Gli attuali sistemi di stima delle rese in vigneto, basati soprattutto su metodi manuali, risultano spesso costosi, lunghi da realizzare e imprecisi. Tuttavia, la necessità di ottimizzare la gestione agricola e prevedere la produzione in modo accurato è fondamentale per ridurre sprechi e migliorare la pianificazione della raccolta.
Lo studio di Orlandi e colleghi mira a sviluppare un approccio innovativo e automatizzato della previsione della resa nei vigneti basato su immagini RGB (Red-Green-Blue) acquisite da UAV (droni), offrendo un'alternativa più accessibile e scalabile rispetto alle tecnologie attualmente disponibili.
Un drone dotato di fotocamera RGB è stato utilizzato per acquisire immagini di vigneti.
Le immagini sono state elaborate con algoritmi di visione artificiale per identificare e quantificare i grappoli d'uva. I dati estratti sono stati confrontati con misurazioni sul campo per valutare l'accuratezza del metodo. Sono state analizzate diverse condizioni di illuminazione e angolazioni di acquisizione per determinare il setup ottimale.
L'approccio basato su immagini RGB ha dimostrato un'alta correlazione tra i dati stimati e quelli reali raccolti in campo. L'uso di droni ha permesso di coprire rapidamente grandi superfici, riducendo il tempo e il costo della stima della resa. I risultati indicano che il metodo è affidabile e applicabile su larga scala, con margini di miglioramento per aumentare la precisione in condizioni ambientali variabili.
A differenza di altri studi che utilizzano sensori multispettrali o LiDAR, questa ricerca si basa sull’utilizzo di semplici fotocamere RGB, rendendo la tecnologia più economica e accessibile. L’uso di un drone per la raccolta dei dati riduce la necessità di rilievi manuali, migliorando l’efficienza operativa rispetto ai metodi tradizionali. L’algoritmo di elaborazione delle immagini è stato ottimizzato per lavorare con immagini RGB standard, ampliando le possibilità di applicazione in diversi scenari agricoli.
Ulteriori miglioramenti dell’algoritmo saranno necessari per gestire meglio le variazioni di illuminazione e occlusione dei grappoli. L’integrazione con intelligenza artificiale e machine learning permetterà di affinare la precisione delle previsioni. In teoria il metodo può essere applicato ad altre colture e ambienti, ampliando il campo d'uso dell'approccio proposto. La combinazione con dati meteorologici permetterà previsioni ancora più accurate della produzione.
Questo studio rappresenta un passo avanti per la viticoltura di precisione, proponendo un metodo pratico ed economico per la previsione della resa. L’uso di droni e immagini RGB potrebbe rivoluzionare la gestione agricola, rendendo più efficiente ed economicamente accessibile il monitoraggio delle coltivazioni.
Orlandi, G., Matese, A., Ulrici, A., Calvini, R., Berton, A., & Di Gennaro, S. F. (2025). “Automated yield prediction in vineyard using RGB images acquired by a UAV prototype platform”. OENO One, 59(1). Disponibile qui
