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 optimizar los procesos relacionados con un desafío clave: el cambio climático. Con el calentamiento global alterando las temporadas de cultivo y el aumento de la población mundial, es realmente necesario desarrollar cultivos capaces de resistir entornos en constante cambio. El fenotipado vegetal es una parte fundamental de esta investigación.

El fenotipado vegetal consiste en estudiar propiedades de las plantas como el tamaño, el color, el crecimiento y las estructuras radiculares. 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 utilizarse para decidir qué cultivos deben cruzarse con el fin de aumentar la productividad agrícola.

Normalmente, el fenotipado vegetal implica observaciones visuales manuales, que pueden llevar mucho tiempo y esfuerzo. La visión artificial, una rama de la inteligencia artificial (AI), puede transformar la forma en que estudiamos las plantas. Con la visión artificial aplicada al fenotipado vegetal, podemos detectar y analizar automáticamente plantas a partir de imágenes o vídeos, mejorando significativamente 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 diversas tareas de visión artificial, YOLO11 puede utilizarse para analizar distintas propiedades de las plantas en imágenes y vídeos.

En este artículo, analizaremos más detenidamente los desafíos del fenotipado vegetal tradicional y exploraremos cómo los modelos de visión artificial, como Ultralytics YOLO11, están impulsando prácticas agrícolas más inteligentes y sostenibles.

¿Qué es el fenotipado vegetal?#

El fenotipado vegetal es el proceso de observar y analizar las características físicas y bioquímicas de una planta. Al recopilar datos como la altura de la planta, el área foliar, la tasa de crecimiento y las respuestas al estrés, podemos obtener información valiosa sobre cómo crecen las plantas y cómo reaccionan ante entornos diversos.

Los datos recopilados mediante el fenotipado vegetal son fundamentales para mejorar los cultivos, predecir el rendimiento y aumentar la resiliencia climática. Estos datos también ayudan a los agricultores y expertos en agricultura a seleccionar las variedades de plantas con mejor rendimiento para su cultivo o reproducción posterior.

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

Aún hoy, el fenotipado vegetal suele implicar métodos manuales. Los investigadores o agricultores expertos visitan los campos, miden físicamente las plantas y registran los datos a mano. A pesar de su utilidad, estos métodos requieren mucho esfuerzo humano. También pueden dar lugar a incoherencias, ya que distintas personas pueden observar e interpretar las características de las plantas de forma diferente.

Sin embargo, el fenotipado moderno, o fenotipado vegetal de alto rendimiento, se centra en la coherencia, la precisión y la recopilación de datos no destructiva. Las plantas se monitorizan mediante 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 puede ver el ojo humano) y sistemas LiDAR (detección y medición de distancias mediante luz) (escáneres basados en láser que crean mapas 3D detallados) para capturar datos de alta resolución sin alterar físicamente las plantas.

Cuando se combinan con AI y visión artificial, estos métodos no invasivos pueden ayudar a mejorar significativamente la precisión y la coherencia del fenotipado vegetal.

Limitaciones del fenotipado vegetal tradicional#

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

• Métodos manuales: Los métodos tradicionales dependían del esfuerzo humano y utilizaban herramientas físicas como reglas y calibres. Requerían mucho tiempo y eran subjetivos, especialmente en grandes campos de cultivo.
• Muestreo destructivo: A menudo, las plantas se dañaban o se arrancaban para estudiar sus propiedades internas. El muestreo destructivo hace imposible monitorizar cómo responden las plantas en distintos intervalos de tiempo.
• Dificultad para capturar cambios dinámicos: Los métodos tradicionales suelen capturar un único momento, por lo que no reflejan la evolución de las características de las plantas a lo largo del tiempo.

El fenotipado vegetal de alto rendimiento se centra en automatizar el fenotipado vegetal 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 el fenotipado vegetal#

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

En primer lugar, la adquisición de imágenes consiste en capturar datos visuales mediante diversos sensores, como cámaras y drones. A continuación, el procesamiento de imágenes mejora la calidad y la nitidez de las imágenes mediante técnicas como la reducción de ruido y la corrección del color. Por último, el análisis de imágenes extrae información significativa de las imágenes procesadas utilizando distintas tareas de visión artificial, como la detección de objetos y la segmentación de instancias. Los modelos como Ultralytics YOLO11 pueden utilizarse para este análisis de imágenes y admiten este tipo de tareas.

Fig. 2. YOLO11 puede utilizarse para detectar verduras en un campo.

Otras tecnologías utilizadas en el fenotipado vegetal de alto rendimiento#

Más allá de la visión artificial, el fenotipado 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 servir como primer paso en 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 deficiencias de nutrientes.
• Imágenes térmicas: Las cámaras térmicas miden la radiación infrarroja emitida por las plantas y ofrecen información sobre la temperatura de su superficie. Este método no invasivo resulta útil para monitorizar la salud de las plantas e identificar posibles problemas en una fase 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 las variaciones afectan al crecimiento y la productividad.

Fig. 3. Tecnologías clave utilizadas en el fenotipado vegetal de alto rendimiento. Imagen del autor.

