Ultralytics YOLO11 e visão computacional na fenotipagem vegetal

A agricultura é essencial para o nosso abastecimento alimentar, e os investigadores procuram constantemente formas de otimizar processos relacionados com um desafio fundamental: as alterações climáticas. Com o aquecimento global a perturbar as épocas de cultivo e a população mundial a aumentar, é muito real a necessidade de desenvolver culturas capazes de resistir a ambientes em constante mudança. O fenótipo de plantas é uma parte essencial desta investigação.

O fenótipo de plantas envolve o estudo de propriedades das plantas, como o tamanho, a cor, o crescimento e as estruturas das raízes. Ao compreender como as plantas reagem a diferentes condições, podemos identificar quais estão mais bem preparadas para lidar com a seca, o calor ou solos pobres. Estes dados podem ser utilizados para decidir quais as culturas a selecionar para melhorar a produtividade agrícola.

Normalmente, o fenótipo de plantas envolve observações visuais manuais, que podem consumir muito tempo e exigir bastante trabalho. A visão computacional, um ramo da inteligência artificial (AI), pode reinventar a forma como estudamos as plantas. Com a visão computacional aplicada ao fenótipo de plantas, podemos detetar e analisar automaticamente plantas 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 captados por drones, robôs terrestres ou dispositivos portáteis. Com suporte para várias tarefas de visão computacional, o YOLO11 pode ser utilizado para analisar diversas propriedades das plantas em imagens e vídeos.

Neste artigo, analisaremos mais atentamente os desafios do fenótipo de plantas tradicional e exploraremos como modelos de visão computacional, como o Ultralytics YOLO11, estão a impulsionar práticas agrícolas mais inteligentes e sustentáveis.

O que é o fenótipo de plantas?#

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

Os dados recolhidos através do fenótipo de plantas são essenciais para a melhoria das culturas, a previsão da produtividade e o reforço da resiliência climática. Estes dados também ajudam agricultores e especialistas agrícolas a selecionar as variedades de plantas com melhor desempenho para cultivo ou reprodução posteriores.

Fig. 1. Um investigador a medir a altura da planta com uma régua.

Ainda hoje, o fenótipo de plantas envolve geralmente métodos manuais. Investigadores ou agricultores especialistas visitam os campos, medem fisicamente as plantas e registam os dados à mão. Apesar do seu valor, estes métodos exigem muito esforço humano. Também podem gerar inconsistências, uma vez que pessoas diferentes podem observar e interpretar as características das plantas de forma distinta.

O fenótipo de plantas moderno, ou fenótipo de plantas de alto débito, centra-se, no entanto, na consistência, na precisão e na recolha de dados não destrutiva. As plantas são monitorizadas com ferramentas avançadas, como câmaras RGB (câmaras de cores padrão), sensores hiperespectrais (dispositivos que captam uma ampla gama de informações de cor, mesmo para além do que o olho consegue ver) e sistemas LiDAR (deteção e medição por luz) (scanners baseados em laser que criam mapas 3D detalhados), para captar dados de alta resolução sem perturbar fisicamente as plantas.

Quando combinados com AI e visão computacional, estes métodos não invasivos podem ajudar a melhorar significativamente a precisão e a consistência do fenótipo de plantas.

Limitações do fenótipo de plantas tradicional#

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

• Métodos manuais: Os métodos tradicionais dependiam do esforço humano e utilizavam ferramentas físicas, como réguas e compassos. Eram demorados e subjetivos, especialmente em grandes campos agrícolas.
• Amostragem destrutiva: Muitas vezes, as plantas eram danificadas ou arrancadas para estudar as suas propriedades internas. A amostragem destrutiva impossibilita monitorizar a forma como as plantas respondem em diferentes intervalos de tempo.
• Dificuldade em captar alterações dinâmicas: Os métodos tradicionais captam frequentemente um único momento, não registando a evolução das características das plantas ao longo do tempo.

O fenótipo de plantas de alto débito centra-se na automatização do fenótipo de plantas para tornar as medições mais precisas e manter a consistência. Abre novas oportunidades para a inovação agrícola e a agricultura inteligente.

O papel da visão computacional no fenótipo de plantas#

A visão computacional é uma tecnologia que permite às máquinas ver e interpretar informações visuais do mundo real, de forma semelhante aos seres humanos. Envolve três fases principais: aquisição, processamento e análise de imagens.

