Ultralytics YOLO11 y visión artificial en la fenotipificación vegetal

La agricultura es esencial para nuestro suministro de alimentos, y los investigadores buscan constantemente formas de adaptarla a un reto clave: el cambio climático. El calentamiento global está alterando las temporadas de cultivo y la población mundial sigue creciendo, por lo que es realmente necesario desarrollar cultivos capaces de soportar entornos cada vez más cambiantes. La fenotipificación de plantas es una parte fundamental de esta investigación.

La fenotipificación vegetal consiste en estudiar propiedades de las plantas como el tamaño, el color, el crecimiento y las estructuras de las raíces. Al comprender cómo reaccionan las plantas ante distintas condiciones, podemos identificar cuáles están mejor preparadas para soportar la sequía, el calor o los suelos pobres. Estos datos pueden servir para decidir qué cultivos conviene cruzar con el fin de aumentar la productividad agrícola.

Por lo general, la fenotipificación vegetal se basa en observaciones visuales manuales, que pueden llevar mucho tiempo y trabajo. La visión artificial, una rama de la inteligencia artificial (IA), puede transformar la forma de estudiar las plantas. Con la visión artificial aplicada a la fenotipificación vegetal, podemos detectar y analizar automáticamente plantas en imágenes o vídeos, mejorando considerablemente la velocidad, la coherencia y la precisión.

Por ejemplo, los modelos de visión artificial como Ultralytics YOLO11 pueden procesar grandes volúmenes de datos visuales de plantas capturados por drones, robots terrestres o dispositivos portátiles. Gracias a su compatibilidad con distintas tareas de visión artificial, YOLO11 se puede utilizar para analizar diversas propiedades de las plantas en imágenes y vídeos.

En este artículo, examinaremos más detenidamente los desafíos de la fenotipificación vegetal tradicional y veremos cómo los modelos de visión artificial como Ultralytics YOLO11 impulsan prácticas agrícolas más inteligentes y sostenibles.

¿Qué es la fenotipificación vegetal?#

La fenotipificación vegetal es el proceso de observación y análisis de las características físicas y bioquímicas de una planta. Al recopilar datos como la altura de la planta, la superficie de las hojas, la tasa de crecimiento y las respuestas al estrés, podemos obtener información valiosa sobre cómo crecen las plantas y reaccionan ante distintos entornos.

Los datos recopilados mediante la fenotipificación vegetal son esenciales para mejorar los cultivos, predecir el rendimiento y reforzar la resiliencia climática. Estos datos también ayudan a los agricultores y expertos agrícolas a seleccionar las variedades vegetales con mejores resultados para su cultivo o cruzamiento posterior.

Fig. 1. Un investigador mide la altura de la planta con una regla.

A día de hoy, la fenotipificación vegetal suele basarse en métodos manuales. Los investigadores o agricultores expertos visitan los campos, miden las plantas físicamente y anotan los datos a mano. Aunque son útiles, estos métodos requieren mucho trabajo humano. También pueden dar lugar a incoherencias, ya que distintas personas pueden observar e interpretar los rasgos de las plantas de forma diferente.

Sin embargo, la fenotipificación moderna, o fenotipificación vegetal de alto rendimiento, se centra en la coherencia, la precisión y la recopilación de datos no destructiva. Las plantas se supervisan con herramientas avanzadas como cámaras RGB (cámaras de color estándar), sensores hiperespectrales (dispositivos que capturan una amplia gama de información cromática, incluso más allá de lo que el ojo puede ver) y sistemas LiDAR (detección y medición de distancias por luz) (escáneres láser que crean mapas 3D detallados), que permiten obtener datos de alta resolución sin alterar físicamente las plantas.

Combinados con la IA y la visión artificial, estos métodos no invasivos pueden mejorar considerablemente la precisión y la coherencia de la fenotipificación vegetal.

Limitaciones de la fenotipificación vegetal tradicional#

Aunque son fundamentales, los métodos tradicionales de fenotipificación vegetal presentan varias limitaciones y desafíos. Estas son algunas de sus principales desventajas:

• Métodos manuales: Los métodos tradicionales dependían del trabajo humano y del uso de herramientas físicas, como reglas y calibres. Llevaban mucho tiempo y eran subjetivos, sobre todo en grandes campos de cultivo.
• Muestreo destructivo: A menudo se dañaban o arrancaban las plantas para estudiar sus propiedades internas. El muestreo destructivo impide supervisar cómo responden las plantas en distintos momentos.
• Dificultad para captar los cambios dinámicos: Los métodos tradicionales suelen capturar un único momento y no reflejan la evolución de los rasgos de las plantas a lo largo del tiempo.

