Classificazione real-time degli stati operativi di trattrici agricole tramite Machine Learning

L’Agricoltura 4.0 ha trasformato le trattrici moderne in piattaforme digitali intercon- nesse, capaci di generare attraverso il protocollo CANBus un flusso continuo di dati operativi. Tali dati, in forma grezza, non consentono però una lettura imme- diata dello stato operativo della macchina (lavoro in campo, trasporto, manovra di svolta, sosta), informazione che risulta invece cruciale per l’ottimizzazione ener- getica, la gestione di architetture propulsive ibride, la comunicazione ISOBUS trattrice-implement e più in generale per lo sviluppo di nuove soluzioni tecniche. Il lavoro trattato affronta quindi lo sviluppo di un algoritmo di machine learning supervisionato, basato sull’algoritmo Random Forest, per la classificazione au- tomatica e in tempo reale degli stati operativi di trattrici agricole, con il vincolo di un’esecuzione compatibile con microcontrollori embedded a bordo macchina. Il modello è stato addestrato e validato su un dataset messo a disposizione dal Dipartimento di Scienze e Tecnologie Agroalimentari dell’Università di Bologna, comprendente oltre 20.000 ore di lavoro raccolte da trattrici di diversa taglia; rag- giungendo un’accuracy del 91,04% in fase di Testing, con prestazioni elevate e stabili, sebbene penalizzate da alcune caratteristiche non ottimali dei dati a dispo- sizione. Il modello è stato inoltre validato su una vasta gamma di dati nuovi, attra- verso valutazioni effettuate tramite l’uso di metriche custom. Il confronto rispetto alla classificazione originale, eseguita tramite un tool sviluppato dal Dipartimen- to di Scienze e Tecnologie Agroalimentari dell’Università di Bologna e utilizzata come base di progetto, ha confermato una buona coerenza fisica del modello, mentre la simulazione in ambiente Simulink ha evidenziato un calo di accuracy all’81,9%, attribuibile principalmente a differenze implementative nel calcolo del- le feature tra Matlab e Simulink piuttosto che a limiti strutturali del classificatore. L’analisi qualitativa delle tracce GNSS ha permesso di individuare due criticità ri- correnti che l’applicazione di logiche di filtraggio in post-processing (filtro a isteresi sugli score e filtri condizionali) ha permesso di mitigare parzialmente, incremen- tando l’accuracy complessiva al 91,99%. I risultati ottenuti confermano la validità del Random Forest come soluzione leggera e interpretabile per la classificazio- ne real-time degli stati operativi, con una buona capacità di generalizzazione su macchine di taglia eterogenea, pur presentando alcune criticità, che richiedono ulteriore lavoro di sviluppo per raggiungere gli obiettivi globali di implementazione embedded.