25 de marzo de 2025
Vea cómo Ultralytics YOLO11 y la visión por ordenador en el fenotipado de plantas pueden utilizarse para automatizar tareas como el recuento de hojas, la detección de sequías y la predicción de enfermedades.
La agricultura es esencial para nuestro suministro de alimentos, y los investigadores siempre están buscando formas de optimizar los procesos relacionados con un desafío clave: el cambio climático. Con el calentamiento global interrumpiendo las temporadas de cultivo y el aumento de la población mundial, la necesidad de desarrollar cultivos que puedan resistir entornos en constante cambio es muy real. El fenotipado de plantas es una parte clave de esta investigación.
La fenotipificación de plantas implica el estudio de las propiedades de las plantas, como el tamaño, el color, el crecimiento y las estructuras de las raíces. Al comprender cómo reaccionan las plantas a diferentes condiciones, podemos identificar cuáles están mejor equipadas para soportar la sequía, el calor o la mala calidad del suelo. Estos datos pueden utilizarse para tomar decisiones sobre qué cultivos criar para aumentar la productividad agrícola.
Normalmente, el fenotipado de plantas implica observaciones visuales manuales, que pueden llevar mucho tiempo y requerir mucho trabajo. La visión por ordenador, una rama de la inteligencia artificial (IA), puede reinventar la forma de estudiar las plantas. Con la visión por ordenador en el fenotipado de plantas, podemos detect y analizar automáticamente plantas a partir de imágenes o vídeos, mejorando significativamente la velocidad, la coherencia y la precisión.
Por ejemplo, modelos de visión por ordenador 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 diversas tareas de visión por ordenador, YOLO11 puede utilizarse para analizar diversas propiedades de las plantas en imágenes y vídeos.
En este artículo examinaremos más de cerca los retos que plantea el fenotipado tradicional de las plantas y exploraremos cómo modelos de visión por ordenador como YOLO11 están impulsando prácticas agrícolas más inteligentes y sostenibles.
La fenotipificación de plantas es el proceso de observar y analizar las características físicas y bioquímicas de una planta. Mediante la recopilación de datos como la altura de la planta, la superficie foliar, la tasa de crecimiento y las respuestas al estrés, podemos obtener información valiosa sobre cómo crecen las plantas y reaccionan a diversos entornos.
Los datos recopilados a través de la fenotipificación de plantas son vitales para la mejora de los cultivos, la predicción del rendimiento y la mejora de la resiliencia climática. Estos puntos de datos también ayudan a los agricultores y expertos agrícolas a seleccionar las variedades de plantas de mejor rendimiento para su posterior cultivo o mejoramiento.
Incluso hoy en día, la fenotipificación de plantas generalmente implica métodos manuales. Los investigadores o los agricultores expertos visitan los campos, miden físicamente las plantas y registran los datos a mano. A pesar de su valor, estos métodos requieren mucho esfuerzo humano. También pueden dar lugar a inconsistencias, ya que diferentes personas pueden observar e interpretar los rasgos de las plantas de manera diferente.
El fenotipado moderno o el fenotipado de plantas de alto rendimiento, sin embargo, se centra en la consistencia, la precisión y la recopilación de datos no destructiva. Las plantas se monitorean utilizando herramientas avanzadas como cámaras RGB (cámaras de color estándar), sensores hiperespectrales (dispositivos que capturan una amplia gama de información de color, incluso más allá de lo que el ojo puede ver) y sistemas LiDAR (Light Detection and Ranging) (escáneres basados en láser que crean mapas 3D detallados) para capturar datos de alta resolución sin perturbar físicamente las plantas.
Cuando se combinan con la IA y la visión artificial, estos métodos no invasivos pueden ayudar a mejorar significativamente la precisión y la consistencia de la fenotipificación de plantas.
Aunque fundamentales, los métodos tradicionales de fenotipificación de plantas tienen varias limitaciones y desafíos. Estas son algunas de sus principales desventajas:
La fenotipificación de plantas de alto rendimiento se centra en la automatización de la fenotipificación de plantas para que las mediciones sean más precisas y mantener la coherencia. Abre nuevas puertas a la innovación agrícola y a la agricultura inteligente.
La visión artificial es una tecnología que permite a las máquinas ver e interpretar la información visual del mundo real, de forma similar a como lo hacen los humanos. Implica tres etapas clave: adquisición, procesamiento y análisis de imágenes.
En primer lugar, la adquisición de imágenes implica la captura de datos visuales mediante diversos 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 por ordenador, como la detección de objetos y la segmentación de instancias. Modelos como YOLO11 pueden utilizarse para este análisis de imágenes y apoyar tales tareas.
