Untitled - iMAGE S srl

Transcript

Comitato Organizzatore
Comitato organizzatore
CRA-ING AgriTechLab
Dott. Paolo Menesatti
Dott. Corrado Costa
Dott.ssa Francesca Antonucci
Dott. Federico Pallottino
Dott.ssa Silvia Solaini
Dott. Emiliano Canali
Dott. Stefano Giorgi
Image S
Ing. Giovanni Strada
Ing. Gabriele Conti
Ing. Amos Veroni
Ing. Marco Diani
Dott.ssa Milena Longoni
1
Indice
Indice
Prefazione............................................................................................................. pag. 3
Paolo Menesatti, CRA-ING (Unità di ricerca per l’ingegneria agraria)
Altre sorgenti di acquisizione di immagine (iperspettrali, termiche) e cenni di
elaborazione multivariata.................................................................................... pag. 4
Paolo Menesatti, CRA-ING (Unità di ricerca per l’Ingegneria agraria)
Hyperspectral imaging e analisi statistica della forma.................................... pag. 7
Corrado Costa, CRA-ING (Unità di ricerca per l’Ingegneria agraria)
L'analisi dell'immagine per l'identificazione di stress nelle colture............... pag. 10
Roberto Oberti, Università degli Studi di Milano (Dipartimento di Ingegneria Agraria)
Applicazione dell'analisi spettrale alla valutazione della qualità dei prodotti
ortofrutticoli.......................................................................................................... pag. 14
Giovanni Attolico, Floriana Renna ISSIA-CNR (Istituto di Studi sui Sistemi Intelligenti per
l’Automazione-Consiglio Nazionale delle Ricerche)
Analisi dell'immagine applicata al settore lattiero caseario: esperienze
CRA....................................................................................................................... pag. 17
Stefania Barzaghi, CRA-FLC (Centro di ricerca per le Produzioni Foraggere e LattieroCasearie)
Applicazioni dell’analisi di immagine nel settore alimentare con particolare
riferimento ai prodotti da forno.......................................................................... pag. 21
Annalisa Romano, Università degli Studi di Napoli Federico II (CAISIAL-Centro di Ateneo
per l’Innovazione e lo Sviluppo nell’Industria Alimentare)
ImageInspector: applicazioni di analisi d'immagine alla filiera del grano
duro....................................................................................................................... pag. 23
Gianfranco Venora, Oscar Grillo Stazione Consorziale Sperimentale di Granicoltura per la
Sicilia
Applicazione di motion video e pattern recognition in biologia marina......... pag. 26
Jacopo Aguzzi, ICM-CSIC (Institut de Ciències del Mar)
Riconoscimento individuale e popolazionale negli anfibi per forma e
colore.................................................................................................................... pag. 30
Claudio Angelini, Università degli Studi di Roma La Sapienza (Dipartimento di Biologia
animale e dell'Uomo)
Analisi di immagine applicata allo studio del suolo......................................... pag. 33
Nadia Vignozzi, Simona Magini, Maria Costanza Andrenelli, Simone Priori, Rita Perria,
Marcello Pagliai CRA-ABP (Centro di ricerca per l’agrobiologia e la pedologia)
2
Interventi – Prefazione
Interventi
Prefazione
Paolo Menesatti
[email protected]
La visione artificiale è un complesso sistema tecnico-disciplinare che riunisce i diversi
aspetti legati all’elettronica e all’informatica, ai sistemi optoelettronici per l’acquisizione e la
gestione delle immagini, all’elaborazione e all’analisi di immagine. E’ uno dei settori
scientifici tecnologicamente più all’avanguardia, in modo paragonabile alle nanotecnologie.
Secondo uno studio commissionato dalla UE (Photonics in Europe - Economic impact,
2005) alla Piattaforma Tecnologica Europea (Photonics21), l'industria e l'indotto del
settore, ha fatturato (2005) 228 miliardi di € nel mondo, circa 50 nella UE, occupando in
Europa 246 mila lavoratori. I tassi di crescita del settore sono molto elevati, tra il 7-8%.
Nell’agroalimentare, in biologia e negli studi ambientali, considerando solo le applicazioni
a terra o in ambienti confinati (industria), le principali finalità applicative sono inerenti lo
sviluppo di sensoristica di controllo e monitoraggio sulle macchine (selezionatrici dei frutti,
robotica), lo sviluppo di sistemi di misura ed analisi (spettrofotometri, analizzatori di
immagine, ecc) di parametri produttivi ed aspetti quali-quantitativi e, infine, ad applicazioni
specifiche nell’ambito della ricerca finalizzata o di base. Gli elementi indicati, sono
precisamente contemplati nella mission dell’Unità di ricerca per l'Ingegneria Agraria del
Consiglio per la Ricerca e la Sperimentazione in Agricoltura (CRA-ING), e sono sviluppati
dal gruppo di ricerca afferente all’AgriTechlab (Laboratorio per le Applicazioni
Ingegneristiche Innovative in Agricoltura e Ambiente). Al fine di promuovere una maggiore
diffusione e applicazione delle tecnologie optoelettroniche in ambito agroambientale, è
stato organizzato, presso la sede di Monterotondo (RM) del CRA-ING, un workshop
tecnico-divulgativo, per il giorno 29 Ottobre 2009. L’evento di articolerà in due parti; una
presentazione delle tecnologie e dei sistemi di acquisizione ed elaborazione delle
immagini maggiormente diffusi ed utilizzati, e una serie di casi scientifico-applicativi in
ambito agroalimentare e ambientale. La presentazione dei dispositivi tecnici per
l’acquisizione delle immagini (CCD, CMOS), sistemi di illuminazione e trasmissione dei
segnali, sarà curato dai tecnici della società Image S SpA, che sponsorizzerà l’evento.
Fondata nel 1994 e rappresentante italiana delle maggiori case produttrici di sistemi di
macchine vision, Image S si propone sul mercato italiano come principale distributore di
prodotti per Image Processing, selezionati per risolvere problematiche di visione nei vari
mercati: industriale, militare, medicale, agroalimentare e scientifico.
Nella seconda sessione, saranno presentati differenti casi applicativi in ambito agricolo
(Università degli Studi di Milano-Dipartimento di Ingegneria Agraria; ISSIA-CNR Istituto di
Studi sui Sistemi Intelligenti per l’Automazione-Consiglio Nazionale delle Ricerche di Bari),
alimentare (Università di Napoli Federico II; CRA-FLC Centro di ricerca per le Produzioni
Foraggere e Lattiero-Casearie di Lodi) e biologico (CRA-ING Unità di ricerca per
l’ingegneria agraria di Monterotondo; ICM-CISC Institut de Ciències del Mar di Barcellona;
Università degli Studi di Roma La Sapienza, Dipartimento di Biologia animale e dell'Uomo;
CRA-ABP Centro di ricerca per l’agrobiologia e la pedologia di Firenze).
Il workshop è indirizzato verso divulgatori, tecnici e ricercatori interessati ad acquisire
informazioni sui principali dispositivi di visione artificiale e a conoscere potenziali
applicazioni negli agro-biosistemi.
3
Interventi – Altre sorgenti di acquisizione di immagine (iperspettrali, termiche) e cenni di
elaborazione multivariata
Altre sorgenti di acquisizione di immagine (iperspettrali,
termiche) e cenni di elaborazione multivariata
Paolo Menesatti
[email protected]
L’optoelettronica (machine vision, image analysis o imaging), è un complesso
sistema disciplinare che riunisce i diversi aspetti legati all’analisi di immagine, alla visione
artificiale, all’elettronica e l’informatica per l’acquisizione e la gestione delle immagini in
sensori ed apparati effettuatori. Essa, rappresenta uno degli indirizzi evolutivi più
complessi e raffinati, delle applicazioni elettroniche.
In maniera ancora più estensiva, è utilizzato il termine di biofotonica (biophotonics)
che comprende l’insieme delle discipline tecnologiche e ingegneristiche che utilizzano
quale principale vettore informativo la radiazione elettromagnetica (luce=photos, in tutta la
sua estensione e bande), nelle applicazioni in ambito biologico e delle scienze della terra,
comprendendo in esse l’agricoltura, l’agroambiente, l’agroalimentare (Prasad, 2003).
Gli elementi operativi caratterizzanti
sono fondamentalmente due:
1. l’IMMAGINE = la parametrazione
misuristica o informativa dell’ambiente o
dell’oggetto di indagine (tipico di uno
strumento di misura) si affida a rilievi non
puntuali o monocanale (come ad esempio la
misura della temperatura di una oggetto
tramite termometro), ma avviene per matrici
di singoli punti di misura (immagini)
Figura 1: Rilievo termico su ortofrutticoli in
contemporaneamente rilevati, come nel caso
conservazione simulata
della misura di temperatura dello stesso
oggetto tramite immagine termica (termovisione; Figura 1); in questo caso è possibile
apprezzare contemporaneamente diversi punti di temperatura e verificare omogeneità o
disomogeneità termiche dell’oggetto in
esempio (Menesatti et al., 2008b);
2. l’ampia banda di SPETTRO
ELETTROMAGNETICO = i sistemi di
imaging, soprattutto quelli più avanzati e
raffinati, possono operare acquisizione e
riconoscimento di immagine nel visibile
integrato
(sistemi
real
color,
o
monocromatici come ad esempio le
normali fotocamere o videocamere), nel
visibile per singola banda spettrale
(spettrofotometri
400-700
nm),
nell’ultravioletto
(270–400
nm),
Figura 2: Schermata del software di analisi dello
nell’infrarosso
vicinissimo
(700-1000
spectral scanner con in evidenza le curve di
nm), vicino (1000-2500 nm) e termico (7
riflettanza (a sinistra) relative alle aree di misura
– 12 m), nello spettro dei raggi X. In
contrassegnate sui peperoni (a destra) , il
diagramma colorimetrico (al centro), i dati
effetti,
soprattutto
i
sistemi
di
colorimetrici (in alto a destra) e i dati della
riconoscimento
spettrale,
possono
riflettanza spettrale per le diverse lunghezze
essere identificati come strumenti per la
d'onda (in basso).
misura multicanale (corrispondenti alle
4
diverse bande spettrali) di immagine (hyperspectral imaging) (Menesatti, 2007, in press)
(Figura 2).
Le disponibilità informative di tali sistemi sono talmente elevate da richiedere
specifiche strutture di calcolo analitico e di sintesi informativa (ad esempio processamento
multivariato Principal Component Analysis, Partial Least Square, Reti Neurali) e per
l’effettuazione in tempo reale sistemi potenti di processamento.
L’optoelettronica è annoverata tra la sensoristica fisico-ingegneristica più
promettente, ma anche più complessa. I sistemi sensoriali optoelettronici, possono
misurare più di un singolo parametro o fattore, operando su una base informativa molto
più ampia, la stessa offerta dalle immagini all’occhio umano (che in effetti rappresenta il
senso più sviluppato e più utilizzato, oltre il 70% delle informazioni che giungono al
cervello, passano per la visione).
L’interfaccia finale dei sistemi di visione artificiale può essere l’uomo stesso, nei cui
confronti questi sistemi possono fornire un prodotto in termini di lavoro o informazioni,
oppure le macchine o i sistemi automatizzati di controllo. I sistemi di machine vision,
rivestono un ruolo fondamentale nella robotica. Ad esempio, la realizzazione di mezzi
agricoli a guida e movimentazione autonoma, è ancora relegata ad un periodo futuro non
prevedibile. Alcune linee di tendenza in merito sono però evidenti, e prendono avvio come
sempre, dal settore automobilistico. I dispositivi più innovativi sono rappresentati da
sistemi complessi di interazione ambientale esterna anche basati su visione artificiale,
come il night vision, il visore notturno all’infrarosso, che permette di viaggiare con minore
difficoltà su strade poco illuminate o in presenza di foschia. Ugualmente, molto promettenti
sono le applicazioni di imaging (le più disparate) che consentono di analizzare e
monitorare fenomeni agrobiologici e ambientali, incrementando sia la qualità che la
quantità delle informazioni (multi) parametriche che possono essere validamente
impiegate direttamente come modalità interpretativa dei fenomeni o integrate in
conoscenze più ampie nell’ambito di ricerche multidisciplinari.
La visione artificiale, l’image
analysis e la spettrofotometria di
immagini sono, nell’insieme, tecniche
1
optoelettroniche i cui elementi operativi
caratterizzanti sono fondamentalmente
due: l’immagine e l’ampiezza di banda
dello spettro elettromagnetico utilizzato
nella generazione dell’immagine.
Nell’immagine, la parametrazione
misuristica o informativa dell’ambiente o
2
3
dell’oggetto di indagine (tipico di uno
strumento di misura) si affida a rilievi non
puntuali o monocanale (come ad
esempio il colore di un singolo punto),
ma avviene per matrici di singoli punti di
Figura 3: Sistema scanner spettrale o
misura (pixels) contemporaneamente
SPECTRAL SCANNER della DV (Padova) che
associa un tavolino di traslazione orizzontale
rilevati, come nel caso della colorimetria
(1) al sistema IMSPECTOR (spettrometro Visdi
immagine,
dove
è
possibile
Nir 400-970 nm + telecamera)(2) consente
apprezzare,
contemporaneamente,
l'acquisizione e il salvataggio su PC
diversi punti di diversa colorazione e
trasportabile
(3) di immagini spettrali complete
rilevare
caratteristiche
topologiche
dei prodotti.
dell’area analizzata. I sistemi di imaging,
soprattutto quelli più avanzati e raffinati, possono operare acquisizione e riconoscimento di
immagine nel visibile integrato (sistemi real color, o monocromatici: scanner, fotocamere o
5
videocamere), oppure per singole bande spettrali del visibile (400-700 nm) o del vicino
infrarosso (700-1000 nm) (Menesatti et al., 2008a) (Figura 3). Le tecniche di analisi
numerica delle immagini digitali hanno fondamentalmente due finalità: il miglioramento
