazioni (bounding box). Le annotazioni, raccolte da operatori non esperti, utilizzano etichette basate su pattern visivi piuttosto che su diagnosi specifiche, limitando così le ambiguità derivanti dall'inesperienza degli annotatori. Per valutare l'efficacia del dataset sono stati condotti diversi esperimenti, concentrandosi sul fine-tuning, cioè la capacità dei modelli di adattarsi nell'identificazione di una specifica patologia. Le analisi effettuate su alcuni modelli di object detection hanno dimostrato come un addestramento sui dati del Vine Leaf Vision Dataset consente ai modelli di migliorare significativamente le loro performance quando successivamente subiscono un'operazione di fine-tuning su nuove malattie non presenti nel dataset.