MLN-Count consente di ottenere prestazioni comparabili ai metodi "supervised", riducendo l'effort per la preparazione dei dati. MLN-Count contribuisce al progresso delle tecnologie di visione artificiale per l'agricoltura di precisione, offrendo una soluzione per la stima della resa e il monitoraggio delle colture. L'utilizzo di strumenti portatili con tecnologia NIR semplifica e velocizza la definizione dell’epoca di raccolta, in funzione del grado di maturazione e della qualità delle olive.

"MLN-Count" è un framework basato su una rete neurale profonda per la stima della resa delle colture, in particolare per il conteggio e la localizzazione dei frutti sugli alberi. MLN-Count utilizza un approccio "weakly supervised" che richiede solo annotazioni binarie a livello di immagine (presenza/assenza di frutti) per l'addestramento. La rete neurale incorpora un modulo Learn-To-Pay-Attention (LTPA) che guida l'attenzione del modello sulle regioni dell'immagine rilevanti per il conteggio dei frutti. L'architettura di MLN-Count è di tipo encoder-decoder, durante l'inferenza, la rete genera mappe di attivazione (heatmap) che vengono elaborate da una nuova tecnica di filtraggio per identificare i massimi locali corrispondenti alla presenza di frutti. I risultati sperimentali, condotti su un dataset pubblico di immagini di mango, e su un dataset sperimentale SHD-O2D di oliveti intensivi, mostrano miglioramenti significativi in termini di robustezza e accuratezza rispetto ad altri approcci "weakly supervised". Sono state inoltre fatte misure per valutare tecniche di analisi non distruttive, mediante l’impiego di strumenti portatili che usano la tecnologia NIR, per la determinazione del grado di maturazione e della qualità delle olive e, quindi, la definizione di indici di maturazione non distruttivi per decidere l’epoca di raccolta. Le misure fatte sono validate confrontandole con quelle eseguite in laboratorio con metodologie tradizionali.