Ultralytics YOLO11 e visão computacional na fenotipagem de plantas

A agricultura é essencial para o nosso abastecimento alimentar, e os investigadores procuram sempre formas de a adaptar a um desafio fundamental: as alterações climáticas. Com o aquecimento global a perturbar as épocas de cultivo e o crescimento da população mundial, é urgente desenvolver culturas capazes de resistir a ambientes em constante mudança. A fenotipagem de plantas é uma parte essencial desta investigação.

A fenotipagem de plantas envolve o estudo de características como tamanho, cor, crescimento e estrutura das raízes. Ao compreender como as plantas reagem a diferentes condições, podemos identificar quais delas estão mais preparadas para enfrentar a seca, o calor ou solos pobres. Esses dados podem ajudar a decidir quais culturas devem ser melhoradas para aumentar a produtividade agrícola.

Em geral, a fenotipagem de plantas envolve observações visuais manuais, que podem consumir muito tempo e trabalho. A visão computacional, um ramo da inteligência artificial (AI), pode transformar a maneira como estudamos as plantas. Com a visão computacional aplicada à fenotipagem de plantas, podemos detectar e analisar plantas automaticamente a partir de imagens ou vídeos, melhorando significativamente a velocidade, a consistência e a precisão.

Por exemplo, modelos de visão computacional como o Ultralytics YOLO11 podem processar grandes volumes de dados visuais de plantas capturados por drones, robôs terrestres ou dispositivos portáteis. Com suporte a várias tarefas de visão computacional, o YOLO11 pode ser usado para analisar diversas características de plantas em imagens e vídeos.

Neste artigo, vamos examinar mais de perto os desafios da fenotipagem tradicional de plantas e explorar como modelos de visão computacional, como o Ultralytics YOLO11, estão promovendo práticas agrícolas mais inteligentes e sustentáveis.

O que é fenotipagem de plantas?#

A fenotipagem de plantas é o processo de observar e analisar as características físicas e bioquímicas de uma planta. Ao coletar dados como altura da planta, área foliar, taxa de crescimento e respostas ao estresse, podemos obter informações valiosas sobre como as plantas crescem e reagem a ambientes diversos.

Os dados coletados por meio da fenotipagem de plantas são essenciais para o melhoramento das culturas, a previsão de produtividade e o aumento da resiliência climática. Esses dados também ajudam agricultores e especialistas em agricultura a selecionar as variedades de plantas com melhor desempenho para cultivo ou melhoramento.

Fig. 1. Pesquisador medindo a altura da planta com uma régua.

Ainda hoje, a fenotipagem de plantas geralmente envolve métodos manuais. Pesquisadores ou agricultores experientes visitam os campos, medem as plantas fisicamente e registram os dados à mão. Apesar de úteis, esses métodos exigem muito esforço humano. Eles também podem gerar inconsistências, já que pessoas diferentes podem observar e interpretar as características das plantas de maneiras distintas.

A fenotipagem moderna, ou fenotipagem de plantas de alto rendimento, prioriza a consistência, a precisão e a coleta de dados não destrutiva. As plantas são monitoradas com ferramentas avançadas, como câmeras RGB (câmeras coloridas padrão), sensores hiperespectrais (dispositivos que captam uma ampla gama de informações de cores, inclusive além do que o olho humano consegue ver) e sistemas LiDAR (detecção e medição por luz) (scanners a laser que criam mapas 3D detalhados), para coletar dados de alta resolução sem perturbar fisicamente as plantas.

Quando combinados com IA e visão computacional, esses métodos não invasivos podem ajudar a melhorar significativamente a precisão e a consistência da fenotipagem de plantas.

Limitações da fenotipagem tradicional de plantas#

Embora sejam fundamentais, os métodos tradicionais de fenotipagem de plantas apresentam várias limitações e desafios. Veja algumas das principais desvantagens:

• Métodos manuais: os métodos tradicionais dependiam do trabalho humano e do uso de ferramentas físicas, como réguas e paquímetros. Eles consumiam muito tempo e eram subjetivos, especialmente em grandes áreas agrícolas.
• Amostragem destrutiva: muitas vezes, as plantas eram danificadas ou arrancadas para estudar suas características internas. A amostragem destrutiva impossibilita monitorar como as plantas reagem em diferentes intervalos de tempo.
• Dificuldade para capturar mudanças dinâmicas: os métodos tradicionais geralmente registram um único momento, sem captar a evolução das características das plantas ao longo do tempo.

