Ultralytics YOLO11 y visión artificial en fenotipado de plantas

La agricultura es fundamental 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 la población mundial en aumento, la necesidad de desarrollar cultivos que puedan resistir entornos en constante cambio es una realidad. La fenotipado de plantas es una parte clave de esta investigación.

La fenotipado de plantas implica estudiar las propiedades de las plantas, como el tamaño, el color, el crecimiento y las estructuras de las raíces. Al entender cómo reaccionan las plantas a diferentes condiciones, podemos identificar cuáles están mejor equipadas para manejar la sequía, el calor o los suelos pobres. Estos datos se pueden utilizar para tomar decisiones sobre qué cultivos criar para aumentar la productividad agrícola.

Normalmente, la fenotipación vegetal implica observaciones visuales manuales, lo que puede llevar mucho tiempo y requerir un esfuerzo considerable. Computer vision, una rama de la inteligencia artificial (IA), puede reinventar la forma en que estudiamos las plantas. Con la visión por ordenador en la fenotipación vegetal, podemos detectar y analizar automáticamente las plantas a partir de imágenes o vídeos, mejorando significativamente la velocidad, la coherencia y la precisión.

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

En este artículo, analizaremos de cerca los desafíos del fenotipado vegetal tradicional y exploraremos cómo los modelos de visión por computador como Ultralytics YOLO11 impulsan prácticas agrícolas más inteligentes y sostenibles.

¿Qué es la fenotipado de plantas?#

La fenotipado de plantas 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 a diversos entornos.

Los datos recopilados mediante la fenotipado 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 con mejor rendimiento para su posterior cultivo o mejora genética.

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

Incluso hoy en día, la fenotipado de plantas generalmente implica métodos manuales. Los investigadores o 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 generar inconsistencias, ya que diferentes personas pueden observar e interpretar los rasgos de las plantas de manera diferente.

Sin embargo, la fenotipación moderna o fenotipación vegetal de alto rendimiento se centra en la coherencia, la accuracy y la recopilación de datos no destructiva. Las plantas se monitorizan 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 por ordenador, estos métodos no invasivos pueden ayudar a mejorar significativamente la precisión y la consistencia de la fenotipado de plantas.

Limitaciones de la fenotipado de plantas tradicional#

Aunque son fundamentales, los métodos tradicionales de fenotipado de plantas tienen varias limitaciones y desafíos. Aquí tienes algunos de sus principales inconvenientes:

• Métodos manuales: Los métodos tradicionales dependían del esfuerzo humano y se utilizaban herramientas físicas como reglas y calibradores. Eran lentos y subjetivos, especialmente en grandes campos de cultivo.
• Muestreo destructivo: A menudo se dañaban o arrancaban las plantas para estudiar sus propiedades internas. El muestreo destructivo hace imposible monitorear cómo responden las plantas en diferentes intervalos de tiempo.
• Dificultad para capturar cambios dinámicos: Los métodos tradicionales a menudo capturan un solo momento en el tiempo, perdiendo la evolución de los rasgos de la planta a lo largo del tiempo.

La fenotipado de plantas de alto rendimiento se centra en automatizar la fenotipado de plantas para hacer las mediciones más precisas y mantener la consistencia. Abre nuevas puertas para la innovación agrícola y la agricultura inteligente.

El papel de la visión por ordenador en la fenotipado de plantas#

La visión por ordenador es una tecnología que permite a las máquinas ver e interpretar información visual del mundo real, de forma similar a como lo hacen los humanos. Implica tres etapas clave: adquisición, procesamiento y análisis de imágenes.

Primero, la adquisición de imágenes implica capturar datos visuales utilizando varios sensores, como cámaras y drones. A continuación, el procesamiento de imágenes mejora la calidad y la claridad de las imágenes mediante técnicas como la reducción de ruido y la corrección de color. Por último, el análisis de imágenes extrae información significativa de las imágenes procesadas utilizando diferentes tareas de visión artificial como la detección de objetos y la segmentación de instancias. Modelos como Ultralytics YOLO11 se pueden utilizar para este análisis de imágenes y admiten dichas tareas.

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

Otras tecnologías involucradas en la fenotipado de plantas de alto rendimiento#

Más allá de la visión por ordenador, la fenotipado de plantas de alto rendimiento depende de varias tecnologías innovadoras para capturar imágenes y vídeos detallados de las plantas. Aquí tienes algunas de estas herramientas clave y cómo mejoran la recopilación de datos:

• RGB imaging: Las cámaras RGB estándar se utilizan habitualmente para capturar imágenes de plantas. La obtención de imágenes RGB es fundamental para el análisis fenotípico y a menudo sirve como paso inicial en evaluaciones más complejos.
• Imagen hiperespectral: 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.
• Imagen térmica: Las cámaras térmicas miden la radiación infrarroja emitida por las plantas, ofreciendo información sobre la temperatura de la superficie. Este método no invasivo es útil para monitorear la salud de las plantas e identificar problemas potenciales de forma temprana.
• 3D imaging: Las cámaras de profundidad y la tecnología LiDAR crean modelos tridimensionales de las plantas. La obtención de imágenes en 3D es fundamental para analizar estructuras vegetales complejas y comprender cómo las variaciones afectan al crecimiento y la productividad.

Fig 3. Tecnologías clave utilizadas en la fenotipado de plantas de alto rendimiento. Imagen del autor.