Más allá de la visión artificial, la fenotipificación de plantas de alto rendimiento se basa en varias tecnologías innovadoras para capturar imágenes y videos detallados de las plantas. Estas son algunas de estas herramientas clave y cómo mejoran la recopilación de datos:
Los modelos de visión por ordenador se están utilizando gradualmente en el fenotipado de plantas en una amplia gama de tareas. Desde el recuento de hojas hasta el análisis morfológico detallado, estas tecnologías están transformando nuestra forma de entender y gestionar la salud de las plantas. Veamos algunas aplicaciones reales en las que modelos como YOLO11 pueden ayudar en el fenotipado de plantas.
Cuando modelos de visión como YOLO11 se integran con UAV (vehículos aéreos no tripulados), pueden utilizarse para analizar distintas características de las plantas en tiempo real. La capacidad de YOLO11para detect pequeñas características en imágenes aéreas de alta resolución, como las puntas de las hojas, ayuda a investigadores y agricultores a track etapas de desarrollo de las plantas con más precisión que los métodos manuales tradicionales.
Por ejemplo, el soporte de YOLO11para la detección de objetos puede utilizarse para identificar diferencias entre plantas de arroz tolerantes y sensibles a la sequía contando el número de hojas visibles. Las señales visuales, como el recuento de hojas, suelen correlacionarse con rasgos más profundos, como la biomasa y la resistencia de las plantas.
La detección y el recuento de flores son aspectos interesantes del fenotipado de plantas, especialmente en cultivos en los que la cantidad de flores está estrechamente ligada al potencial de rendimiento. En concreto, YOLO11 puede utilizarse para detect diversas estructuras florales. Al automatizar el proceso de 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.
La detección de las enfermedades de las plantas es una parte crucial del seguimiento de la salud de los cultivos. Gracias a las funciones de clasificación de imágenes de YOLO11, las imágenes de los cultivos pueden clasificarse para identificar los primeros signos de enfermedad. YOLO11 también puede integrarse en dispositivos como drones, aplicaciones móviles o robots de campo para la detección automática de enfermedades. Esto permite a los agricultores tomar medidas oportunas contra los brotes de enfermedades, reduciendo la pérdida de rendimiento y minimizando el uso de pesticidas.
Por ejemplo, YOLO11 puede entrenarse a medida para classify imágenes de hojas de uva que puedan mostrar signos de la enfermedad del enrollado de la vid. El modelo aprende a partir de ejemplos etiquetados que abarcan distintas fases de la enfermedad, como hojas sanas, decoloración leve y síntomas graves. El modelo aprende de ejemplos etiquetados que abarcan distintas fases de la enfermedad, como hojas sanas, decoloración leve y síntomas graves. Al reconocer distintos patrones visuales, como cambios de color y decoloración de las venas, YOLO11 ayuda a los viticultores a detect infecciones en una fase temprana y a tomar decisiones más informadas sobre los tratamientos.
He aquí algunas ventajas de utilizar modelos de visión por ordenador como YOLO11 en comparación con los métodos tradicionales de fenotipado de plantas:
Si bien la visión artificial ofrece muchas ventajas en lo que respecta a la fenotipificación de plantas, es importante tener en cuenta las limitaciones relacionadas con la implementación de estos sistemas. Estas son algunas de las principales preocupaciones:
El futuro de la fenotipificación de plantas se dirige 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 interesante es el uso de múltiples sensores a la vez. Al combinar datos de diversas fuentes, podemos obtener una comprensión mucho más rica y precisa de lo que le está sucediendo a una planta.
Las tendencias del mercado también muestran un creciente interés en métodos avanzados de fenotipado de plantas. El mercado global de fenotipado de plantas ronda los 311,73 millones de dólares este año (2025) y se prevé que alcance los 520,80 millones de dólares en 2030.
La visión por ordenador en el fenotipado de plantas está ayudando a automatizar su medición y análisis. Los modelos de IA por visión como YOLO11 pueden reducir el trabajo manual, obtener mejores resultados y facilitar el seguimiento de los cultivos a gran escala. El paso de los métodos tradicionales a los sistemas inteligentes impulsados por la tecnología es un paso importante para afrontar retos 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 avanza la IA, nos acercamos a un futuro en el que podremos supervisar las plantas sin problemas, ajustar su crecimiento y proporcionarles los cuidados necesarios.
Únete a nuestra comunidad y explora nuestro repositorio en 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 médica en nuestras páginas de soluciones. Consulta nuestras opciones de licencia y ¡empieza hoy mismo con la visión artificial!
