IT202100011411A1 - Sistema e metodo configurati per fornire informazioni sullo stato di salute di alberi e altre piante - Google Patents

Description

Domanda di brevetto per invenzione industriale dal titolo:

?Sistema e metodo configurati per fornire informazioni sullo stato di salute di alberi e altre piante?

DESCRIZIONE

Settore della Tecnica

La presente invenzione si riferisce, in generale, ad un sistema configurato per fornire informazioni sullo stato di salute di alberi e altre piante.

In particolare, la presente invenzione si riferisce ad un sistema configurato per individuare lo stato di salute ed eventuali patologie di alberi o altre piante di vario tipo, come ad esempio di alberi o altre piante da frutta, a cui di qui in avanti si fa preferibilmente riferimento.

La presente invenzione si riferisce anche ad un metodo di funzionamento implementato con il sistema.

Arte Nota

Lo stato di salute delle piante viene verificato analizzando foglie o tronco delle piante.

Come noto nel settore, esistono alcune patologie che si manifestano, negli stadi iniziali, con effetti sulle foglie ed altre patologie che si manifestano, negli stadi iniziali, con effetti sul tronco delle piante.

Le varie patologie riguardano, negli stadi iniziali, piante singole, per cui esiste l?esigenza di individuare e curare le patologie delle singole piante prima che si diffondano ad altre piante costringendo ad azioni di cura diffuse su tutta una piantagione.

Sono noti sistemi e metodi per analizzare, in agricoltura, terreni e/o piantagioni.

Ad esempio, dalla pubblicazione brevettuale US2019/0212315_A1 ? noto un sistema e metodo per analizzare terreni e/o piantagioni. Questo sistema e metodo permette di rilevare informazioni relativamente ad un problema di salute delle piante quando di questo c?? evidenza sulle foglie.

Non tutti i problemi, purtroppo, partono dall?alto, anzi, spesso i problemi si possono manifestare a partire dal basso, ad esempio per la presenza di sostanze inquinanti nel terreno, attacchi di batteri o funghi agli apparati radicali, parassiti del legno ecc. In pratica spesso capita che, a dispetto di un?apparto fogliare rigoglioso e apparentemente in buona salute, la parte del tronco possa rivelare situazioni patologiche che ad un esame superficiale sfuggono. In tali casi l?analisi delle superfici aerea rivela solo alcune situazioni patologiche e spesso, purtroppo, quando ? anche troppo tardi per poter intervenire o l?intervento non risolve il problema ma ne attenua solo gli effetti e non ne preclude la diffusione.

Tale fenomeno si verifica, ad esempio, nel caso di patologie fungine come Peronospora della vite (Plasmopora viticola) oppure la Ticchiolatura del melo (Venturia inaequalis).

Un altro aspetto rilevante ? il fatto che in questa pubblicazione brevettuale le rilevazioni sono prese ad una distanza tale da coprire una superficie riguardante la piantagione o parte della stessa.

Tale approccio ? utilizzabile nel caso di analisi che hanno come obbiettivo il controllo di evoluzioni su vasta scala e soprattutto quando il problema assume dimensioni considerevoli.

Tale approccio, per?, non pu? fornire risultati efficaci nella ricerca di problematiche riguardanti singole piante.

La pubblicazione brevettuale US 2019/0339243 A1 riguarda, in generale, un sistema e metodo per monitorare la produzione di frutta.

Il sistema prevede l?utilizzo di sensori per determinare per ogni pianta colore delle foglie, dimensione dei tronchi e per stimarne la produzione.

Il sistema noto non sembra in grado di determinare in modo automatico lo stato di salute reale di una pianta e la posizione in ciascuna pianta di zone potenzialmente soggette ad una patologie in fase iniziale.

Questo sistema e metodo noto, pur prevedendo una molteplicit? di sensori ne fa un uso mirato per passare questi dati ad un sistema di elaborazione esterno o ad un utente.

Un tale tipo di sistema e metodo non permette, dunque, di ottenere risultati in modo tempestivo.

Inoltre, entrambi i sistemi e metodi noti non sono in grado di considerare patologie che presentano situazioni localizzate nel tronco, ma solo patologie che manifestano una variazione della riflettanza generale della pianta. N? sono in grado di indicare in che posizione esatta sulla pianta sono localizzati i cluster indicatori di patologie in atto

Una variazione della riflettanza generale della pianta, si presenta, per?, con un certo ritardo rispetto all?insorgere della malattia.

In pi?, entrambi i sistemi e metodi noti presentano un?elaborazione limitata al puro editing e formattazione dei dati e immagini, senza alcuna specifica elaborazione e analisi sia puntuale che temporale.

Nella realt?, in molti casi, in particolare in contesti urbani, le piante mostrano a livello esterno una chioma rigogliosa e indici vegetativi normali, ma in effetti, nascondono patologie non percepibili con i sensori previsti in questo documento di arte nota con il risultato che ogni manifestazione successiva di una patologia in atto pu? essere curata solo tardivamente.

In generale, la Richiedente ha osservato che l'arte nota non ? in grado di risolvere in modo efficace il problema di analizzare lo stato di salute di piante singole in modo da poter intervenire in modo puntuale sulle singole piante sia che si tratti di patologie che, allo stadio iniziale, si manifestano nelle foglie o che si tratti di patologie che allo stadio iniziale si manifestano nel tronco delle piante.

Descrizione sintetica dell?Invenzione

Scopo della presente invenzione ? un sistema e metodo per determinare lo stato di salute di singole piante di una piantagione o bosco e individuare una o pi? zone della pianta ove eventualmente intervenire per la salvaguardia della stessa.

Raggiunge lo scopo il sistema configurato per fornire informazioni sullo stato di salute di alberi o altre piante come rivendicato.

La presente invenzione riguarda anche un metodo per fornire informazioni sullo stato di salute di singole piante.

L?invenzione ? definita dalle rivendicazioni che seguono.

Le rivendicazioni cos? come la descrizione e le figure costituiscono parte integrante dell?insegnamento tecnico qui fornito in merito all?invenzione.

La seguente descrizione sintetica dell'invenzione ? data allo scopo di fornire una comprensione di base di alcuni aspetti dell'invenzione.

Questa descrizione sintetica non ? una descrizione estesa e come tale non va intesa come atta a identificare tutti gli elementi chiave o critici dell'invenzione, o atta a delineare completamente lo scopo dell'invenzione. Il suo solo scopo ? di presentare alcuni fra molteplici concetti dell'invenzione in una forma semplificata e sintetica cos? da anticipare alcuni elementi presenti nelle figure e nella descrizione di dettaglio riportate sotto.

A differenza di quanto gi? in uso, in accordo ad una caratteristica della presente invenzione, il sistema ideato, ? studiato per analizzare una singola pianta in modo specifico, ad esempio dal basso verso l?alto, in modo da rilevare anche e soprattutto la parte lignea, cosa impossibile da fare con una termo-camera aerea, e attraverso una componente di intelligenza artificiale mapparne lo stato di salute e collezionare i dati delle singole piante fino a formare la piantagione o il bosco (o porzione degli stessi).

In accordo ad un'ulteriore caratteristica della presente invenzione il sistema comprende un display collegato al dispositivo computerizzato e configurato per visualizzare uno o pi? cluster classificati elaborando i dati forniti da una telecamera termica e gli indici individuati con una video-camera e fornire un?indicazione sul display dello stato di salute della pianta.

In accordo ad un'altra caratteristica della presente invenzione, il sistema ? configurato per visualizzare tipo ed entit? di interventi da effettuare sulla pianta.

In accordo ad una seconda forma di realizzazione il sistema comprende un dispositivo di localizzazione collegato al dispositivo computerizzato e comprendente componenti di rilevazione di posizione assoluta, componenti di misurazione di orientamento, e componenti di misurazione di distanza configurati per fornire, fra una pluralit? di piante riprese dalla termo-camera e dalla video-camera, informazioni di geo-referenziazione della singola pianta.

In accordo ad una terza forma di realizzazione il sistema comprende un dispositivo sensore di impedenza collegato al dispositivo computerizzato e configurato per effettuare misure di impedenza sulla singola pianta e migliorare con un modulo di classificazione e analisi la classificazione degli uno o pi? cluster di valori di temperatura anomali e degli indici considerati patologici.