della qualità delle immagini ai fini di una ispezione ed interpretazione visuale da parte di
esperti (analisi qualitativa) e l’elaborazione ai fini di un riconoscimento automatico dei
contenuti di un’immagine (analisi automatica quantitativa).
Un’ulteriore sviluppo tecnologio delle tecniche di acquisizione ed elaborazione
digitale delle immagini, è rappresentato dalla spettrofotometria di immagine. Questo
termine indica più propriamente la tecnica di acquisizione e elaborazione di immagini
spettrali, ma la tecnica è spesso indicata come analisi di immagine iperspettrale
(hyperspectral imaging, HI). Questa tecnica consente di acquisire, attraverso speciali
detector, immagini più o meno ampie dei soggetti di analisi (150-250 kpixel), rilevando
simultaneamente lo spettro visibile o NIR associato a ciascun punto dell’immagine stessa
(pixel), per ciascuna banda (hyperspectral>10, multispectral<=10). La matrice iperspettrale
viene anche definita ipercubo, in quanto possiede tre dimensioni, due ottiche e una
spettrale. La disponibilità informativa di queste immagini è molto elevata e il
processamento prevede diverse fasi: estrazione della matrice ipercubica, normalizzazione
dei dati, estrazione dell’ informazione sensibile dagli spettri attraverso metodi multivariati,
ricostruzione di immagine cromatica di inferenza, utilizzando scores o componenti
principali (Menesatti et al., 2009).
Nell’analisi quantitativa delle immagini (cromatiche o di derivazione iperspettrale), si
succedono differenti steps elaborativi finalizzati, nel complesso, al migliormento delle
caratteristiche cromatiche (contrasti, equalizzazione, amplificazione, denoising, smoothing,
ecc), all’estrazione delle parti sensibili dell’immagine stessa per differenziare oggetti e
sfondo (segmentation e thresholding), per arrivare alla misura degli oggetti interessanti
(morfometriche o densitometriche, texture mapping).
Bibliografia
Menesatti P, D’Andrea S, Costa C, 2007. Spectral and thermal imaging for meat
quality evaluation. In: New developments in evaluation of carcass and meat quality in
cattle and sheep. C. Lazzaroni, S. Gigli, D. Gabina (Eds.). Wageningen Academic
Publishers ISSN 0071–2477. EAAP 123: 115–134.
Menesatti P, Roccuzzo G, Cegna M, Torrisi B, Niciarelli I., Allegra M, Intrigliolo F.
2008a. Estimation of citrus leaves N content by VIS-Nir portable spectrophotometer. 11th
Int Citrus Congress Wuhan 26-30/10/08 (China), pp. 174-175
P. Menesatti, M. Biocca, S. D’Andrea, M. Pincu. 2008b. Thermography to analyze
distribution of agricultural sprayers. QIRT Journal (Quantitative Infrared Thermography
Journal) vol. 5, n° 1/2008, pp. 81-96
Menesatti P, Zanella A, D’Andrea S, Costa C, Paglia G, Pallottino F, 2009.
Supervised multivariate analysis of hyperspectral NIR images to evaluate the starch index
of apples. Food Bioproc. Technol., 2(3): 308-314.
Menesatti P, Costa C, Aguzzi J, in press. Quality Evaluation of fish by hyperspectral
imaging. In: Hyperspectral imaging for food quality analysis and control DW Sun (Ed),
Elsevier.
Prasad P, 2004. Polymer science and technology for new generation photonics and
biophotonics. Current Opinion in Solid State & Materials Science, 8(1): 11–19.
6
Interventi – Hyperspectral imaging e analisi statistica della forma
Hyperspectral imaging e analisi statistica della forma
Corrado Costa
[email protected]
Negli ultimi anni la spettroscopia a riflettanza nel vicino-infrarosso (NIRS) ha accresciuto la
sua importanza come metodo rapido e non distruttivo per la valutazione di qualità (Chen
and He, 2007) e per gli aspetti sanitari. Applicazioni spettroscopiche particolari sono state
condotte con tecnologie avanzate di analisi d’immagine VIS-NIR e NIR. Questi strumenti
sono capaci di acquisire immagini ad alta risoluzione (150-250 k-pixels), dove ogni pixel
contiene le tutte informazioni spettrali (nel visibile e nel vicino infrarosso). Inoltre queste
tecniche sono in grado di integrare l’analisi d’immagine convenzionale con la spettroscopia
per ottenete congiuntamente, da un oggetto, informazioni sia spettrali che spaziali
(Menesatti et al., 2009, in press). Le analisi multi- o iper-spettrali (rispettivamente ≤ 10 e
>10 bande spettrali) costituiscono attualmente la nuova frontiera dell’optical imaging,
all’interno delle tecniche VIS-NIRS. Queste tecniche sono utili nell’analisi spettrale di
materiali non omogenei che contengono un ampio raggio di informazioni spettrali (Mehl et
al., 2002) e spaziali (Park et al., 2006). Le immagini iperspettrali possono essere
considerate come delle matrici ipercubiche (Figura 1);
X
λ1
i blocchi tridimensionali di dati sono costituiti da strati
λ2
bidimensionali di coordinate per ciascuna lunghezza
λ3
d’onda (Gowen et al., 2007; Menesatti et al., in
0
0
0
0
1
press).
X
1
1
0
0
0
1
1
1
0
0
Le tecniche di multi- e hyper-spectral optical imaging
1
0
0
1
0
sono state, negli ultimi anni, utilizzate con successo
1
0
0
0
1
λN
1
0
0
1
0
per la discriminazione qualitativa di vegetali e carne,
1
0
1
0
0
1
1
0
0
0
proprio a causa della loro alta performance nelle
0
0
0
0
0
analisi delle strutture dei prodotti agro-alimentari
1
0
0
0
0
Y
(Menesatti et al., 2007). nei trattamenti post-raccolta
λ
dei vegetali, questa tecnica è stata utilizzata con
Y
successo per l’identificazione dei difetti qualitativi nei
Figura
1:
La matrice ipercubica:
cetrioli, pomodori, pere e mele (Li et al., 2002; Polder
esempio
grafico
di un immagine
et al., 2002; Liu et al., 2006). Questa tecnica è stata
iperspettrale (da Menesatti et
inoltre utilizzata in campo alimentare per rilevare il
al., 2007)
contenuto di zuccheri (Bellon et al., 1993), la turgidità
(Katayama et al., 1996) e l’acidità (Lammertyn et al.,
1998).
Attualmente le procedure analitiche prevedono principalmente l’analisi mediata di piccole
aree dell’immagini (ROI: region of interest) soggettivamente selezionate da un operatore
esperto. questo sistema consente di confrontare le singole ROI di un oggetto rispetto a
tutti gli altri, ma andando a comprimere o addirittura escludere l’informazione spaziale
presente
della
matrice ipercubica.
Il nostro laboratorio
(Agritechlab
del
CRA-ING)
ha
sviluppato
un
sistema,
basato
sulla morfometria
Figura 2: Operazioni di sovrapposizione. a) immagine originale, b)
geometrica,
per
posizionamento dei landmarks, c) imagine di uno strato spettrale (650
l’allineamento
di
nm), d) imagine dopo il warping , e) ROI analizzata successivamente,
tutte le immagini in
basata sui primi 10 landmarks (da Menesatti et al., in press).
7
una configurazione ipercubica di consenso (Figura 2). Dopo questa operazione di
sovrapposizione (superimposition) tutti gli oggetti, dopo essere deformati opportunamente
(warping), sono allineati e ciascun singolo pixel di un oggetto con il suo omologo spaziale
di un altro oggetto. L’informazione finale per il confronto non risiede più in pochi valori,
risultati dalla media di ciascuna ROI, bensì nel confronto pixel per pixel dell’intero oggetto.
La morfometria geometrica, nata negli anni ’90, è una metodologia che consente di
quantificare e visualizzare le differenze morfologiche tra oggetti biologici e non partendo
da una serie di punti omologhi (detti
landmarks) rilevati sulla forma. Il metodo
permette inoltre di scomporre la deformazione
nelle sue componenti, come ad esempio
cambiamenti localizzati o deformazioni che
interessano l’intera configurazione, di studiare
e
interpretare
queste
componenti
indipendentemente e di analizzare i risultati
numerici attraverso tecniche statistiche
multivariate (Costa, 2004; Zeldicth, et al.,
2004). Laddove sia possibile rilevare un
numero ridotto di landmarks è possibile
utilizzare dei punti equi-spaziati lungo il profilo
Figura 3: Tre esempi di mele con
(Menesatti et al., 2008; Costa et al., 2008,
differenti gradi di maturazione (starci
2009a) o dei riferimenti puntuali (Menesatti et
index). A. immagine dopo lo starci-iodine
al., 2009). Quest’ultima metodica è stata
test, B-D hyperspectral imaging: 3
utilizzata ad esempio per uno studio di
metodi di classificazione multivariata (da
hyperspectral imaging per rilevare il grado di
Menesatti et al., 2009).
maturazione delle mele (Menesatti et al.,
2009) (Figura 3). La metodologia proposta basata sull’hyperspectral imaging, rispetto al
tradizionale starch–iodine test, ha mostrato un efficienza di predizione (PLSDA: Partial
Least Squares Discriminant Analysis) pari all’80.81%.
Il metodo di superimposizione basato sulla morfometria geometrica è stato sperimentato
per la prima volta su immagini RGB di anfibi (Costa et al., 2009b). La stessa metodica di
superimposizione è stata recentemente applicata a matrici iperspettrali di pesci per
verificare se la tecnica era in grado di valutarne la freschezza. La modellizzazione pixel
per pixel basata su PLSDA ha
portato ad una corretta
classificazione del 66.8% di
pixel (Figura 4). Con la stessa
metodica
sono
state
individuate
le
lunghezze
d’onda e l’area del pesce più
informativa. La percentuale di
corretta classificazione basata Figura 4: Classificazione multivariate (PLSDA) su singolo pixel
su PLSDA è salita in questo di individui freschi (T0-T1) e non-freschi (T2-T3). In rosso i pixel
classificati come non-freschi. In alto a destra la conta dei pixel
modo a 79.4%.
rossi (da Menesatti et al., in press).
Bibliografia
Bellon V, Vigneau JL., Leclercq M, (1993) Feasibility and performance of a new,
multiplexed, fast and low-cost fiber-optic NIR spectrometer for the on-line measurement of
sugars in fruits. Applied Spectroscopy, 47(7): 1079–1083.
8
Chen H, He Y, 2007. Theory and application of near infrared reflectance
spectroscopy in determination of food quality. Trends in Food Science & Technology, 18:
72-83.
Costa C, 2004. Lo studio della forma in ittiologia: Morfometria geometrica e analisi dei
profili. Ph.D. thesis in Evolutionary Biology and Ecology. University Rome Tor Vergata.
177 p.
Costa C, Aguzzi J, Menesatti P, Antonucci F, Rimatori V, Mattoccia M, 2008. Shape
analysis of different populations of clams in relation to their geographical structure. J.
Zool., 276: 71-80.
Costa C, Menesatti P, Paglia G, Pallottino F, Aguzzi J, Rimatori V, Russo G,
Recupero S, Reforgiato Recupero G, 2009a. Quantitative evaluation of Tarocco sweet
orange fruit shape using opto-electronic elliptic Fourier based analysis. Postharvest Biol.
Technol., 54: 38-47.
Costa C, Angelini C, Scardi M, Menesatti P, Utzeri C, 2009b. Using image analysis
on the ventral colour pattern in Salamandrina perspicillata (Savi, 1821) (Amphibia,
Salamandridae) to discriminate among populations. Biol. J. Linn. Soc., 96(1): 35-43.
Katayama K, Komaki K, Tamiya S, 1996. Prediction of starch, moisture, and sugar in
sweetpotato by near infrared transmittance. HortScience, 31(6): 1003–1006.
Lammertyn J, Nicolaıi B, Ooms K, De Smedt V, De Baerdemaeker J, 1998. Nondestructive measurement of acidity, soluble solids, and firmness of Jonagold apples using
NIR-spectroscopy. Trans. ASAE, 41(4): 1089–1094.
Li Q, Wang M, Gu W, 2002. Computer vision based system for apple surface defect
detection. Comp. Electr. Agric., 36(2): 215–223.
Liu Y, Chen YR, Wang CY, Chan DE, Kim MS, 2006. Development of hyperspectral
imaging technique for the detection of chilling injury in cucumbers; spectral and image
analysis. Appl. Eng. Agric., 22(1): 101–111.
Mehl PM, Chao K, Kim MS, Chen YR, 2002. Detection of contamination on selected
apple cultivars using hyperspectral and multispectral image analysis. Appl. Eng. Agric.
18(2): 219–226.
Menesatti P, D’Andrea S, Costa C, 2007. Spectral and thermal imaging for meat
quality evaluation. In: New developments in evaluation of carcass and meat quality in
cattle and sheep. C. Lazzaroni, S. Gigli, D. Gabina (Eds.). Wageningen Academic
Publishers ISSN 0071–2477. EAAP 123: 115–134.
Menesatti P, Costa C, Paglia G, Pallottino F, D’Andrea S, Rimatori V, Aguzzi J, 2008.
Shape-based methodology for multivariate discrimination among Italian hazelnut cultivars.
Biosyst. Eng., 101(4): 417-424.
Menesatti P, Zanella A, D’Andrea S, Costa C, Paglia G, Pallottino F, 2009.
Supervised multivariate analysis of hyperspectral NIR images to evaluate the starch index
of apples. Food Bioproc. Technol., 2(3): 308-314.
Menesatti P, Costa C, Aguzzi J, in press. Quality Evaluation of fish by hyperspectral
imaging. In: Hyperspectral imaging for food quality analysis and control DW Sun (Ed),
Elsevier.
Park B, Lawrence KC, Windham WR, Smith D, 2006. Performance of hyperspectral
imaging system for poultry surface fecal contaminant detection. J. Food Eng., 75(3), 340348.
Polder G, Heijden G, Young I, 2002. Spectral image analysis for measuring ripeness
of tomatoes. Trans. ASAE, 45: 1155-1161.
Zelditch ML, Swiderski DL, Sheets HD, Fink WL, 2004. Geometric Morphometrics for
Biologists: A primer. San Diego: Elsevier Academic Press. 443 p.
9
Interventi – L'analisi dell'immagine per l'identificazione di stress nelle colture
L'analisi dell'immagine per l'identificazione di stress nelle
colture
Roberto Oberti
[email protected]
Gestione di precisione degli stress nelle colture
L’esperienza maturata dal Dipartimento di Ingegneria Agraria di Milano nel corso di più di
un decennio di ricerche sull’applicazione dei sistemi di imaging alla valutazione dello stato
fisiologico delle piante, si inquadra nell'ambito più generale di innovazione che va sotto il
nome di agricoltura di precisione, cui obbiettivo fondante è la gestione razionale dei fattori
