
Riconoscere le malattie delle piante con l'IA: l'agente AgriAI
L'agente Fitosanitario di AgriAI analizza foto e clima per riconoscere presto stress, carenze, malattie e insetti, e ti propone l'intervento.
Agente Fitosanitario
Vede i problemi prima che diventino danni.
Cosa fa
- Analizza le foto di telecamere fisse o dello smartphone
- Riconosce i primi segni di stress, carenze e malattie
- Conta gli insetti sulle trappole fotografate
- Stima il rischio di malattia dalle condizioni del clima
- Propone l'intervento e lo registra dopo il tuo via libera
- Avvisa te o il tuo agronomo con foto e dati allegati
Come lavora, passo per passo

Telecamere fisse, trappole e foto dallo smartphone raccolgono le immagini 
Un modello di visione artificiale cerca segni di stress, carenze e malattie 
L'agente incrocia le immagini con il clima per stimare il rischio 
Ti avvisa con foto e proposta: il trattamento parte solo con il tuo via libera
Approfondimento agronomico
La scienza dietro l'agente
In difesa delle colture il tempo è tutto: la stessa malattia che oggi riguarda tre piante, tra dieci giorni può riguardare un intero settore. L'obiettivo non è trattare di più, ma vedere prima e intervenire solo dove serve, che è il cuore della difesa integrata.
Il clima decide il rischio
Molte malattie fungine hanno bisogno di condizioni precise per svilupparsi. La muffa grigia (Botrytis) è favorita da umidità molto alta e foglie bagnate, tipiche delle notti fresche con condensa; l'oidio del peperone invece si avvantaggia di condizioni più asciutte e di forti escursioni. Conoscere queste regole permette di stimare il rischio prima di vedere i sintomi.
Insetti: contare per decidere
Per tripidi, afidi e aleurodidi, i parassiti più comuni del peperone in serra, si usano trappole cromotropiche: le gialle e le blu catturano gli adulti e il loro conteggio settimanale mostra se la popolazione cresce. È anche la base per decidere quando introdurre gli insetti utili, i predatori e i parassitoidi della lotta biologica.
Cosa può fare la visione artificiale, e cosa no
Un modello di visione riconosce bene sintomi visibili e ripetitivi, come macchie, ingiallimenti o insetti su una trappola, e soprattutto non si stanca di guardare. Non sostituisce la diagnosi: sintomi diversi possono somigliarsi, e carenze nutritive, stress idrico e virosi a volte si confondono. Per questo l'agente segnala con foto, probabilità e dati climatici, e la decisione sul trattamento resta all'agronomo.
Difesa integrata e lotta biologica in pratica
La difesa integrata segue un ordine preciso: prevenzione (varietà, igiene, reti antinsetto, clima corretto), monitoraggio, soglie di intervento e solo alla fine i prodotti chimici, scelti tra quelli autorizzati e rispettando i tempi di carenza prima della raccolta.
Nel peperone in serra la lotta biologica è molto diffusa: insetti predatori come Orius e acari come Amblyseius swirskii contro tripidi e aleurodidi, parassitoidi come Aphidius contro gli afidi. Funziona se gli ausiliari vengono introdotti presto, quando i parassiti sono ancora pochi: per questo il conteggio sulle trappole è così importante.
Virus e insetti vettori
I virus non si curano: si prevengono. Nel peperone uno dei più temuti è il virus dell'avvizzimento maculato del pomodoro (TSWV), trasmesso dai tripidi. Contro i virus l'unica strategia è controllare i vettori, usare varietà tolleranti dove esistono ed eliminare subito le piante colpite. Per questo l'agente tratta un aumento di tripidi come un allarme anche quando le piante sembrano sane.