A fenotipagem de plantas de alto rendimento se concentra em automatizar o processo para tornar as medições mais precisas e consistentes. Ela abre novas possibilidades para a inovação agrícola e a agricultura inteligente.

O papel da visão computacional na fenotipagem de plantas#

A visão computacional é uma tecnologia que permite às máquinas enxergar e interpretar informações visuais do mundo real, de maneira semelhante aos seres humanos. Ela envolve três etapas principais: aquisição, processamento e análise de imagens.

Primeiro, a aquisição de imagens envolve a captura de dados visuais com vários sensores, como câmeras e drones. Em seguida, o processamento de imagens aprimora a qualidade e a nitidez das imagens usando técnicas como redução de ruído e correção de cores. Por fim, a análise de imagens extrai informações relevantes das imagens processadas usando diferentes tarefas de visão computacional, como detecção de objetos e segmentação de instâncias. Modelos como o Ultralytics YOLO11 podem ser usados nessa análise de imagens e oferecem suporte a essas tarefas.

Fig. 2. O YOLO11 pode ser usado para detectar vegetais em um campo.

Outras tecnologias usadas na fenotipagem de plantas de alto rendimento#

Além da visão computacional, a fenotipagem de plantas de alto rendimento depende de várias tecnologias inovadoras para capturar imagens e vídeos detalhados das plantas. Veja algumas dessas ferramentas essenciais e como elas aprimoram a coleta de dados:

• Imagens RGB: câmeras RGB padrão são comumente usadas para capturar imagens de plantas. As imagens RGB são fundamentais para a análise fenotípica e muitas vezes servem como ponto de partida para avaliações mais complexas.
• Imagens hiperespectrais: essa tecnologia captura uma ampla gama de bandas espectrais, inclusive além do espectro visível. Ela fornece informações detalhadas sobre a composição química de uma planta e ajuda a detectar fatores como níveis de clorofila, teor de água e deficiências de nutrientes.
• Imagens térmicas: câmeras térmicas medem a radiação infravermelha emitida pelas plantas, fornecendo informações sobre a temperatura da superfície. Esse método não invasivo é útil para monitorar a saúde das plantas e identificar possíveis problemas precocemente.
• Imagens 3D: câmeras de profundidade e a tecnologia LiDAR criam modelos tridimensionais das plantas. As imagens 3D são essenciais para analisar estruturas vegetais complexas e compreender como as variações afetam o crescimento e a produtividade.

Fig. 3. Principais tecnologias usadas na fenotipagem de plantas de alto rendimento. Imagem do autor.

Aplicações do Ultralytics YOLO11 na fenotipagem de plantas#

Os modelos de visão computacional vêm sendo usados gradualmente em diversas tarefas de fenotipagem de plantas. Da contagem de folhas à análise morfológica detalhada, essas tecnologias estão transformando a maneira como entendemos e cuidamos da saúde das plantas. Vamos conhecer algumas aplicações reais em que modelos como o YOLO11 podem ajudar na fenotipagem de plantas.

Contagem de folhas e estimativa de seca com Ultralytics YOLO11#

Quando modelos de visão como o Ultralytics YOLO11 são integrados a UAVs (veículos aéreos não tripulados), eles podem ser usados para analisar em tempo real diferentes características das plantas. A capacidade do YOLO11 de detectar características pequenas em imagens aéreas de alta resolução, como pontas de folhas, ajuda pesquisadores e agricultores a acompanhar os estágios de desenvolvimento das plantas com mais precisão do que os métodos manuais tradicionais.

Por exemplo, o suporte do Ultralytics YOLO11 à detecção de objetos pode ser usado para identificar diferenças entre plantas de arroz tolerantes à seca e sensíveis à seca contando as folhas visíveis. Indícios visuais, como a quantidade de folhas, costumam estar relacionados a características mais profundas, como a biomassa e a resiliência das plantas.

Detecção de flores com Ultralytics YOLO11#

A detecção e a contagem de flores são aspectos interessantes da fenotipagem de plantas, especialmente em culturas nas quais a quantidade de flores está diretamente relacionada ao potencial de produtividade. Em particular, o Ultralytics YOLO11 pode ser usado para detectar diferentes estruturas florais. Ao automatizar a detecção de flores, agricultores e pesquisadores podem tomar decisões mais rápidas e baseadas em dados sobre o momento da polinização, a alocação de recursos e a saúde geral das culturas.

