L’intelligenza artificiale contro le malattie del cacao: dalla diagnosi dei baccelli ai trattamenti mirati

Milano – Un algoritmo potrebbe diventare uno degli strumenti più utili a disposizione dei produttori di cacao per riconoscere un baccello malato prima che il problema comprometta il raccolto. L’intelligenza artificiale sta infatti trovando applicazioni sempre più concrete nella parte agricola della filiera del cioccolato, dove computer vision e machine learning analizzano immagini delle piante, distinguono tessuti sani e malati e supportano decisioni che oggi dipendono in gran parte dall’osservazione dell’agricoltore.

Una review di riferimento

A fare il punto sulle tecnologie già studiate è la review “AI technologies shaping the future of the cocoa industry from farm to fork: a comprehensive review”, pubblicata nel 2025 sulla rivista Food Science and Biotechnology da Hemasri Senthil e Madhura Janve. Il lavoro passa in rassegna l’impiego dell’intelligenza artificiale nell’agricoltura, nella trasformazione e nella supply chain del cacao, mostrando come alcuni modelli siano già stati sperimentati per individuare malattie, suggerire trattamenti, effettuare irrorazioni mirate, contare i baccelli e valutarne la maturazione.

La review è strutturata in tre macro‑sezioni: (1) diagnosi precoce delle patologie, (2) supporto decisionale per trattamenti di precisione e (3) monitoraggio della produzione. Ogni sezione riporta esempi pratici, dataset utilizzati e metriche di accuratezza, fornendo una panoramica completa delle potenzialità e dei limiti attuali.

L’AI impara a riconoscere un baccello malato

Uno degli ambiti più promettenti riguarda il riconoscimento automatico delle malattie attraverso le immagini. Il principio è simile a quello impiegato nei sistemi di riconoscimento visivo in altri settori: il modello viene addestrato utilizzando fotografie di foglie, fusti e baccelli sani oppure colpiti da differenti patologie. Una volta individuati colori, forme, macchie e alterazioni ricorrenti, l’algoritmo può classificare una nuova immagine.

Una systematic review pubblicata nel maggio 2025 sulla rivista Agriculture ha analizzato proprio l’utilizzo della computer vision nella diagnosi delle malattie del cacao, esaminando studi scientifici pubblicati tra gennaio 2019 e agosto 2024. La ricerca evidenzia come gran parte delle applicazioni utilizzi algoritmi di machine learning associati a immagini ottenute soprattutto tramite normali fotocamere RGB, mentre sistemi multispettrali e iperspettrali sono ancora meno diffusi e in fase più esplorativa.

Questo elemento è cruciale per la diffusione della tecnologia: una fotocamera RGB è quella presente, per esempio, in un comune smartphone e risulta quindi molto più accessibile rispetto a sistemi di imaging sofisticati.

Black pod disease, uno dei principali obiettivi

Tra le patologie maggiormente studiate compare la black pod disease, o marciume nero dei baccelli, associata a specie appartenenti al genere Phytophthora. Secondo la systematic review del 2025, gran parte delle tecniche di computer vision applicate finora al cacao si è concentrata proprio sulla sua identificazione. Tuttavia, molti sistemi attuali riescono ancora soprattutto a separare un baccello apparentemente sano da uno malato, mentre è più complesso distinguere con precisione patologie o stadi differenti.

La review di Senthil e Janve sottolinea inoltre una delle difficoltà che l’AI dovrà affrontare: microrganismi differenti possono provocare manifestazioni visivamente simili, rendendo necessario sviluppare modelli capaci di effettuare classificazioni sempre più precise.

Dalla diagnosi al trattamento mirato

Riconoscere la malattia è soltanto il primo passaggio. Associando il sistema di diagnosi a modelli di intelligenza artificiale è possibile ipotizzare strumenti capaci non solo di segnalare un problema, ma anche di suggerire l’intervento più appropriato.

La review del 2025 cita applicazioni basate, tra gli altri, su algoritmi come YOLOv8 ed EfficientNetB1, sperimentati nell’individuazione di patologie delle piante e nella raccomandazione di pesticidi. La prospettiva diventa ancora più interessante quando il riconoscimento automatico viene integrato con droni o sistemi di irrorazione di precisione.

Anziché trattare indistintamente grandi superfici, un sistema potrebbe identificare le piante colpite e indirizzare il trattamento solo dove necessario. Secondo gli autori della review, l’utilizzo di droni agricoli può contribuire a ridurre il consumo di prodotti chimici, acqua, tempo e manodopera, limitando allo stesso tempo fenomeni di sotto‑dosaggio o sovra‑dosaggio dei trattamenti.