Come addestriamo e verifichiamo il modello
Un modello di visione vale quanto le immagini con cui è stato addestrato. Per questo lo verifichiamo su foto scattate nel Farm Tech e classificate da agronomi, e misuriamo due cose diverse: quanti problemi veri trova e quanti falsi allarmi dà. Un modello che non sbaglia mai un allarme ma ne perde metà non serve, e nemmeno uno che suona per ogni foglia impolverata.
Registro dei trattamenti e regole
In Italia chi usa prodotti fitosanitari deve tenere il registro dei trattamenti, il cosiddetto quaderno di campagna, e la difesa integrata è il riferimento del Piano d'azione nazionale sull'uso sostenibile dei prodotti fitosanitari. L'agente compila il registro con data, settore, prodotto e motivo, così il dato serve sia ai controlli sia a imparare da una stagione all'altra.
Come lavora con gli altri agenti
Dall'agente Clima riceve umidità e bagnatura fogliare, la base del calcolo del rischio. All'agente Fertirrigazione segnala i sintomi che possono venire dalle radici o da carenze nutritive. All'agente Previsione comunica le perdite attese, così la stima del raccolto tiene conto delle piante colpite.
I parametri che contano
| Parametro | Riferimento | Perché conta |
|---|---|---|
| Bagnatura fogliare | Ore con foglie bagnate o umidità vicina alla saturazione | È il fattore chiave per muffa grigia e molte altre malattie fungine |
| Catture sulle trappole | Conteggio settimanale per trappola e per settore | Mostra se la popolazione di insetti cresce e dove |
| Immagini delle piante | Foto ripetute negli stessi punti, con luce simile | Permettono di confrontare la stessa pianta nel tempo |
| Temperatura e umidità notturne | Si guarda il rischio di condensa sulle foglie | Le notti decidono spesso l'avvio delle infezioni |
Valori di riferimento della letteratura agronomica per orticole in serra fuori suolo: vanno sempre tarati su coltura, varietà, fase e clima locale.
I sensori che usa
Cosa misura ognuno, dove va installato e l'accorgimento che fa la differenza. «Base» serve per partire, «In più» aggiunge precisione. Vedi l'elenco completo di tutti gli agenti
- Analisi di laboratorio di acqua e drenaggioBaseI singoli elementi (nitrati, potassio, calcio, magnesio, sodio, cloruri…) che l'EC non distingueCampioni inviati a un laboratorio ogni alcune settimaneNon è un sensore, ma senza analisi l'EC dice quanto sale c'è, non quale.
- Temperatura e umidità dell'aria (box ventilato)BaseTemperatura e umidità relativa; da queste si calcolano VPD e punto di rugiadaAll'altezza della vegetazione, in un box schermato e ventilato, almeno uno per compartimentoSenza schermo e ventilazione il sole falsa la lettura anche di alcuni gradi.
- Stazione meteoBaseTemperatura, umidità, radiazione solare, vento e pioggia fuori dalla serraSopra o accanto alla serra, lontano da ostacoliVento e pioggia servono anche alla sicurezza: chiudere le finestre prima del temporale.
- Previsioni meteoBaseTemperatura, radiazione e pioggia attese nei prossimi giorniServizio di dati online: non è un dispositivo da installarePermettono di anticipare invece di rincorrere, ad esempio riscaldare meno prima di una giornata di sole.
- Telecamere fisse o su carrelloBaseImmagini delle piante per riconoscere sintomi e contare fiori e fruttiSu un carrello che scorre sui tubi del riscaldamento, o in punti fissiLe immagini riprese sempre dallo stesso punto e alla stessa ora sono le più confrontabili.
- Trappole cromotropiche con fotocameraBaseInsetti catturati ogni giorno: tripidi, aleurodidi, afidi alati e altriTra le file, all'altezza delle cime delle pianteIl conteggio giornaliero mostra quando una popolazione comincia a crescere, prima dei danni.
- Foto e note dal campo (smartphone)BaseOsservazioni di chi lavora in serra: sintomi, conteggi dei frutti, fasi della colturaDall'app AgriAI, durante il giro in serraL'occhio di chi lavora in serra resta il sensore più prezioso: l'app lo trasforma in un dato.