In accordo ad un'ulteriore caratteristica la presente invenzione riguarda anche un metodo per fornire informazioni sullo stato di salute di una singola pianta, comprendente le fasi di:

- inquadrare con almeno una video-camera e con una telecamera termica o termocamera la singola pianta ed acquisire un?immagine visiva, comprensiva di determinate lunghezze d?onda, e un?immagine termica della singola pianta; - eseguire uno ?stitching? delle immagini acquisite in modo da ottenere un?unica immagine grafica ed un?unica immagine termica della pianta, priva di sovrapposizioni su quest?ultima immagine ed eseguire una pre-elaborazione che determini se l?immagine contiene distermie interessanti per il modulo di classificazione e analisi in modo da ottimizzare le elaborazioni e velocizzare la classificazione e storicizzazione delle immagini;

- ricercare, localizzare e classificare, sulla base dell?immagine termica, uno o pi? cluster di valori anomali di temperatura in parti lignee della pianta, sulla base di valori termici all?interno di reti neurali addestrate opportunamente con data-set comprendenti valori con peso precostruito,

- individuare, localizzare e classificare una pluralit? di indici relativi allo stato di salute della pianta sulla base delle lunghezze d?onda acquisite nella fase di acquisizione dell?immagine visiva,

- sovrapporre e visualizzare l?immagine termica e l?immagine visiva su un display ed evidenziare lo stato di salute della pianta sulla base degli uno o pi? cluster e degli indici.

Descrizione Sintetica delle Figure

Queste ed altre caratteristiche e vantaggi della presente invenzione risulteranno chiari dalla seguente descrizione di forme preferite di realizzazione fatta a titolo esemplificativo e non limitativo con l'ausilio delle annesse figure, in cui elementi indicati con uno stesso o un simile riferimento numerico indicano elementi che hanno stessa o simile funzionalit? e costruzione ed in cui:

Fig. 1 rappresenta schematicamente una prima forma di realizzazione del sistema per individuare lo stato di salute di singole piante;

Fig. 2 rappresenta schematicamente elementi di una seconda forma di realizzazione del sistema per individuare lo stato di salute di singole piante;

Fig. 3 rappresenta schematicamente un diagramma di flusso rappresentativo del metodo implementato nella prima e nella seconda forma di realizzazione del sistema per individuare lo stato di salute di singole piante;

Fig. 4 rappresenta schematicamente elementi di una terza forma di realizzazione del sistema per individuare lo stato di salute di singole piante;

Fig. 5 rappresenta schematicamente elementi di una quarta forma di realizzazione del sistema per individuare lo stato di salute di singole piante; e

Fig. 6 rappresenta schematicamente elementi di una quinta forma di realizzazione del sistema per individuare lo stato di salute di singole piante.

Descrizione di Forme Preferite di Realizzazione

Con riferimento alla Fig.1, un sistema 10 per fornire informazioni sullo stato di salute di alberi o altre piante 9 comprende, in accordo ad una prima forma di realizzazione, un dispositivo computerizzato (dispositivo) 12 ed almeno una prima telecamera 14, ad esempio una video-camera configurata per riprendere e ottenere una o pi? immagini visive, di tipo b/w o, preferibilmente, di tipo NRB (Near, Red, Blue), di una pianta 9, ed una seconda telecamera 15, ad esempio una termocamera o telecamera termica (ad es. Lepton 3.5 di Flir inc.) configurata per riprendere e ottenere una mappa rappresentativa delle emissioni termiche di una pianta (immagine termica della pianta). La prima e la seconda telecamera, 14 e 15, sono collegate in modo noto al dispositivo computerizzato 12 per mezzo di un?interfaccia ADC (Analog Digital Converter) 19, di tipo noto, configurata per convertire segnali analogici in segnali digitali.

Preferibilmente, il sistema 10, nel suo complesso, ? portatile e il dispositivo computerizzato 12 (Fig. 1) ? configurato per controllare e gestire il funzionamento del sistema 10 e comprende un microprocessore 21 comprensivo di almeno una memoria RAM (Random Access Memory) 24 e di una memoria FLASH 25 di tipo noto configurate, ad esempio, per permettere, rispettivamente, l?esecuzione di moduli di programma e per permettere la memorizzazione permanente degli stessi moduli di programma.

Preferibilmente il dispositivo computerizzato 12 comprende o ? collegato ad un display o touch-screen 26 configurato per visualizzare informazioni e per consentire ad un operatore di dare comandi al dispositivo computerizzato 12 e, dunque, al sistema 10.

Ancora pi? preferibilmente, il dispositivo 12 comprende o ? collegato ad un Data Base (DB) 29, ad esempio di tipo relazionale, comprendente informazioni relative a vari tipi di piante ed a rispettive tipiche patologie.

In accordo ad altre forme di realizzazione il DB 29 pu? essere compreso in un sistema remoto 50 e il dispositivo 12 pu? comprendere componenti di comunicazione 16 configurati per essere collegati, in modo noto, al sistema remoto 50 per scambiare le informazioni con il sistema remoto e, in particolare, con il DB 29.

In accordo alla prima forma di realizzazione o forma preferita di realizzazione, il sistema 10 comprende, ad esempio memorizzati nella memoria FLASH 25 del dispositivo 12, opportuni moduli di programma 28 configurati per implementare il metodo per fornire informazioni sullo stato di salute di singole piante.

Ad esempio il sistema 10 comprende, in accordo alla prima forma di realizzazione, primi moduli di programma (primo pacchetto software) 81 configurati per acquisire l?immagine termica rappresentativa di valori relativi di temperatura rilevati dalla termo-camera 15 con riferimento ad una determinata pianta 9 e per permettere di determinare con un modulo classificatore se nell?immagine termica sono presenti eventuali patologie.

Il pacchetto software 81 ? configurato per memorizzare in una matrice, come esemplificata in Tabella 1, valori numerici che corrispondono a colori, ad esempio in scala di grigi, indicativi di temperature relative e gradienti termici rilevati con la termo-camera 15.

Tabella 1

In accordo alla forma preferita di realizzazione, il pacchetto software 81 esegue un?analisi della matrice (pre-elaborazione) ricercando, preferibilmente, due tipi di pattern (pattern punti caldi e pattern punti freddi).

Come facilmente comprensibile per persona esperta del ramo, la presenza di zone con gradienti termici non uniformi si presenta come raggruppamento di valori che sono rappresentati con valori localmente omogenei ma disomogenei con il resto dei valori compresi nella matrice.

Nel presente esempio, il pacchetto 81 effettua la ricerca scegliendo una colonna della matrice ed andando a cercare i valori pi? alti e pi? bassi compresi nella colonna. Tale ricerca viene estesa, preferibilmente, a tutte le colonne della matrice in modo da raggruppare, in funzione di eventuali patologie, sia i punti disomogenei pi? caldi che i punti disomogenei pi? freddi.

Assumendo ora di prendere in considerazione i soli punti disomogenei pi? caldi, il pacchetto software 81, una volta recuperato il valore pi? elevato e un indice indicativo della sua posizione nell?ambito della matrice, esegue una ricerca nell?intorno dell?elemento indicizzato per riconoscere se ? un punto singolo (e pertanto da ignorare) oppure un cluster di valori con distermie o valori termici disomogenei.

Nel caso di ricerca di punti freddi, il procedimento ? lo stesso; cambia, ovviamente, la ricerca dei valori di riferimento che in questo caso saranno valori di segno opposto rispetto a quelli della ricerca dei punti caldi.

Nel caso si tratti di un cluster di valori di temperatura disomogenei, tale cluster viene identificato, cos? come altri se presenti, Il modulo di pre-elaborazione esegue un scelta delle immagini che superano una certa soglia, la soglia ? determinata dal numero e dalla superficie delle distermie in aggiunta al valore delle differenze di temperature nei vari cluster, abbiamo verificato sperimentalmente che distermie lievi (piccole differenze di temperatura e superfici delle ditermie inferiori ai 5 cm<2 >sono normalmente poco significative (a meno che le piante non siano molto piccole, per le quali comunque un intervento di curetage sarebbe simile all?abbattimento) mentre cluster con valori superiori sono da valutare con un analisi approfondita. Al termine della pre elaborazione le immagini sotto soglia vengono classificate come non significative e pertanto salvate e taggate come piante sane e quindi inviate al sistema di archiviazione storica come tali, le immagini che vanno oltre soglia dopo essere state ricomposte tramite lo stiching corredate dagli altri parametri (indici, dati gps, timestamp, variet? (se presente altrimenti l?immagine viene inviata al classificatore di variet? per determinarne l?appartenenza che restituir? la variet? come output) verranno fuse in un vettore che sar? il parametro di input al modulo classificatore (implementato in una VPU ad es. Movidus Myriad X di Intel corp.), compreso nel pacchetto software 81, che confronta ciascuno dei cluster identificati con un data-set, di valori/immagini di peso precostruito, comprendente valori/immagini che il modulo classificatore ? previsto debba riconoscere.

Il modulo classificatore cos? come implementato ? un modulo addestrato, mediante un processo di Machine Learning (ML), a classificare l?uno o pi? cluster identificati.

L?addestramento del modulo classificatore prevede, innanzitutto, che i data set usati per il training (addestramento) oltre alla numerosit?, debbano anche essere opportunamente etichettati.

In accordo al presente esempio di realizzazione, ad esempio, viene usata una serie di immagini termiche in cui vengono inserite caratteristiche che sono considerate significative, quali:

- numero, posizione ed estensione delle distermie,

- direzioni particolari delle distermie.