produttivi -biologici, chimici, fisici, energetici- in funzione della variabilità spaziale e
temporale delle condizioni fisiologiche della coltura, oltre che pedologico-ambientali.
Accanto ai più noti esempi di gestione degli stress nutrizionali e idrici mediante
concimazioni e irrigazioni di precisione, anche le operazioni di distribuzione di fitofarmaci
ed erbicidi trovano collocazione in questo nuovo paradigma. Ma a fronte dei risultati già
avanzati, acquisiti nello sviluppo di sistemi per la fertilizzazione e il diserbo di precisione,
solo di recente la ricerca ha mosso i primi passi nella direzione di tecnologie specifiche per
la gestione mirata delle patologie. Anzi, si può affermare che proprio in questi anni si
vanno formulando i fondamenti di una nuova branca dell'agricoltura di precisione che, con
un piccolo abuso di linguaggio, potremmo definire difesa di precisione delle colture,
intendendo con ciò la distribuzione mirata e razionale di fitofarmaci in campo secondo i
principi cardine del dove, quando e, nei casi possibili, quanto necessario.
Volendo delineare, pur schematicamente, l'architettura generale di un sistema per la
gestione mirata dei fattori di stress –carenze nutrizionali, patologie, parassiti o altro-, è
possibile riconoscere quattro componenti principali:
- uno o più sensori capaci di misurare, in condizioni di campo, una qualche proprietà
fisica che identifichi i sintomi specifici di stress nelle colture;
- un sistema di supporto alle decisioni in grado di analizzare e interpretare i segnali
raccolti dai sensori, integrandoli con informazioni complementari di tipo climatico,
pedologico, epidemiologico ecc.;
- un sistema di posizionamento, a esempio GPS, che permetta sia di registrare per le
successive elaborazioni la posizione delle zone affette da stress, sia di applicare in
maniera sito-specifica i fattori produttivi secondo le prescrizioni contenute nelle
mappa di distribuzione elaborate;
- un apparato di distribuzione nelle macchine che consenta di modulare
l'applicazione dei prodotti sia lungo la direzione di avanzamento della macchina, sia
trasversalmente a essa (tecnologie per una distribuzione variabile).
Gli ultimi due componenti, sistemi di posizionamento e per la distribuzione variabile, sono
tecnologie che, pur perfettibili, si possono considerare mature e che hanno già trovato
ampia applicazione sulle moderne macchine agricole. Al contrario, le esperienze
finalizzate allo sviluppo di strumenti di misura per il rilievo automatico di sintomi da stress
fisiologici e, ancor più, di sistemi di supporto alla loro gestione sono a uno stadio di
avanzamento molto più limitato.
Il ruolo dei sensori ottici e dei sistemi di imaging
Tra i possibili sistemi di misura dei sintomi di stress colturali, i sensori ottici occupano una
posizione di primario interesse in virtù di loro caratteristiche peculiari. Innanzitutto essi
permettono di condurre misure non distruttive che, quindi, possono essere effettuate su
ogni singola pianta degli appezzamenti e ripetute in diversi momenti della stagione senza
che interferiscano col normale sviluppo delle colture; inoltre non richiedono contatto col
10
campione esaminato e dunque si possono eseguire dalla distanza ritenuta più opportuna.
Infine i sensori ottici si basano sulla rilevazione di fenomeni fisici istantanei, permettendo
misure rapide e compatibili con le normali velocità operative delle macchine in campo.
Per altro, diversi tipi di stress fisiologici si accompagnano a manifestazioni, quali
variazione nella concentrazione dei pigmenti primari, cambiamenti di colore, di forma, di
orientazione delle foglie, clorosi, necrosi, riduzione della densità della coltre vegetale ecc,
che implicano variazioni significative delle proprietà ottiche della pianta colpita. Non a
caso, infatti, le ispezioni visive da parte dell'agricoltore sono state il mezzo tradizionale per
verificare lo stato di salute delle colture e per valutare quando e dove intervenire con
mezzi di difesa.
I sintomi di uno specifico stress fisiologico, tipicamente nel caso di attacchi patologici,
possono presentare alcuni tratti peculiari che possono variare anche in funzione dello
stadio di sviluppo. Tuttavia, la gran parte di essi condividono alcune caratteristiche comuni
che, se da un lato rendono complessa la identificazione automatica della natura dello
stress, dall’altro possono essere utilmente considerate al fine di sviluppare sistemi ottici di
monitoraggio dello stato fisiologico delle colture.
Tra i più importanti ed evidenti sintomi di stato di stress vi sono certamente le variazioni di
concentrazione di clorofilla nel tessuto fogliare. Queste variazioni possono manifestarsi in
modo diffuso su tutta la superficie, come nel caso delle clorosi legate a carenze
nutrizionali o idriche, piuttosto che in forma di lesioni discrete, come nel caso delle areole
depigmentate che, negli stadi precoci delle malattie, compaiono nei punti in cui l'integrità
dei tessuti è stata danneggiata dal patogeno. In entrambi i casi, al decremento di clorofilla
è associato un incremento della riflettenza del tessuto vegetale, particolarmente sensibile
nella banda del rosso attorno a 670 nm (Figura 1).
Alla diminuzione dell'assorbimento nella regione del rosso è anche legato il fenomeno
dello spostamento verso lunghezze d'onda minori del red edge (l'intervallo spettrale in cui
si osserva la brusca transizione da bassi ad alti valori di riflettanza che separa la banda
visibile dal vicino infrarosso), tipico della coltre fogliare che presenta sintomi clorotici.
Figura 1. Esempio di modificazione delle caratteristiche ottiche legata a fattori di stress colturale:
in corrispondenza della zona in cui un patogeno attacca i tessuti ne degrada l'integrità e la
concentrazione di clorofilla diminuisce rapidamente causando un aumento della riflettanza nella
regione visibile, particolarmente sensibile attorno a 670 nm.
A stati più gravi di sofferenza delle colture, oltre a un’estensione dei sintomi a porzioni
sempre maggiori di tessuto, risultano legati fenomeni localizzati di necrosi e senescenza,
11
durante i quali si producono pigmenti bruni, di origine fenolica, responsabili di una
diminuzione della riflettanza anche nella regione del vicino infrarosso.
In modo simile anche fluorescenza ed emissione termica della superficie fogliare,
avvenendo in competizione con le reazioni fotosintetiche, sono proprietà ottiche
fortemente dipendenti dallo stato sanitario della pianta, dato che un tessuto sano, essendo
caratterizzato da un'elevata efficienza fotosintetica, mostra una emissione di fluorescenza
e di radiazione termica inferiore a quella di un tessuto in condizioni di stress anche nelle
immediatezze dell’insorgenza dello stato di sofferenza.
Per quanto detto, risulta evidente il ruolo che possono ricoprire nell’individuazione di
sintomi di stress colturali i sistemi di imaging basati su telecamere multi-spettrali, capaci
cioè di acquisire simultaneamente, per la stessa area misurata, immagini a diverse
lunghezze d'onda opportunamente scelte (tipicamente 2-3, fino a 8). Questi infatti,
disponendo di risoluzione spaziale, ossia della capacità di mappare le differenze di
intensità della radiazione proveniente dai diversi punti all’interno dell’area misurata,
permettono di identificare sintomi discreti e localizzati. Ciò in contrapposizione dei sistemi
ad alta risoluzione spettrale, come gli spettrofotometri, che rilevando lo spettro medio
dell'intera area contenuta nel campo di visione, consentono di determinare anomalie
ottiche solo nei casi in cui le zone colpite siano sufficientemente estese da occupare una
frazione significativa del campo di misura. Pertanto, il loro impiego risulta più adatto nella
valutazione di sintomi diffusi (a es. dovuti a stress nutrizionali, idrici ecc.) piuttosto che di
lesioni discrete che, nel caso degli stadi iniziali di sviluppo della patologia, possono avere
dimensioni millimetriche.
Le tecniche di analisi delle immagini multispettrali finalizzate all’identificazione di sintomi di
stress sono spesso basate sull’uso degli indici spettrali, definiti come semplice
combinazione algebrica dei valori spettrali misurati a due o più specifiche lunghezze
d'onda, e che permettono di ridurre l'informazione multispettrale a un singolo parametro
correlato allo stato fisiologico e sanitario della coltura. Nell’applicazioni di imaging
multispettarle, le immagini della stessa area rilevate a diverse lunghezze d'onda vengono
combinate, operando pixel per pixel, in modo da ottenere un'immagine virtuale, nella quale
l'intensità in ogni punto è proporzionale al valore dell'indice spettrale considerato. A
esempio, due immagini della stessa pianta, una acquisita nel vicino infrarosso, INIR, e una
nel rosso, IR, possono essere combinate dividendo, per ogni pixel, il valore di intensità
nella prima per l'analogo valore nella seconda. L'immagine virtuale ottenuta INIR/R
rappresenta l'andamento dell'indice NIR/R nelle varie zone della vegetazione. Essendo
tale indice correlato al contenuto di clorofilla, eventuali lesioni clorotiche o necrotiche
nell'immagine virtuale INIR/R risultano caratterizzate da un'intensità significativamente
differente da quella delle regioni sane. Esse possono, così, essere discriminate
automaticamente mediante algoritmi classici di analisi dell'immagine.
Un esempio di applicazione nell’individuazione di attacchi patologici da trattore
In un esempio di applicazione finalizzato allo sviluppo di un sistema ottico per
l'individuazione automatica e la mappatura di patologie all'interno di appezzamenti sono
state considerate come caso di studio due malattie fungine (Septoria tritici e Puccinia
striiformis) su frumento.
Il prototipo realizzato e montato su trattore è basato su una telecamera multispettrale ad
alta risoluzione con un campo di visione di circa 2 m × 1 m. Gli appezzamenti sperimentali,
inoculati artificialmente, sono stati percorsi a intervalli regolari dal prototipo che, durante
l'avanzamento del trattore a velocità, acquisiva immagini multipettrali registrandone la
posizione di acquisizione mediante GPS.
L'analisi delle misure ottenute con la telecamera si è basata sulle sole immagini acquisite
nelle due bande spettrali del rosso (660 nm) e del vicino infrarosso (800 nm). Gli algoritmi
12
di analisi sviluppati operano in due fasi: dapprima, i pixel corrispondenti alla coltre vegetale
vengono discriminati dal suolo e da materiale estraneo presenti nel campo di visione;
successivamente, all'interno delle aree vegetali selezionate, vengono individuate le regioni
corrispondenti a lesioni clorotiche o necrotiche, in base al rapporto fra l'intensità dei pixel
nel vicino infrarosso e nel rosso, che risulta sensibile alla concentrazione di clorofilla nel
tessuto vegetale. In questo modo è risultato possibile localizzare e quantificare
l'estensione delle lesioni presenti nelle immagini, stimando la gravità dello stato patologico
della coltura. Utilizzando le coordinate geografiche del punto di misura, è stato possibile
riunire i valori ottenuti in mappe di infestazione degli appezzamenti (Figura 2).
I risultati ottenuti col sistema sono stati confrontati coi valori di riferimento rilevati, in punti
campione degli appezzamenti e durante tutta la stagione, da un patologo che ha valutato il
grado di infezione e l'estensione dei focolai, con correlazioni. Lo studio della correlazione
fra i due dati ha mostrato che l'accuratezza delle misure ottiche è andata crescendo col
progredire delle malattie, raggiungendo un accordo assai elevato (R2=0,87) nelle fasi di
massimo sviluppo dell'attacco patologico, cui si riferisce la figura 2. Tuttavia, risultati
qualitativi molto interessanti sono stati ottenuti anche in corrispondenza di stadi iniziali di
sviluppo, con lesioni clorotiche aventi dimensioni inferiori a 1 cm. In alcune prove condotte
in aree circoscritte di circa 1 m2, il sistema è stato in grado di discriminare tutte le regioni
infette identificate dal patologo, oltre a evidenziare la presenza di alcuni focolai sfuggiti
all'ispezione visuale.
Figura 2. Mappa delle lesioni da infezione fungina in un appezzamento ottenuta mediante analisi
di immagini multispettrali (a sinistra) e correlazione dei rilievi di riferimento effettuati dal
fitopatologo con i risultati delle misure ottiche nella fase di massimo sviluppo delle patologie (a
destra).
13
Interventi – Applicazione dell'analisi spettrale alla valutazione della qualità dei prodotti ortofrutticoli
Applicazione dell'analisi spettrale alla valutazione della qualità
dei prodotti ortofrutticoli
Giovanni Attolico, Floriana Renna
[email protected]
Abstract
Sono descritte in modo sintetico due esperienze svolte presso i laboratori dell’ISSIA (le cui
competenze attengono alle metodologie e tecnologie per l’acquisizione, elaborazione,
analisi ed interpretazione di segnali e di immagini) nel settore dell’analisi dell’informazione
spettrale (segnali o immagini) per la caratterizzazione della qualità dei prodotti
ortofrutticoli. La prima ha riguardato l’intera catena che va dalla acquisizione
dell’informazione spettrale fino alla sua elaborazione per finalità di classificazione del
prodotto in funzione di due grandezze normalmente misurate in modo distruttivo in
laboratorio (gradi Brix e compattezza). La seconda, più ampia ed articolata nelle
metodologie ed obiettivi, è partita in collaborazione con l’Istituto di Studi sulle Produzioni
Alimentari del CNR di Bari ed è nelle sue fasi iniziali. Sono stati a riguardo analizzati
