immagini iperspettrali nell'agricoltura di precisione

Dimensione: px

Iniziare la visualizzazioe della pagina:

Download "immagini iperspettrali nell'agricoltura di precisione"

Ambra Romano
4 anni fa
Visualizzazioni

Tecniche di machine learning per l'analisi di immagini iperspettrali nell'agricoltura di precisione Raffaele Casa (1), Marco Di Rocco (2,4), Paolo Fantozzi (2,4), Luigi Laura (3,4,5), Umberto Nanni

1 Tecniche di machine learning per l'analisi di immagini iperspettrali nell'agricoltura di precisione Raffaele Casa (1), Marco Di Rocco (2,4), Paolo Fantozzi (2,4), Luigi Laura (3,4,5), Umberto Nanni (2,3) (1) Univ. La Tuscia, DAFNE Dip. di Scienze Agrarie e Forestali; (2) Univ. La Sapienza, CTL Centro di Ricerca per il Trasporto e la Logistica; (3) Univ. La Sapienza, DIAG Dip. Ingegneria Informatica, Automatica e Gestionale; (4) Trevizes.r.l.; (5) CerereTech s.r.l. 1

2 Idea Progettuale L'idea alla base del progetto è quella di utilizzare tecniche di Machine Learning su immagini iperspettrali contenenti lunghezze d'onda differenti, per la classificazione e quantificazione di piante infestanti all'interno di specifiche colture. Tale procedimento consentirà di migliorare la quantità e/o qualità dei raccolti minimizzando l uso di erbicidi e massimizzando la loro efficacia. L esperimento è stato condotto all interno di una coltivazione di mais, con immagini riprese da drone, e con misure oggettive a terra (superficie complessiva dell'area fogliare di ciascuna specie vegetale). 2

3 Tecniche di IA Il nostro approccio lavora in due fasi distinte: - Convolutional Neural Networks: utilizzando tutte le bande disponibili dell'immagine, si sono distinti tutti gli elementi presenti sul campo quali, mais, ombra, terreno plastica e piante infestanti. - K-Means Algorithm: sui pixel rilevati come infestanti, distinguendo le piante infestanti presenti e stimando la superficie di area fogliare in funzione del numero di pixel classificati. I risultati sono stati rapportati alle misurazioni oggettive della superficie fogliare effettuate a terra. 3

convoluzione (fase 1), (fase 2, a destra) sono state discriminate le diverse piante

4 Risultati ed impatto Esempio di classificazione di un immagine iperspettrale (a sinistra) mostrata nelle sole bande RGB: (fase 1, al centro) utilizzando una rete neurale di convoluzione (fase 1), (fase 2, a destra) sono state discriminate le diverse piante infestanti presenti nell area delimitata evidenziando con diverse tonalità di verde le infestanti rilevate. 4

5 Criticità per il settore Ridurre l'utilizzo di erbicidi ha un impatto da diversi punti di vista: - salute degli operatori - ambiente - costo delle sostanze impiegate e della diffusione dei trattamenti. L'individuazione delle varietà di piante infestanti, corredate da una stima quantitativa, consente di ottimizzare l'utilizzo degli erbicidi, rendendo possibili interventi mirati sia nella scelta delle sostanze impiegate che del dosaggio. In assenza di tali rilevazioni (che evidenziano una forte variabilità spaziale), le alternative consistono in interventi uniformi, con diverse sostanze (alcune localmente inutili) e con dosaggi elevati (o in alternativa localmente insufficienti). 5

6 Visione per il futuro Riduzione delle bande iperspettrali: stiamo sperimentando tecniche per selezionare un sottoinsieme delle bande (circa il 10%) senza ridurre in modo significativo i risultati del processo di classificazione Estensione della metodo di analisi in più fasi di immagini iperspettrali ad altri problemi la cui criticità è indicata dagli esperti del settore Stima del bisogno idrico localizzato delle piante e controllo ottimale dell'irrigazione (basato sul controllo dello "stress idrico") con potenziale impatto su qualità ed omogeneità del raccolto Valutazione di parametri rilevanti sfruttando imaging satellitare iperspettrale. La missione italiana PRISMA (ASI), equipaggiata con sensore iperspettrale parte il 21 Marzo: 6

Documenti analoghi

Metodologie e Sistemi di Percezione Avanzata per Veicoli Agricoli Intelligenti

Metodologie e Sistemi di Percezione Avanzata per Veicoli Agricoli Intelligenti Annalisa Milella 1, Roberto Marani 1, Antonio Petitti 1, Grazia Cicirelli 1, Tiziana D Orazio 1, Giulio Reina 2 1 Istituto