Aplicaciones de Ultralytics YOLO11 en el fenotipado vegetal#

Los modelos de visión artificial se utilizan gradualmente en el fenotipado vegetal para una amplia variedad de tareas. 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 del mundo real en las que modelos como YOLO11 pueden ayudar con el fenotipado vegetal.

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

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

Por ejemplo, la compatibilidad de Ultralytics YOLO11 con la detección de objetos puede utilizarse para identificar diferencias entre plantas de arroz tolerantes y sensibles a la sequía mediante el recuento del número de hojas visibles. Los indicadores visuales, como el número de hojas, suelen correlacionarse con características más profundas, como la biomasa y la resiliencia de la planta.

Detección de flores con Ultralytics YOLO11#

La detección y el recuento de flores son aspectos interesantes del fenotipado vegetal, especialmente en cultivos cuya cantidad de flores está estrechamente relacionada con su potencial de rendimiento. En particular, Ultralytics YOLO11 puede utilizarse para detectar 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.

Detección de enfermedades de las plantas con AI y Ultralytics YOLO11#

La detección de enfermedades de las plantas es una parte crucial de la monitorización de la salud de los cultivos. Mediante las capacidades de clasificación de imágenes de YOLO11, las imágenes de los cultivos pueden clasificarse para identificar signos tempranos de enfermedad. YOLO11 también puede integrarse 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 la pérdida de rendimiento y minimizar el uso de pesticidas.

Por ejemplo, Ultralytics YOLO11 puede entrenarse con datos personalizados para clasificar imágenes de hojas de vid que puedan mostrar signos de la enfermedad del enrollado de la hoja 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. Al reconocer patrones visuales distintivos, como cambios de color y decoloración de las nervaduras, YOLO11 ayuda a los viticultores a detectar las infecciones en una fase temprana y a tomar decisiones más informadas sobre los tratamientos.

Fig. 4. Ejemplos de cómo se manifiesta la enfermedad del enrollado de la hoja de la vid.

Ventajas de utilizar Ultralytics YOLO11 para el fenotipado vegetal#

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

• Escalabilidad y rentabilidad: Automatizar procesos con Ultralytics YOLO11 puede reducir la necesidad de mano de obra manual, lo que lo convierte en una solución escalable y rentable para operaciones agrícolas a gran escala.
• Alertas en tiempo real: Integrar los datos obtenidos mediante Ultralytics YOLO11 con sistemas automatizados proporciona notificaciones instantáneas sobre posibles problemas y facilita una toma de decisiones rápida.
• 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.

Desafíos de la visión artificial en el fenotipado vegetal#

Aunque la visión artificial ofrece muchas ventajas para el fenotipado vegetal, es importante tener presentes las limitaciones relacionadas con la implementación de estos sistemas. Estas son algunas cuestiones clave:

• Requisitos de los conjuntos de datos: El entrenamiento de modelos requiere conjuntos de datos grandes, diversos y correctamente etiquetados, que pueden ser difíciles y laboriosos de recopilar, especialmente en el caso de cultivos poco comunes o condiciones singulares.
• Problemas de privacidad: A medida que los drones y las cámaras inteligentes se vuelven 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 en la iluminación, el clima y la acumulación de elementos en el fondo pueden afectar a la precisión del análisis visual en entornos agrícolas impredecibles.

Hacia el fenotipado vegetal de alto rendimiento#

El futuro del fenotipado vegetal avanza hacia sistemas inteligentes e interconectados que trabajan conjuntamente para ofrecer una visión más clara de la salud y el crecimiento de los cultivos. Una tendencia especialmente interesante es el uso simultáneo de varios sensores. Al combinar datos de diversas fuentes, podemos obtener una comprensión mucho más completa y precisa de lo que ocurre en una planta.

Las tendencias del mercado también muestran un interés creciente por los métodos avanzados de fenotipado vegetal. El mercado del fenotipado vegetal mundial alcanza aproximadamente los 311,73 millones de dólares este año (2025) y está previsto que llegue a los 520,80 millones de dólares en 2030.

Fig. 5. El valor de mercado del fenotipado vegetal.

Conclusiones clave#

La visión artificial aplicada al fenotipado vegetal ayuda a automatizar la medición y el análisis de las plantas. Los modelos de AI para visión, como Ultralytics YOLO11, pueden reducir el trabajo manual, lograr mejores resultados y facilitar la monitorización de cultivos a gran escala. El paso de los métodos tradicionales a sistemas inteligentes basados en la tecnología supone un avance importante para hacer frente a desafíos globales como el cambio climático, la escasez de alimentos y la agricultura sostenible.

De cara al futuro, integrar la visión artificial con otras tecnologías como la AI, la robótica y los sensores inteligentes hará que la agricultura sea aún más inteligente y eficiente. A medida que avance la AI, nos acercaremos a un futuro en el que podamos monitorizar las plantas sin interrupciones, ajustar con precisión 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 AI. Descubre los últimos avances en áreas como la AI en la fabricación y la visión artificial en la sanidad en nuestras páginas de soluciones. Consulta nuestras opciones de licencia y empieza hoy mismo a utilizar la visión artificial.