strumenti e metodologie di acquisizione dei dati dal prodotto, configurando due stazioni
prototipali. E’ attualmente in corso lo studio dei dati raccolti, e la definizione di metodologie
di elaborazione e di analisi appropriati per selezionare le caratteristiche funzionali a
correlarsi con le grandezze di interesse per la classificazione del prodotto.
Caso di studio 1
Il primo caso di studio ha riguardato l’analisi della correlazione
dell’analisi spettrale nel visibile e vicino infrarosso con i gradi
Brix e le misure ottenute dal penetrometro, entrambe distruttive
[1]. Il set-up sperimentale utilizzato per le acquisizioni è stato
costituito da una telecamera Jai CV-M50IR (dotata di una
sensibilità in grado di fornire informazioni utili anche oltre il
visibile (fino a circa 900 nm). Le prove condotte hanno
confrontato le prestazioni di illuminatori alogeni con lampade
(SICCATHERM) che hanno invece un picco di emissione nella
regione intorno ai 1000 nm. Per poter acquisire l’informazione
spettrale è stato utilizzato lo spettrografo Specim ImSpector in
grado, in combinazione con una telecamera matriciale come la
Jai, di rendere disponibile la distribuzione spettrale, nel range
400-1000 nm, per ogni punto di una linea nel campo di vista inquadrato. Tale
caratteristica, che può permettere una valutazione
con migliore risoluzione delle caratteristiche del
prodotto, è stata nelle prove utilizzata per
migliorare l’attendibilità dell’informazione sul
prodotto nel suo complesso, attraverso la
valutazione mediata su più punti della scena
inquadrata. Per caratterizzare quindi ciascuno de
frutti analizzati (si trattava nel caso particolare di
nettarine) si è quindi considerato uno spettro
ottenuto come media di più punti della scena: su
questo singolo spettro sono state svolte le
successive elaborazioni ed analisi. Per ridurre il rumore del segnale misurato è stato
utilizzato un algoritmo basato sull’uso di packet-wavelets. Esse permettono di descrivere
un segnale attraverso un numero finito di basi individuate in modo ottimizzato tra quelle
14
generate attraverso una suddivisione multilivello che viene applicata sia dell’informazione
di dettaglio che di quella di approssimazione tipiche delle scomposizioni wavelet.
Una serie di stime compiute sul rumore, a partire da misure derivate da acquisizioni
eseguite sia con l’obiettivo coperto che con l’ambiente buio, hanno permesso di definire le
condizioni sotto le quali cancellare il contributo di alcune di queste basi. Questo permette,
per ciascun segnale acquisito, una elaborazione che
consiste nel descriverlo rispetto alle basi individuate, nel
cancellare il contributo delle basi per le quali i livelli
osservati sono comparabili con quelli relativi al rumore
stimato, nel ricostruire il segnale originario a partire dalle
basi residue, ottenendo sostanzialmente un sostanziale
raddoppio del rapporto segnale rumore. Prima di
procedere alla fase di classificazione, destinata a
correlare gli spettri ottenuti con le classi di prodotto
individuate in fase di specifiche, è stata eseguita una selezione su tutti gli spettri acquisiti
con l’obiettivo di eliminare evidenti outlier, ovvero spettri decisamente difformi dalle
caratteristiche generali della popolazione di misure. Tali outlier possono infatti influenzare
negativamente le fasi di messa a punto dei classificatori. Tale fase di individuazione e
rimozione degli outlier ha dovuto essere eseguita a posteriori: ciò non ha permesso di
approfondire le condizioni di interazione tra caratteristiche del frutto e strumentazione di
acquisizione per cercare di identificare le cause che hanno prodotto gli spettri anomali. La
identificazione degli outlier è stata svolta attraverso un algoritmo ricorsivo di analisi della
matrice delle distanze tra gli spettri disponibili: tale algoritmo ha permesso di raccogliere le
classi di spettri omogenei evidenziando le anomalie da rimuovere. La fase di
classificazione è stata condotta attraverso un algoritmo piuttosto semplice, basato sulla
minima distanza di ciascun campione rispetto a prototipi costruiti per ciascuna classe di
interesse a partire dagli esemplari della popolazione di training afferenti alla classe stessa.
Malgrado tale semplicità l’intero sistema ha fornito risposte corrette con una percentuale
maggiore del 80% sia sui campioni utilizzati per il training che per quelli selezionati per il
test.
Caso di studio 2
L’attuale attività è svolta in collaborazione con l’Istituto di Studi sulle Produzioni Alimentari
(ISPA-CNR) di Bari ed è volto ad utilizzare tecniche di visione e di analisi di segnali
spettroscopici per la valutazione dello stato di conservazione di alcuni prodotti (uva,
pomodori, pesche, … ) per rilevare fin dal loro insorgere i danni prodotti dalla
refrigerazione richiesta per il loro trasporto o dall’attacco di agenti patogeni. L’attività si
inserisce in una più ampia indagine riguardante le modalità più appropriate per la
conservazione ed il trasporto di questa categoria di prodotti, con l’obiettivo di favorire lo
sviluppo dell’esportazione di prodotti pugliesi. Le sperimentazioni hanno interessato per
l’uva diverse atmosfere modificate nelle quali sono state conservati i grappoli (alcuni dei
quali infettati con Botritys. Nel caso del pomodoro e delle pesche sono invece state
osservate e valutate analizzate le caratteristiche del
prodotto nel tempo in condizioni standard per la
conservazione in celle frigorifere.
La fase finora svolta ha portato alla messa a punto di
due stazioni di acquisizione destinate a fornire i dati
di ingresso per le successive elaborazioni ed analisi.
Tali stazioni sono suscettibili di ulteriori modifiche
migliorative, alcune già considerate e che si conta di
valutare sperimentalmente nel corso del progetto.
15
Una stazione di acquisizione è stata utilizzata per acquisire immagini calibrate a colori.
L’obiettivo è quello di allargare la valutazione cromatica oggi compiuta con colorimetri su
aree del prodotto, portandole alla risoluzione del pixel, riducendo il più possibile gli effetti
delle fluttuazioni delle condizioni ambientali (illuminazione, sensibilità dello strumento di
acquisizione, … ). L’obiettivo è eseguire misure su strutture la cui dimensione rende
problematico l’uso dei colorimetri ovvero consentire di individuare difettosità, anche nella
loro fase iniziale, con ridotte dimensioni esaminando in parallelo l’intera scena con una
singola acquisizione. Con tale stazione sono state acquisite immagini su tutti i prodotti
suddetti (uva, pomodori, pesche), costruendo per ciascuna di queste una banca dati di
immagini relative a prodotti per i quali sono disponibili i valori misurati in modo distruttivo
presso i laboratori dell’ISPA.
La stazione di acquisizione di immagini a colori calibrate ha utilizzato una telecamera a
colori a 3CCD con illuminatori alogeni. Per la calibrazione del colore è stata utilizzata la
color-chart X-Rite Digital Colorchecker SG che ha permesso di disporre di 140 colori di
riferimento per poter valutare e ridurre gli effetti dello spettro di illuminazione e della
sensibilità della telecamera. Sono stati confrontati diversi modelli funzionali della
trasformazione di correzione del colore ed individuato quello in grado di minimizzare le
variazioni indotte del sistema di acquisizione rispetto ai traguardi di colore di riferimento e
nel tempo.
E’ stata inoltre realizzata una prima stazione di acquisizione per misurare le modifiche
spettrali che si producono nella radiazione elettromagnetica proveniente da sorgenti
alogene per effetto della trasmissione o della riflessione nei prodotti da analizzare. Tali
prove sono state condotte sui pomodori e sulle pesche.
Le acquisizioni sono state eseguite sia utilizzando lo Specim ImSpector utilizzato nel caso
1 (in una configurazione adattata alle esigenze della
sperimentazione
corrente) che
due spettrometri
Hamamatsu (C10083CAH e C9913GC) che operano
rispettivamente negli intervalli: 320-900 nm (risoluzione
1nm) e 900-1700 nm (risoluzione 7nm). Con questa
strumentazione sono stati acquisiti gli spettri nel visibile e
nel vicino infrarosso sia su pomodori che su pesche (due
esempi sono riportati in figura). E’ attualmente in corso
l’analisi degli spettri misurati per la identificazione e
caratterizzazione degli elementi che possono essere
correlati con le misure eseguite in laboratorio presso l’ISPA.
Bibliografia
1. G. Carlomagno, L. Capozzo, G. Attolico, A. Distante, Non-destructive grading of
peaches by near-infrared spectrometry, Infrared Physics & Technology, 46 (2004), pp. 2329.
16
Interventi – Analisi dell'immagine applicata al settore lattiero caseario: esperienze CRA
Analisi dell'immagine applicata al settore lattiero caseario:
esperienze CRA
Stefania Barzaghi
[email protected]
Introduzione
La prima impressione sensoriale che un alimento suscita è quella visiva e la maggior parte
della nostra disponibilità nell'accertarne il nostro consumo dipende dalla sua apparenza.
Sotto questo profilo l'analisi dell'immagine contribuisce a valutare in modo oggettivo
caratteristiche "esteriori" di un alimento, fornendo nuovi strumenti, oltre a quelli classici,
nel definire la qualità di prodotti.
Nel settore lattiero caseario l'analisi dell'immagine è stata utilizzata principalmente per
definire parametri di qualità di formaggi, specialmente quelli DOP, perché spesso nei
disciplinari di produzione vi sono indicazioni vaghe dell'aspetto esteriore (colore del
formaggio, consistenza, granulosità, occhiatura etc), divenendo un potenziale mezzo di
caratterizzazione di formaggi tipici. Inoltre l'analisi dell'immagine è stata utilizzata come
uno strumento di controllo anche per comprendere i fenomeni degradativi che subiscono i
prodotti caseari durante il periodo di conservazione, che si manifestano visivamente con
viraggio di colore, oppure per seguire l'evoluzione della coagulazione del latte, dopo
l'aggiunta di caglio.
Sono stati considerati diversi parametri: dalla misura del colore della pasta al calcolo della
percentuale delle occhiature del formaggio, dalla misura delle dimensioni delle fette al
rapporto tra la superficie di crosta e della pasta del formaggio, dalla misura della texture
per quantificare la granulosità alle misure della dimensione e della forma di muffe presenti
nel formaggio stesso.
Presso l'ex Istituto Sperimentale Lattiero Caseario ora facente parte del centro di Ricerca
per le Produzioni foraggere e lattiero-casearie l'analisi dell'immagine è stata impiegata nei
seguenti casi:
Studio dell'evoluzione della maturazione del formaggio Asiago
L'analisi dell'immagine è stata utilizzata per seguire l'andamento della maturazione di
forme di formaggio Asiago DOP, che viene normalmente commercializzato dopo 40 gg
dalla fabbricazione.
Il primo parametro considerato è stato il colore della pasta e si è potuto notare come, nel
corso della maturazione, il colore tenda a
scurirsi: la luminosità decresce nel tempo; il
colore giallo vira verso la tonalità paglierino e la
tinta, questo caso data dal rapporto a*/b*,
decresce.
La parte più innovativa ha riguardato lo studio
degli alveoli, che compongono cosiddetta
occhiatura, che vengono a formarsi all'interno
del formaggio, a causa dell'attività fermentativa
dei microrganismi presenti nelle forme, che dura
tutto il periodo della maturazione.
Lo sviluppo dell' occhiatura non procede
omogeneamente nella forma. Nei primi 20 giorni
Figura 1: Occhiature caratteristiche
di
maturazione lo sviluppo degli alveoli avviene
del formaggio Asiago durante la
nella zona centrale a causa della attività
maturazione
metabolitica dei batteri non inibiti dal sale. Alla
17
fine della maturazione la diffusione delle occhiature diventa uniforme con un riequilibrio tra
la zona centrale e quella periferica.
Anche la forma degli alveoli varia durante la maturazione. Gli alveoli tendono a deformarsi
ed allungarsi allontanandosi dalla caratteristica forma circolare.
Il contorno dell'alveolo diviene piatto e si livella a causa delle proprietà strutturali della
pasta che oppongono resistenze diverse alla pressione del gas, in questo caso CO2.
Per poter descrivere oggettivamente questi fenomeni sono stati considerati parametri
come la dimensione frattale, l'indice di rotondità e l'indice di omogeneità.
Studio del formaggio Gorgonzola durante la shelf life
Il formaggio gorgonzola è un formaggio caratterizzato da venature di colore verde/blu
dovute alla presenza di un micelio fungino. L'entità e il colore delle muffe cambia sia
durante la maturazione che durante la shelf-life: il colore passa da un verde pallido ad un
blu scuro fino ad arrivare ad un rosso–
marrone nella forma del formaggio ultra
maturo.
I parametri considerati per descrivere le
diverse fette di formaggio sono stati scelti in
funzione di una possibile corrispondenza con
la caratteristiche qualitative scelte nel
disciplinare.
Tra questi è stato contemplato il colore
Figura 2: Evoluzione del colore della pasta
dell'intera fetta, il colore delle muffe,
del formaggio Gorgonzola durante la shelf
l'omogeneità del colore della pasta, è stata
life
inoltre calcolata la percentuale di superficie
della fetta occupata da muffe ed occhiature. I formaggi analizzati sono stati prelevati a
60gg dalla fabbricazione, come prevede il disciplinare di produzione e conservati a 10°C
per un periodo di 28 giorni. Il colore è stato quantificato considerando direttamente i
parametri RGB senza che questi venissero convertiti nel formato dello spazio di Hunter L