Algoritmi di raccomandazione e ottimizzazione

• Modelli di regressione per stimare la dose ottimale di fungicida in base al grado di gravità rilevato.
• Reti neurali ricorrenti (RNN) per prevedere l’evoluzione temporale di un focolaio, consentendo interventi preventivi.
• Sistemi di reinforcement learning che apprendono le migliori strategie di irrorazione in base al feedback sul rendimento del raccolto.

Contare i baccelli e valutare la maturazione

Le immagini raccolte nella piantagione possono fornire informazioni che vanno oltre la salute della pianta. Alcuni sistemi sperimentali di computer vision sono stati sviluppati per identificare e contare automaticamente i baccelli presenti sugli alberi, un dato potenzialmente importante per stimare la produzione e programmare il raccolto.

Uno degli studi analizzati nella review ha utilizzato algoritmi basati su colore, contorni e sovrapposizione delle immagini per distinguere anche baccelli parzialmente coperti o sovrapposti. Nel test descritto dagli autori, il sistema automatico e il conteggio manuale hanno entrambi individuato 20 baccelli, sebbene fossero presenti difficoltà nel riconoscimento di quelli molto piccoli o sfocati.

Non significa quindi che il controllo umano possa già essere eliminato: piuttosto, la computer vision potrebbe trasformarsi in uno strumento di supporto per effettuare stime in modo più rapido su grandi aree.

Riconoscere la maturità del frutto

Il cacao è un frutto non climaterico, quindi non continua normalmente il processo di maturazione dopo essere stato raccolto. Tagliare un baccello troppo presto può influire sulla quantità di zuccheri e sulla formazione della polpa, con conseguenze sulle successive fasi di lavorazione.

Il colore che indica la maturità varia a seconda della tipologia di cacao: nella review vengono ricordate, per esempio, le differenti trasformazioni cromatiche che avvengono nei cacao Criollo e Forastero. Da qui l’interesse verso algoritmi capaci di osservare automaticamente il colore e le caratteristiche del frutto.

Un sistema basato su YOLOv5, addestrato su 1.286 immagini di cacao Trinitario in differenti fasi di maturazione, è stato sperimentato per classificare i baccelli maturi e immaturi. Altri ricercatori hanno seguito una strada completamente diversa: analizzare il suono prodotto dal baccello quando viene colpito.

Nel test riportato nella review, dati acustici provenienti da 18 baccelli maturi e 18 immaturi sono stati analizzati attraverso un algoritmo Support Vector Machine, ottenendo un punteggio medio del 94 % durante la cross‑validation. Si tratta di risultati sperimentali ottenuti su campioni limitati e quindi non direttamente trasferibili a tutte le condizioni di campo, ma mostrano la varietà delle soluzioni che la ricerca sta esplorando.

Le sfide legate ai dati di campo

La tecnologia, però, presenta ancora limiti importanti. La systematic review pubblicata su Agriculture osserva che numerosi studi si basano su dataset pubblici e su fotografie ottenute in ambienti controllati. In una vera piantagione la situazione è molto più complessa: illuminazione variabile, pioggia, ombre, foglie che coprono i baccelli e differenti varietà di cacao possono modificare profondamente l’aspetto delle immagini.

Inoltre, molti dataset disponibili sono costituiti soprattutto da fotografie delle foglie, mentre servirebbero archivi di immagini di baccelli interi, in diverse condizioni di luce e con diverse angolazioni. La mancanza di dati eterogenei ostacola la capacità dei modelli di generalizzare.

Per superare questi ostacoli, gli autori propongono una serie di azioni:

• Creazione di repository collaborativi a livello internazionale, dove agricoltori e ricercatori condividono immagini di campo.
• Utilizzo di tecniche di data augmentation (rotazioni, variazioni di luminosità, aggiunta di rumore) per simulare condizioni reali.
• Implementazione di sistemi di apprendimento continuo, in cui il modello si aggiorna costantemente con nuove foto fornite dagli agricoltori tramite app mobile.

Prospettive future

Se queste sfide verranno affrontate con successo, l’AI potrà diventare un “cervello digitale” per l’intera filiera del cacao, supportando decisioni dalla pianta al prodotto finito. Oltre ai benefici agronomici, la riduzione dell’uso di pesticidi e l’ottimizzazione della raccolta possono tradursi in un impatto positivo sull’ambiente e sulla sostenibilità economica dei piccoli produttori.

In conclusione, l’intelligenza artificiale sta già dimostrando di poter trasformare la gestione delle malattie del cacao, ma il passaggio da prototipi sperimentali a soluzioni operative su scala commerciale richiederà investimenti in dati di qualità, infrastrutture di raccolta sul campo e collaborazione tra ricercatori, aziende tecnologiche e agricoltori.