Cimice asiatica: studio dell’analisi multivariata per visualizzare i danni – Agronomia

La cimice asiatica (Halyomorpha halys) è un insetto alieno invasivo diffuso a livello globale che, negli ultimi decenni, ha causato ingenti danni a numerose piante da frutto, ortive e ornamentali. L’Italia è uno dei principali paesi europei per la produzione di pere, coltivazione che è stata fortemente colpita dall’invasione di cimice asiatica negli ultimi anni, specialmente in Emilia Romagna dove l’incidenza dei danni alla raccolta può superare il 50%.
La cimice asiatica può provocare diverse tipologie di danno: visibili, come le deformazioni causate da punture durante la crescita del frutto, e non visibili ad occhio nudo, come suberificazioni e necrosi interne alla polpa provocate da punture in prossimità della raccolta.

Il lavoro di tesi è stato sviluppato nell’ambito del progetto europeo HALY.ID e propone di valutare le potenzialità dell’imaging iperspettrale nel vicino infrarosso per la visualizzazione di danni non rilevabili ad occhio nudo sulle pere causati dalle punture della cimice asiatica, al fine di implementare sistemi di cernita in post raccolta.

L’imaging iperspettrale nel vicino infrarosso è una tecnica che permette di ricavare sia l’informazione spettrale, relativa alla variazione della composizione chimica sull’intera superficie del frutto, sia l’informazione spaziale, relativa alla distribuzione di pixel corrispondenti alle zone di danno, attraverso una procedura di analisi rapida e non distruttiva.

Rappresentazione di un’immagine iperspettrale

(Fonte: Enrico Giovanella)

Sono state prese in considerazione pere di varietà Williams raccolte ad agosto 2022 e ad agosto 2023 presso un pereto biologico di Carpi (Mo). Al termine del periodo di allegagione sui rami selezionati sono state posizionate delle gabbie di inclusione che, oltre a proteggere i frutti da eventuali avversità biotiche e abiotiche non controllabili, hanno permesso di mettere in contatto circa la metà dei frutti con gli esemplari di cimice asiatica poco prima della raccolta commerciale.
Al fine di monitorare l’evoluzione dei danni nel tempo in condizioni di frigoconservazione, sono state acquisite immagini iperspettrali nel vicino infrarosso (1156-1674 nanometri) il giorno della raccolta, ed in sette tempi successivi per un periodo di sei settimane.

Al termine della fase sperimentale sono state acquisite 1.964 immagini iperspettrali.

L’analisi preliminare su un subset rappresentativo di immagini è stata effettuata mediante Principal Component Analysis (Pca), al fine di visualizzare le differenze fra pixel di aree danneggiate e pixel di aree sane. Questa valutazione preliminare ha evidenziato la difficoltà di identificare in modo automatizzato le punture a causa della loro forma irregolare e dei confini poco definiti tra le aree danneggiate e il resto del frutto.
Per superare questo limite e selezionare le aree punte in maniera oggettiva e automatizzata è stato sviluppato un algoritmo ad hoc basato sulla riduzione della dimensionalità del dataset con il metodo degli Iperspettrogrammi dello Spazio Comune (Csh).

Tale metodo risulta vantaggioso per l’analisi di dataset costituiti da numerose immagini iperspettrali, in quanto codifica ciascuna immagine in un segnale monodimensionale che ne riassume le informazioni spaziali e spettrali utili, ottenute a partire da quantità calcolate mediante un modello Pca globale.
 

Procedura utilizzata per l’identificazione delle punture. A: riduzione della dimensionalità tramite iperspettrogrammi; B: applicazione di Ipls-Da per selezionare le variabili correlate con le punture; C: pixel selezionati (rosso) visualizzati nel dominio originale dell’immagine

(Fonte: Enrico Giovanella)

Gli iperspettrogrammi sono stati analizzati mediante l’algoritmo interval Partial Least Squares Discriminant Analysis (Ipls-Da) per selezionare intervalli di pixel maggiormente correlati con la presenza delle punture. I pixel così selezionati sono stati visualizzati nel dominio originale delle immagini in modo da verificare la corrispondenza tra i pixel ricostruiti e le punture.
Lo schema della procedura di analisi e le immagini originali ricostruite per la visualizzazione delle punture sono riportate rispettivamente nella figura 2 e nella figura 3.

Gli intervalli di pixel selezionati hanno consentito di visualizzare correttamente le zone punte di 33 immagini di pere sulle 54 presenti nel dataset del 2022 (61%) e di 240 immagini di pere sulle 298 presenti nel dataset del 2023 (81%).
 

Ricostruzione dei pixel selezionati (in rosso) nel dominio originale dell’immagine confrontata con le immagini Rgb corrispondenti delle pere intere e pelate

(Fonte: Enrico Giovanella)

Inoltre, la stessa procedura di analisi è stata applicata ad immagini di pere con danni non riconducibili a cimice asiatica. In questo caso i danni simili a quelli provocati dalla cimice sono stati correttamente selezionati, viceversa, i danni di altra origine (ad esempio muffe) non sono stati identificati.

Pertanto, l’imaging iperspettrale nel vicino infrarosso si è rivelata una tecnica valida per l’identificazione dei danni interni provocati da cimice asiatica. E tramite all’impiego dell’algoritmo Ipls-Da, applicato agli iperspettrogrammi, è stato possibile effettuare una selezione automatizzata ed oggettiva dei pixel relativi alle punture, confrontando nello stesso tempo centinaia di immagini.

Partendo dalle aree selezionate sarà possibile creare un dataset di spettri rappresentativi delle aree danneggiate dall’insetto e delle aree sane, in modo tale da calcolare modelli di classificazione pixel level incrementando l’efficienza in classificazione.

I risultati ottenuti rappresentano un promettente punto di partenza per lo sviluppo di sistemi di cernita basati sull’imaging multispettrale. Questi sistemi si basano su un ridotto numero di lunghezze d’onda selezionate ad hoc e, pertanto, risultano più veloci, economici e di conseguenza più compatibili con le applicazioni industriali.

Enrico Giovanella, vincitore per la categoria “tesi di indirizzo agrario”

(Fonte: Enrico Giovanella)

Per eventuali contatti giovanellaenrico@gmail.com

A cura di Enrico Giovanella

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^®