a*b* . In particolare per gli indici relativi delle muffe e per il colore della pasta è stato scelto
di caratterizzarle con il rapporto R/B come indicatore di tinta. Come prima accennato la
componente rossa o marrone è legata alla sovramaturazione del formaggio, mentre la
componente blu è legata alle caratteristiche di tipicità delle muffe.
Alla componente blu è legata anche alla componente gialla (il giallo è il colore della pasta
matura del formaggio), cambiamenti localizzati di questo parametro, misurabili come
deviazione standard del valore, possono essere correlati alla perdita di omogeneità della
pasta dovuti a fenomeni proteolitici indotti dalla muffe stesse.
Lo sviluppo delle muffe segue nel tempo un andamento sigmoidale: dopo un tempo di
induzione relativamente breve, le muffe incrementano lo sviluppo del micelio fino ad un
limite superiore (circa 9% della superficie della fetta). Questo incremento si ripercuote poi
sull'andamento degli indici chimici classici, con
un leggero ritardo nel tempo, dovuto al fatto che
gli enzimi delle muffe debbano prima adattarsi
alla matrice formaggio.
Studio del formaggio Taleggio durante la
Shelf-life
Nell'ambito di una ricerca più ampia è stata
Figura 3: Formaggio Taleggio durante la
conservazione
utilizzata anche l'analisi dell'immagine di
formaggi "Taleggio" conservati a tre diverse
temperature: 3°C, 10°C e 20°C per seguirne la
18
Shelf life. Le modificazioni dell'aspetto che avvengono nel tempo sono evidenti: si ha un
viraggio del colore giallo paglierino ad un colore aranciato e si ha la comparsa di
occhiature. Anche in questo caso l'evoluzione cromatica data dalla tinta (a*/b*) ha un
andamento sigmoidale. Si è calcolato un tempo limite, arbitrariamente definito dal
massimo della derivata prima, che è risultato essere coincidente al tempo limite di un
criterio detto "prudenziale" determinato basandosi sugli indici classici della proteolisi, entro
cui è consigliato consumare il formaggio. La comparsa di occhiature è risultato essere
l'evidente segno di una già avviata fase di sovramaturazione del Taleggio. La comparsa di
occhiature è più evidente nel caso della conservazione a 10°C e 20°C.
Caratterizzazione di Formaggio Grana: qualità al consumo
L'analisi oggettiva dell'aspetto di campioni a pasta omogenea, come nel caso del Grana,
risulta difficoltosa in quanto la valutazione non può essere effettuata in presenza di
occhiature o zone di colore caratteristiche come nei casi precedenti, ma si deve basare su
caratteri peculiari di uniformità difficili da valutare utilizzando unicamente una scala di
colore. Si è ricorsi ad una analisi di texture dell'immagine utilizzando le matrici di copresenza ovvero a matrici quadrate i cui elementi corrispondono alla frequenza relativa
della presenza di 2 pixel (pi,j), uno con intensità i e l'altro con intensità j, separati da una
certa distanza in una data direzione. Dalle matrici sono stati ricavati parametri statistici
come il contrasto, l'omogeneità e l'energia che misurano la dimensione delle variazioni
locali tra pixel.
Bassi valori di contrasto associati ad elevati valori di energia ed omogeneità, indicano
una uniformità di immagine, per contro, un'immagine altamente disomogenea è
caratterizzata da elevato contrasto e bassi valori di energia e omogeneità.
Studio della shelf life di ricotta di tipo industriale
La valutazione della shelf life della ricotta è stata fatta mediante la quantificazione del
colore nello spazio di Hunter, su ricotte industriali conservate nella loro confezione
originale a 10°C, analizzando sia la superficie che il centro della ricotta.
In superficie si è notato un aumento di luminosità L* e si può ipotizzare che ciò sia dovuto
all’espulsione di siero che causa fenomeni di riflessione, ed in contemporanea si ha avuto
anche un aumento del parametro b*. Al centro del prodotto invece L* è diminuito nel
tempo perché, non più allo stato fresco, è risultato più asciutto ed il fenomeno di
riflessione è stato minore. Il parametro b* invece ha indicato il passaggio a tonalità più
chiare, per decolorazione di pigmenti.
La differenza registrata tra superficie e centro può essere messa in relazione con i
cambiamenti di stato di ossidazione del sistema. Si può ipotizzare che nella zona centrale
del prodotto, al progredire dello stato di ossidazione, si accompagni una decolorazione dei
pigmenti.
Diversamente, in superficie si ha l’accumulo, nel tempo, di acqua a seguito di un
fenomeno di sineresi o di fenomeni di condensa, dovuti all’evaporazione di acqua dalla
superficie del prodotto, verso lo spazio compreso tra materiale di confezionamento e
superficie stessa. In fase di conservazione, ciò porta alla selezione e allo sviluppo di
microrganismi che causano ulteriori fenomeni di acidificazione. Contemporaneamente,
l’avanzamento del grado di proteolisi e le modificazioni biochimiche nella pasta della
Ricotta provocano una variazione di colore dal giallo chiaro, verso tinte più forti.
19
Coagulazione del latte
E' stato monitorato il fenomeno della
coagulazione del latte dopo l'aggiunta del
caglio, mediante uso di uno scanner in
modo discontinuo, analizzando piccole
aliquote di latte in tempi successivi
all'aggiunta del caglio. Le immagini in toni di
grigio mostrano un esempio chiaro dei
riarrangiamenti strutturali a carico della
matrice caseinica. In particolare, si rileva
come
fino
ad
8
minuti,
tempo
corrispondente alla fine della fase di
“latenza”, la superficie analizzata si mostri
perfettamente uniforme e “liscia”. Dopo 12
minuti si registra la formazione di piccoli
Figura 4 Andamento fenomeno della grumi uniformi, che tendono comunque ad
coagulazione del latte.
occupare ancora l’intero volume a
disposizione: questo momento è associato al punto di massima velocità di reazione. Il
compattamento della struttura con inizio di formazione del reticolo caseinico si rileva a 15
minuti: momento corrispondente al tempo di coagulazione misurato mediante
Formagraph.. Le immagini successive, mostrano il progressivo compattamento della
struttura che porterà alla formazione della cagliata.
20
Interventi – Applicazioni dell’analisi di immagine nel settore alimentare con particolare
riferimento ai prodotti da forno
Applicazioni dell’analisi di immagine nel settore alimentare con
particolare riferimento ai prodotti da forno
Annalisa Romano
[email protected]
Le tecniche di analisi dell’immagine hanno come obiettivo la quantificazione delle
caratteristiche geometriche e densitometriche di immagini, acquisite in forma tale da
rappresentare elementi significativi dell’aspetto di un oggetto.
Nel settore alimentare l’interesse di queste tecniche è enorme, giacché l’aspetto di un
alimento contiene e trasmette una molteplicità di informazioni qualitative, spesso
difficilmente parametrizzabili con metodi classici di indagine, basti pensare alla
distribuzione visiva dei lardelli di grasso nei salumi (Romano et al., 2008) ed alla struttura
interna di un prodotto da forno (Romano et al., 2007; 2009). Inoltre, se utilizzate in tempo
reale e integrate sulle linee di processo, queste tecniche ne consentono il controllo on-line,
piuttosto che l’automazione delle operazioni d’ispezione (Riva, 2003). Il notevole
progresso delle tecniche di analisi dell’immagine e la loro implementazione attraverso
tecnologie informatiche sempre più specializzate consente una vasta elasticità di
applicazioni nel controllo di qualità o di processo dei prodotti alimentari, un’elevata
intensità di calcolo ed un rigoroso approccio statistico. Attraverso tali tecniche è possibile
quantificare rapidamente una serie di parametri intuitivi di un alimento (a livello macro e
micro-strutturale) e di studiarne la distribuzione (problemi di variabilità) o l’evoluzione
(problemi di cinetica). Attualmente le applicazioni dell’analisi d’immagine per il comparto
produttivo dei cereali e loro derivati sono numerose per cui è possibile valutare e
prevedere le caratteristiche qualitative del frumento, degli sfarinati e dei prodotti derivati
trasformati, ovvero i prodotti da forno. Col termine prodotti da forno vengono generalmente
indicati tutti quei prodotti nel cui ciclo di lavorazione è prevista la cottura in forno, allo
scopo di ottenere un composto soffice e fragrante oppure più secco e croccante.
Il settore dei prodotti da forno dolciari e non, rappresenta uno dei più classici settori di
applicazione delle tecniche di analisi dell’immagine, sia a livello d’ispezione del prodotto
finito, sia a livello di controllo di processo. Quest’interesse deriva dall’ampiezza dei
problemi da affrontare, dall’impatto che le proprietà strutturali hanno sulla qualità dei
prodotti finiti e, soprattutto, dal fatto che le caratteristiche dei prodotti (forma, alveolatura,
rapporto crosta/mollica, colore e sua omogeneità) non sono misurabili con metodiche
analitiche convenzionali.
L’impiego dell’analisi dell’immagine viene ad affiancarsi a tecniche la cui importanza è
ormai riconosciuta, fornendo nuove strategie di misura, migliorando progressivamente la
comprensione dei fenomeni e la possibilità di controllare in modo adeguato le diverse
operazioni unitarie del processo produttivo, come la lievitazione e la cottura dell’impasto.
Lo studio dell’evoluzione di un impasto durante la fase di lievitazione e di cottura richiede
un metodo d’indagine che non sia invasivo, sia continuo e che possa produrre una
quantità d’informazioni qualitative e quantitative, atte a descrivere un fenomeno.
Le tecniche di analisi dell’immagine, utilizzando protocolli di misura basati sulla
digitalizzazione dell’immagine dell’impasto durante la sua crescita, posseggono questi
requisiti: esse, infatti, consentono di studiare il fenomeno in continuo o addirittura on-line e
senza confinamento dei prodotti, il quale causa generalmente sviluppo in una sola
direzione e lascia l’impasto soggetto a tensioni che possono mascherare la realtà del
processo. Con tali tecniche è stato possibile studiare le cinetiche di lievitazione e di cottura
dell’impasto attraverso la misura fenomenologica della variazione di volume nel tempo
(indice cinetico chiave del processo) dell’impasto e del pane monitorando misure relative a
proprietà specifiche dell’oggetto come area, perimetro e baricentro (Romano et al., 2007;
21
Interventi – Applicazioni dell’analisi di immagine nel settore alimentare con particolare
riferimento ai prodotti da forno
Cavella et al., 2008). Ma uno dei più classici settori di applicazione delle tecniche di analisi
dell’immagine nell’industria dei prodotti da forno è rappresentato dall’ispezione delle
materie prime e le caratteristiche del prodotto finito. La qualità sensoriale di un prodotto da
forno dipende essenzialmente dalle proprietà meccaniche della crumb grain, ossia la
struttura della mollica (texture), che rappresenta un parametro di notevole rilevanza, ma di
difficile valutazione (Aguilera and Stanley, 1999). Per classificare l’alveolatura della mollica
in passato si utilizzava la scala di Mohs, successivamente integrata da Dallmann basata
sull’analisi visiva e soggettiva di 8 foto che rappresentano pani con alveolatura differente.
Per superare la soggettività di tali valutazioni, negli ultimi anni sono state proposte diverse
tecniche di analisi dell’immagine per lo studio morfologico dell’alveolatura della mollica, il
cui vantaggio risiede nell’oggettività della misura e nel trattamento numerico dei dati. La
maggior parte dei software di elaborazione delle immagini consentono di ottenere
numerosi parametri morfologici dei singoli alveoli presenti in un’immagine digitale, quali:
area, perimetro, diametro, baricentro, lunghezza, etc. Tra questi sono generalmente
selezionati ed elaborati gli indici più idonei per la caratterizzazione dell’alveolatura: l’area e
l’indice di rotondità (roundness) di ogni alveolo, il numero totale di alveoli, la percentuale
della frazione di vuoto, il numero di alveoli suddivisi per classe di diametro equivalente e
percentuale degli stessi rispetto al numero totale di alveoli. Esempi di studi riguardanti
l’applicazione dell’analisi dell’immagine per la caratterizzazione dell’alveolatura sono
relativi a diverse tipologie di pani industriali, di pani tradizionali di produzione artigianale,
prodotti a bassa umidità come le fette biscottate. I dati forniti dai protocolli d’analisi e
l’analisi statistica evidenziano come alcuni parametri assumano una particolare efficacia
per la classificazione dei diversi prodotti e per la comprensione delle iterazioni esistenti in
una matrice alimentare (ingredienti- struttura- processo). La struttura alveolare dei prodotti
da forno (Romano et al., 2007; 2009; Cavella et al., 2008) risulta infatti profondamente
modificata dalla composizione (ingredienti primari e secondari) e dalle variabili di
processo.
In conclusione, sulla spinta di un mercato sempre più diversificato ed esigente che
richiede un’ampia gamma di prodotti da forno, con standard sempre più rigorosi, i risultati
ottenuti dalle tecniche dell’analisi dell’immagine nel settore alimentare ed in particolare,
per il comparto dei prodotti da forno, sono sicuramente promettenti e forieri di sviluppi
interessanti sia per la ricerca di base sia per problemi applicativi.
Bibliografia
Aguilera J.M., Stanley D.W. (1999). “Microstructural Principles of Food Processing
and Engineering”, Second Edition, Ed. Aspen Publisher Inc., Gaithersburg, Maryland, 7187.
Cavella S., Romano A., Giancone T. and Masi P. (2008). The influence of dietary