- Termometro a infrarossi per le foglieIn piùTemperatura delle foglie, senza toccarlePuntato sulla chioma, dall'alto o di latoFoglie più calde dell'aria indicano piante che traspirano poco: possibile stress idrico.
- Sensore di bagnatura fogliareIn piùSe le foglie sono bagnate e per quante oreNella chioma, dove la condensa si forma per primaLe ore di bagnatura sono tra gli indicatori principali del rischio di botrite e altri funghi.
- Immagini satellitari (Sentinel-2)In piùIndici di vegetazione come l'NDVI, utili soprattutto in campo apertoDati gratuiti del programma europeo Copernicus, aggiornati ogni pochi giorni quando il cielo è serenoNon vedono dentro la serra; in campo aperto mostrano dove la coltura cresce meno.
- Camera multispettrale o termicaIn piùLuce riflessa oltre il visibile e calore della chioma, per vedere lo stress prima dei sintomiSu carrello, su punto fisso o, in campo aperto, su droneCosta di più: la aggiungiamo solo dove una telecamera normale non basta.
Gli errori più comuni
- Trattare a calendario invece che sul rischio reale
- Accorgersi del problema quando è già visibile da lontano
- Affidarsi alla diagnosi automatica senza la conferma di un tecnico
- Non registrare cosa si è fatto: senza storico non si impara da una stagione all'altra
La difesa moderna è sorveglianza continua più giudizio esperto. L'agente garantisce la sorveglianza, giorno e notte; il giudizio resta a chi conosce la coltura.
Studi e fonti
Ricerca scientifica e stampa di settore da cui partiamo. I link portano alle fonti originali.
Ricerca scientifica
- An advanced deep learning models-based plant disease detection: A review of recent researchFrontiers in Plant Science · 2023Rassegna degli studi 2015–2022 su apprendimento automatico per le malattie delle piante, con limiti di dati e qualità delle immagini.
- Leveraging deep learning for plant disease and pest detection: a comprehensive review and future directionsFrontiers in Plant Science · 2025Estende l'analisi agli insetti dannosi e alle soluzioni per la scarsità di dati, come l'aumento dei dati e il transfer learning.
- Exploring the potential of phytoseiids species and the minute pirate bug Orius laevigatus to control Thrips parvispinus in sweet pepperIOBC-WPRSAcari predatori e Orius laevigatus contro un tripide emergente nel peperone in serra.
- Pests of greenhouse sweet bell peppers and their biological controlGovernment of Alberta (Canada)Guida tecnica ai parassiti del peperone in serra, al ruolo dei tripidi come vettori del TSWV e agli ausiliari.
Domande frequenti
25 domande, due risposte ciascuna: quella dell'agronomo e quella dello sviluppatore. Quando citiamo un autore, il link porta all'opera originale.
Come riconosce una malattia da una foto?
Risponde l'agronomo
Riconosce i sintomi: macchie, muffe, ingiallimenti, deformazioni. Ma lo stesso sintomo può avere cause diverse, e a volte solo un'analisi di laboratorio dà la diagnosi certa.
George N. Agrios, Plant Pathology, Elsevier, 5th ed., 2005Risponde lo sviluppatore
Usa reti neurali convoluzionali, la famiglia di modelli resa celebre da Yann LeCun, addestrate su migliaia di immagini etichettate da tecnici. Il modello restituisce una probabilità, non una sentenza.
Yann LeCun, Léon Bottou, Yoshua Bengio, Patrick Haffner, Gradient-based learning applied to document recognition, Proceedings of the IEEE, 1998Quanto è affidabile il riconoscimento?
Risponde l'agronomo
Lo studio di Mohanty, Hughes e Salathé del 2016 è un monito: modelli quasi perfetti sulle immagini di laboratorio perdevano molta precisione su foto prese in condizioni diverse. In serra luce, sfondo e angolazioni cambiano sempre.
