ETD

• alpha-tree,
• component trees,
• connected filters,
• explainable AI,
• machine learning
• max-tree,
• morphological filtering,
• plant disease detection,
• precision agriculture,
• prototype-based methods,

In this thesis, tree structures from connected filters, specifically alpha-trees, are combined with an explainable, prototype-based classification method (PALVQ) to detect viral disease in potato leaves. The approach builds a hierarchical representation of each leaf image through morphological attribute filtering, extracts pattern spectra via kernel density estimation, and classifies healthy against diseased tissue through a metric-learning prototype model, avoiding the opacity and large training-data requirements of deep convolutional approaches. The method is evaluated across four potato cultivars such as Fontane, Mondial, Rudolph, and Spunta, under 10-fold stratified cross-validation, achieving balanced accuracies of 0.856, 0.821, 0.845, and 0.731 respectively, with Spunta further evaluated across multiple diseases via a leave-one-image-out protocol. A systematic investigation into data quality, label provenance, and a wide range of feature and architectural alternatives is reported, including several rigorously tested negative results, contributing a fair account of where classical, interpretable methods reach their genuine performance ceiling on this task. Preliminary experimentation with kernel-bandwidth tuning and ensemble-based training showed promising accuracy improvements across all four cultivars; this direction is identified as future work, to be developed and validated separately.

In questa tesi, strutture ad albero derivate da filtri connessi, in particolare gli alpha-tree, vengono combinate con un metodo di classificazione spiegabile basato su prototipi (PALVQ) per rilevare malattie virali nelle foglie di patata. L'approccio costruisce una rappresentazione gerarchica di ciascuna immagine fogliare tramite filtraggio morfologico per attributi, estrae pattern spectra mediante la stima di densità kernel e classifica il tessuto sano rispetto a quello malato tramite un modello a prototipi basato su metric learning, evitando l'opacità e gli elevati requisiti di dati di addestramento tipici degli approcci convoluzionali profondi. Il metodo è valutato su quattro cultivar di patata, quali Fontane, Mondial, Rudolph e Spunta, tramite cross-validation stratificata a 10 fold, ottenendo balanced accuracy rispettivamente pari a 0,856, 0,821, 0,845 e 0,731, con Spunta ulteriormente valutata su più malattie mediante un protocollo leave-one-image-out. Viene presentata un'indagine sistematica sulla qualità dei dati, sulla provenienza delle etichette e su un'ampia gamma di alternative a livello di feature e di architettura, inclusi diversi risultati negativi rigorosamente testati, contribuendo a fornire un quadro onesto di dove i metodi classici e interpretabili raggiungono il proprio reale limite prestazionale su questo task. Una sperimentazione preliminare con la regolazione della bandwidth del kernel e l'addestramento tramite ensemble ha mostrato miglioramenti promettenti dell'accuracy su tutte e quattro le cultivar; questa direzione viene identificata come lavoro futuro, da sviluppare e validare separatamente.