fibres on bubble development during bread making. Pages 311-321 in Bubbles in Food 2:
Novelty, Health and Luxury. Campbell G.M., Scanlon M.G. and Pyle D.L. (Eds), Eagan
Press, St. Paul, MN, USA.
Riva M. (2003). Analisi dell’immagine dei prodotti da forno. Tecnologie Alimentari, 4,
30-33.
Romano A., Cavella S., and Masi P. (2009). Studio dell’influenza delle matrici
lipidiche sulla struttura del pane mediante l’analisi d’immagine. 9° Congresso Italiano di
Scienza e Tecnologia Alimentare, Rho (MI), 11-12 giugno.
Romano A., Cavella S., Masi P. (2008). Applicazione di protocolli semplificati di
Image Analysis nella caratterizzazione di salumi tipici della Campania. 8° Congresso
Italiano di Scienza e Tecnologia Alimentare, Rho (MI), 7-8 maggio, 679-684
Romano A., Terribile F., Romano N., Masi P. (2007). Tecnica innovativa per
caratterizzare la struttura di prodotti da forno. Tecnica Molitoria, 58 (7), 739-743.
22
Interventi – ImageInspector : applicazioni di analisi d'immagine alla filiera del grano duro
ImageInspector : applicazioni di analisi d'immagine alla filiera
del grano duro
Gianfranco Venora, Oscar Grillo
[email protected]
Riassunto
Vengono qui presentati i risultati dello sviluppo di un sistema di analisi d’immagine a basso
costo, fruibile in molti campi della filiera del grano duro.
Applicando tecniche di analisi d’immagine e sviluppando specifiche macro per analisi di
routine, sono state affrontate e risolte determinate problematiche del settore.
Questa innovativa tecnologia potrebbe essere di grande efficienza a supporto delle fasi
principali della filiera del frumento duro, quali la produzione di materia prima, la sua
molitura, la valutazione della resa in semola e la trasformazione in pane e pasta; queste
fasi sono state oggetto delle valutazioni qualitative e quantitative realizzate con l’analisi
d’immagine. In particolare, è stato messo a punto un robusto classificatore Bayesiano,
integrato nella procedura di valutazione della granella, in grado di identificare
correttamente la percentuale di cariossidi vitree, bianconate, parzialmente bianconate e
striminzite, stimando inoltre la percentuale di resa in semola.
La qualità della semola è stata valutata contando il numero di punti neri e cruscali. La
qualità di prodotti finiti, quali la pasta, è stata esplorata per la presenza di punti neri, che in
accordo con la legge italiana, devono essere assenti. Anche le fette di pane sono state
valutate oggettivamente per mezzo di tecniche di analisi d’immagine, per valutarne la
tessitura ed identificarne i costituenti.
Queste e altre applicazioni, in via di perfezionamento, hanno stimolato lo sviluppo di
ImageInspector, un prototipo commercializzabile, di facile utilizzo, portatile ed economico,
che lavora con immagini acquisite da scanner o fotocamera integrata.
Introduzione
In diversi settori della ricerca applicata, più volte l’analisi d’immagine ha dimostrato di
essere uno strumento oggettivo di investigazione. In particolare, nella filiera cerealicola
sono notevoli le applicazioni relative alla caratterizzazione qualitativa delle materie prime e
all’individuazione di difetti nei prodotti derivati.
Molte piccole e medie industrie della filiera agro-alimentare, sebbene reputino importante
l’uso di sistemi basati sull’analisi d’immagine, non trovano disponibili sul mercato sistemi a
basso costo capaci di effettuare analisi quantitative e qualitative, senza perdita di
accuratezza nei risultati ottenuti.
Anche i consorzi di tutela di marchi Europei quali IGP e DOP, potrebbero salvaguardare i
loro preziosi prodotti, affidando i controlli a questa innovativa tecnologia.
Da molti anni nel laboratorio di Analisi d’Immagine della Stazione Sperimentale di
Granicoltura vengono sviluppati e messi a punto applicativi, o macro di analisi d’immagine,
per le valutazioni di routine in vari settori (Grillo et al., 2007; Doust et al., 2009; Symons et
al., 2009; Venora et al., 2009a).
Molte applicazioni, testate in laboratorio si sono rivelate di grande utilità, potenzialmente
anche a livello industriale. Da qui nasce l’idea di sviluppare un sistema compatto, che
sfrutti i principi dell’analisi d’immagine e sia facilmente applicabile in diversi settori e per
diversi utilizzi.
Il prototipo ImageInspector, sviluppato dalla Stazione Sperimentale di Granicoltura,
potrebbe essere l’analizzatore d’immagini per le valutazioni visive, utile per i piccoli
laboratori quali quelli dei centri di stoccaggio, industrie sementiere, molini, pastifici e
23
panifici, e potrebbe facilmente essere adattato per il controllo delle materie prime e
trasformate, in altri settori dell’agroalimentare.
Materiali e metodi
ImageInspector è costituito da un PC o un Notebook con sistema operativo Microsoft®
Windows XP o successivo, e un sistema di cattura delle immagini digitali. A seconda delle
esigenze operative dell’utilizzatore, l’equipaggiamento di acquisizione delle immagini può
essere uno scanner piano professionale, munito o meno di supporto transilluminatore; o
una foto-camera digitale integrata in una camera oscura per escluderne la luce
ambientale, e che può o meno disporre di un piano transilluminatore.
L’hardware di acquisizione delle immagini può facilmente essere intercambiabile in
conseguenza di nuove esigenze o scopi.
Tutti gli applicativi di analisi d’immagine, o macro, che possono essere usate da
ImageInspector, sono state sviluppati usando la libreria del software KS-400 Image
Analysis (Zeiss, Germany), e il suo linguaggio proprietario di programmazione Klic.
Utilizzando il modulo KS-Run Image Analysis (Zeiss, Germany), tutte le macro possono
essere usate come programmi autosufficienti, disponendo dell’intera libreria di KS-400, ma
senza consentire l’editing o lo sviluppo di nuove applicazioni.
Risultati
La figura 1 mostra una panoramica del sistema ImageInspector. Al centro, un Notebook
dotato del software KS-Run; a sinistra, il sistema di acquisizione costituito da una camera
oscura equipaggiata con fotocamera, munita di un’apertura per il posizionamento dei
campioni, e di un monitor 5.7’’ TFT a cristalli liquidi per la visualizzazione dei campioni
prima dell’acquisizione.
Figura 1: ImageInspector.
Sulla destra, uno scanner piano professionale con supporto transilluminatore.
Di seguito sono riportate le principali applicazioni sviluppate ad hoc per la filiera del grano
duro. Una problematica importante risolta con ImageInspector è stata la determinazione
quantitativa, in maniera oggettiva e ripetibile, della vitrosità delle cariossidi di frumento
duro nei centri di stoccaggio. In particolare, è stato messo a punto un robusto
24
classificatore Bayesiano, integrato nella procedura di valutazione della granella, in grado
di identificare correttamente il 99.33% delle cariossidi vitree, il 94.83% delle bianconate, il
96.46% delle parzialmente bianconate e il 97.50% delle cariossidi striminzite, stimando
inoltre la percentuale di resa in semola (Venora et al., 2009a; Venora et al., 2009b).
La qualità della semola è stata valutata utilizzando la macro Semola.mcr con il sistema
ImageInspector e l’apparato di acquisizione con fotocamera, per eseguire
automaticamente la conta del numero di punti neri e cruscali, che notoriamente
influenzano la qualità dei prodotti finiti, in particolare la pasta (Fig. 1).
La macro SpaghettiSpeckCount.mcr è invece stata utilizzata come metodo di analisi
d’immagine veloce e oggettiva per contare i punti neri presenti negli spaghetti. In questo
caso le immagini sono state acquisite con uno scanner piano munito di supporto
transilluminatore (Fig. 1). Tale metodo è stato in grado di misurare simultaneamente la
dimensione dei singoli spaghetti e determinarne il colore medio. In accordo con la legge
Italiana, nessun punto nero dovrebbe essere presente nelle produzioni di pasta secca
(Venora et al., 2008; Symons et al., 2009).
Il pane, come anche la pasta, è un prodotto finito molto importante della filiera cerealicola.
Il sistema ImageInspector e la macro Bread.mcr consentono di acquisire e misurare fette
di pane, fornendo una valutazione oggettiva della tessitura, relativa alla porosità e alla
struttura della crosta e della mollica, determinandone la relazione con i costituenti del
pane, il tipo di farina utilizzato nell’impasto (varietà di frumento) e il lievito, inoltre, se
opportunamente istruito consente la stima della quantità di lievito o pasta acida presenti
nell’impasto (Grillo et al., 2007; Doust et al., 2009).
Conclusioni
La disponibilità di tecnologie sempre più evolute e la necessità di fornire alla filiera del
grano duro strumenti innovativi idonei ad affrontare e risolvere le problematiche del
settore, aumentandone la competitività a livello globale, hanno indirizzato la ricerca
scientifica verso lo sviluppo e la messa a punto del sistema ImageInspector, un prototipo
commerciabile, che potrebbe coinvolgere non solo la filiera cerealicola ma l’intero
comparto agroalimentare.
Molte nuove applicazioni e/o perfezionamenti di quelle già realizzate saranno presto
disponibili, e per facilitare un’ampia diffusione di ImageInspector, per il quale una rapida
attuazione potrebbe essere ottenuta solo attraverso la cooperazione tra istituzioni con
competenze specifiche ed operanti in settori differenti, gli autori sarebbero disponibili e
interessati a collaborazioni attraverso lo scambio delle conoscenze acquisite.
Bibliografia
Carl Zeiss Vision. (1998): KS-400 image analysis library. Version 3.0. Oberkochen,
Germany. Doust M.A., Rizzo B., Grillo O., Pecorino B. Venora G. (2009): Sourdough
effects on the crumb texture and shelf-life evaluated with dynamometer and Image
analysis measurements in the Dittaino Pagnotta P.D.O., a durum wheat bread produced
by a Sicilian bakery industry. In Proceedings of the CIGR Section VI International
Symposium on Food Processing, Monitoring Technology in Bioprocesses and Food
Quality Management. ed. D.W. SUN, Potsdam, Germany 31 August - 02 September 2009.
Grillo O., Orlando A., Raimondo I., Venora G. (2007): Fingerprinting del pane:
tecniche di analisi d'immagine per la caratterizzazione, tracciabilità e rintracciabilità.
Tecnica Molitoria, 58 (9): 1-14.
SPSS. (1999): SPSS Application Guide Base10.0. Chicago, Illinois, USA: SPSS Inc.
SPSS. (2006): SPSS for Windows. Version 15.0. Chicago, Illinois, USA: SPSS Inc.
25
Symons S.J., Venora G., van Schepdael L., Shahin M.A. (2009): Measurement of
spaghetti speck count, size and colour using an automated imaging system. Cereal
Chemistry 86(2): 164-169.
Venora G., Grillo O., Saccone R., Ravalli C. (2008): - Speck evaluation on
commercial spaghetti using an imaging system. in: From Seed to Pasta : The Durum
Wheat Chain – International Durum Wheat Symposium. Bologna Italy, June 30 - July 3
Bologna, Edizioni Avenue Media, Milano.
Venora G., Grillo O., Saccone R. (2009a): Quality assessment of durum wheat
storage centres in Sicily: Evaluation of Vitreous, Starchy and Shrunken Kernels using an
Image Analysis System. Journal Cereal Science 49 (3): 429-440.
Venora G., Saccone R., Grillo O., & Orlando A. (2009b): Stima della resa in semola
mediante tecniche di analisi d'immagine; Use of image analysis tecnique to evaluate
milling yield of semolina. Tecnica Molitoria, 60(4): 399-409.
26
Interventi – Applicazione di motion video e pattern recognition in biologia marina
Applicazione di motion video e pattern recognition in biologia
marina
Jacopo Aguzzi
[email protected]
Una visión sobre el estado actual
Las Tecnologías de la Información y la Comunicación son un conjunto de técnicas,
desarrollos y dispositivos avanzados que integran funcionalidades de almacenamiento,
procesamiento y transmisión de datos. La tecnología es siempre el factor limitante en la
exploración marina. Falta un conocimiento “sensorial” directo del medio y necesitamos
entonces sensores como tramites. De sus calidades depende la exactitud y profanidad de
nuestra visión. En este contexto, la información biológica se interpreta con un enfoque
multiparamétrico: en el contexto de muchas variables hábitat.
La información hábitat se puede resumir en tres grandes grupos: una información física,
química y geológica. Consecuentemente hay un desarrollo muy avanzado de sensores
para la caracterización de muchos parámetros hábitat como las corrientes
(correntimetros), la intensidad de luz (sensores quánticos), la concentración de oxigeno
(oxímetros), los sísmicos y varios otros. La tendencia es hoy en día la de integrar varios
sensores en estaciones multiparametricas de tipo móvil y independientes (AUVs) o
dependientes de barcos (ROVs), fijos pelagicos o bénticos. Hay una actualmente una
desproporción entre el desarrollo de sensores hábitat y biológicos.
Aplicaciones y posibles lineas de evolución
La tecnología de la información y sus métodos de comunicación tienen que adaptarse al
nivel de complejidad biológico analizado. Hay nombrosas técnicas disponibles tanto en el
campo como en el laboratorio. No solo la ecología necesita dichas técnicas si no que hay
la necesidad continua de desarrollo tecnológico en laboratorio en el campo medico y
neurocientífico.
Dichas técnicas requieren un planteamiento de tipo multidisciplinario, integrando
diferentes competencias de tipo no solo biológico si no más bien de tipo informático e
ingenieristico. Concentrándonos sobre las técnicas del comportamiento y desde el
individuo, la población, hasta las especies y las comunidades (y por el contrario dejando a
un lado las técnicas fisiológicas y moleculares) se pueden presentar los siguientes