Sharada P. Mohanty, David P. Hughes, Marcel Salathé, Using Deep Learning for Image-Based Plant Disease Detection, Frontiers in Plant Science, 2016Risponde lo sviluppatore
Per questo misuriamo l'affidabilità sulle immagini della serra pilota, non su archivi pubblici, e controlliamo che la probabilità dichiarata dal modello corrisponda a quella reale: è la calibrazione studiata da Guo e colleghi.
Chuan Guo, Geoff Pleiss, Yu Sun, Kilian Q. Weinberger, On Calibration of Modern Neural Networks, ICML, 2017Cos'è il triangolo della malattia?
Risponde l'agronomo
È un principio classico della patologia vegetale: una malattia si sviluppa solo se ci sono insieme una pianta sensibile, un patogeno e un ambiente favorevole. Togliendo uno dei tre lati, la malattia non parte.
George N. Agrios, Plant Pathology, Elsevier, 5th ed., 2005Risponde lo sviluppatore
L'agente ragiona proprio così: varietà e fase per la pianta, immagini e trappole per il patogeno, clima per l'ambiente. Il rischio è il risultato dei tre dati insieme, non di uno solo.
Perché incrocia immagini e clima?
Risponde l'agronomo
Perché il clima dice cosa sta per succedere, le immagini cosa è già successo. Ore di foglie bagnate e umidità alta precedono di giorni i sintomi visibili.
Hamlyn G. Jones, Plants and Microclimate, Cambridge University Press, 2013Risponde lo sviluppatore
È un modello multimodale: unisce dati di natura diversa, immagini e serie temporali, in un'unica stima. Le basi teoriche sono nel manuale di Goodfellow, Bengio e Courville.
Ian Goodfellow, Yoshua Bengio, Aaron Courville, Deep Learning, MIT Press, 2016Sostituisce l'agronomo?
Risponde l'agronomo
No. La diagnosi e la scelta della difesa restano dell'agronomo. L'agente gli fa risparmiare il tempo del giro di controllo e gli indica dove guardare prima.
Risponde lo sviluppatore
Tecnicamente è uno strumento di smistamento: ordina le zone per probabilità di problema. È il ruolo in cui l'apprendimento automatico rende di più e sbaglia con meno danni.
Cynthia Rudin, Stop explaining black box machine learning models for high stakes decisions and use interpretable models instead, Nature Machine Intelligence, 2019Cos'è la difesa integrata?
Risponde l'agronomo
Il concetto nasce nel 1959 con Stern, Smith, van den Bosch e Hagen: usare insieme lotta biologica, pratiche colturali e, solo se serve, prodotti chimici. In Europa oggi è un obbligo di legge.
Vernon M. Stern, Ray F. Smith, Robert van den Bosch, Kenneth S. Hagen, The integrated control concept, Hilgardia, 1959Risponde lo sviluppatore
L'agente rende la difesa integrata misurabile: soglie di intervento configurabili per settore, storico delle catture e registro di ogni trattamento, così si vede se le decisioni hanno funzionato.
Cos'è la soglia di intervento?
Risponde l'agronomo
È la densità di parassiti oltre la quale conviene intervenire, perché il danno atteso supera il costo del trattamento. Sotto la soglia si osserva e si lasciano lavorare gli insetti utili.
Vernon M. Stern, Ray F. Smith, Robert van den Bosch, Kenneth S. Hagen, The integrated control concept, Hilgardia, 1959Risponde lo sviluppatore
L'agente non aspetta il superamento: dalla tendenza delle catture stima quando la soglia verrà raggiunta e ti avvisa prima. È una previsione su serie temporale, con metodi standard.
Rob J. Hyndman, George Athanasopoulos, Forecasting: Principles and Practice, OTexts, 3rd ed., 2021Come aiuta la lotta biologica?
