Muffe dei pomodori: sicurezza e sostenibilità con l’intelligenza artificiale – Economia e politica

L’industria alimentare affronta sfide cruciali legate alla sicurezza, alla riduzione degli sprechi e alla sostenibilità. L’intelligenza artificiale offre soluzioni promettenti, in particolare per la rilevazione precoce di contaminazioni che minacciano la qualità dei prodotti.

Le muffe nei pomodori, ad esempio, non solo compromettono la qualità visiva e nutrizionale, ma rappresentano un rischio per la salute umana e causano sprechi significativi di risorse naturali, amplificando l’impatto ambientale in un contesto di crescente attenzione alla sostenibilità.

Un esempio innovativo è l’applicazione dell’algoritmo YOLOv7 per identificare e prevenire la contaminazione da muffe nei pomodori durante il processo di essiccazione. Lo studio, condotto presso l’Università di Padova, si è concentrato sull’addestramento del modello, una rete neurale convoluzionale progettata per il rilevamento di oggetti, utilizzando un vasto dataset di immagini di pomodori sani e contaminati.

I risultati di quattro sessioni di addestramento hanno evidenziato un miglioramento progressivo nella capacità del modello di distinguere tra pomodori “sani” e “contaminati”. Le immagini includevano diverse varietà, forme e stadi di essiccazione, garantendo un approccio robusto e generalizzabile. Durante i test, sono state valutate metriche come la “Precision” (P) e la “Recall” (R), per determinare l’efficacia dell’algoritmo nel rilevare la presenza di muffa.

La “Precision” è la proporzione di previsioni corrette tra tutte le previsioni fatte per una determinata classe. Indica quanto sono affidabili le previsioni positive. La “Recall”, invece, è definita come la proporzione di previsioni corrette tra tutte le occorrenze effettive della classe (ground truth). Misura quanto efficacemente il modello identifica tutte le occorrenze di una determinata classe.

La “Precision” media registrata è stata del 92%, mentre il valore della “Recall” ha raggiunto l’89% nei test finali. Entrambe le metriche hanno mostrato un incremento significativo rispetto agli allenamenti iniziali, dove i valori erano rispettivamente del 75% e 72%.

Un altro valore si è rilevato essenziale nella valutazione degli addestramenti: il punteggio F1. Esso, rappresenta la media armonica di P e R, considerando quindi entrambe le metriche e punendo pesantemente i modelli che presentano valori eccezionalmente bassi in una delle due metriche. Un punteggio F1 elevato (compreso tra 0 e 1) indica una classificazione efficace da parte del modello, mentre un punteggio basso indica prestazioni scarse.
In questo studio il punteggio complessivo F1 è passato da 0,891 nel terzo allenamento a 0,903 nel quarto, evidenziando un notevole miglioramento e dimostrando un notevole progresso nell’attitudine del modello a equiparare “Precision” e “Recall”.

Per la valutazione finale sono state utilizzate anche ulteriori metriche come: mAP50 e mAP95. Esse calcolano rispettivamente l’accuratezza media delle previsioni del modello considerando esclusivamente le previsioni con una probabilità o confidenza maggiore o uguale al 50% (0,5) o del 95% (0,95). Le prestazioni del modello sono state ulteriormente migliorate dopo il quarto addestramento, mostrando un  mAP50 di 0,952 e un mAP95 di 0,822.
Questi risultati indicano un’accuratezza nelle previsioni medie con alti livelli di confidenza, affermando la migliore capacità del modello di fare previsioni precise e sicure.

Infine, l’Intersection over Union (IoU) è una metrica utile per valutare l’accuratezza di un modello di rilevamento degli oggetti, misurando quanto le previsioni del modello si sovrappongano alle posizioni reali degli oggetti in un’immagine. Il valore IoU varia da 0 a 1, dove 0 significa nessuna sovrapposizione tra i riquadri di delimitazione e 1 indica una perfetta sovrapposizione tra i riquadri di delimitazione previsti e quelli di riferimento.

Variazione delle metriche di valutazione del modello durante i 4 allenamenti

(Fonte: Federica Amato)

Nello studio esso presenta una crescita sostanziale nelle prestazioni del modello. Durante il secondo addestramento, abbiamo ottenuto un IoU di 0,23, rivelando una sovrapposizione minima tra le previsioni del modello e la ground truth. Tuttavia, durante il terzo addestramento, l’Intersection over Union è salita a 0,81. Nella sessione di addestramento successiva, il valore è ulteriormente aumentato a 0,83, indicando un netto miglioramento dell’accuratezza predittiva del modello.

I risultati sono stati promettenti: l’algoritmo ha dimostrato un’elevata capacità di identificare pomodori contaminati fin dalle prime fasi del processo di essiccazione, e un miglioramento progressivo durante le interazioni di allenamento. Dal punto di vista pratico la scelta di YOLOv7 si è rivelata particolarmente strategica grazie alla sua capacità di elaborare immagini in tempo reale, rendendolo adatto ad applicazioni industriali su larga scala.

Esempio di pomodori etichettati healthy e spoiled dall’algoritmo

(Fonte: Federica Amato)

Questa tempestività consente di separare rapidamente i prodotti compromessi, riducendo al minimo il rischio di contaminazione del lotto e preservando la qualità del prodotto finale. Ciò rappresenta un passo avanti verso un’economia circolare, in cui ogni risorsa viene utilizzata al meglio, minimizzando gli impatti negativi sull’ambiente.
Inoltre, l’implementazione di un sistema di visione artificiale nel contesto dell’ Hazard Analysis Critical Control Points (Haccp) può migliorare significativamente i protocolli di sicurezza alimentare.

In futuro, tecnologie come queste potranno essere integrate in vari processi produttivi dell’industria alimentare e non, garantendo una filiera più sicura e sostenibile. Con un’attenzione crescente verso la digitalizzazione e la sostenibilità, l’intelligenza artificiale rappresenta una risorsa cruciale per affrontare le sfide del futuro.

Federica Amato, vincitrice per la categoria “tesi di indirizzo non agrario”

Per eventuali contatti federica.amato@unipd.it; federicaamato.amato8@gmail.com

A cura di Federica Amato

L’evento Agrifood Future è organizzato da Unioncamere e dalla Camera di Commercio di Salerno. L’evento ospita al suo interno l’Agrifood Future Award, un premio per le tesi di laurea promosso da Rural Hack e Image Line^®