Machine Learning for Detection and Severity Estimation of Sweetpotato Weevil Damage in Field and Lab Conditions

Sintesi Tecnica: Apprendimento Automatico per il Rilevamento e la Stima della Gravità del Danno da Weevil della Patata Dolce

Problematica
Il weevil della patata dolce (Cylas spp.) è un parassita distruttivo primario nell'Africa subsahariana, capace di causare perdite di resa fino al 100% e di rendere le radici inadatte al consumo. Gli attuali programmi di breeding si affidano al fenotipizzazione manuale per identificare i genotipi resistenti. In contesti di campo, gli esperti utilizzano una scala di valutazione visiva soggettiva da 1 a 9, mentre le valutazioni di laboratorio comportano il conteggio manuale laborioso dei fori di alimentazione. Questi metodi tradizionali sono lenti, incoerenti e soggetti a bias umani, creando colli di bottiglia nello sviluppo di varietà di patata dolce resilienti. Questo studio affronta la necessità di strumenti di valutazione automatizzati, oggettivi e scalabili per accelerare i flussi di lavoro del breeding.

Metodologia
La ricerca propone una pipeline di visione artificiale a doppio contesto per ambienti sia di campo che di laboratorio, utilizzando Reti Neurali Convoluzionali (CNN) e architetture di rilevamento oggetti.

• Valutazione in Campo (Classificazione della Gravità):

  • Raccolta Dati: Immagini e video sono stati catturati da quattro siti agricoli in Uganda durante due stagioni. Gli esperti hanno assegnato punteggi di gravità basandosi su una scala modificata a 5 punti (1, 3, 5, 7, 9) che rappresenta la proporzione di radici danneggiate.
  • Pre-elaborazione: Un modello di segmentazione YOLO11 (mAP 92,5%) è stato perfezionato per isolare le radici dal rumore di fondo. Il dataset è stato bilanciato estraendo frame dai video e sottocampionando le classi sovrarappresentate, risultando in 636 parcelle (788 immagini).
  • Architettura del Modello: È stata implementata un'architettura ResNet-50 a doppio input per elaborare viste ortogonali accoppiate (superiore e inferiore) delle parcelle di radici. Il modello ha concatenato vettori di caratteristiche da 2048-d da due backbone in una rappresentazione da 4096-d, seguita da strati completamente connessi con dropout. Un modello VGG16 secondario è stato testato ma ha ottenuto prestazioni inferiori.
  • Addestramento: Il modello è stato addestrato per 20 epoche utilizzando l'ottimizzatore Adam con una dimensione del batch di 16.

• Valutazione in Laboratorio (Quantificazione del Danno):

  • Configurazione Sperimentale: Le radici sono state esposte a infestazioni controllate di weevil (5–10 adulti per 24 ore) e immagini con illuminazione standardizzata.
  • Pre-elaborazione:
    1. Segmentazione: Un modello di segmentazione YOLO11 (mAP 98%) ha isolato le regioni delle radici dagli sfondi.
    2. Conversione delle Annotazioni: Le annotazioni basate su punti dei fori di alimentazione sono state convertite in bounding box utilizzando un'espansione di padding di 18 pixel.
    3. Strategia di Tiling: Per affrontare la sfida del rilevamento di fori minuscoli, è stato impiegato il framework Slicing Aided Hyper Inference (SAHI). Le immagini sono state suddivise in tile sovrapposte di 384×384 pixel per migliorare la visibilità dei piccoli oggetti.
  • Selezione del Modello: Tre modelli di rilevamento oggetti allo stato dell'arte sono stati valutati: YOLO11-L, YOLO12-L e RTDETR2. Sono stati addestrati sul dataset a tile per 500 epoche con early stopping.

Risultati Chiave

• Classificazione in Campo: Il modello ResNet-50 a doppio input ha raggiunto un'accuratezza di test del 71,43%. Le prestazioni variano per classe:
  • Classe 1 (Nessun danno): F1-score più alto (0,72) con un alto recall (0,82), indicando una forte capacità di identificare le parcelle resistenti.
  • Classe 5 (Danno severo): Recall più basso (0,45), suggerendo una frequente classificazione errata dei casi gravi.
  • Pattern di Confusione: Le misclassificazioni sono avvenute principalmente tra livelli di gravità adiacenti (es. 1 vs 3, 5 vs 7), probabilmente a causa di caratteristiche visive sovrapponibili.
• Rilevamento in Laboratorio: YOLO12-L è emerso come il modello superiore, raggiungendo una media di Precisione Media (mAP@0.5) del 77,7%.
  • Ha dimostrato una precisione (0,715) e un recall (0,765) bilanciati.
  • Ha performato eccezionalmente bene sui fori non fecali (mAP@0.5: 0,826) e sui fori fecali (mAP@0.5: 0,728).
  • RTDETR2 ha mostrato una precisione più elevata ma un recall inferiore, mentre YOLO11 è risultato meno performante rispetto a YOLO12.

Significato e Rivendicazioni
L'articolo sostiene che le tecnologie di visione artificiale possano fornire strumenti di valutazione efficienti, oggettivi e scalabili che si allineano ai moderni flussi di lavoro del breeding. Lo studio dimostra che:

1. L'automazione è fattibile: I sistemi automatizzati possono filtrare efficacemente i genotipi resistenti in campo (alto recall per le classi a basso danno) e quantificare il danno in laboratorio con alta precisione.
2. Innovazione Metodologica: La combinazione di segmentazione delle radici e tiling basato su SAHI affronta con successo la specifica sfida del rilevamento di fori di alimentazione minuscoli che spesso vengono persi nelle immagini a risoluzione intera.
3. Applicazione Pratica: Pur non essendo un sostituto completo del giudizio esperto, questi strumenti fungono da sistemi di supporto alle decisioni efficaci per ridurre la soggettività e l'impegno manuale. Gli autori sottolineano il potenziale di distribuzione di modelli leggeri su dispositivi edge (es. smartphone) per supportare i tecnici sul campo.
4. Disponibilità di Risorse: Gli autori dichiarano che i dataset e il codice saranno resi pubblici per supportare ulteriori ricerche nella fenotipizzazione delle piante.

Gli autori mantengono un tono modesto, riconoscendo i limiti come il divario di prestazioni tra i risultati di campo e di laboratorio, l'overfitting nel classificatore di campo dovuto alla variabilità dei dati e l'overhead computazionale della pipeline a due stadi in laboratorio. Posizionano il lavoro come un passo significativo verso il miglioramento dell'efficienza della fenotipizzazione piuttosto che come una soluzione finale e perfetta.