Risponde l'agronomo
Nel peperone si usano predatori come Orius laevigatus e acari come Amblyseius swirskii contro tripidi e aleurodidi. Gli studi IOBC mostrano che funzionano anche contro specie nuove, se introdotti al momento giusto.
IOBC-WPRS, Orius laevigatus and phytoseiid mites to control Thrips parvispinus in sweet pepper, IOBC-WPRSRisponde lo sviluppatore
L'agente registra lanci e osservazioni e calcola nel tempo il rapporto fra predatori e prede. Quando il rapporto scende, propone un nuovo lancio prima che i parassiti prendano il sopravvento.
Come funzionano le trappole con fotocamera?
Risponde l'agronomo
Sono trappole cromotropiche, gialle o blu: il blu attira soprattutto i tripidi, il giallo aleurodidi e afidi alati. Contarle a mano richiede ore ogni settimana.
Risponde lo sviluppatore
Una fotocamera scatta ogni giorno e un modello di riconoscimento degli oggetti, della famiglia di YOLO, individua e conta gli insetti. Gli insetti nuovi si distinguono da quelli già contati confrontando le foto dei giorni precedenti.
Joseph Redmon, Santosh Divvala, Ross Girshick, Ali Farhadi, You Only Look Once: Unified, Real-Time Object Detection, CVPR, 2016Tripidi e virus TSWV: perché sono così temuti?
Risponde l'agronomo
I tripidi trasmettono il virus dell'avvizzimento maculato del pomodoro (TSWV), che colpisce anche il peperone. Contro i virus non esiste cura: si può solo prevenire controllando il vettore.
Government of Alberta, Pests of greenhouse sweet bell peppers and their biological control, Alberta.caRisponde lo sviluppatore
Per questo l'agente dà priorità ai tripidi: un aumento delle catture genera un avviso anche sotto la soglia normale, e le piante con sintomi sospetti vengono segnalate con foto per la verifica.
Botrite e oidio: come li distingue?
Risponde l'agronomo
La botrite ama umidità alta e foglie bagnate; l'oidio del peperone può svilupparsi anche con umidità più bassa e attacca dall'interno della foglia. Condizioni diverse, prevenzione diversa.
George N. Agrios, Plant Pathology, Elsevier, 5th ed., 2005Risponde lo sviluppatore
L'agente usa un modello di rischio separato per ogni malattia, con le sue condizioni climatiche. Un unico indice di rischio generico nasconderebbe proprio le differenze che contano.
Quante immagini servono per addestrare il modello?
Risponde l'agronomo
Servono immagini di tutte le fasi della malattia, su più varietà e in più stagioni: un sintomo iniziale è molto diverso da uno avanzato.
Risponde lo sviluppatore
Di solito migliaia per ogni classe. Con il transfer learning si parte da un modello già addestrato su milioni di immagini generiche e lo si specializza, riducendo molto i dati necessari. La rassegna di Kamilaris e Prenafeta-Boldú lo documenta in agricoltura.
Andreas Kamilaris, Francesc X. Prenafeta-Boldú, Deep learning in agriculture: A survey, Computers and Electronics in Agriculture, 2018Chi etichetta le immagini?
Risponde l'agronomo
Tecnici e agronomi esperti. Un'etichetta sbagliata insegna al modello l'errore: la qualità dell'esperto conta quanto la quantità di immagini.
Risponde lo sviluppatore
Le immagini dubbie sono etichettate da due persone in modo indipendente e si misura quanto sono d'accordo. Dove non sono d'accordo, decide un terzo: il dato pulito vale più di un modello più grande.
D. Sculley et al. (Google), Hidden Technical Debt in Machine Learning Systems, NeurIPS, 2015Come evita i falsi allarmi?
Risponde l'agronomo
Troppi falsi allarmi sono pericolosi quanto nessun allarme: dopo una settimana di avvisi inutili, chi lavora in serra smette di leggerli.
