Integrazione di sistemi spettrali miniaturizzati su UAV autonomi per il rilevamento della Plasmopara viticola

Recent advancements in proximal sensing systems for precision and sustainable viticulture are focused on the integration of automated platforms, miniaturized sensors, and advanced data processing algorithms, with the aim of improving vineyard monitoring efficiency and supporting more targeted and effective agronomic management. This study is aimed at the development of an autonomous UAV system for proximal sensing acquisitions equipped with optical systems dedicated to vineyard monitoring. The UAV platform (developed within the COLIBRI project, Collaborative integration of mini-UAV, miniaturized sensors, and machine learning for proximal sensing towards sustainable viticulture) integrates an onboard processing unit based on Raspberry Pi for acquisition management and the future implementation of predictive models for real-time analysis, as well as a flight controller, a GPS system, and computer vision algorithms based on ArUco markers and the OpenCV2 library, enabling close-range and georeferenced acquisitions on specific vineyard targets. An initial experimental phase is part of the InnoBio project (Biological and Biotechnological Innovation for the Sustainable Protection of Crops from Diseases) and it focuses to integrate a snapshot spectral imaging system (MQ022HG-IM-SM5X5-7NIR2, Ximea, 665–960 nm) for the early detection of grapevine downy mildew (caused by Plasmopara viticola) one of the major grapevine diseases. The objective of this preliminary phase is to identify physiological alterations in plants during the pre-symptomatic stage of infection, before the appearance of visible symptoms, in order to support earlier and more targeted disease management strategies. Acquisitions were performed at laboratory scale on inoculated grapevine plants and non-inoculated controls during the pre- symptomatic stage of the disease (1–7 days after inoculation). Preliminary results highlight the potential of spectral imaging as a tool for precision phytosanitary monitoring and for the development of intelligent Decision Support Systems (DSS) applied to sustainable viticulture.

I recenti sviluppi nei sistemi di misura prossimali per una viticoltura di precisione e sostenibile si concentrano sull’integrazione di piattaforme automatizzate, sensoristica miniaturizzata e algoritmi di elaborazione avanzata, con l’obiettivo di migliorare l’efficienza del monitoraggio del vigneto e supportare una gestione agronomica più mirata ed efficiente. Il presente studio è finalizzato allo sviluppo di un sistema UAV autonomo per acquisizioni prossimali equipaggiato con sistemi ottici dedicati al monitoraggio della vite. La piattaforma UAV (sviluppata all’interno del progetto COLIBRI, Collaborative integration of mini-UAV, miniaturized sensors, and machine learning for proximal sensing towards sustainable viticulture) integra un’unità di elaborazione onboard basata su Raspberry Pi per la gestione delle acquisizioni e la futura implementazione di modelli predittivi per analisi in tempo reale, oltre a un controllore di volo, un sistema GPS e algoritmi di visione artificiale basati su marker Aruco e libreria OpenCV2, che consentono acquisizioni ravvicinate e georeferenziate su bersagli specifici del vigneto. Una prima fase sperimentale si inserisce nel progetto InnoBio (Innovazione biologica e biotecnologica nella difesa sostenibile delle colture dalle malattie) che mira all’integrazione di un sistema snapshot per imaging spettrale (MQ022HG-IM-SM5X5-7NIR2, Ximea, 665–960 nm) per il rilevamento precoce della peronospora della vite (Plasmopara viticola), una delle principali malattie della vite. L’obiettivo di questa fase preliminare è individuare alterazioni fisiologiche delle piante durante la fase pre-sintomatica dell’infezione, prima della comparsa dei sintomi visibili, al fine di supportare strategie di difesa più tempestive e mirate. Le acquisizioni sono state effettuate in scala di laboratorio su piante inoculate e controlli non inoculati durante la fase pre-sintomatica della malattia (1–7 giorni dall’inoculo). I risultati preliminari evidenziano il potenziale dell’imaging spettrale come strumento per il monitoraggio fitosanitario di precisione e per lo sviluppo di sistemi intelligenti di supporto decisionale (DSS) applicati alla viticoltura sostenibile.