Primeiro, a aquisição de imagens envolve a captação de dados visuais através de vários sensores, como câmaras e drones. Em seguida, o processamento de imagens melhora a qualidade e a nitidez das imagens utilizando técnicas como a redução de ruído e a correção de cor. Por fim, a análise de imagens extrai informações relevantes das imagens processadas utilizando diferentes tarefas de visão computacional, como a deteção de objetos e a segmentação de instâncias. Modelos como o Ultralytics YOLO11 podem ser utilizados para esta análise de imagens e suportam estas tarefas.

Fig. 2. O YOLO11 pode ser utilizado para detetar legumes num campo.

Outras tecnologias envolvidas no fenótipo de plantas de alto débito#

Para além da visão computacional, o fenótipo de plantas de alto débito baseia-se em várias tecnologias inovadoras para captar imagens e vídeos detalhados das plantas. Eis algumas destas ferramentas fundamentais e a forma como melhoram a recolha de dados:

• Imagiologia RGB: As câmaras RGB padrão são habitualmente utilizadas para captar imagens de plantas. A imagiologia RGB é essencial para a análise fenotípica e serve frequentemente como etapa inicial de avaliações mais complexas.
• Imagiologia hiperespectral: Esta tecnologia capta uma ampla gama de bandas espectrais para além do espetro visível. Fornece informações detalhadas sobre a composição química de uma planta e ajuda a detetar fatores como os níveis de clorofila, o teor de água e as deficiências de nutrientes.
• Imagiologia térmica: As câmaras térmicas medem a radiação infravermelha emitida pelas plantas, fornecendo informações sobre a temperatura da superfície. Este método não invasivo é útil para monitorizar a saúde das plantas e identificar precocemente potenciais problemas.
• Imagiologia 3D: As câmaras de profundidade e a tecnologia LiDAR criam modelos tridimensionais das plantas. A imagiologia 3D é essencial para analisar estruturas complexas das plantas e compreender de que forma as variações afetam o crescimento e a produtividade.

Fig. 3. Principais tecnologias utilizadas no fenótipo de plantas de alto débito. Imagem do autor.

Aplicações do Ultralytics YOLO11 no fenótipo de plantas#

Os modelos de visão computacional estão a ser gradualmente utilizados no fenótipo de plantas numa ampla variedade de tarefas. Desde a contagem de folhas à análise morfológica detalhada, estas tecnologias estão a transformar a forma como compreendemos e gerimos a saúde das plantas. Vejamos algumas aplicações do mundo real em que modelos como o YOLO11 podem ajudar no fenótipo de plantas.

Contagem de folhas e estimativa da seca com o Ultralytics YOLO11#

Quando modelos de visão como o Ultralytics YOLO11 são integrados com UAV (veículos aéreos não tripulados), podem ser utilizados para analisar diferentes características das plantas em tempo real. A capacidade do YOLO11 para detetar pequenas características em imagens aéreas de alta resolução, como as pontas das folhas, ajuda investigadores e agricultores a acompanhar as fases de desenvolvimento das plantas com maior precisão do que os métodos manuais tradicionais.

Por exemplo, o suporte do Ultralytics YOLO11 para a deteção de objetos pode ser utilizado para identificar diferenças entre plantas de arroz tolerantes à seca e sensíveis à seca, contando o número de folhas visíveis. Indícios visuais como a contagem de folhas estão frequentemente correlacionados com características mais profundas, como a biomassa e a resiliência das plantas.

Deteção de flores com o Ultralytics YOLO11#

A deteção e a contagem de flores são aspetos interessantes do fenótipo de plantas, especialmente no caso de culturas em que a quantidade de flores está estreitamente ligada ao potencial de produtividade. Em particular, o Ultralytics YOLO11 pode ser utilizado para detetar várias estruturas florais. Ao automatizar o processo de deteção de flores, agricultores e investigadores podem tomar decisões mais rápidas e baseadas em dados relacionadas com o momento da polinização, a alocação de recursos e a saúde geral das culturas.

Deteção de doenças das plantas com AI e Ultralytics YOLO11#

A deteção de doenças das plantas é uma parte crucial da monitorização da saúde das culturas. Utilizando 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 automatizada de doenças. Isto permite aos agricultores agir atempadamente contra surtos de doenças, reduzindo as perdas de produtividade e minimizando a utilização de pesticidas.