Risponde lo sviluppatore
La soglia di avviso si regola sul giusto equilibrio fra problemi trovati e falsi allarmi, misurato sui dati veri della serra. Un modello ben calibrato permette di scegliere quell'equilibrio in modo consapevole.
Chuan Guo, Geoff Pleiss, Yu Sun, Kilian Q. Weinberger, On Calibration of Modern Neural Networks, ICML, 2017Riconosce anche le carenze nutrizionali?
Risponde l'agronomo
Le carenze possono somigliare alle malattie: un ingiallimento può essere ferro, magnesio o un virus. Serve una conferma con l'analisi della soluzione o della foglia.
Cees Sonneveld, Wim Voogt, Plant Nutrition of Greenhouse Crops, Springer, 2009Risponde lo sviluppatore
Qui gli agenti collaborano: se l'agente Fitosanitario vede un ingiallimento e l'agente Fertirrigazione registra un pH alto, la causa più probabile è una carenza, non una malattia.
Usate telecamere multispettrali?
Risponde l'agronomo
Vedono lo stress prima dei sintomi visibili, perché misurano luce che l'occhio umano non vede e la temperatura delle foglie. Sono preziose, ma costano.
Hamlyn G. Jones, Plants and Microclimate, Cambridge University Press, 2013Risponde lo sviluppatore
Le aggiungiamo solo dove una telecamera normale non basta. Prima si misura quanto migliorano davvero le diagnosi sulla serra pilota, poi si decide se il costo vale.
L'agente fa trattamenti da solo?
Risponde l'agronomo
No, mai. I prodotti fitosanitari sono regolati: servono abilitazione, rispetto delle etichette, dei tempi di carenza e del Piano d'azione nazionale.
Risponde lo sviluppatore
È una scelta di progetto: la decisione di trattare è sempre umana. L'agente prepara le informazioni e registra cosa è stato fatto, in linea con la supervisione umana prevista dal regolamento europeo sull'IA.
European Union, Artificial Intelligence Act (EU) 2024/1689, EUR-LexMi aiuta con il quaderno di campagna?
Risponde l'agronomo
Sì: ogni trattamento va registrato con prodotto, dose, data, coltura e motivo. Farlo bene è un obbligo e protegge l'azienda nei controlli e con i clienti.
Risponde lo sviluppatore
Il registro si compila dai dati già raccolti: chi ha confermato il trattamento, dove e quando. Si esporta nei formati richiesti, senza riscrivere nulla a mano.
Misura anche quanto è grave una malattia?
Risponde l'agronomo
La gravità si misura classicamente come percentuale di superficie colpita. È ciò che decide se un attacco è sotto controllo o sta peggiorando.
George N. Agrios, Plant Pathology, Elsevier, 5th ed., 2005Risponde lo sviluppatore
Per misurare l'area colpita si usa la segmentazione delle immagini, ad esempio con U-Net, un'architettura nata per le immagini mediche che separa pixel per pixel il tessuto sano da quello malato.
Olaf Ronneberger, Philipp Fischer, Thomas Brox, U-Net: Convolutional Networks for Biomedical Image Segmentation, MICCAI, 2015Posso usare le foto del mio telefono?
Risponde l'agronomo
Sì, e sono preziose: chi fa il giro in serra nota cose che nessuna telecamera fissa vede. Una foto con una nota vale più di un ricordo.
Risponde lo sviluppatore
Le foto da telefono variano molto per luce e inquadratura, il punto debole dimostrato dallo studio di Mohanty. L'app guida lo scatto e il modello è addestrato anche su foto imperfette.
Sharada P. Mohanty, David P. Hughes, Marcel Salathé, Using Deep Learning for Image-Based Plant Disease Detection, Frontiers in Plant Science, 2016E se arriva una malattia mai vista?
Risponde l'agronomo
Succede: specie nuove come Thrips parvispinus si stanno diffondendo in Europa. In quei casi conta la rapidità con cui si chiama un esperto.
