Development of a Vision-Guided Autonomous Variable-Rate Spraying System for Site- Specific Potato Disease Management Using YOLOv26

Problematica

La coltivazione della patata in India e a livello globale affronta perdite di resa significative a causa delle malattie fogliari, in particolare la peronosima (Phytophthora infestans) e la peronosella (Alternaria solani). La gestione convenzionale si basa sulla "irrorazione a pioggia" (blanket spraying), in cui i fungicidi vengono applicati uniformemente su tutto il campo indipendentemente dalla presenza di malattie. Questo approccio è inefficiente perché l'incidenza delle malattie è intrinsecamente eterogenea a causa delle variazioni del microclima e della chioma, portando a un'applicazione eccessiva di prodotti chimici sulle piante sane e a un trattamento inadeguato su quelle malate. Questo uso indiscriminato aumenta i costi di produzione, accelera la resistenza dei patogeni e pone rischi ambientali e sanitari. Sebbene il deep learning abbia fatto progressi nella rilevazione delle malattie, rimane un divario critico nel tradurre la percezione in tempo reale in un intervento autonomo a livello di campo.

Metodologia

Lo studio ha sviluppato un framework unificato di percezione–decisione–attuazione integrato in uno irroratore autonomo a tre ruote (TWAS) operante presso l'Indian Institute of Technology Kharagpur.

1. Architettura del sistema e Hardware

• Piattaforma: Un veicolo autonomo personalizzato dotato di un Filtro di Kalman Esteso (EKF) per la navigazione e un controllore Pure Pursuit per l'inseguimento della traiettoria.
• Calcolo: Un'architettura di calcolo distribuita a doppia elaborazione utilizzando due unità Raspberry Pi 5. Il Pi-1 gestiva la navigazione, la localizzazione e il controllo primario del filare, mentre il Pi-2 fungeva da nodo di percezione dedicato per il filare adiacente. La comunicazione era gestita tramite UDP per lo scambio di dati a bassa latenza.
• Sensori: Due telecamere RGB Logitech C270 montate verso il basso a un'altezza di 0,70 m, che fornivano un campo visivo (FOV) di circa 0,63 m × 0,36 m. Questa geometria garantiva la copertura completa del filare target (larghezza chioma 0,30–0,35 m) mantenendo l'isolamento laterale dai filari adiacenti.
• Attuazione: Valvole a solenoide controllate tramite Modulazione a Larghezza d'Impulso (PWM) hanno permesso l'irrorazione a tasso variabile. È stato implementato un offset camera-ugello di 0,30 m, con un algoritmo di compensazione del ritardo basato sulla distanza tramite un sensore di prossimità induttivo per sincronizzare l'attuazione dello spray con la velocità del veicolo.

2. Dataset e Sviluppo del Modello

• Dataset: È stato creato un dataset composito di 1.561 immagini di campo contenenti 14.166 istanze di foglie annotate (7.348 malate, 6.818 sane) in condizioni di chioma densa.
• Selezione del Modello: Lo studio ha confrontato YOLOv8, YOLOv12 e YOLOv26 attraverso diverse scale (da nano a large) rispetto ai detector convenzionali (Faster R-CNN, RetinaNet, ecc.).
• Addestramento: I modelli sono stati addestrati utilizzando il framework Ultralytics con perdita CIoU, Binary Cross-Entropy (BCE) e Distribution Focal Loss (DFL). L'aumento dei dati (data augmentation) includeva flipping, scaling e regolazioni HSV, ma l'aumento Mosaic è stato escluso per mantenere la stabilità della localizzazione in chiome dense.
• Deployment: La variante leggera YOLOv26n è stata selezionata per il deployment embedded. Il modello è stato esportato in formato ONNX e ottimizzato con precisione FP16 per l'esecuzione su Raspberry Pi 5.

