Agricoltura intelligente tramite Hybrid AI per la predizione della resa di fragole in ambiente controllato

In this thesis work, an intelligent system was developed for predicting strawberry yield in a controlled environment, with the goal of optimizing agronomic management and reducing waste in indoor farming contexts. An architecture based on Hybrid Artificial Intelligence was implemented, integrating computer vision models for automatic fruit recognition using Faster R-CNN networks, and CNN-based regression models to estimate maximum size, relative weight, and the number of days remaining until ripening. The system was validated using data collected in a greenhouse, showing good performance in terms of accuracy and generalization. The activities focused on dataset collection, model design and training, result analysis, and the implementation of a digital twin to support decision-making.

Nel presente lavoro di tesi è stato sviluppato un sistema intelligente per la predizione della resa della fragola in ambiente controllato, con l’obiettivo di ottimizzare la gestione agronomica e ridurre gli sprechi in contesti di agricoltura indoor. Si è realizzata un’architettura basata su Hybrid Artificial Intelligence, integrando modelli di visione artificiale per il riconoscimento automatico dei frutti attraverso reti Faster R-CNN e modelli di regressione basati su CNN per stimare la dimensione massima, il peso relativo e i giorni mancanti alla maturazione. Il sistema è stato validato su dati raccolti in serra, mostrando buone performance in termini di accuratezza e generalizzazione. Le attività si sono concentrate sulla ricerca del dataset, sulla progettazione e l’addestramento dei modelli, sull’analisi dei risultati e sull’implementazione di un digital twin a supporto delle decisioni.