IOBC-WPRS, Orius laevigatus and phytoseiid mites to control Thrips parvispinus in sweet pepper, IOBC-WPRSRisponde lo sviluppatore
Il modello deve saper dire "non so". Con insiemi di modelli che votano si stima l'incertezza: se i modelli non sono d'accordo, il caso viene passato a una persona invece di ricevere un'etichetta sbagliata.
Balaji Lakshminarayanan, Alexander Pritzel, Charles Blundell (DeepMind), Simple and Scalable Predictive Uncertainty Estimation using Deep Ensembles, NeurIPS, 2017Si riducono davvero i fitofarmaci?
Risponde l'agronomo
Con il monitoraggio si passa dai trattamenti a calendario ai trattamenti solo quando servono, che è l'idea di fondo della difesa integrata fin dal 1959.
Vernon M. Stern, Ray F. Smith, Robert van den Bosch, Kenneth S. Hagen, The integrated control concept, Hilgardia, 1959Risponde lo sviluppatore
Non promettiamo percentuali: contiamo trattamenti e quantità di prodotto per ciclo prima e dopo, sulla stessa coltura, e pubblichiamo il risultato misurato al Farm Tech.
Le telecamere riprendono anche le persone?
Risponde l'agronomo
In serra lavorano persone, e la loro privacy va rispettata quanto la salute delle piante.
Risponde lo sviluppatore
Le telecamere puntano sulle piante; se compare una persona, il volto viene sfocato automaticamente prima del salvataggio. Il trattamento segue il GDPR e i lavoratori vengono informati.
European Union, General Data Protection Regulation (EU) 2016/679, EUR-LexMi mostra perché sospetta una malattia?
Risponde l'agronomo
Un agronomo vuole vedere il sintomo, non solo leggere un nome. Senza la foto e i dati del clima, un avviso non è verificabile.
Risponde lo sviluppatore
Ogni avviso evidenzia sulla foto le zone che hanno pesato di più nella decisione, con metodi di attribuzione come SHAP, e riporta le condizioni climatiche dei giorni prima.
Scott M. Lundberg, Su-In Lee, A Unified Approach to Interpreting Model Predictions (SHAP), NeurIPS, 2017A che punto è l'IA per la salute delle piante?
Risponde l'agronomo
La ricerca è molto avanzata in laboratorio; in campo restano sfide su condizioni reali, varietà locali e malattie rare. L'archivio aperto PlantVillage di Hughes e Salathé ha dato il via a gran parte di questi studi.
Sharada P. Mohanty, David P. Hughes, Marcel Salathé, Using Deep Learning for Image-Based Plant Disease Detection, Frontiers in Plant Science, 2016Risponde lo sviluppatore
La rassegna di Kamilaris e Prenafeta-Boldú mostra che il deep learning supera spesso i metodi tradizionali nelle immagini agricole, ma richiede dati di qualità. Per questo partiamo dalla raccolta dei dati, non dal modello.
Andreas Kamilaris, Francesc X. Prenafeta-Boldú, Deep learning in agriculture: A survey, Computers and Electronics in Agriculture, 2018Gli altri agenti AgriAI
Agente VivaioPiantine sane e uniformi, dal seme al trapianto.
Agente TrapiantoOgni piantina al posto giusto, al momento giusto.
Agente FertirrigazioneAcqua e nutrienti giusti, al momento giusto.
Agente ClimaLa serra sempre nel clima ideale, con meno energia.
Agente RaccoltaSolo frutti maturi, raccolti senza danni.
Agente QualitàOgni frutto nella categoria giusta.
Agente ConfezionamentoConfezioni giuste e tracciabili, dalla serra allo scaffale.
Agente Previsione della produzioneSai quanto raccogli, quando e quanto ti costa.
Diventa azienda pilota
Check-up digitale gratuito: guardiamo impianti, consumi e problemi e ti diciamo se e dove AgriAI può aiutare.