Detecção de doenças em plantas com IA e Ultralytics YOLO11#

Detetar doenças nas plantas é essencial para monitorizar a saúde das culturas. Com as capacidades de classificação de imagens do YOLO11, as imagens das culturas podem ser classificadas para identificar sinais precoces de doenças. O YOLO11 também pode ser integrado em dispositivos como drones, aplicações móveis ou robôs de campo para a deteção automática de doenças. Isto permite que os agricultores atuem a tempo contra surtos de doenças, reduzindo as perdas de produção e minimizando o uso de pesticidas.

Por exemplo, o Ultralytics YOLO11 pode ser treinado de forma personalizada para classificar imagens de folhas de videira que possam apresentar sinais de doença do enrolamento da folha da videira. O modelo aprende com exemplos rotulados que abrangem diferentes estágios da doença, como folhas saudáveis, descoloração leve e sintomas graves. Ao reconhecer padrões visuais distintos, como mudanças de cor e descoloração das nervuras, o YOLO11 ajuda os viticultores a detectar infecções precocemente e a tomar decisões mais informadas sobre os tratamentos.

Fig. 4. Exemplos de manifestações da doença do enrolamento da folha da videira.

Vantagens de usar o Ultralytics YOLO11 na fenotipagem de plantas#

Veja algumas vantagens de usar modelos de visão computacional como o Ultralytics YOLO11 em comparação com os métodos tradicionais de fenotipagem de plantas:

• Escalabilidade e custo-benefício: automatizar processos com o Ultralytics YOLO11 pode reduzir a necessidade de mão de obra manual, tornando-o uma solução escalável e econômica para operações agrícolas de grande escala.
• Alertas em tempo real: Integrar os insights coletados usando Ultralytics YOLO11 a sistemas automatizados gera notificações instantâneas sobre possíveis problemas, apoiando a tomada rápida de decisões.
• Práticas agrícolas sustentáveis: Ao reduzir as intervenções manuais e o uso de produtos químicos, a visão computacional contribui para uma agricultura mais sustentável e menos agressiva ao meio ambiente.

Desafios da visão computacional no fenotipagem de plantas#

Embora a visão computacional ofereça muitas vantagens para a fenotipagem de plantas, é importante ter em mente as limitações relacionadas à implementação desses sistemas. Veja algumas preocupações importantes:

• Requisitos do conjunto de dados: o treino de modelos exige conjuntos de dados grandes, diversos e bem rotulados, que podem ser difíceis e demorados de recolher, sobretudo para culturas raras ou condições específicas.
• Preocupações com a privacidade: Com a popularização dos drones e das câmeras inteligentes nos campos, surgem dúvidas sobre quem é dono dos dados, como eles são armazenados e se são usados sem o devido consentimento.
• Condições ambientais: Mudanças na iluminação, no clima e na desordem do plano de fundo podem afetar a precisão da análise visual em ambientes agrícolas imprevisíveis.

Rumo à fenotipagem de plantas de alto rendimento#

O futuro da fenotipagem de plantas caminha para sistemas inteligentes e interconectados que trabalham em conjunto para oferecer uma visão mais clara da saúde e do crescimento das culturas. Uma tendência promissora é o uso simultâneo de vários sensores. Ao combinar dados de diferentes fontes, podemos obter uma compreensão muito mais completa e precisa do que está acontecendo com uma planta.

As tendências do mercado também mostram um interesse crescente em métodos avançados de fenotipagem de plantas. O mercado global de fenotipagem de plantas movimenta cerca de US$ 311,73 milhões neste ano (2025) e deve chegar a US$ 520,80 milhões até 2030.

Fig. 5. Valor de mercado da fenotipagem de plantas.

Principais conclusões#

A visão computacional na fenotipagem de plantas ajuda a automatizar a medição e a análise das plantas. Modelos de IA visual como Ultralytics YOLO11 podem reduzir o trabalho manual, alcançar melhores resultados e facilitar o monitoramento das culturas em grande escala. A transição dos métodos tradicionais para sistemas inteligentes e orientados por tecnologia é um passo importante para enfrentar desafios globais como as mudanças climáticas, a escassez de alimentos e a agricultura sustentável.

No futuro, a integração da visão computacional com outras tecnologias, como IA, robótica e sensores inteligentes, tornará a agricultura ainda mais inteligente e eficiente. À medida que a IA avança, aproximamo-nos de um futuro em que poderemos monitorizar continuamente as plantas, ajustar o seu crescimento e prestar-lhes os cuidados necessários.

Junte-se à nossa comunidade e explore nosso repositório do GitHub para saber mais sobre as inovações em IA. Conheça os avanços mais recentes em áreas como IA na manufatura e visão computacional na área da saúde em nossas páginas de soluções. Confira nossas opções de licenciamento e comece hoje mesmo a usar visão computacional!