Estrazione Efficiente di Caratteristiche Visive su Dispositivi Edge a Basso Consumo Energetico per l’Agricoltura = Efficient Image Feature Extraction for Low-Power On the Edge Device for Agriculture

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. L’addestramento supervisionato del modello ha richiesto un notevole impegno, con la sperimentazione di differenti parametri di training per YOLOv8 e l’adozione di tecniche di data augmentation al fine di aumentare la robustezza del sistema. Analogamente, la struttura dell’autoencoder è stata definita dopo vari confronti tra diverse architetture, fino all’individuazione della configurazione più efficace per il compito di ricostruzione delle foglie sane. Per la fase di classificazione finale è stata scelta una Random Forest, che ha mostrato prestazioni superiori rispetto ad altri algoritmi testati, come la Support Vector Machine (SVM). Infine, i modelli ottenuti sono stati opportunamente ottimizzati e convertiti per essere eseguiti direttamente su dispositivi edge a risorse limitate, dimostrando la fattibilità di un approccio TinyML per la diagnosi precoce delle patologie delle colture. I risultati sperimentali confermano l’efficacia del sistema sia nel rilevamento che nella classificazione, aprendo la strada a ulteriori sviluppi volti a migliorarne l’accuratezza e a validarne l’applicabilità in scenari reali di agricoltura di precisione. In particolare, l’impiego di dispositivi on the edge consente di ridurre la dipendenza dall’intervento umano in campo, automatizzando la diagnosi e limitando il rischio di errore. Questo approccio può essere integrato in diversi contesti operativi: dai droni per il monitoraggio aereo delle colture, ai sensori fissi distribuiti sul terreno per un controllo continuo, fino a dispositivi portatili a supporto diretto dell’agricoltore. Tali scenari rendono possibile un monitoraggio intelligente e distribuito, favorendo decisioni tempestive e una gestione più sostenibile delle risorse agricole.