ejemplos: actográfia infrarroja, tecnología RFID, micrófonos acústicos e hidrófonos. Otras
técnicas que pueden proporcionar importantes informaciones sobre el comportamiento
tanto a nivel de individuos como de poblaciones y comunidades, son las que se
denominan del grupo opto-electrónico. Son técnicas basadas en el análisis automático de
las imágenes digitales y de los videos.
La actográfía es ampliamente desarrollada en el campo de la neurociencia para estudiar
el ritmo de comportamiento y su modulación. Hay ruedas giratorias que se emplean tanto
en mamíferos como en decápodos (langostas) y hay barreras de detección infrarrojas. Las
tipologías de resultados que proporcionan son siempre series temporales de datos como
tasas de movimiento, es decir, números de eventos por unidad de tiempo. Dichas series
temporales se pueden analizar con los instrumentos estadísticos de la cronobiología
(calculo del periodo y de la fase y representación de los datos en un cronograma).
Identificación por radio frecuencia (RFID) es una tecnología ampliamente usada en
ganadería, para vincular la presencia de los animales en diferentes áreas de los establos
a diferentes horas. Dicha tecnología se basa en la presencia de un lector y de un tag,
constituido por un circuito integrado y una antena que puede transmitir una información
radio de frecuencia modulada.
27
Los transmisores acústicos y los hidrófonos son un conjunto de técnicas desarrolladas
para estudiar en el campo patrones espaciales y temporales de actividad en peces y
crustáceos. Constan de un recibidor y de un transmisor. Como las otras técnicas, sus
bandas de aplicaciones son relativamente reducidas en comparación a las aplicaciones
opto-electrónicas. Los recibidores se anclan en diferentes ámbitos territoriales de un
ecosistema. Los individuos so detectados cuando nadan cerca de ellos gracias a un
emisor (introducido en el cuerpo del animal o externo a ello) que produce un sonido de
frecuencia modulada.
El cuarto grupo de aplicaciones en relación al comportamiento animal es represando por
las videocámaras y las cámaras. Se trata de aplicaciones opto-electrónicas que permiten
una amplia versatilidad de aplicaciones. Ambas tecnología hacen eferencia a el análisis
automatizado o menos, de videos o fotogramas digitales (que a su vez puede proceder de
la fragmentación de videos).
Se pueden distinguir tres pasos importantes en la elaboración de videos digitales en
referencia a la detección del comportamiento rítmico. El primero es de detección de los
objetos biológicos que se han movido. Esto se lleva a cabo con diferentes técnicas de
substracción de fotogramas consecutivos para identificar las áreas de pixelado
correspondientes al cuerpo de un animal que se haya desplazado. Siendo elevado el
ruido en este estadio, se han desarrollados varias técnicas de filtración por áreas y niveles
de gris que permiten identificar los objetos biológicos mas grandes. De estos podemos
estudiar las formas (con técnicas de morfometría geométrica), así como el color (con
clasificaciones de tipo multivariado). El segundo paso es representado por la identificación
de los objetos biológicos en categorías (en el caso de animales, en diferentes especies).
Esto se puede llevar a cabo mediante las técnicas de los puntos de homología en el perfil
(los “landmarks”) o mediante el estudio del perfil mismo sin la necesidad de identificar
dichos puntos. La primera técnica no es entonces automatizable en fase de
procesamiento (hace falta un operador para posicionar los puntos) mientras que la
segunda si que es automatizable. El tercer paso es representado para el cómputo en
función del espacio y del tiempo del número de objetos biológicos observables en las
diferentes categorías.
En referencia al uso del análisis de imagen, dicha técnica sustituirá la autografía como
aplicación neurocientífica en el futuro. Las videocámaras pueden proporcionar series
temporales como números de movimientos por unidad de tiempo (la tasa de locomoción).
Oras aplicaciones de la automatización en el análisis de videos digitales corresponde al
procesamiento de videos obtenidos por videocámaras presentes en estaciones
submarinas permanentes. Es el caso de los observatorios VENUS, NEPTUN (Canadá) y
de Sagami Bay (Japón) posicionados en el mar profundo (el “deep-sea”). Hemos
implementado un programa de identificación de objetos biológicos que se desplazan en la
región de interés (ROI) y por consiguiente clasificación de dicho objetos en categorías
distintas (especies).
Aplicaciones en laboratorio basadas en el análisis de imagen de tipo automático y non
automático pertenecen las de la clasificación de especies por medio de la morfometría
geométrica (i.e. “landmarks”) y del Análisis Elíptico de Fourier (EFA). Los “labndmarks”
son puntos de la forma reconocibles como equivalentes en todas las especies de un
mismo grupo filogenético. Es posible estudiar su variación en diferentes especies en
función de unos gradientes ecológicos definidos (ej. Ser herbívoro o carnívoro) mediante
las grillas de deformación (los “splines”). De esta forma es posible resumir las zonas de
mayor variación y construir modelos morfológicos sintéticos en función d variables
ecológicas complejas. La EFA trabaja con perfiles y es entonces automatizable. Un perfil
cerrado se puede representar mediante puntos. Cada punto tiene un valor x, y que
incrementa desde un origen arbitrario. Juntando todos los puntos identificados se obtiene
28
un perfil (“outline”). Las características de dicho perfil se pueden estudiar mediante
descomposición espectral a través de la superposición con elipsis de complejidad
creciente
La segunda aplicación del análisis de imágenes a partir de fotogramas digitales son los
métodos cuantitativos basados en el color. El análisis híper-espectral es la mas conocida
como aplicación para sensores remotos. El análisis de la misma superficie se realiza con
filtros selectivos espectrales diferentes con el fin de captar las características físicas de
dichas superficie, basándose en la medición de radiación reflejada de cada componente.
El resultado es la generación de un híper-cubo donde por cada información espacial hay
un equivalente colorimétrico detectable por diferentes longitudes de onda.
Actividad futura a desarrollar
Las especies se mueven dentro y fuera de nuestras ventanas de muestreo condicionando
nuestra percepción de la distribución de sus poblaciones y de la biodiversidad. Es
necesario plantear estudios basados en una nueva tecnología de muestreo basada en
videocámaras. Estas pueden transformarse en sensores remoto para la biología solo si
potenciamos la automatización en el análisis de imagen se acompaña a un desarrollo
equivalente en el procesamiento multiparamétrico de los de los datos proporcionados por
muchos sensores hábitat asociados. En este sentido seria útil potenciar el análisis de
imagen con instrumentos de morfometría geométrica y el análisis de series temporales
con los algoritmos de cronobiología biomédica.
29
Interventi – Riconoscimento individuale e popolazionale negli anfibi per forma e colore
Riconoscimento individuale e popolazionale negli anfibi per
forma e colore
Claudio Angelini
[email protected]
La colorazione è probabilmente uno dei caratteri più salienti dell'aspetto degli animali,
presentando una variabilità superiore alla forma, che è invece maggiormente vincolata al
piano organizzativo anatomo-fisiologico. Questo fa sì che la colorazione (intendendo con
questo termine tanto il colore che gli schemi di colorazione) animale rappresenti una delle
interfacce di contatto primarie fra l'uomo e gli altri animali, con conseguenze disparate in
diversi ambiti (dalla identificazione degli animali, alla selezione di particolari razze fra quelli
di compagnia, fino alla valutazione del loro benessere). Nella ricerca biologica, si possono
trovare due grandi filoni di interesse: quello che fa della colorazione un elemento
ampiamente utilizzato nella classificazione animale, e quello dello studio della sua
funzione. Inoltre, il crescente e continuo miglioramento delle tecniche bio-molecolari rende
sempre più fattibile anche un approccio genetico allo studio della colorazione, carattere la
cui espressione è solitamente sotto il controllo di un complesso poligenico. Tuttavia, lo
studio della colorazione animale risente fortemente della complessità degli schemi di
colorazione e della conseguente tendenza a ridurre questa complessità: spesso, la
descrizione degli schemi di colorazione avviene sulla base di variabili discrete o
dicotomiche [e.g. 12, 15], oppure si tengono in considerazione soltanto alcune specifiche
zone del corpo [e.g. 9, 19], o, ancora, si considerano singoli elementi dello schema di
colorazione senza tener conto della loro posizione relativa [e.g. 6, 13, 20]. Da ciò deriva
una perdita di informazioni sostanziali sull'immagine dell'animale come essa è, che
potrebbero limitare la portata, e talvolta addirittura la validità stessa, dei risultati scientifici
conseguiti.
Un approccio alternativo è offerto dall'analisi di immagine quantitativa, che consiste
nell'estrazione di informazioni dai dati in forma di immagine [7]. Quindi, l'intera
informazione presente nell'immagine - colore e posizione dei pixel che la compongono - è
mantenuta ed utilizzata per l'analisi. Ad oggi, pochi studi hanno utilizzato le potenzialità
offerte da questo metodo [2, 5, 18], che invece, grazie allo sviluppo delle tecnologie per
l'acquisizione delle immagini e la loro analisi, si pone non più soltanto come strumento per
altri campi di conoscenza, ma anche come una concreta possibilità di studio autonomo in
ambito zoologico
Nel presente contributo si riportano alcuni aspetti di uno studio
basato sull'analisi d'immagine quantitativa dello schema di
colorazione ventrale di Salamandrina (Fitzinger, 1826), un anfibio
urodelo presente unicamente nell'Italia peninsulare con due
specie, S. perspicillata a nord e S. terdigitata a sud (il limite tra le
due specie, non ancora ben individuato, è collocabile fra
Campania settentrionale e Molise). Le due specie risultano
distinguibili soltanto su base genetica, e non presentano caratteri
che ne consentano la distinzione a vista [3]. Dorsalmente, gli
individui sono interamente nero-bruni, con una macchia gialla a
forma di “V” rovesciata fra gli occhi; ventralmente gli arti e la
coda sono rosso acceso, mentre il ventre presenta macchie
bianche, nere e rosse di forma irregolare e con disposizione
diversa in ogni singolo individuo (Figura 1). Scopo dello studio è
Figura 1: Colorazione
stato valutare se gli schemi di colorazione ventrale individuali
ventrale di un individuo
condividessero una base comune a livello di specie, se, quindi,
di S. perspicillata
30
permettessero il riconoscimento specifico.
Sono state analizzate le fotografie (1200 x 1600 pixel, 300 p.p.i.) di 238 individui di S.
perspicillata (provenienti da 3 popolazioni, una umbra e due laziali), e di 95 di S. terdigitata
(una popolazione campana ed una calabra). I colori sono stati standardizzati in rosso,
bianco e nero puri tramite il metodo di clustering multivariato supervisionato K Nearest
Neighbours [4] (k = 5). Prima dell'analisi, è stata effettuata una standardizzazione della
forma dell'area di interesse ad una configurazione di consenso [5], in modo che i pixel di
tutte le immagini finali (886 x 1544 pixel, 72 p.p.i.) si collocassero nello stesso spazio di
riferimento. Per valutare se gli individui potessero essere correttamente assegnati alla loro
specie in base al colore/posizione dei pixel dello schema ventrale, è stata applicata la
Partial Least Squares Discriminant Analysis (PLSDA) [1, 14, 16], un metodo multivariato
basato sulla ricerca della massima correlazione fra l'appartenenza categoriale dei singoli
individui (Y-block, nel nostro caso la specie) e le variabili che li rappresentano (X-block,
nel nostro caso colore/posizione dei pixel). Operativamente, la PLSDA costruisce il miglior
modello classificatorio di individui di appartenenza categoriale nota (“calibration set”, nel
nostro caso il 75% del totale, scelti a caso da entrambe le specie), e successivamente si
valuta la bontà classificatoria del modello per i restanti individui (“test set”). Il modello
classificatorio si costituisce di uno spazio multidimensionale sotteso da “latent vector” (LV),
rispetto al quale viene fornito il peso discriminatorio di ogni singolo pixel e degli individui
da discriminare. Inoltre, il modello classificatorio ottenuto è stato anche applicato a 24 e 20
individui di ulteriori due popolazioni, rispettivamente delle Marche e della Campania.
Il miglior modello ha cinque LV, e classifica correttamente il 100% degli individui del
“calibration set” e il 98,78% degli individui del “test set” (un individuo di S. perspicillata è
stato classificato come S. terdigitata). In figura 2 è riportato il
peso discriminatorio dei singoli pixel rispetto a LV1, che
assorbe il 60,26% della varianza dell'X-block (i restanti LV
assommano complessivamente al 2,31% della varianza). Lo
stesso modello, applicato alle due ulteriori popolazioni, ha
classificato come S. perspicillata l'87,5% degli individui della
popolazione delle Marche ed il 100% di quelli campani.
Il modello classificatorio costruito dalla PLSDA ha dimostrato
di avere un'ottima capacità discriminatoria rispetto agli
individui delle popolazioni di riferimento per la costruzione del
modello stesso. Inoltre, classifica correttamente la gran parte