La fenotipificación vegetal de alto rendimiento se centra en automatizar el proceso para que las mediciones sean más precisas y coherentes. Abre nuevas posibilidades para la innovación agrícola y la agricultura inteligente.

El papel de la visión artificial en la fenotipificación vegetal#

La visión artificial es una tecnología que permite a las máquinas ver e interpretar información visual del mundo real, de forma similar a las personas. Consta de tres etapas clave: adquisición de imágenes, procesamiento y análisis.

En primer lugar, la adquisición de imágenes consiste en capturar datos visuales con distintos sensores, como cámaras y drones. A continuación, el procesamiento de imágenes mejora su calidad y claridad mediante técnicas como la reducción del ruido y la corrección del color. Por último, el análisis de imágenes extrae información significativa de las imágenes procesadas mediante distintas tareas de visión artificial, como la detección de objetos y la segmentación de instancias. Para este análisis se pueden utilizar modelos como Ultralytics YOLO11, que admite estas tareas.

Fig. 2. YOLO11 se puede utilizar para detectar verduras en un campo.

Otras tecnologías utilizadas en la fenotipificación vegetal de alto rendimiento#

Además de la visión artificial, la fenotipificación vegetal de alto rendimiento se basa en varias tecnologías innovadoras para capturar imágenes y vídeos detallados de las plantas. Estas son algunas de las herramientas clave y la forma en que mejoran la recopilación de datos:

• Imágenes RGB: Las cámaras RGB estándar se utilizan habitualmente para capturar imágenes de plantas. Las imágenes RGB son fundamentales para el análisis fenotípico y suelen ser el primer paso de evaluaciones más complejas.
• Imágenes hiperespectrales: Esta tecnología captura una amplia gama de bandas espectrales más allá del espectro visible. Proporciona información detallada sobre la composición química de una planta y ayuda a detectar factores como los niveles de clorofila, el contenido de agua y las carencias de nutrientes.
• Imágenes térmicas: Las cámaras térmicas miden la radiación infrarroja emitida por las plantas y ofrecen información sobre su temperatura superficial. Este método no invasivo resulta útil para supervisar la salud de las plantas e identificar posibles problemas de forma temprana.
• Imágenes 3D: Las cámaras de profundidad y la tecnología LiDAR crean modelos tridimensionales de las plantas. Las imágenes 3D son fundamentales para analizar estructuras vegetales complejas y comprender cómo afectan las variaciones al crecimiento y la productividad.

Fig. 3. Tecnologías clave utilizadas en la fenotipificación vegetal de alto rendimiento. Imagen del autor.

Aplicaciones de Ultralytics YOLO11 en la fenotipificación vegetal#

Los modelos de visión artificial se utilizan cada vez más en una amplia variedad de tareas de fenotipificación vegetal. Desde el recuento de hojas hasta el análisis morfológico detallado, estas tecnologías están transformando nuestra forma de comprender y gestionar la salud de las plantas. Veamos algunas aplicaciones reales en las que modelos como YOLO11 pueden ayudar con la fenotipificación vegetal.

Recuento de hojas y estimación de la sequía con Ultralytics YOLO11#

Cuando se integran con UAVs (vehículos aéreos no tripulados), los modelos de visión como Ultralytics YOLO11 pueden utilizarse para analizar en tiempo real distintas características de las plantas. La capacidad de YOLO11 para detectar rasgos pequeños, como las puntas de las hojas, en imágenes aéreas de alta resolución ayuda a los investigadores y agricultores a seguir las etapas de desarrollo de las plantas con más precisión que los métodos manuales tradicionales.

Por ejemplo, la compatibilidad de Ultralytics YOLO11 con la detección de objetos permite identificar diferencias entre las plantas de arroz resistentes a la sequía y las sensibles a ella contando las hojas visibles. Los indicadores visuales, como el recuento de hojas, suelen estar relacionados con rasgos más profundos, como la biomasa y la resiliencia de las plantas.

Detección de flores con Ultralytics YOLO11#

La detección y el recuento de flores son aspectos interesantes de la fenotipificación vegetal, sobre todo en cultivos cuyo rendimiento potencial está estrechamente relacionado con la cantidad de flores. En particular, Ultralytics YOLO11 se puede utilizar para detectar distintas estructuras florales. Al automatizar la detección de flores, los agricultores y los investigadores pueden tomar decisiones más rápidas y basadas en datos sobre el momento de la polinización, la asignación de recursos y la salud general de los cultivos.

Detección de enfermedades vegetales con IA y Ultralytics YOLO11#

Detectar enfermedades de las plantas es fundamental para supervisar la salud de los cultivos. Gracias a las capacidades de clasificación de imágenes de YOLO11, se pueden clasificar imágenes de cultivos para identificar los primeros signos de enfermedad. YOLO11 también se puede integrar en dispositivos como drones, aplicaciones móviles o robots de campo para detectar enfermedades automáticamente. Esto permite a los agricultores actuar a tiempo ante los brotes de enfermedades, reducir las pérdidas de cosechas y minimizar el uso de pesticidas.