Por exemplo, o Ultralytics YOLO11 pode ser treinado à medida para classificar imagens de folhas de videira que possam apresentar sinais da doença do enrolamento da folha da videira. O modelo aprende com exemplos anotados que abrangem diferentes fases da doença, como folhas saudáveis, descoloração ligeira e sintomas graves. Ao reconhecer padrões visuais distintos, como alterações de cor e descoloração das nervuras, o YOLO11 ajuda os viticultores a detetar infeções precocemente e a tomar decisões mais informadas sobre os tratamentos.

Fig. 4. Exemplos da manifestação da doença do enrolamento da folha da videira.

Vantagens da utilização do Ultralytics YOLO11 no fenótipo de plantas#

Eis alguns benefícios da utilização de modelos de visão computacional, como o Ultralytics YOLO11, em comparação com os métodos tradicionais de fenótipo de plantas:

• Escalabilidade e relação custo-benefício: A automatização de processos com o Ultralytics YOLO11 pode reduzir a necessidade de trabalho manual, tornando-o numa solução escalável e económica para operações agrícolas de grande escala.
• Alertas em tempo real: A integração de informações obtidas com o Ultralytics YOLO11 em sistemas automatizados fornece notificações instantâneas sobre potenciais problemas, apoiando uma tomada de decisões rápida.
• Práticas agrícolas sustentáveis: Ao reduzir as intervenções manuais e a utilização de produtos químicos, a visão computacional contribui para uma agricultura mais ecológica e sustentável.

Desafios da visão computacional no fenótipo de plantas#

Embora a visão computacional ofereça muitas vantagens no fenótipo de plantas, é importante ter em conta as limitações relacionadas com a implementação destes sistemas. Eis algumas preocupações fundamentais:

• Requisitos dos conjuntos de dados: O treino de modelos requer conjuntos de dados grandes, diversificados e bem anotados, que podem ser difíceis e demorados de recolher, especialmente para culturas raras ou condições únicas.
• Preocupações com a privacidade: À medida que os drones e as câmaras inteligentes se tornam mais comuns nos campos, surgem questões sobre quem é o proprietário dos dados, como são armazenados e se são utilizados sem o devido consentimento.
• Condições ambientais: Alterações na iluminação, no clima e na desorganização do fundo podem afetar a precisão da análise visual em ambientes agrícolas imprevisíveis.

Rumo ao fenótipo de plantas de alto débito#

O futuro do fenótipo de plantas caminha para sistemas inteligentes e interligados que trabalham em conjunto para fornecer uma imagem mais clara da saúde e do crescimento das culturas. Uma tendência interessante é a utilização simultânea de vários sensores. Ao combinar dados de várias fontes, podemos obter uma compreensão muito mais rica e precisa do que está a acontecer com uma planta.

As tendências do mercado também revelam um interesse crescente em métodos avançados de fenótipo de plantas. O mercado do fenótipo de plantas global vale cerca de 311,73 milhões de dólares este ano (2025) e deverá atingir 520,80 milhões de dólares até 2030.

Fig. 5. O valor de mercado do fenótipo de plantas.

Principais conclusões#

A visão computacional no fenótipo de plantas está a ajudar a automatizar a medição e a análise das plantas. Modelos de AI para visão, como o Ultralytics YOLO11, podem reduzir o trabalho manual, alcançar melhores resultados e facilitar a monitorização de culturas em grande escala. A transição dos métodos tradicionais para sistemas inteligentes orientados pela tecnologia é um passo significativo para enfrentar desafios globais como as alterações climáticas, a escassez de alimentos e a agricultura sustentável.

Daqui em diante, a integração da visão computacional com outras tecnologias, como AI, robótica e sensores inteligentes, tornará a agricultura ainda mais inteligente e eficiente. À medida que a AI avança, aproximamo-nos de um futuro em que poderemos monitorizar as plantas de forma contínua, aperfeiçoar o seu crescimento e fornecer os cuidados necessários.

Junta-te à nossa comunidade e explora o nosso repositório no GitHub para saberes mais sobre inovações em AI. Descobre os avanços mais recentes em áreas como AI na indústria transformadora e visão computacional na área da saúde nas nossas páginas de soluções. Consulta as nossas opções de licenciamento e começa hoje a trabalhar com visão computacional!