Non-destructive estimation of biochemical and physiological traits in lettuce using hyperspectral imaging and machine learning

This master thesis explores the use of hyperspectral imaging and machine learning for non-destructive measurements of chemical and physiological traits of plants. The main focus of this thesis was the regression of different biochemical contents and fluorescence- derived physiological indices over lettuce leaves using hyperspectral imaging. Lettuce was grown in a controlled environment, using a vertical farming approach that included both a Nutrient Film Technique and an aeroponic system. The regression targets included the concentration of certain pigments and photosynthetic indices, both of which are important factors for estimating the health state of the plants. The thesis developed and tested a machine learning pipeline, evaluating different models over different datasets, with a focus on multiple waveband selection approaches. The results showed promising performance for certain prediction tasks; in particular the regression models for flavonols, PI Total and ET0/RC achieved R2 values of 0.643, 0.643 and 0.779, respectively, while other targets proved to be more challenging. Overall, the pipeline shows a potential for non-invasive analysis over plants. Especially, improvements in ground truth quality, such as a bigger dataset and actual chemical analysis being per- formed instead of indirect sensor-based measurements, could significantly improve model performance.

Questa tesi di laurea magistrale esplora l’utilizzo di immagini iperspettrali e di modelli di machine learning nell’ambito dell’agricoltura, per eseguire analisi fisico-chimiche in modo non distruttivo. L’obiettivo principale è stato utilizzare delle immagini iperspettrali di foglie di lattuga per applicare degli algoritmi di regressione volti a stimare degli indici fisio- logici (solitamente ottenuti tramite analisi di fluorescenza) e la concentrazione di elementi biochimici. La lattuga analizzata è stata coltivata secondo un approccio di agricoltura verticale in un ambiente controllato, che includeva sia un sistema NFT (tecnica del film nutritivo) che un sistema aeroponico. I valori da prevedere includevano la concentrazione di specifici pigmenti (clorofilla, antociani e flavonoli) e di indici fotosintetici, entrambi fattori fondamentali per determinare lo stato di stress della pianta. Nella tesi è stata sviluppata e testata una pipeline per il machine learning, valutando le prestazioni di di- versi modelli, addestrati su diversi dataset, con particolare attenzione alle tecniche di selezione delle lunghezze d’onda. I risultati hanno mostrato prestazioni promettenti per alcune variabili di output; in par- ticolare, i modelli di regressione per flavonoli, PI Total e ET0/RC hanno raggiunto valori di R² pari a 0,643, 0,643 e 0,779 rispettivamente, mentre per altri target la regressione si è rivelata più complessa. La pipeline ha dimostrato potenziale per l’analisi non invasiva delle piante, e un miglioramento nella quantità e qualità dei dati raccolti potrebbe portare ad un incremento significativo delle prestazione dei modelli finali.