Aplicaciones de Ultralytics YOLO11 en la fenotipado de plantas#

Los Computer vision models se utilizan cada vez más en la fenotipación vegetal en una amplia gama de tareas. Desde el recuento de hojas hasta el análisis morfológico detallado, estas tecnologías están transformando la forma en que entendemos y gestionamos la salud de las plantas. Veamos algunas aplicaciones del mundo real en las que los modelos como YOLO11 pueden ayudar en la fenotipación vegetal.

Recuento de hojas y estimación de sequía mediante Ultralytics YOLO11#

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

Por ejemplo, la compatibilidad de Ultralytics YOLO11 con la detección de objetos se puede utilizar para identificar diferencias entre plantas de arroz tolerantes a la sequía y sensibles a la sequía contando el número de hojas visibles. Las pistas visuales como el recuento de hojas a menudo se correlacionan con rasgos más profundos, 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 de la fenotipcción vegetal, especialmente con respecto a los cultivos donde la cantidad de flores está estrechamente ligada al potencial de rendimiento. En particular, Ultralytics YOLO11 se puede utilizar para detectar varias estructuras florales. Al automatizar el proceso de detección de flores, los agricultores e investigadores pueden tomar decisiones más rápidas y basadas en datos relacionadas con 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#

La detección de enfermedades en las plantas es una parte crucial de la monitoring crop health. Mediante el uso de las capacidades de clasificación de imágenes de YOLO11, las imágenes de los cultivos se pueden clasificar para identificar los primeros signos de enfermedad. YOLO11 también se puede integrar en dispositivos como drones, aplicaciones móviles o robots de campo para la detección automatizada 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, Ultralytics YOLO11 se puede custom-trained para clasificar imágenes de hojas de vid que puedan mostrar signos de la enfermedad del enrollamiento de la hoja de la vid. El modelo aprende a partir de ejemplos etiquetados que cubren diferentes etapas de la enfermedad, como hojas sanas, decoloración leve y síntomas graves. Al reconocer patrones visuales distintivos como cambios de color y decoloración de las venas, YOLO11 ayuda a los viticultores a detectar infecciones de forma temprana y tomar decisiones más informadas sobre los tratamientos.

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

Ventajas de utilizar Ultralytics YOLO11 para el fenotipado vegetal#

Aquí tienes algunas ventajas de utilizar modelos de visión artificial como Ultralytics YOLO11 en comparación con los métodos tradicionales de fenotipado vegetal:

• Escalabilidad y rentabilidad: Automatizar procesos con Ultralytics YOLO11 puede reducir la necesidad de mano de obra manual, convirtiéndolo en una solución escalable y rentable para operaciones agrícolas a gran escala.
• Alertas en tiempo real: Integrar los conocimientos recopilados utilizando Ultralytics YOLO11 con sistemas automatizados ofrece notificaciones instantáneas sobre posibles problemas, apoyando una toma de decisiones rápida.
• Prácticas agrícolas sostenibles: Al reducir las intervenciones manuales y el uso de productos químicos, la visión por ordenador contribuye a una agricultura más respetuosa con el medio ambiente y sostenible.

Desafíos de la visión por ordenador en la fenotipado de plantas#

Aunque la visión por ordenador ofrece muchas ventajas cuando se trata de la fenotipado de plantas, es importante tener en cuenta las limitaciones relacionadas con la implementación de estos sistemas. Aquí tienes algunas preocupaciones clave:

• Requisitos de conjuntos de datos: Entrenar modelos requiere conjuntos de datos grandes, diversos y bien etiquetados, lo que puede ser difícil y llevar mucho tiempo recopilar, especialmente para cultivos raros o condiciones únicas.
• Preocupaciones de privacidad: A medida que los drones y las cámaras inteligentes se vuelven más comunes en los campos, surgen preguntas sobre quién posee los datos, cómo se almacenan y si se utilizan sin el consentimiento adecuado.
• Condiciones ambientales: Cambiar la iluminación, el clima y el desorden del fondo pueden afectar la precisión del análisis visual en entornos agrícolas impredecibles.

Avanzando hacia la fenotipado de plantas de alto rendimiento#

El futuro de la fenotipado de plantas avanza hacia sistemas inteligentes e interconectados que trabajan juntos para dar una imagen más clara de la salud y el crecimiento de los cultivos. Una tendencia emocionante es el uso de múltiples sensores a la vez. Al combinar datos de varias 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 los métodos avanzados de fenotipación vegetal. El plant phenotyping market mundial ronda los 311,73 millones de dólares este año (2025) y está previsto que alcance los 520,80 millones de dólares para 2030.

Fig 5. El valor de mercado para la fenotipación vegetal.

Conclusiones clave#

La visión artificial en el fenotipado vegetal está ayudando a automatizar la medición y el análisis de las plantas. Los modelos de IA de visión como Ultralytics YOLO11 pueden reducir el trabajo manual, lograr mejores resultados y facilitar la monitorización de los cultivos a gran escala. El cambio de los métodos tradicionales a sistemas inteligentes impulsados por la tecnología es un paso significativo para abordar desafíos globales como el cambio climático, la escasez de alimentos y la agricultura sostenible.

Mirando hacia el futuro, la integración de la visión por ordenador 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 la IA avanza, nos acercamos a un futuro en el que podremos monitorear las plantas sin problemas, ajustar su crecimiento y proporcionarles el cuidado necesario.

Únete a nuestra community y explora nuestro GitHub repository para obtener más información sobre las innovaciones en IA. Descubre los últimos avances en áreas como AI in manufacturing y computer vision in healthcare en nuestras páginas de soluciones. ¡Consulta nuestras licensing options y empieza hoy mismo con la visión por ordenador!