Successivamente vengono etichettate tali caratteristiche e viene generata una matrice con le combinazioni delle caratteristiche e il risultato atteso.

La matrice generata serve per classificare le immagini campione del modulo classificatore.

Ovviamente maggiore ? il numero delle caratteristiche che si vogliono analizzare, pi? complessa risulter? la regola che sta alla base della ricerca nel processo di ML. Il processo di ML prevede, quindi, che le immagini vengano iterate fino a quando il ciclo di apprendimento non raggiunge alcun miglioramento significativo.

Per ottenere che un algoritmo sia efficace, in cui per efficace si inetende un algoritmo che funzioni bene anche su set di immagini che non facciano parte del set di apprendimento, si debbono selezionare i dati di input da tenere e i dati di input irrilevanti al fine dell?efficacia dell?algoritmo.

Nel presente esempio di realizzazione, si ha in input l?immagine ottenuta dal programma di pre-elaborazione e stitching, spiegato precedentemente, dati temporali, dati di posizionamento geografico, vari indici che si possono ottenere in fase di pre-elaborazione delle immagini NRB riprese dalla seconda camera, variet? della pianta, ecc.

Nel caso in cui la variet? della pianta non sia nota, in accordo al presente esempio di realizzazione ? anche prevista una prima rete neurale che si occupi della ricerca e identificazione automatica della variet? della pianta, per cui in questo caso sono previsti in input solo l?immagine e i dati temporali (data e ora), in quanto tale modulo determina la variet? arborea rilevata e l?output della rete neurale di determinazione della variet? viene usato per riconfigurare la rete neurale di classificazione, infatti la variet? o la famiglia di piante, prevede una configurazione di pesi specifica per le varie connessioni, a titolo di esempio possiamo prendere l?olivo e la vite per le quali la configurazione dei pesi ? molto diversa perch? la struttura della pianta sia in termini di dimensioni, durezza del legno, contenuto d?acqua, sensibilit? alle malattie ? specifica, pertanto, pur avendo la stessa struttura di base i pesi sono diversi e di conseguenza il comportamento della rete stessa.

Considerato che ? possibile ricavare una variet? enorme di indici, la composizione del set di dati di input non ? stata scelta a priori, ma viene determinata dal processo iterativo di apprendimento della rete neurale.

Viene eseguito una valutazione dell?apporto dei vari parametri, in pratica viene eseguito un test (detto di potatura) che calcola l?errore del set di parametri (di input), viene scelto il set di parametri minimo tale per cui l?aggiunta di nuovi parametri di input non migliora in modo significativo l?output.

In particolare, il metodo per la valutazione ? il metodo dei MSE (Mean Square Error) altrimenti noto metodo dei minimi quadrati.

Pi? in particolare, il set di dati di input definiti della rete neurale che determina la diagnosi, vengono fusi in un unico vettore (questa metodologia ? ampiamente utilizzata ed ? arte nota) che viene poi dato in input alla rete neurale.

Nel presente esempio di realizzazione il tipo di rete neurale utilizzato per la classificazione delle immagini ? una CNN (Rete Neurale Convoluzionale) che ? stata ispirata dall'organizzazione della corteccia visiva animale quindi molto adatta a riconoscere immagini.

Per la rete CNN oltre alla fase di potatura, che serve a determinare i dati di input, in accordo al presente esempio di realizzazione, si ? anche utilizzato il metodo della back propagation per stabilire i pesi dei nodi, anche questi infatti sono calcolati dal processo iterativo di apprendimento.

Preferibilmente, il processo di apprendimento termina quando ? stato raggiunto un livello di errore nella classificazione ottimo.

In questo caso l?output dell?algoritmo ? un indice che attribuisce il rischio di problemi sulla pianta per specifica patologia e un?immagine con evidenziate le aree localizzate dove sono stati identificati i problemi con un elenco di possibili cause.

In pratica oltre all?immagine con localizzati i cluster di distermie critici, avremo in output dalla CNN, un vettore con una serie di nodi, questi nodi sono:

? Pianta Sana con indicazione di un indice da 0-100% indicante la percentuale di probabilit? dello stato, quando questo supera una soglia del 75% possiamo dire che la pianta non ? in sofferenza

? Patologia 1 (specifica per variet?), con relativa percentuale (0-100%) di rischio di infezione, ovviamente questi valori saranno significativi

? Patologia 2 (vedi patologia 1)

? Patologia 3 (vedi patologia 1)

? Patologia 4 (vedi patologia 1)

Un esempio pratico ? il seguente, abbiamo un?immagine di una vite con delle chiazze fredde 30 cm sopra il colletto il diametro dei cluster di distermie 2,5 cm, NDVI ? normale, ARI normale, LAI normale:

Pianta Sana 25%

Mal dell?esca 65%

Peronospora 0%

Oidio 0%

Marciume radicale 35%

Il risultato dell?algoritmo della rete neurale ci dice che questa pianta ? quasi sicuramente malata e che la causa pi? probabile ? il mal dell?esca, e dall?immagine con le localizzazioni delle distermie generata dal sistema di preprocessing dove vengono anche indicate zone candidate per le attivit? di curetage (o dendrochirurgia). Ci possono essere casi in cui la situazione ? indecidibile per l?algoritmo, questi casi vengono determinati da un indice di confidenza ottenuto dalla differenza tra il neurone con il valore massimo in uscita e il neurone con il secondo valore massimo, ad esempio una situazione dove potremo avere Pianta Sana 100%

Mal dell?esca 80%

Peronospora 0%

Oidio 0%

Marciume radicale 20%

In questo caso il sistema si trova in una situazione indecidibile e quindi viene notificato che non ? stato possibile determinare una diagnosi.

Tutte le immagini catturate dal dispositivo vengono indicizzate (con coordinate geografiche e dati temporali, variet? e indici), memorizzate nel dispositivo e appena possibile inviate ad un database, preferibilmente in cloud, che le storicizza. Le sequenze storiche di dati memorizzati vengono utilizzati per essere usati per addestrare delle Reti Neurali Ricorrenti (RNN).

Lo scopo dell?addestramento delle RNN, infatti, ? quello di predisporre il modulo classificatore a riconoscere anche lo sviluppo nel tempo delle malattie e la rispettiva rappresentazione in varie sequenze di immagini. Su questo database di immagini storiche quando abbiamo per specifiche zone serie temporali ampie, con ampie intendiamo delle serie storiche che possono variare a seconda della variet? delle piante, ma che non possono essere inferiori ai due anni e inferiore a sequenze di 2000 immagini per zona omogenea, per zona omogena intendiamo un gruppo coordinate geografiche che appartengano ad un riquadro di circa 2500 metri quadri se zona di montagna di un ettaro se in pianura e di 5000 metri quadri se in collina, Una volta che le serie temporali sono completate vengono analizzate per verificare modelli di evoluzione nel tempo delle patologie, l?analisi non si limita alla singola serie ma pu? mettere in relazione serie di variet? e zone diverse per proporre modelli diagnostici alternativi.Ottenuti mediante l?utilizzo di un?analisi storica.

Sono vari gli strumenti che si possono utilizzare per lo studio e l?analisi delle serie storiche, nel nostro caso uno degli strumenti utilizzati sono le reti neurali ricorrenti (RNN), oltre che con le reti neurali, l?analisi della serie pu? essere svolta anche con metodi statistici tradizionali quali ad esempio tutti i vari sistemi di regressione lineare (tipo OLS), RBF (Radial Basis Function), modelli ARIMA.

Infatti l?uso del dispositivo permette la creazione di una base dati storica di enormi proporzioni, ma di grande valenza nella valutazione evolutiva nel tempo di patologie localizzate geograficamente, permettendo di studiare e prevedere la diffusione geografica di problematiche quali: colpo di fuoco, scopazzi, Xylella dell?olivo ecc.

Nelle Reti Neurali Ricorrenti (RNN) sono previste connessioni di feedback (in genere verso neuroni dello stesso livello, ma anche all?indietro). Questo comporta che il flusso delle informazioni e l?addestramento, richiedendo di considerare il comportamento in pi? istanti temporali (unfolding in time).

Queste Reti Neurali Ricorrenti (RNN) sono pi? indicate per la gestione di sequenze (es. audio, video, sequenze di immagini), perch? dotate di un effetto memoria che al tempo rende disponibile l?informazione processata a ecc.

Anche in questo caso, per evitare un problema di ?overfitting? viene usato la cosiddetta Cross Validation o K Fold Validation.

In accordo al presente esempio di realizzazione, il training data set viene suddiviso in k parti di uguale dimensione.

Successivamente viene selezionata una parte 1/k per utilizzarla come Validation set. Le restanti parti k-1/k invece continuano a comporre il training data set.

Il processo di apprendimento induttivo viene avviato sul training set residuo (k-1/k) per costruire un albero decisionale e si verifica l'efficacia predittiva dell'albero utilizzando, in modo noto, il validation set della parte 1/k.