3. Logica di Controllo e Stima della Gravità

• Aggregazione Temporale: Per gestire l'occlusione e il rumore di rilevamento, è stata utilizzata una finestra scorrente temporale di 2 secondi. La gravità della malattia è stata stimata a livello di chioma aggregando l'area delle regioni rilevate come sane e malate attraverso la finestra.
• Strategia a Tasso Variabile: L'indice di gravità calcolato ($S(t)$) è stato mappato su cicli di lavoro (duty cycles) PWM discreti:
  • $S(t) < 0,10$: Ciclo di lavoro al 40% (Baseline).
  • $0,10 \le S(t) < 0,30$: Ciclo di lavoro all'80%.
  • $S(t) \ge 0,30$: Ciclo di lavoro al 100%.
  • Le regioni con fogliame insufficiente ($A_{total} < 3000$ pixel) non hanno ricevuto alcuno spray (0%).

Risultati Chiave

1. Prestazioni del Modello

• Accuratezza: YOLOv26 ha raggiunto le massime prestazioni di rilevamento con un picco di mAP@0.5 di 0,961, superando YOLOv8 (0,924) del 3,7% e YOLOv12 (0,938) del 2,3%.
• Discriminazione delle Classi: YOLOv26 ha dimostrato una separazione delle classi superiore, con un tasso di veri positivi normalizzato di ~0,99 per entrambe le classi (sane e malate), minimizzando i falsi negativi (malattie mancate) e i falsi positivi (irrorazione non necessaria).
• Prestazioni Embedded: Sul Raspberry Pi 5, l'ottimizzato modello ONNX ha raggiunto una velocità di inferenza di circa 10 FPS. A una velocità operativa di 0,18 m/s, ciò ha comportato un intervallo di campionamento spaziale di 0,018 m, sufficiente per il monitoraggio continuo.

2. Sperimentazione in Campo

• Validazione Operativa: I test in campo hanno coperto 598 istanze di decisione di irrorazione spaziale su sei file di colture. Il sistema ha catturato con successo l'eterogeneità spazio-temporale, identificando zone ad alta gravità in file specifiche (es. File 1, 3, 5) e rilevando zone a bassa gravità in altre.
• Correlazione: È stata osservata una forte correlazione positiva ($r = 0,83$) tra la gravità della malattia stimata e il ciclo di lavoro PWM comandato, confermando la capacità del sistema di adattare l'intensità dell'irrorazione ai livelli di infezione locali.
• Risparmio Chimico: Rispetto a una simulazione di base di irrorazione a pioggia convenzionale (flusso massimo costante), il sistema a tasso variabile proposto ha ridotto il consumo di agrochimici del 32,75%.
  • Tasso Convenzionale: 458 L/ha.
  • Tasso del Sistema Proposto: 308 L/ha.
  • Volume totale ridotto da 12,36 L a 8,30 L nell'area di prova.

Significatività e Claim

Gli autori affermano che questo studio ha colmato con successo il divario tra la percezione intelligente delle malattie e la protezione automatizzata delle colture, integrando il deep learning embedded con il controllo dell'irrorazione adattivo. La significatività del lavoro risiede in:

1. Fattibilità dell'Edge AI: Dimostrare che il rilevamento di oggetti ad alta accuratezza (YOLOv26) può essere implementato su hardware a basso costo e con risorse limitate (Raspberry Pi 5) per operazioni in tempo reale sul campo.
2. Agricoltura di Precisione: Validare un sistema a ciclo chiuso che va oltre il semplice rilevamento per arrivare a un intervento sito-specifico azionabile, riducendo gli input chimici senza compromettere la gestione delle malattie.
3. Robustezza in Chiome Dense: L'uso di finestre temporali scorrenti e della stima della gravità a livello di chioma si è rivelato efficace nel gestire l'occlusione e la variazione di illuminazione tipiche delle colture di patate mature.
4. Scalabilità: Il framework è presentato come una piattaforma flessibile che può essere adattata ad altre colture a fila ri-addestrando il modello di rilevamento, offrendo una via verso sistemi di protezione delle colture intelligenti e sostenibili.

L'articolo conclude che il framework di percezione–decisione–attuazione proposto fornisce una soluzione tecnologica pratica per ridurre l'uso di agrochimici mantenendo un controllo efficace delle malattie nella coltivazione della patata.