Por ejemplo, Ultralytics YOLO11 se puede entrenar de forma personalizada para clasificar imágenes de hojas de vid que puedan mostrar signos de enrollamiento de la hoja de la vid. El modelo aprende a partir de ejemplos etiquetados que abarcan distintas fases de la enfermedad, como hojas sanas, una decoloración leve y síntomas graves. Al reconocer patrones visuales diferenciados, como cambios de color y decoloración de los nervios, YOLO11 ayuda a los viticultores a detectar infecciones de forma temprana y a tomar decisiones más informadas sobre los tratamientos.

Fig. 4. Ejemplos de cómo se manifiesta el enrollamiento de la hoja de la vid.

Ventajas de usar Ultralytics YOLO11 para la fenotipificación vegetal#

Estas son algunas ventajas de usar modelos de visión artificial como Ultralytics YOLO11 frente a los métodos tradicionales de fenotipificación vegetal:

• Escalabilidad y rentabilidad: La automatización de procesos con Ultralytics YOLO11 puede reducir la necesidad de mano de obra, lo que la convierte en una solución escalable y rentable para operaciones agrícolas a gran escala.
• Alertas en tiempo real: Integrar la información obtenida con Ultralytics YOLO11 en sistemas automatizados permite enviar notificaciones instantáneas sobre posibles problemas y facilita la toma rápida de decisiones.
• Prácticas agrícolas sostenibles: Al reducir las intervenciones manuales y el uso de productos químicos, la visión artificial contribuye a una agricultura más respetuosa con el medio ambiente y sostenible.

Retos de la visión artificial en la fenotipificación vegetal#

Aunque la visión artificial ofrece muchas ventajas para la fenotipificación vegetal, es importante tener presentes las limitaciones que conlleva implementar estos sistemas. Estos son algunos aspectos clave:

• Requisitos de los conjuntos de datos: El entrenamiento de modelos requiere conjuntos de datos grandes, diversos y bien etiquetados, que pueden ser difíciles y llevar mucho tiempo recopilar, sobre todo en el caso de cultivos poco comunes o condiciones particulares.
• Cuestiones de privacidad: A medida que los drones y las cámaras inteligentes se hacen más habituales en los campos, surgen dudas sobre quién es el propietario de los datos, cómo se almacenan y si se utilizan sin el consentimiento adecuado.
• Condiciones ambientales: Los cambios de iluminación, el tiempo y los elementos que distraen en el fondo pueden afectar a la precisión del análisis visual en entornos agrícolas impredecibles.

Avances hacia la fenotipificación vegetal de alto rendimiento#

El futuro de la fenotipificación vegetal avanza hacia sistemas inteligentes e interconectados que trabajan juntos para ofrecer una imagen más clara de la salud y el crecimiento de los cultivos. Una tendencia prometedora es el uso simultáneo de varios sensores. Al combinar datos de distintas fuentes, podemos comprender mucho mejor y con mayor precisión lo que le ocurre a una planta.

Las tendencias del mercado también muestran un interés creciente por los métodos avanzados de fenotipificación vegetal. Este año (2025), el mercado mundial de fenotipificación vegetal ronda los 311,73 millones de dólares y se prevé que alcance los 520,80 millones en 2030.

Fig. 5. Valor de mercado de la fenotipificación vegetal.

Conclusiones clave#

La visión artificial en la fenotipificación vegetal ayuda a automatizar la medición y el análisis de las plantas. Los modelos de IA de visión, como Ultralytics YOLO11, pueden reducir el trabajo manual, obtener mejores resultados y facilitar el seguimiento de cultivos a gran escala. El paso de los métodos tradicionales a sistemas inteligentes basados en la tecnología es un avance importante para abordar desafíos mundiales como el cambio climático, la escasez de alimentos y la agricultura sostenible.

De cara al futuro, la integración de la visión artificial con otras tecnologías como la IA, la robótica y los sensores inteligentes hará que la agricultura sea aún más inteligente y eficiente. A medida que avance la IA, nos acercaremos a un futuro en el que podremos supervisar las plantas de forma continua, ajustar su crecimiento y proporcionarles los cuidados necesarios.

Únete a nuestra comunidad y explora nuestro repositorio de GitHub para obtener más información sobre las innovaciones en IA. Descubre los últimos avances en áreas como la IA en la fabricación y la visión artificial en la atención sanitaria en nuestras páginas de soluciones. Consulta nuestras opciones de licencia y empieza hoy mismo con la visión artificial.