L’agricoltura di precisione rappresenta un ambito in rapida evoluzione, in cui le tecniche di intelligenza artificiale e i dispositivi a basso consumo energetico possono contribuire in maniera significativa alla diagnosi precoce delle patologie delle colture. L’obiettivo di questa tesi è sviluppare un sistema per il rilevamento di foglie malate attraverso l’impiego di algoritmi di Machine Learning, con particolare attenzione alla loro implementazione su dispositivi on the edge, secondo i paradigmi del TinyML. La metodologia proposta prevede una pipeline articolata in più fasi: la raccolta e preparazione di un dataset composto da oltre 130 immagini di foglie, che complessivamente corrispondono a più di 1000 foglie; l’impiego di YOLOv8 per il rilevamento e l’estrazione delle singole foglie; l’utilizzo di un autoencoder per la ricostruzione delle immagini e l’individuazione delle anomalie; e infine l’applicazione di una Random Forest per la classificazione tra foglie sane e malate.