degli individui della popolazione delle Marche. Particolare
attenzione merita, invece, la classificazione dell'altra
popolazione “esterna” campana. Questa, in base a quanto
noto [10,11] precedentemente alle analisi qui riportate,
Figura 2: Peso dei pixel
sarebbe dovuta appartenere a S. terdigitata. Recenti indagini
rispetto a LV1 (60,26% della
varianza totale); l'intensità
biomolecolari hanno, però, individuato questa popolazione
del
bianco è proporzionale al
come ibrida fra le due specie, con una prevalenza di alleli
peso dei singoli pixel.
caratteristici di S. perspicillata [8]. Dunque, pur con limiti che
una analisi strettamente categoriale come la PLSDA non può
facilmente affrontare, tuttavia l'analisi d'immagine era riuscita ad evidenziare una
problematica biologica che, oltre che estremamente interessante, è risultata altrimenti
visibile soltanto grazie alle indagini genetiche. Nel caso delle specie in studio, quindi,
l'analisi d'immagine quantitativa si è dimostrata essere un ottimo strumento per la
classificazione specifica, individuando lo schema di colorazione come un ottimo carattere
tassonomico. Tuttavia, in questo l'analisi effettuata mostra il suo limite maggiore, e cioè
che non è basata sulla visione umana, vale a dire che richiede l'intervento interpretativo
dello strumento statistico. Rispetto a ciò, però, potrebbe essere d'aiuto la
31
rappresentazione grafica del peso discriminatorio dei singoli pixel. Infatti, quelli
maggiormente discriminanti si raggruppano in aree particolari (Figura 2: una a forma di “Y”
al di sotto del collo, e due sotto la zona mandibolare) su cui focalizzare l'attenzione per
individuare elementi dello schema che siano riconoscibili anche alla vista umana. Inoltre,
queste aree forniscono importanti informazioni per lo studio della funzione degli schemi di
colorazione [vedi 5].
La metodica applicata ha dimostrato di essere valida per lo scopo di studio, e si presta ad
ulteriori applicazioni. Lo stesso tipo di analisi può essere applicato agli schemi di
colorazione di altre specie, rivelando se essi abbiano una base specifica e/o
popolazionale. Laddove lo schema di colorazione risultasse un carattere discriminante,
l'analisi di immagine potrebbe essere inserita fra gli elementi tassonomici di distinzione, ed
interagire con l'analisi biomolecolare per lo studio dei modelli evolutivi. Inoltre, la
procedura preliminare di preparazione dell'immagine (standardizzazione di dimensione e
forma delle immagini e posizionamento dei loro elementi in uno stesso spazio di
riferimento [5]) si presta ad essere applicata per il riconoscimento automatico degli
individui in base al loro schema di colorazione, attraverso una procedura di calcolo delle
distanze fra gli individui basate sulle differenze fra gli schemi di colorazione. Questo
costituisce un strumento di importanza fondamentale per lo studio demografico di specie i
cui componenti siano individualmente riconoscibili per la loro colorazione, che altrimenti
dovrebbero essere riconosciuti sulla base di un confronto visivo “1 a 1” di laboriosità ed
impegno temporale crescente con il numero di individui già catalogati e da catalogare. Il
monitoraggio demografico pluriennale è un elemento fondamentale per lo studio di specie
in forte declino [17] e per la definizione di misure che contrastino tale fenomeno. Qualsiasi
facilitazione vada in questo senso, quindi, rappresenta un importante contributo in termini
conservazionistici.
Bibliografia
[1] Aguzzi et al., 2009, Biol. J. Linn. Soc. 96: 517-532.
[2] Anderson et al., 2003, Network: Comp. Neur. Syst. 14: 321–333.
[3] Angelini et al., 2007, in Fauna d'Italia, pp 228-237 ,Calderini Edizioni, Bologna.
[4] Belur, 1991, IEEE Computer Society Press, Los Alamitos.
[5] Costa et al., 2009, Biol. J. Linn. Soc. 96: 35-43.
[6] Endler, 1978, Evol. Biol. 11: 319–364.
[7] Glasbey & Horgan, 1995, John Wiley & Sons Ltd, Chichester.
[8] Hauswaldt et al., 2009, 15th European Congress of Herpetology.
[9] Macedonia et al., 2002, Biol. J. Linn. Soc. 77: 67-85.
[10] Mattoccia et al., 2005, Zootaxa 995: 1–19.
[11] Nascetti et al., 2005, Rend. Fis. Acc. Lincei 16: 159–169.
[12] Ortolani, 1999, Biol. J. Linn. Soc. 67: 433-476.
[13] Rudh et al., 2007, Mol. Ecol. 16: 4284-4294.
[14] Sabatier et al., 2003, in Between data science and applied data analysis, pp.
100-108, Springer-Verlag, Berlin.
[15] Schaefer et al., 2002, Org. Divers. Evol 2: 97-105.
[16] Sjöström et al., 1986, in Pattern recognition in practice II, p. 486, Elsevier,
Amsterdam.
[17] Storfer, 2003, Div. Dist. 9: 151–163.
[18] Todd et al., 2005, Ecol. Res. 20: 497–501.
[19] Vásquez & Pfenning, 2007, Behav. Ecol. Sociobiol. 62: 127-135.
[20]
Wollenberg et al., 2008, Biol. J. Linn. Soc. 93: 433-444.
32
Interventi – Analisi di immagine applicata allo studio del suolo
Analisi di immagine applicata allo studio del suolo
Nadia Vignozzi, Simona Magini, Maria Costanza Andrenelli, Simone Priori, Rita Perria,
Marcello Pagliai
[email protected]
Gli esempi applicativi di utilizzo dell’analisi d’immagine finalizzata allo studio del suolo di
seguito illustrati sono molto diversi. Le principali differenze sono rappresentate dal livello di
dettaglio dell’analisi, dalla tipologia d’immagine utilizzata e dal risultato ottenuto. Si
possono ottenere sia misure dirette relative alla porosità del suolo, sia indici il cui valore
dipende dalle caratteristiche intrinseche del suolo, ma anche da altri fattori (caratteristiche
stazionali, uso e gestione del suolo, stato fito-sanitario delle colture).
1) Analisi d’immagine applicata alla struttura del suolo.
La struttura può essere definita come la risultante della combinazione di differenti tipi di
pori con le particelle solide (aggregati). La quantificazione e la caratterizzazione del
sistema poroso possono quindi fornire numerose indicazioni sulla qualità della struttura del
suolo.
L'avvento delle tecniche di analisi di immagine ha consentito la determinazione
quantitativa del sistema dei pori a partire da sezioni sottili preparate da campioni
indisturbati di terreno attraverso le tecniche della micromorfologia del suolo.
L’immagine della sezione sottile da analizzare viene acquisita a luce trasmessa
polarizzata o a nicols incrociati attraverso una telecamera digitale posizionata su un
macroepidiascopio o su un microscopio (ottico o elettronico). Le immagini possono essere
acquisite a colori o in scala di grigio.
La procedura più comunemente utilizzata prevede l’acquisizione a luce trasmessa
polarizzata da macroepidiascopio di immagini in scala di grigio (256 livelli). La risoluzione
dell’immagine digitale corrisponde a circa 15 m per pixel. Per l’analisi della
macroporosità vengono comunque selezionati soltanto oggetti (pori) >50 m (limite
inferiore riconosciuto per i macropori – Greenland, 1977). Le dimensioni dell’area
analizzata corrispondono, al massimo, a 2048x1536 pixel.
La selezione degli oggetti da analizzare avviene attraverso la scelta del livello di grigio in
grado di discriminare i pori dalla matrice del suolo. Le misure di analisi di immagine,
fondamentali per caratterizzare il sistema dei pori nel suo complesso, sono di due tipi:
misure dirette (area, perimetro, ecc.) e misure derivate dall’elaborazione matematica di
una o più misure dirette (fattore di forma, diametro equivalente, ecc.).
È così possibile una valutazione completa della porosità in tutti i suoi aspetti: morfologia,
distribuzione dimensionale, irregolarità, orientamento e continuità dei macropori,
informazioni che difficilmente altre tecniche consentono di ottenere.
A uguali valori di macroporosità totale può corrispondere una differente organizzazione
strutturale, di conseguenza, una diversa capacità del suolo di svolgere le varie funzioni
ecologiche.
Ai pori di una determinata forma (regolari, irregolari e allungati) per esempio, è ascrivibile
una genesi e una funzione diversa. In genere i pori regolari sono dovuti all’attività biologica
(micro e mesofauna, capillizio radicale, ife fungine) o all’intrappolamento dell’aria durante i
processi di essiccamento ed inumidimento, sono isolati e quindi meno funzionali ai
movimenti di acqua e aria rispetto ai pori con altra forma. I pori irregolari sono spesso
determinati dalle lavorazioni del terreno, mentre i pori allungati sono i più efficaci nel
garantire i flussi idrici e gassosi; esistono infatti correlazioni significative fra questa
tipologia di pori e la conducibilità idraulica satura.
33
Lo studio della struttura attraverso questa tecnica permette di avere indicazioni sul
probabile comportamento idrologico del suolo oggetto di studio. Vengono infatti evidenziati
i diversi aspetti di degradazione fisica che vi possono influire (croste superficiali,
formazione di strati compatti lungo il profilo).
a)
b)
Macrofotografie di sezioni sottili di suolo in cui a valori di macroporosità molto simili a) 30%
e b)27% corrispondono organizzazioni strutturali diverse.
Macrofotografia di sezione sottile di suolo in cui i pori appaiono colorati in maniera diversa
a seconda della loro forma: regolare (rosso), irregolare (blu) e allungata (verde)
3a Vigna 0-10 cm
POROSITA' (%)
3
2,5
2
Pori Allung.
1,5
Pori Irreg.
1
Pori Reg.
0,5
0
< 100
100-200
200-300
300-400 400-500 500-1000 > 1000
CLASSI DIMENSIONALI (µm)
Output grafico dell’elaborazione di immagine di una sezione sottile di suolo in cui i pori
presenti sono distinti secondo la loro forma e suddivisi per classe dimensionale di
appartenenza
2) Analisi d’immagine a scala territoriale e calcolo dell’indice di vegetazione.
Negli anni 2008 e 2009, in Toscana è stato condotto uno studio su un’area a vigneto di
circa 14 ettari. Sono stati eseguiti: un rilevamento con uso di sensori geoelettrici (ARP Automatic Resistivity Profiling), un rilievo pedologico di dettaglio e l’elaborazione di
immagini satellitari. L’immagine utilizzata è stata ripresa dal satellite KOMPSAT-2 e si
compone di una banda pancromatica, con risoluzione spaziale di 1 metro, e di 4 bande
34
multispettrali con risoluzione spaziale di 4 metri (R, G, B, NI). La scelta della data di
acquisizione dell’immagine (14 agosto) è relazionata al periodo di maggior vigore
vegetativo della vite in questa area geografica.
Dopo le consuete procedure di pre-processing, l’immagine è stata elaborata al fine di
ottenere una mappa di NDVI (Normalized Difference Vegetation Index), indice dato dal
rapporto tra la differenza e la somma della riflettanza delle due bande dell’infrarosso vicino
e del rosso, strettamente correlato allo stato di salute della vegetazione. Da questo è stato
ricavato l’Indice di vegetazione trasformato (TVI) che consente di eliminare i valori negativi
dell’NDVI e di rendere normale la distribuzione statistica, che per l’NDVI tende ad essere
Poissoniana:
TVI = √0,5 + NDVI.
Per quanto riguarda il rilevamento geoelettrico, questo ha fornito dati di resistività (Ohm.m)
riferibili al volume di suolo fino alla profondità di 50 cm. I valori sono stati interpolati con la
tecnica “IDW” (Inverse Distance Weighted), in modo da ottenere una mappa confrontabile
con quella dell’indice di vegetazione.
Dal loro confronto risulta evidente come le zone con più alto indice di vegetazione
corrispondano, in genere, ad aree con valori di resistività medio-bassi, quindi assimilabili a
suoli con una buona conducibilità elettrica. Di contro, i più bassi valori dell’indice di
vegetazione non sono sempre relazionabili con aree maggiormente resistive. In
particolare, la mappa di resistività presenta un’area con valori molto bassi che non hanno
una reale corrispondenza con il vigore vegetativo.
Tali considerazioni lasciano ipotizzare che i risultati delle indagini svolte vadano integrati
con altre tipologie di dati; in questo caso sono stati utilizzati quelli derivanti dal rilevamento
pedologico di dettaglio.
L’analisi dei suoli ha evidenziato che l’area di anomalia resistiva è caratterizzata da suoli
che si formano su argille e limi marini, “Inceptisuoli” molto argillosi, plastici, con caratteri di
idromorfia e una CSC moderatamente elevata. Sono quindi suoli interessati da ristagno
idrico e questo ha un effetto diretto sulla loro conducibilità (resistività molto bassa), ma non
altrettanto sulla risposta vegetativa del vigneto.
Possiamo quindi concludere che il suolo è un sistema complesso i cui caratteri
fondamentali dipendono dalle interazioni fra processi chimici, fisici e biologici, attuali e del
passato, che avvengono al suo interno e nell’ambiente circostante. Questo comporta che
per comprendere alcuni suoi caratteri e le risposte a usi diversi, sia necessaria
l’integrazione di diverse tipologie di indagine. L’analisi di immagine può rivelarsi quindi
estremamente efficace soprattutto se corredata da indagini di altro tipo (in questo esempio
di campagna e laboratorio).
35
TVI
a)
b)
c)
Carte tematiche derivate dalle diverse tipologie di indagine effettuate nell’area di studio: a)
analisi dell’immagine satellitare, b) rilievo geoelettrico, c) rilevamento pedologico.
36

Untitled - iMAGE S srl

Transcript

Documenti analoghi

La Edad del Genio: España e Italia en tiempos de Góngora

Numero CCD 3 Dimensione CCD (pollici) 1/6 Numero di

Through Crisel Instruments Srl, Clivo di Cinna 196, 00136 Rome

Tour California e far West

Scarica il volantino delle lezioni di Scacchi

DVD-R/-RW/RDL 1/6" interlacciato 1.07 megapixel 4:3

Cari Lettori - TELE-audiovision Magazine

Playstation Portable, Console portatile a 128 bit

View

Page 1 of 1 Anoressia: un pixel per Mondosole