Una volta completata l?elaborazione delle immagini termiche in modo che siano selezionate solo le immagini di interesse, come descritto in precedenza, e sia appurato dal modulo di acquisizione che l?immagine comprenda un cluster di valori di temperatura disomogenei, ad esempio pi? alti, tale cluster viene fornito in ingresso al modulo classificatore 300, compreso nel pacchetto 81.

Il modulo classificatore ? un modulo ottenuto preventivamente attraverso l?addestramento di un algoritmo di inferenza sulle immagini eseguendo una classificazione attraverso la combinazione di reti neurali convoluzionali per il riconoscimento di pattern e di reti neurali ricorrenti per la valutazione dell?evoluzione nel tempo delle immagini.

La scelta di cui sopra ? basata sulla considerazione che l?analisi dell?evoluzione delle immagini permette di ottenere una diagnosi precoce e quindi di rendere gli eventuali interventi i meno invasivi possibile.

Volendo semplificare al massimo la scelta di base, ci troviamo di fronte una situazione di questo genere: quando la pianta subisce un evento traumatico, dovuto ad attacco di batteri, potatura sbagliata, operazioni presso gli apparati radicali ecc., la pianta genera una specie di risposta automatica di difesa atta ad riparare il danno.

Assodato che le possibili evoluzioni fisiologiche sulla pianta possono essere due: - il danno era marginale, o comunque gestibile e quindi se analizzo nel tempo l?evoluzione della combinazione delle immagini termiche e degli indici ricavati da rispettive immagini storiche NRB (Near Red Blue), vedr? l?apparire di distermie e il seguente riassorbimento delle stesse; le distermie appariranno, dunque, come situazioni fisiologiche normali e ricorrenti;

- il danno era importante e non assorbibile, per cui l?evoluzione delle distermie seguir? un percorso tendente a focalizzarsi in alcuni punti ed a determinare delle modifiche nell?evoluzione degli indici tipo l?NDVI (Normalized Difference Vegetation Index), l?ARI (Anthocyanin reflectance Index) o il CHLGREEN (Chlorophyll Green) ricavati da rispettive immagini storiche NRB.

Tenuto conto di tali considerazioni, l?addestramento prevede due data set: - il primo con una collezione di immagini termiche e rispettiva collezione di indici per far si che l?algoritmo riconosca determinati cluster e ignori quelli non significativi;

- il secondo con una collezione di dati relativi all?evoluzione nel tempo di situazioni patologiche e non.

In questo modo l?algoritmo riconoscer? attraverso l?analisi dell?immagine istantanea una possibile situazione patologica da classificare/analizzare immediatamente senza attendere l?evoluzione nefasta del problema.

In particolare, il dispositivo 12 opera nel modo seguente.

Il dispositivo prende le immagini termiche e NRB.

Le immagini vengono pre-processate e se non sono presenti cluster di distermie e tutti gli indici previsti sono OK, ? previsto che venga segnalato all?operatore che ? tutto a posto e che venga mostrata sul display un?icona con una pianta verde.

In questo caso l?immagine viene anche archiviata e poi inviata ad un Data Base, preferibilmente in Cloud.

In caso contrario le immagini vengono passate all?algoritmo di classificazione che analizza le immagini in due step:

- il primo step esegue l?algoritmo di analisi trovato con le CNN e determina se lo stato attuale ? candidabile per interventi di cura o altro;

- il secondo step prevede l?analisi con l?algoritmo per la valutazione evolutiva. Eseguiti i due step, l?algoritmo presenta la diagnosi generata e archivia i dati per la memorizzazione in Cloud e per predisporre i data set per l?aggiornamento dell?algoritmo.

In un?ottica di miglioramento continuo del modulo classificatore, i.e. del relativo algoritmo, le immagini termiche ed NRB prese dal dispositivo verranno caricate su un database in ?cloud? con il relativo responso e quindi utilizzate per un riadattamento e miglioramento dell?algoritmo di classificazione, che verr? poi inviato al dispositivo 12 sotto forma di aggiornamento.

In aggiunta a quanto scritto sopra, il modulo classificatore comprende anche funzioni di ottimizzazione configurate per evitare eventuali problemi di ?overfitting?. In particolare, per ovviare al problema dell?overfitting ? stata adottata la seguente strategia:

- creazione di pi? data set di controllo per i quali viene applicata la procedura dell?arresto anticipato del modulo classificatore nel momento in cui la differenza tra l?errore sul data set di training e quello sul data set di controllo smette di convergere.

Inoltre, per ridurre ulteriormente il rischio di problemi di overfitting, il data set di training ? previsto sia composto da un numero molto elevato di campioni, almeno 500 immagini e relativi indici, dati geografici e temporali, per singola variet?.

Non essendo possibile classificare tutte le variet? possibili, per ovvi motivi di capacit? di calcolo, si ? proceduto ad effettuare raggruppamenti per famiglie, come ad esempio: pomacee, conifere, fagacee ecc.

La Richiedente ha appurato che ci? semplifica ma non inficia i risultati e che in questo modo la variet? viene comunque rappresentata.

Un data set completo, come verificato sperimentalmente dalla Richiedente, ? composto da circa 5000 set di input (immagini, indici e dati accessori).

La numerosit? del data set ? comunque determinata dalla variet? di piante e di impianti che si vogliono prendere in considerazione, come ad esempio: un bosco ceduo, un bosco di conifere, un bosco misto, boschi a differenti altitudini, dalla collina alla montagna, una piantagione ad uso industriale (ad esempio pioppi), pi? impianti di alberi da frutto, mele, pesche, viti, olivi, kiwi, pere, ciliege, alberi di arredo urbano.

La Richiedente ha anche verificato sperimentalmente che ogni famiglia di piante dovrebbe comprendere almeno 500 immagini.

Questo accorgimento ? stato introdotto per due ragioni:

- la prima ? che pi? grande ? il campione minore ? il rischio di overfitting, sovra adattamento, dell?algoritmo;

- la seconda ? che dovendo prendere in considerazioni, ad esempio in contesti boschivi, molte variet? di piante, con forma e sviluppo diverso, l?algoritmo si deve adattare alle situazioni pi? complesse e, dunque, il campione deve contenere un numero elevato di tipi di piante e per ciascun tipo un numero elevato di campioni.

In sintesi, la Richiedente ha verificato sperimentalmente che l?algoritmo implementato nel modulo classificatore, ad esempio nel caso di mal dell?esca della vite e di cancro del legno del melo, riesce a riconoscere, in fase precoce della patologia, il 50/60% delle lesioni nelle piante e, nei casi pi? avanzati della patologia, riesce a riconoscere oltre il 75% delle lesioni.

Come facilmente comprensibile per persona esperta del ramo la gestione delle colonne della matrice pu? prevedere di scegliere inizialmente o la colonna con i valori pi? alti o quella con i valori pi? bassi oppure, ancora, una colonna in modo casuale.

Nel presente esempio ? stato esemplificato un percorso di ricerca per colonne, ma la ricerca dei valori pi? alti o dei valori pi? bassi e dei cluster pu? essere effettuata in molti altri modi senza per questo uscire dall?ambito di quanto descritto e rivendicato.

In sintesi i primi moduli di programma 81 sono configurati per selezionare cluster di valori che sono considerati patologici o molto probabilmente patologici.

In accordo alla prima forma di realizzazione o forma preferita di realizzazione, il sistema 10 comprende, anche, secondi moduli di programma (secondo pacchetto software) 82 configurati per sovrapporre l?immagine visiva NGB della pianta 9, ottenuta con la prima telecamera 14, all?immagine termica con evidenziati i cluster di valori considerati patologici, e per visualizzare sul display 26 l?immagine sovrapposta.

Contestualmente o in precedenza alla sovrapposizione delle immagini, vengono anche calcolati, individuati e classificati per mezzo dei secondi moduli di programma 82, sulla base delle immagini visive, ad esempio di tipo NRB, ricavate con la prima telecamera 14, alcuni indici, ad esempio di tipo NDVI (Normalized Difference Vegetation Index), rappresentativi di eventuali patologie delle piante. In particolare:

NDVI = (NIR-VIS)/(NIR+VIS)

In cui VIS e NIR stanno rispettivamente per le misure di riflettanza spettrale acquisite nelle regioni visibile (rosso) e nel vicino infrarosso.

Gli indici NDVI vengono calcolati, preferibilmente, sulla base delle immagini NRB, usando, ad esempio, formule note e librerie di pubblico dominio come, ad esempio, le librerie OpenPlan oppure OpenCV.

L?uso di una telecamera NRB ? considerato preferibile in quanto, come noto, ? tale da permettere di catturare immagini comprese nelle frequenze 400-1000 nm e dunque di calcolare indici di vario tipo, come ad esempio indici di tipo NDVI, che possono risultare significativi per l?individuazione di eventuali patologie delle piante.

