OLTRE LA BLACK BOX: MECCANISMI DI ATTENZIONE ED INTERPRETABILITÀ NEL PHENOTYPING DEI LEAFY VEGETABLES

Le stime sulla popolazione mondiale prevedono un aumento fino a circa 10 miliardi di abitanti entro il 2050. Tale crescita impone un ripensamento completo dei sistemi agroalimentari, resi ancora più vulnerabili dall'incombere della crisi climatica. In questo scenario, le colture orticole a ciclo breve e ad alta densità, come la lattuga, ampiamente diffuse sia in campo aperto sia in sistemi idroponici o di vertical farming, richiedono un monitoraggio costante per ottimizzare l'uso delle risorse e garantire rese accettabili, mediante la stima automatizzata di indicatori quali la biomassa, il tasso di crescita o la risposta agli stress idrici e nutrizionali. L'adozione di tecniche avanzate di object detection basate su deep neural network derivate da YOLO consente di automatizzare tali misurazioni senza interventi manuali. Ciononostante, la fenotipizzazione della lattuga presenta sfide peculiari: l'elevata sovrapposizione tra foglie adiacenti, le forme irregolari dei cespi e le repentine variazioni di luce creano occlusioni e rumore visivo che penalizzano i modelli generici. L'obiettivo di questa tesi è l'adattamento dell'architettura YOLO11 alle specificità della coltura della lattuga, mediante l'integrazione di diversi meccanismi di attenzione in diverse porzioni della rete. Per misurare l'effettivo contributo dei moduli di attenzione, lo studio si avvale dell'interpretabilità dei modelli tramite tecniche XAI basate su EigenCAM. L'analisi delle mappe di attivazione consente di verificare se la rete focalizzi l'attenzione sulle strutture morfologiche corrette del cespo di lattuga, aumentando la trasparenza delle decisioni dell'IA e fornendo agli agronomi uno strumento affidabile, interpretabile e lontano dal paradigma delle black box.