An Explainable Hybrid CNN-ViT Framework for Ethiopian Coffee Leaf Disease Classification

Negli altipiani dell'Etiopia, il caffè è più di una coltura; è il battito cardiaco dell'economia e il sostentamento di milioni di persone. Per secoli, gli agricoltori si sono affidati ai propri occhi e alla conoscenza locale tramandata dalle generazioni per individuare i segni delle malattie sulle loro piante. Osservano l'ingiallimento di una foglia o la comparsa di una macchia insolita, usando questa intuizione visiva per decidere come proteggere il proprio raccolto. Tuttavia, questo metodo tradizionale ha dei limiti. I primi segni di infezione possono essere sottili e facilmente trascurabili, e nel momento in cui una malattia diventa evidente all'occhio umano, potrebbe essersi già diffusa troppo per essere fermata. Negli ultimi anni, gli scienziati si sono rivolti ai computer per aiutare, insegnando loro a riconoscere schemi nelle immagini che gli esseri umani potrebbero ignorare. Questi sistemi informatici, noti come modelli di deep learning, agiscono come occhi digitali in grado di scansionare migliaia di foglie in pochi secondi, identificando malattie specifiche con una velocità sorprendente. Tuttavia, rimane un ostacolo importante: questi potenti computer spesso funzionano come "scatole nere". Forniscono una risposta, ma non spiegano perché l'abbiano scelta, lasciando agricoltori ed esperti nell'incertezza se possano fidarsi della diagnosi.

Un team di ricercatori dell'Università di Gondar e dell'Università di Mekdela Amba ha sviluppato un nuovo approccio per colmare questo divario tra potenza pura e comprensione umana. Hanno creato un sistema progettato specificamente per diagnosticare quattro comuni malattie delle foglie di caffè in Etiopia: Cercospora, la ruggine fogliare (Leaf Rust), la Phoma e lo stato sano della pianta. Invece di affidarsi a un singolo tipo di visione artificiale, hanno costruito un framework ibrido che combina due diverse potenzialità. Una parte del sistema agisce come un microscopio, ingrandendo per vedere le minuscole texture e i dettagli locali sulla superficie della foglia. L'altra parte agisce come un obiettivo grandangolare, facendo un passo indietro per comprendere la forma complessiva e il contesto dell'intera foglia. Fondendo queste due prospettive, il sistema impara a vedere la malattia più chiaramente di quanto possa fare uno dei due metodi da solo. Fondamentalmente, i ricercatori hanno anche dotato questo sistema di uno strumento che evidenzia esattamente quali parti della foglia il computer sta osservando quando prende una decisione. Questa trasparenza permette a un agricoltore di vedere il ragionamento del computer, confermando che la macchina si sta concentrando sui reali punti della malattia piuttosto che su rumori casuali o ombre di sfondo.

I ricercatori hanno testato il loro nuovo framework su una vasta collezione di 12.000 immagini di alta qualità di foglie di caffè raccolte dai principali centri di ricerca e dalle fattorie in tutta l'Etiopia. Hanno suddiviso questa collezione in gruppi, utilizzando la maggior parte delle immagini per istruire il computer e il resto per testare la sua conoscenza. Il sistema è stato addestrato per distinguere tra le quattro categorie, imparando a differenziare una foglia sana da una che soffre di infezioni fungine. Quando è iniziata la fase di test, il sistema ibrido si è dimostrato eccezionalmente accurato. Ha identificato correttamente le condizioni delle foglie nel 98,67 percento dei casi di test. Questa prestazione è stata leggermente superiore ad altri popolari modelli informatici con cui i ricercatori lo hanno confrontato, i quali hanno ottenuto punteggi compresi tra il 98,06 e il 98,56 percento. Il nuovo sistema è stato particolarmente bravo a distinguere tra foglie sane e malate. Tuttavia, distinguere tra le due malattie visivamente simili, la Ruggine Fogliare e la Phoma, è rimasto il compito più impegnativo per tutti i modelli, con la maggior parte delle classificazioni errate che avvenivano quando il sistema confondeva la Ruggina Fogliare con la Phoma. Nonostante questa difficoltà, il framework ibrido è riuscito comunque a superare i modelli più vecchi nella classificazione della Ruggina Fogliare, dimostrando il vantaggio di combinare l'analisi della texture locale con il contesto globale anche per i casi più difficili.

Oltre ai numeri, il risultato più significativo risiede nel modo in cui il sistema spiega se stesso. I ricercatori hanno utilizzato una tecnica di visualizzazione per generare mappe di calore (heatmaps), ovvero sovrapposizioni colorate che mostrano dove si concentra l'attenzione del computer sull'immagine. Quando il sistema identificava una malattia, queste mappe di calore evidenziavano costantemente le lesioni specifiche, le macchie o le pustole di ruggine che i patologi vegetali riconoscono come segni di malattia. Ad esempio, diagnosticando una foglia con Phoma, il computer si concentrava precisamente sulle macchie necrotiche e sui loro bordi. Osservando una foglia sana, il computer non mostrava tale concentrazione, indicando di non aver visto pattern di malattia. Questo allineamento tra il focus del computer e la conoscenza degli esperti umani è vitale. Trasforma il sistema da un misterioso oracolo a un partner affidabile. Un agricoltore o un operatore agricolo può guardare l'immagine e la mappa di calore insieme, vedendo esattamente perché il computer ha preso quella decisione. Questa prova visiva costruisce la fiducia necessaria affinché questi strumenti vengano adottati nell'agricoltura reale, dove la fiducia è importante quanto l'accuratezza.

Lo studio riconosce che, sebbene i risultati siano solidi, il lavoro non è ancora terminato. Il dataset utilizzato per l'addestramento proviene da regioni specifiche dell'Etiopia, e il sistema potrebbe necessitare di ulteriori test in ambienti diversi per garantire che funzioni ovunque. Inoltre, il modello ibrido richiede una potenza di calcolo maggiore rispetto ai sistemi più semplici, il che potrebbe rendere più difficile l'esecuzione su smartphone di base senza un'ulteriore ottimizzazione. Tuttavia, i ricercatori hanno tracciato una via chiara per il futuro. Suggeriscono che le versioni future di questa tecnologia potrebbero essere compresse per funzionare su dispositivi mobili, integrate con dati meteorologici per previsioni ancora migliori ed espanse per coprire altri tipi di problemi delle piante. Combinando la capacità di vedere i dettagli fini con la capacità di comprendere il quadro generale, e rendendo questo processo visibile all'utente, questa ricerca offre un passo promettente verso un futuro in cui la tecnologia supporta, piuttosto che sostituire, la saggezza degli agricoltori di caffè etiopi. L'obiettivo non è solo rilevare la malattia, ma farlo in un modo che le persone possano comprendere, fidarsi e utilizzare per proteggere i loro raccolti e i loro mezzi di sussistenza.