In generale l?uso degli indici ? vantaggioso perch?, come noto, con un unico valore si possono ottenere informazioni di sintesi sullo stato di salute di una pianta.

Ad esempio l?indice NDVI (Normalized Difference Vegetation Index), ? molto usato per identificare gli stress vegetativi, in cui gli stress possono essere causati da situazioni ambientali quali ad esempio siccit?, apporti nutritivi insufficienti, eccesso d?acqua ecc.

Nell?arte nota questo indice ? normalmente usato per analizzare ampie zone di territorio, ad esempio con analisi satellitari, ma nel presente esempio di realizzazione tale indice, o altri, ? usato per analizzare porzioni di terreno molto piccole, fino alla singola pianta.

Nel caso di analisi di una singola pianta, l?indice da solo pu? essere poco significativo, in quanto perde la sua capacit? di descrizione generale, e dunque diventa preferibile, come previsto in accordo alla presente invenzione, associare l?indice ottenuto con la telecamera NRB 14 ai valori ottenuti con i primi moduli di programma 81, sulla base dei dati forniti dalla termo-camera 15.

In sintesi la visualizzazione sul display 26 degli indici ottenuti con la telecamera NRB 14 e dei valori ottenuti elaborando i dati forniti dalla termo-camera 15 ? atta a fornire all?operatore un?indicazione molto precisa dello stato di salute della pianta. A titolo di esempio, se le piante mostrano delle sofferenze alla base del colletto (la parte del tronco pi? vicina alle radici) e contestualmente mostra un indice NDVI con valori che tendono verso uno stress vegetativo, anche senza essere da soli particolarmente preoccupanti, si pu? ipotizzare con ragionevole certezza che la pianta ? in sofferenza e che quindi devono essere adottati interventi come ad esempio:

1. Se le sofferenze sono estese e la pianta potrebbe essere un pericolo per persone o cose, si pu? decidere un abbattimento preventivo;

2. Se le sofferenze non sono estese, si pu? intervenire o attraverso un curetage o attraverso un carotaggio della pianta per ulteriori analisi.

Per completezza si elencano di seguito alcuni indici che possono essere ricavati mediante l?utilizzo della prima telecamera 14:

CHLGREEN (Chlorophyll Green),

CHL = ?760/?550 ? 1

In cui:

R sta per subsurface spectral reflectance,

i numeri a pedice sono le bande (come bande si intende la lunghezza d'onda in nm) per le quali si rileva la riflettanza.

Questo indice calcola la presenza di carotenoidi, queste sostanze nelle piante sono molto importanti perch? prendono parte alla catena di trasmissione dell?energia e assolvono un ruolo protettivo in particolare nelle foglie, dove il processo fotosintetico ha come sottoprodotti fenomeni ossidativi che producono radicali liberi molecole molto reattive alle quali i carotenoidi si legano inibendone l?effetto negativo.

CCCI (Canopy Chlorophyll Content Index)

CCCI = (NDRE-NDREmin)/(NDREmax-NDREmin)

Questo indice viene trovato tramite l?applicazione di un algoritmo di tipo noto che prima determina l?indice NDVI Normalized Difference Vegetation index, poi l?indice NDRE Normalized Difference Red Edge, e poi mediante l?analisi dei diversi valori di NDVI e NDRE determina NDRE max e min.

Ad esempio:

NDRE = (R790 ? R720)/(R790 R720)

In cui

R = riflettanza come nel caso CHL

L?indice CCCI, come dice il nome, calcola il contenuto di clorofilla nella chioma delle piante, un valore basso se ottenuto in una situazione normale, definisce una pianta in sofferenza, che non ? in grado di sostenere il suo sviluppo fisiologico.

ARI (Anthocyanin reflectance Index).

ARI = (1/R550) - (1/R700)

Questo indice viene usato per calcolare il grado di maturazione della frutta, come ad esempio dei mirtilli; queste piante come tutti i piccoli frutti vengono coltivati in serra pertanto una scansione dall?alto non ? assolutamente praticabile, ma se la scansione avviene a tutta pianta dal basso e si combina quest?indice con lo stato di salute della pianta ottenuto con la scansione termica, ? possibile ottenere una previsione precisa dei tempi di maturazione.

CWSI (Crop Water Stress Index).

CWSI = (dT - dTl ) / (dTu - dTl )

In cui:

dT ? la differenza di temperatura tra superficie fogliare e l?aria,

dTu ? il limite superiore tra la temperatura della superficie fogliare e l?aria, e dTl ? invece il limite inferiore.

Questo indice fornisce un?indicazione riguardante problemi di mancanza o eccesso d?acqua; in questo caso l?uso di un sistema integrato di analisi visiva e termica della singola pianta permette di [*4] conoscere in anticipo il rischio di eradicazione.

Ad esempio, con un indice di stress idrico elevato e un?immagine termica che indica una sofferenza a livello del colletto, si pu? desumere che l?impianto radicale oltre a non essere efficiente per quanto riguarda gli apporti nutritivi ?, anche, presumibilmente in fase di recesso. Di conseguenza, una combinazione di piogge torrenziali e forte vento, aumentano in modo significativo il rischio di eradicazione. In pi?, nel caso in cui il danno fosse sopra il baricentro della pianta e di proporzioni estese, si pu? desumere che aumenta il rischio di frattura con conseguente rischio per persone e/o case nelle vicinanze.

In sintesi, da un?analisi effettuata sul colletto della pianta si possono determinare eventuali sofferenze dell?apparato radicale e di conseguenza, nel caso di boschi di piante ad alto fusto, si pu? accertare il rischio di una caduta in sequenza delle piante, o di effetto domino di caduta.

Come evidenziato sopra, il numero di indici ottenibili con l?uso della prima telecamera 14 ? molto elevato e per ciascuno c?? una possibile applicazione, per cui l?integrazione, ad esempio, con i valori ottenuti mediante la termo-camera 15 permette di ottenere informazioni molto pi? ampie rispetto a quanto si potrebbe ottenere con la sola prima telecamera 14.

Ad esempio, nel caso in cui la chioma a vista non presenti nessun problema di vigoria e l?NDVI sia non ottimo ma leggermente negativo, normalmente non ci si preoccupa, soprattutto se magari l?insieme delle piante nell?intorno sia nelle stesse condizioni.

L?aggiunta dell?analisi termica se mostra segni iniziali di distermie non fisiologiche porta ad ipotizzare ad esempio un attacco fungino o batterico, e quindi un intervento di curetage superficiale pu? dirimere la questione e salvare le piante, l?attesa di un indice in peggioramento innanzitutto richiede un monitoraggio protratto nel tempo e in ogni caso richiede poi un intervento pi? radicale.

In sintesi, i secondi moduli di programma 82 sono configurato per identificare e salvare la posizione delle zone della pianta 9 considerate patologiche e per mostrarle sul display 26 all?operatore in modo che possano essere valutati tipi di intervento possibili sulla pianta tenuto conto dei valori degli indici ottenuti con i primi moduli di programma 81.

Per completezza di descrizione si precisa che il sistema 10 comprende anche moduli di programma, di supporto ai moduli 81 e 82, configurati per isolare i contorni della pianta 9 ed evitare di elaborare fonti di calore ed immagini visive esterne ad essa.

In accordo ad una seconda forma di realizzazione (Fig.1, Fig. 2) ? previsto che il sistema 10 comprenda anche un dispositivo di localizzazione 18, ad esempio un dispositivo GPS (Global Positioning System) collegato al dispositivo computerizzato 12 e configurato per rilevare, in uso, la posizione del dispositivo computerizzato e, in particolare, la posizione di ciascuna pianta 9 esaminata.

In accordo a questa forma di realizzazione, il dispositivo GPS comprende, ad esempio, componenti di rilevazione della posizione assoluta 41, componenti di misurazione dell?orientamento 43 e componenti di misurazione della distanza 45 configurati per fornire informazioni di geo-referenziazione di ciascuna pianta 9 esaminata.

In particolare, in accordo a questa forma di realizzazione ? previsto che ogni singola pianta ed i rispettivi uno o pi? cluster vengano geo-referenziati in modo da conoscere la posizione di ogni singola pianta all?interno di un determinato terreno o territorio.

Ancora pi? in particolare, in accordo a questa forma di realizzazione ? previsto che vengano riprese immagini termiche e visive di una pluralit? di piante e che di ciascuna pianta vengano memorizzate, ad esempio nel Data Base 29 del dispositivo 12, le relative informazioni geo-referenziate.

In una fase successiva ? previsto che, per ogni pianta della pluralit?, vengano visualizzati sul display 26 l?uno o pi? cluster di ciascuna pianta considerati patologici dal dispositivo 12 e gli indici calcolati sulla base delle immagini, ad esempio di tipo NRB.

