Valutazione dello stato di salute dei Noccioli mediante UAV e Deep Learning = Health Assessment of Hazelnut Trees Using UAV and Deep Learning

L'identificazione automatica e affidabile delle malattie degli alberi da frutto può supportare gli agricoltori nell'attuare interventi tempestivi e mirati, riducendo così le perdite economiche. Questo elaborato si propone di sviluppare un metodo basato su deep learning per il riconoscimento di alberi di nocciolo sani e malati. In questo studio sono state utilizzate immagini RGB e multispettrali acquisite in diversi periodi di tempo e in condizioni di illuminazione variabili, tramite drone DJI P4 Multispectral, al fine di rilevare e classificare alberi di nocciolo sani e malati. Nella fase preliminare sono state analizzate diverse tecniche di segmentazione presenti in letteratura, selezionando due approcci per la sperimentazione: il metodo 'Citrus', basato su immagini RGB e originariamente testato su agrumeti, e il metodo basato su NDVI. Il primo include un’equalizzazione selettiva dell’illuminazione per compensare variazioni di luminosità, e combina l’aberrazione cromatica con il metodo "Otsu threshold" per isolare le chiome. Il secondo impiega una soglia sull’indice NDVI, risultando più robusto in presenza di erba o condizioni di luce non uniformi. Sono stati inoltre sviluppati due metodi automatici per l’identificazione dell’albero centrale: uno basato su sliding window e uno sull’uso delle coordinate geografiche. Per la classificazione, sono state adottate tecniche di transfer learning e fine-tuning su diverse architetture (VGG16, VGG19, Inception, EfficientNet, ResNet), con strategie di regolarizzazione come il dropout. Sono stati testati diversi input: immagini RGB e alcune combinazioni di immagini multispettrali (bande presenti: Red, Green, Blue, NIR, Red-Edge). Il risultato migliore è stato ottenuto con VGG19 su immagini RGB, con un’accuratezza del 74,3%.