Nella pratica, il dispositivo corredato con ricevitore satellitare (GPS, Galileo, GLONASS) ad es. NEO-M8P di u-blox AG ? utilizzato per mappare le piante e per analizzare sia l?evoluzione nel tempo che per pianificare interventi successivi su ogni singola pianta.

Tenuto conto che attualmente la precisione dei dispositivi GPS pu? arrivare fino ad alcuni metri, ma che, ad esempio con antenne a terra che coprono diversi ettari di superficie, la precisione pu? essere migliorata di due ordini di grandezza, ? possibile ottenere mappe ad altissima precisione delle singole piante.

Ad esempio, il dispositivo GPS 18 pu? essere utilizzato nel caso di rilevazioni automatiche, applicando il dispositivo ad un trattore, cos? facendo il dispositivo colleziona le immagini e le geo referenzia.

In una successiva elaborazione viene creata una mappa con indicate le singole piante con corrispondenti coordinate geografiche e dati elaborati a fronte delle informazioni ottenute con la prima e la seconda telecamera, 14 e 15.

In accordo ad una terza forma di realizzazione, combinabile con la prima o con la seconda forma di realizzazione, il sistema 10 (Fig. 1, Fig. 4) comprende anche, ad esempio, un dispositivo sensore di impedenza (impedenziometro) 33, comprendente elettrodi 34 configurati per applicare, al tronco o a parti del tronco, una tensione elettrica continua o alternata per effettuare misure di impedenza e per permettere di approfondire, sulla base delle misure di impedenza, eventuali patologie rilevate con il sistema 10 su una determinata pianta in accordo alla prima forma di realizzazione.

Ad esempio, nel dispositivo pu? essere compreso un circuito integrato, con funzioni di Analog Front-End (AFE), comprendente un componente della famiglia AD5940 di Analog Devices, Inc. per la parte di misurazione dell?impedenza.

In generale, la presenza di materiale ligneo marcio nella pianta pu? produrre due tipi di effetti:

- in un primo caso, assenza di linfa e di acqua nella zona affetta dalla patologia; - in un secondo caso, ristagno d?acqua.

Nel primo caso con la termo-camera 15 viene rilevata una zona calda. In queste situazioni pu? essere preferibile effettuare anche le misure di impedenza utilizzando un sensore di impedenza 33 configurato per rilevare l?impedenza della zona individuata.

Nel secondo caso con la termo-camera 15 viene rilevata una zona fredda. Anche in questo caso pu? essere conveniente usare lo stesso tipo di dispositivo di misurazione dell?impedenza 33 per approfondire eventuali patologie rilevate con il sistema 10.

In tutti i casi le misure di impedenza permettono di migliorare la classificazione dei cluster e degli indici considerati patologici.

Infatti in accordo a questa forma di realizzazione, la parte di classificazione implementata nei moduli di programma 81 viene estesa aggiungendo nodi relativi ai dati del sensore di impedenza 33 che vengono forniti in input al sistema 10.

Vantaggiosamente, grazie a questa terza forma di realizzazione, l?aggiunta del sensore di impedenza, permette di identificare, attraverso la conducibilit? elettrica, l?assenza d?acqua o i ristagni d?acqua, e dunque di migliorare la sensibilit? del sistema 10.

Infatti, in accordo a questa forma di realizzazione, la parte di classificazione nei moduli 81 viene ampliata aggiungendo ulteriori nodi sulla rete neurale.

Tali ulteriori nodi, relativi ai dati del sensore di impedenza 33, forniscono in input al sistema valori numerici di impedenza della pianta in esame.

Come osservato sperimentalmente dalla Richiedente, l?utilizzo di sensori di impedenza permette di migliorare, in particolare, la sensibilit? nel riconoscimento dei cluster con distermie.

Infatti le misure di impedenza rendono pi? efficace l?abbinamento dei cluster con distermie a zone della pianta con assenza o ristagno di masse d?acque.

In generale l?utilizzo di sensori di grandezze fisiche come l?impedenza permettono di ottenere un?elevata precisione diagnostica tale da migliorare la mappatura sul tronco della zona o delle zone della pianta su cui intervenire.

Nella pratica l?abbinamento dell?impedenziometro alle telecamere, 14 e 15, ed in particolare alla termo-camera 15, ha la funzione di migliorare la qualit? della diagnosi di ciascuna pianta.

In particolare l?uso previsto ? quello di evidenziare anomalie nell?impedenza del tronco e di rilevare assenza o ristagni d?acqua.

A parere della Richiedente, la sola impedenza non fornisce indicazioni sufficienti, mentre in combinazione con le informazioni provenienti dalla prima e dalla seconda telecamera, 14 e 15, aumenta il grado di affidabilit? dell?analisi, questo perch? rafforza o indebolisce i parametri con cui vengono valutate le possibili situazioni patologiche.

Ad esempio, nel caso del cancro del legno, in uno stadio precoce, i sensori della termo-camera 15 potrebbero rilevare una leggera distermia e la telecamera NRB 14 ed i rispettivi filtri potrebbero indicare una situazione fogliare normale, sia in termini di stress vegetativo, sia di contenuto di clorofilla che di carotenoidi ecc. pertanto si potrebbe, erroneamente, ritenere la distermia una situazione da tenere sotto controllo ma nulla di preoccupante.

Mediante l?impedenziometro viene confermata, ad esempio, l?assenza in quella zona di acqua e, pertanto, pu? essere ipotizzato che la patologia abbia gi? intaccato il tessuto legnoso e che debba essere effettuata un?attivit? di eliminazione del tessuto legnoso intaccato e di analisi dello stato interno della pianta con carotaggio del legno.

Qualora il cancro sia collegato ad un attacco batterico, si pu? procedere con un trattamento farmacologico, in alternativa si pu? abbattere la pianta o, anche, piante confinanti cercando di creare una zona di rispetto atta a contenere l?infezione.

In accordo ad una quarta forma di realizzazione il sistema 10 (Fig.1, Fig.5) comprende anche, ad esempio, una o pi? ulteriori telecamere o video-camere 31, comprendenti o associate a rispettivi filtri ottici 32, per bande di lunghezze d?onda considerate rilevanti per il tipo di pianta da analizzare.

Ad esempio, esistono patologie che si manifestano allo stadio iniziale modificando la pigmentazione delle foglie ed in tale caso l?utilizzo di filtri ottici 32 opportuni permette di individuare precocemente tali tipi di patologie, ad esempio, mediante scansioni radiometriche.

Inoltre, i filtri ottici 32 tornano utili anche per ottenere, ad esempio, indici di sviluppo fogliare LAI (Leaf Area Index) oppure per ottenere indici di riflettenza ARI (Anthocyanin Reflectance Index) per gli Antociani.

In generale, la Richiedente ha osservato che l?aggiunta al sistema 10 di ulteriori telecamere 31 comprendenti rispettivi filtri ottici 32, specializzati su bande specifiche affinch? siano utilizzabili per ricavare indicazioni specifiche per tipologia di pianta e/o patologia, ritorna utile per aumentare l?affidabilit? del sistema in tutte le forme di realizzazione fin qui descritte, in quanto permette di ottenere ulteriori indici rappresentativi di possibili patologie delle piante.

Sperimentalmente, la Richiedente ha, ad esempio, utilizzato:

- filtri ottici a 470 e 720 nm per verificare l?insorgenza della patologia PSA (Pseudomonas Syringae pv Actinidiae) del kiwi;

- filtri ottici da 875 nm per ottenere l?indice LAI;

- filtri ottici da 500 e 700 nm per ottenere l?indice ARI.

In particolare, in accordo a questa quarta forma di realizzazione, si prevede l?utilizzo di filtri ottici 32 ad es. DB550/850 della Midwest Optical system inc. oltre a delle ulteriori telecamere 31 che potranno spaziare sullo spettro che va, ad esempio, da 400 a 1050 nm ad es. camera MT9V034 di Semiconductor Components Industries LLC.

L?applicazione di filtri che permettono di recepire specifiche lunghezze d?onda permette di specializzare il sistema 10 per coprire indici di vegetazione presenti in letteratura, che nella fattispecie servono per descrivere situazioni specifiche.

Ad esempio, se si vuole verificare la qualit? della clorofilla di una pianta si user? un indice NDVI (Normalized Difference vegetation index), invece se si vuole verificare come viene assorbita la clorofilla si user? un indice CARI (Chlorophyll Absorption in Reflectance Index), se invece si vuole verificare la presenza di antociani, che sono responsabili assieme ai carotenoidi, del colore rosso della frutta e delle foglie in autunno, si user? l?indice ARI e cos? via.

L?uso di questi indici associati a una pi? generale analisi delle piante permette di ottenere informazioni preziose per l?operatore sia per quanto riguarda la parte diagnostica sia per quanto riguarda la parte operativa e/o curativa.

I filtri permettono di catturare determinate lunghezze d?onda che sono utili per verificare una pluralit? di indici relativi allo stato delle piante, dal pi? comune l?NDVI a svariati altri.

In generale i filtri permettono di catturare determinate lunghezze d?onda che sono utili per verificare una pluralit? di indici relativi allo stato della pianta, dal pi? comune NDVI a svariati altri.

In accordo ad una quinta forma di realizzazione, ritorna utile, per aumentare l?affidabilit? del sistema in tutte le forme di realizzazione fin qui descritte, che il sistema 10 comprenda anche, ad esempio, dispositivi elettro-meccanici 35 (Fig. 1, Fig. 6) configurati per misurare propriet? fisiche della pianta o di parti di essa ad esempio il sensore ADXL357 di Analog Devices, Inc.

Tali dispositivi elettro-meccanici 35 comprendono, ad esempio, trasduttori di vibrazioni meccaniche/acustiche 36 e sensori 38 configurati per evidenziare le propriet? fisiche della pianta in termini di dilatazione.

In questo caso i trasduttori 36 ed i sensori 38 permettono di ottenere risultati sostanzialmente equivalenti a quelli ottenibili con i dispositivi di misurazione dell?impedenza 33 in quanto esiste, come noto a persona esperta del ramo, una diretta correlazione tra il contenuto d?acqua e l'elasticit? del materiale ligneo della pianta.

Il funzionamento del sistema 10 fin qui descritto ? il seguente.

In una fase iniziale 100, l?operatore, ad esempio in accordo alla prima forma di realizzazione, si posiziona di fronte ad una pianta 9, ne inquadra in sequenza, ad esempio, la parte inferiore, ossia il tronco, e, gradualmente, la parte via via superiore fino ad arrivare alla chioma (questa fase pu? essere, ovviamente, eseguita

anche al contrario) ed ottiene ed acquisisce le immagini visive di tipo NRB e termiche di una pianta 9.

Il sistema 10, acquisite le immagini visive e termiche con la prima telecamera e la seconda telecamera, 14 e 15, esegue, in una seconda fase 200, uno ?stitching? delle immagini acquisite in modo da ottenere un?unica immagine grafica ed un?unica immagine termica della pianta, prive di sovrapposizioni.

Le due immagini acquisite, in una terza fase 300, vengono elaborate singolarmente dai moduli di programma 28 del sistema in modo da ottenere un?immagine elaborata comprendente vari colori atti ad identificare e classificare zone ritenute espressioni di patologie specifiche della pianta.

In particolare, nella terza fase 300 i moduli di programma 81 permettono di: - ricercare e localizzare cluster di valori anomali di temperatura (distermie), elevati o bassi, nella parte lignea del tronco per identificare zone con presunta patologia, dovuta a marciume del legno (cancro del legno, mal dell?esca, PSA (Pseudomonas Syringae pv Actinidiae)). Le distermie possono essere di tipo batterico o fungino e, come noto, comportano il degrado del tessuto ligneo e si manifestano con delle zone la cui temperatura varia in modo significativo dal resto del tronco della pianta;

- classificare i cluster considerati anomali mediante l?utilizzo di reti neurali addestrate opportunamente con data-set come precedentemente descritto.

In una quarta fase 400 ? previsto, ad esempio in parallelo alla terza fase, che i moduli di programma 82, permettano di:

- utilizzare le lunghezze d?onda localizzate in determinate zone della pianta una pluralit? di indici espressione dello stato di salute della stessa pianta, dal pi? comune NDVI a svariati altri.

In una quinta fase 500 l?immagine termica, in particolare l?uno o pi? cluster con valori di temperatura anomali, e l?immagine visiva della pianta 9, in particolare gli indici indicativi di sospette patologie come localizzati dai moduli di programma 82, vengono sovrapposte e visualizzate sul display 26.

In questa fase ? anche previsto che i moduli di programma 82 sano configurati per:

- sovrapporre l?uno o pi? cluster ai vari indici di vigoria della pianta come individuati,

- determinare e visualizzare, ad esempio evidenziando mediante indicazioni a semaforo, lo stato di salute complessivo della pianta sulla base della sovrapposizione dell?uno o pi? cluster agli indici individuati e localizzati.

In una sesta fase 600 ? previsto, a fronte di opportuni comandi dell?operatore, che il sistema 10 proceda a:

- visualizzare tipo ed entit? di interventi da effettuare sulla pianta, ad esempio mediante ulteriori moduli di programma 83.

In particolare, in accordo alla forma preferita di realizzazione, i moduli di programma 83 sono configurati per visualizzare sul display 26 l?elenco degli interventi prevedibili per risolvere la patologia o le patologie della pianta come individuate e localizzate.

A titolo esemplificativo nel caso di distermie localizzate individuate nel tronco della pianta 9 il display 26 potr? proporre interventi diretti ad asportare parte di tessuto ligneo della pianta.

In altre situazioni, nel caso di distermie, il display 26 potr? anche proporre, ad esempio, l?abbattimento della pianta.

Nel caso di variazioni di colore delle foglie, il display 26 potr? proporre interventi di potatura, di trattamento fitosanitario, di modifica delle modalit? di irrigazione, ecc.

In generale gli interventi previsti sono di tre tipi e dipendono dal tipo di pianta, dal suo valore e dall?estensione del problema riscontrato.

Un primo tipo di intervento pu? prevedere un ?curetage? della pianta.

Tale tipo di intervento prevede l?asportazione di parte del tessuto ligneo nelle piante. Ad esempio, nel caso del mal dell?esca, il ?curetage? viene utilizzato per asportare il tessuto marcio della pianta e salvare il resto della pianta.

Un secondo tipo di intervento prevede l?abbattimento della pianta.

Infatti, nel caso in cui il danno sia esteso o che sia molto vicino alle radici (colletto) della pianta, soprattutto se la pianta ? ad alto fusto e compresa in viali di centri abitati, ? considerato preferibile attuare il taglio della pianta affinch? il rischio per le persone e la circolazione dei veicoli sia ridotto.

Un terzo tipo di intervento prevede cure tramite fitofarmaci.

Questo tipo di intervento ?, in genere, raro, ma viene attuato qualora il danno alla pianta sia causato da parassiti, in particolare insetti.

Qualora, in accordo alla seconda forma di realizzazione sia previsto nel sistema 10 il componente GPS 18, la fase 500 comprende, o ? preceduta da, un?iniziale geo-referenziazione delle immagini visive e termiche prima della loro sovrapposizione all?interno di una mappa, prevista per eseguire una successiva analisi dell?intero territorio di cui sono state raccolte le immagini visive e termiche.

Il diagramma di flusso in questo caso prevede che la fase 500 comprenda la geo-referenziazione di ciascuna pianta o che sia preceduta da una fase 450 in cui viene visualizzata una mappa geo-referenziata, delle pluralit? di piante e della pianta su cui ? stata operata una classificazione di zone ritenute espressioni di patologie specifiche della pianta e dello stato di salute della pianta.

Pi? in particolare, in questa fase 450 ? anche prevista oltra alla visualizzazione della mappa, anche uno zoom sulla singola pianta di cui ? stata evidenziata qualche problematica di stato di salute mediante i moduli di programma 81 e 82.

Qualora, in accordo alla terza forma di realizzazione sia prevista la presenza del sensore di impedenza 33, ? previsto che la fase 300 preveda anche che i valori forniti dal sensore di impedenza 33 modifichino, aumentando e diminuendo, il peso dei valori termici all?interno dei nodi della rete neurale.

In questo modo il valore in output dalla fase 300 ? pi? coerente con la situazione reale della pianta 9.

Il diagramma di flusso rimane costante con la sola differenza che cambia la rete neurale dei moduli di programma 81.

L?esperienza in campo ha dimostrato alla Richiedente che spesso le malattie che si manifestano sul tronco non mostrano inizialmente effetti visibili ad occhio nudo sulla chioma o in parti della chioma connesse direttamente a quella parte del tronco.

Vantaggiosamente, l?uso di un sistema portatile cos? come qui descritto, permette una scansione della pianta nella sua interezza, diversamente da quanto previsto in genere dall?arte nota che prevede di usare mezzi aerei e di scansionare solo la chioma delle piante.

I due documento brevettuali di arte nota presi in considerazione, svolgono in modo preminente la rilevazione su grande o media scala.

Nel primo caso l?analisi dei dati si limita all?uso di indici che danno delle indicazioni di tipo diagnostico di carattere generale: ad esempio il campo X presenta uno stress idrico, se il campo ? composto da 10.000 piante ed ? irrigato, vorrei sapere se tutte le piante presentano lo stesso stress, quali pi? e quali meno ecc.

Nel secondo, in modo assolutamente generico, si afferma che i dati raccolti vengono formattati e quindi inviati ad un modulo di analisi, in nessuno dei due documenti ? previsto che il dispositivo integri un?unit? di elaborazione per l?intelligenza artificiale che esegua l?analisi e produca una diagnosi localizzata, inoltre in nessuno dei due si prevede un modulo che memorizzi ed esegua sempre attraverso algoritmi di intelligenza artificiale l?evoluzione nel tempo delle rilevazioni per ogni singola pianta. Vantaggiosamente, il sistema proposto negli esempi di realizzazione esemplificati ? un sistema diagnostico puntuale che lavoro sul singolo soggetto e successivamente lo mette in relazione con le piante circostanti.

In effetti l?arte nota risulta utile nel caso di patologie generali che partano dalle foglie, ma nel caso di patologie specifiche delle singole piante che partano dal tronco, l?arte nota permetterebbe di evidenziare tali patologie solo in grave ritardo.

Infatti, alcune patologie batteriche e/o fungine nel momento in cui gli effetti diventano visibili sulle foglie, permettono solo interventi di tipo lenitivo, ossia, interventi che ne attenuano gli effetti, ad esempio nel caso del mal dell?esca quando la colonizzazione dei canali linfatici raggiunge le foglie i soli interventi possibili sono di capitozzatura della pianta o potature molto invasive che ne compromettono la produttivit? in caso di alberi da frutto come vite, melo, olivo ecc.

In altri casi, come per esempio nel caso del colpo di fuoco delle pomacee, malattia batterica che provoca il disseccamento della pianta, nel caso di un infezione in un frutteto l?obiettivo non ? la cura ma il contenimento dell?infezione.

In questo caso l?analisi delle foglie ? tardiva perch? l?infezione parte dall?interno, quindi un analisi esterna permette s? di censire un?infezione conclamata con indicazione delle piante da abbattere ma solo dopo che l?infezione si ? estesa in modo ragguardevole.

Un sistema che analizzi da vicino la pianta come sistema completo e in particolare che ne analizzi la situazione partendo dal tronco, permette di avere una diagnosi pi? celere e in alcuni casi addirittura preventiva.

La Richiedente ha comunque osservato che l?integrazione della forma preferita di realizzazione con dispositivi atti a fornire almeno informazioni potenziometriche e radiometriche risulta, in genere, vantaggiosa, anche se non indispensabile.

In ogni caso, la combinazione della prima forma di realizzazione con una delle ulteriori forme di realizzazione pu? permettere di integrare ulteriori informazioni a quelle ottenibili con la prima forma di realizzazione.

La prima forma di realizzazione prevede di partire dall?analisi termica della pianta e di usare l?analisi visiva per confermare eventuali stati patologici.

Le altre forme di realizzazione prevedono di integrare l?analisi termica e visiva con ulteriori analisi in modo da approfondire e determinare l?eventuale gravit? dello stato patologico della pianta rilevato con gli strumenti previsti nella prima forma di realizzazione.

Naturalmente, modifiche ovvie e/o varianti sono possibili alla descrizione di cui sopra, nelle forme, componenti, elementi circuitali e collegamenti, cos? come nei dettagli della costruzione illustrata e del metodo di operare senza staccarsi dall'invenzione come precisata nelle rivendicazioni seguenti.

Claims (10)

RIVENDICAZIONI

1. Un sistema configurato per fornire informazioni sullo stato di salute di una singola pianta (9), comprendente

- una telecamera termica o termo-camera (15) configurata per ottenere una mappa di dati rappresentativa di un?immagine termica della pianta,

- un dispositivo computerizzato (12) collegato alla telecamera termica e configurato per memorizzare l?immagine termica della pianta,

caratterizzato dal fatto di comprendere

- almeno una video-camera (14) collegata al dispositivo computerizzato e configurata per catturare immagini di detta pianta comprese in un determinato range di lunghezze d?onda e per memorizzare dette immagini in lunghezza d?onda in detto dispositivo computerizzato,

- primi moduli di programma (81) memorizzati in detto dispositivo computerizzato e configurati per elaborare detta immagine termica ed individuare e classificare, mediante l?utilizzo di un insieme di reti neurali, uno o pi? cluster di valori di temperatura anomali,

- secondi moduli di programma (82) memorizzati in detto dispositivo computerizzato e configurati per individuare calcolare e classificare, sulla base delle immagini in lunghezze d?onda catturate da detta video-camera, indici rappresentativi di patologie delle pianta,

- un display (26) collegato al dispositivo computerizzato e configurato per visualizzare l?uno o pi? cluster classificati elaborando i dati forniti dalla telecamera termica (15) e gli indici individuati con la video-camera (14) e fornire un?indicazione su detto display dello stato di salute di detta pianta.

2. Il sistema (10) in accordo alla rivendicazione 1, comprendente inoltre

- ulteriori moduli di programma (83) configurati per visualizzare tipo ed entit? di interventi da effettuare sulla pianta.

3. Il sistema (10) in accordo alla rivendicazione 1 o 2, comprendente inoltre

- un dispositivo di localizzazione (18) collegato al dispositivo computerizzato e comprendente

- componenti di rilevazione di posizione assoluta (41), componenti di misurazione di orientamento (43), e componenti di misurazione di distanza (45) configurati per fornire, fra una pluralit? di piante riprese da detta termo-camera e da detta video-camera, informazioni di geo-referenziazione di detta singola pianta (9).

4. Il sistema (10) in accordo ad una qualsiasi delle rivendicazioni 1 a 3, comprendente inoltre

- un dispositivo sensore di impedenza (33) collegato al dispositivo computerizzato e configurato per effettuare misure di impedenza su detta singola pianta (9) e migliorare la classificazione di detti uno o pi? cluster di valori di temperatura anomali e degli indici considerati patologici.

5. Il sistema (10) in accordo ad una qualsiasi delle rivendicazioni 1 a 4, comprendente inoltre

- una o pi? ulteriori video-camere (31) collegate al dispositivo computerizzato, dette una o pi? ulteriori video-camere (31), comprendenti rispettivi filtri ottici (32) per rispettive diverse bande di lunghezze d?onda, e configurate per ottenere ulteriori indici rappresentativi di patologie delle pianta.

6. Il sistema (10) in accordo ad una qualsiasi delle rivendicazioni 1 a 5, comprendente inoltre

- dispositivi elettro-meccanici (35) collegati al dispositivo computerizzato e configurati per misurare propriet? fisiche della pianta o di parti di essa, detti dispositivi elettro-meccanici comprendendo

- trasduttori di vibrazioni meccaniche/acustiche (36), e

- sensori di dilatazione (38)

ed essendo configurati per misurare propriet? fisiche della pianta o di parti di essa e aumentare l?affidabilit? del sistema (10) nel fornire l?indicazione su detto display dello stato di salute della pianta.

7. Un metodo configurato per fornire informazioni sullo stato di salute di una singola pianta, per mezzo di un dispositivo computerizzato (12), detto metodo comprendendo le fasi di

(100) - inquadrare con almeno una video-camera (14) e con una telecamera termica (15) detta singola pianta ed acquisire un?immagine visiva, comprensiva di determinate lunghezze d?onda, e un?immagine termica di detta singola pianta, (200) - eseguire uno ?stitching? delle immagini acquisite in modo da ottenere un?unica immagine grafica ed un?unica immagine termica della pianta, prive di sovrapposizioni,

(300) - ricercare, localizzare e classificare, sulla base dell?immagine termica, uno o pi? cluster di valori anomali di temperatura in parti lignee di detta pianta, sulla base di valori termici all?interno di reti neurali addestrate opportunamente con data-set comprendenti valori con peso precostruito,

(400) - individuare, localizzare e classificare una pluralit? di indici relativi allo stato di salute della pianta sulla base delle lunghezze d?onda acquisite nella fase di acquisire l?immagine visiva,

(500) - sovrapporre e visualizzare detta immagine termica e detta immagine visiva su un display (26) collegato a detto dispositivo computerizzato (12) ed evidenziare lo stato di salute di detta pianta sulla base di detti uno o pi? cluster e di detti indici.

8. Il metodo in accordo alla rivendicazione 7, comprendente l?ulteriore fase di (600) - visualizzare su detto display tipo ed entit? di interventi da effettuare sulla pianta in funzione dello stato di salute della pianta come ottenuto almeno sulla base di detti uno o pi? cluster e di detti indici.

9. Il metodo in accordo alla rivendicazione 7 o alla rivendicazione 8, comprendente, prima della fase di sovrapporre e visualizzare detta immagine termica (300) e detta immagine visiva (400) le ulteriori fasi (450) di

- visualizzare su detto display una mappa geo-referenziata di una pluralit? di piante e di detta singola pianta, e

- rendere disponibile operazioni di zoom sulla singola pianta di cui ? stato evidenziato lo stato di salute.

10. Il metodo in accordo ad una qualsiasi delle rivendicazioni 7 a 9, in cui detta fase di classificare, sulla base dell?immagine termica, uno o pi? cluster di valori anomali di temperatura in parti lignee di detta pianta (300) comprende anche la fase di - modificare il peso dei valori termici all?interno delle reti neurali sulla base di valori di impedenza misurati da un dispositivo impedenziometro (33) applicato a detta pianta.