Ultralytics YOLO11 e visão computacional em fenotipagem de plantas

A agricultura é essencial para o nosso abastecimento alimentar, e os pesquisadores estão sempre buscando maneiras de otimizar processos relacionados a um desafio fundamental: as mudanças climáticas. Com o aquecimento global interrompendo as estações de cultivo e a população mundial em crescimento, a necessidade de desenvolver culturas que possam resistir a ambientes em constante mudança é muito real. A fenotipagem de plantas é uma parte essencial desta pesquisa.

A fenotipagem de plantas envolve o estudo de propriedades das plantas, como tamanho, cor, crescimento e estruturas radiculares. Ao entender como as plantas reagem a diferentes condições, podemos identificar quais estão mais bem equipadas para lidar com seca, calor ou solo pobre. Estes dados podem ser usados para tomar decisões sobre quais culturas selecionar para aumentar a produtividade agrícola.

Tipicamente, a fenotipagem de plantas envolve observações visuais manuais, o que pode consumir tempo e exigir muito trabalho. A Computer vision, um ramo da inteligência artificial (IA), pode reinventar a forma como estudamos as plantas. Com a visão computacional na 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 vastos volumes de dados visuais de plantas capturados por drones, robôs terrestres ou dispositivos portáteis. Com seu suporte a várias tarefas de visão computacional, o YOLO11 pode ser usado para analisar diversas propriedades de plantas em imagens e vídeos.

Neste artigo, vamos analisar de perto os desafios na fenotipagem vegetal tradicional e explorar como modelos de visão computacional como o Ultralytics YOLO11 estão a impulsionar 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 insights valiosos sobre como as plantas crescem e reagem a diversos ambientes.

Os dados coletados por meio da fenotipagem de plantas são vitais para o melhoramento de culturas, previsão de rendimento e aumento da resiliência climática. Estes pontos de dados também ajudam agricultores e especialistas agrícolas a selecionar as variedades de plantas com melhor desempenho para cultivo ou reprodução.

Fig 1. Um pesquisador medindo a altura da planta usando uma régua.

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

A fenotipagem moderna ou fenotipagem de plantas de alto rendimento, no entanto, concentra-se na consistência, accuracy e na coleta de dados não destrutiva. As plantas são monitoradas usando ferramentas avançadas como câmeras RGB (câmeras coloridas padrão), sensores hiperespectrais (dispositivos que capturam uma ampla gama de informações de cores, mesmo além do que o olho humano pode ver) e sistemas LiDAR (Light Detection and Ranging) (scanners baseados em laser que criam mapas 3D detalhados) para capturar 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 de plantas tradicional#

Embora fundamentais, os métodos tradicionais de fenotipagem de plantas têm várias limitações e desafios. Aqui estão algumas de suas principais desvantagens:

• Métodos manuais: Os métodos tradicionais dependiam de esforço humano, e ferramentas físicas como réguas e paquímetros eram usadas. Eles eram demorados e subjetivos, especialmente em grandes campos agrícolas.
• Amostragem destrutiva: As plantas eram frequentemente danificadas ou arrancadas para estudar as propriedades internas. A amostragem destrutiva torna impossível monitorar como as plantas respondem em diferentes intervalos de tempo.
• Dificuldade em capturar mudanças dinâmicas: Os métodos tradicionais geralmente capturam um único momento no tempo, perdendo a evolução das características das plantas ao longo do tempo.

A fenotipagem de plantas de alto rendimento foca na automatização da fenotipagem de plantas para tornar as medições mais precisas e manter a consistência. Isso abre novas portas 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 que as máquinas vejam e interpretem informações visuais do mundo real, de forma semelhante aos humanos. Envolve três etapas principais: aquisição de imagem, processamento e análise.

Primeiramente, a aquisição de imagens envolve a captura de dados visuais usando vários sensores, como câmeras e drones. Em seguida, o image processing melhora a qualidade e a clareza das imagens usando técnicas como redução de ruído e correção de cores. Por fim, a análise de imagem extrai informações significativas das imagens processadas usando diferentes tarefas de visão computacional, como detecção de objetos e instance segmentation. Modelos como Ultralytics YOLO11 podem ser usados para essa análise de imagem e suportam tais tarefas.

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

Outras tecnologias envolvidas na fenotipagem de plantas de alto rendimento#

Além da visão computacional, a fenotipagem de plantas de alto rendimento baseia-se em várias tecnologias inovadoras para capturar imagens e vídeos detalhados das plantas. Aqui estão algumas dessas ferramentas principais e como elas melhoram a coleta de dados:

• RGB imaging: Câmeras RGB padrão são comumente usadas para capturar imagens de plantas. A imagem RGB é central para a análise fenotípica e geralmente serve como a etapa inicial em avaliações mais complexas.
• Imagem hiperespectral: Esta tecnologia captura uma ampla gama de bandas espectrais além do espectro visível. Ela fornece informações detalhadas sobre a composição química de uma planta e ajuda a detectar fatores como níveis de clorofila, conteúdo de água e deficiências de nutrientes.
• Imagem térmica: Câmeras térmicas medem a radiação infravermelha emitida pelas plantas, oferecendo insights sobre a temperatura da superfície. Este método não invasivo é útil para monitorar a saúde das plantas e identificar possíveis problemas precocemente.
• 3D imaging: Câmeras de profundidade e a tecnologia LiDAR criam modelos tridimensionais de plantas. A imagem 3D é fundamental para analisar estruturas vegetais complexas e entender como as variações impactam o crescimento e a produtividade.

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

Aplicações do Ultralytics YOLO11 na fenotipagem de plantas#

Computer vision models estão sendo gradualmente usados na fenotipagem de plantas em uma ampla gama de tarefas. Desde a contagem de folhas até análises morfológicas detalhadas, essas tecnologias estão transformando a forma como entendemos e gerenciamos a saúde das plantas. Vamos ver algumas aplicações do mundo real nas quais modelos como o YOLO11 podem ajudar na fenotipagem de plantas.

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

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

Por exemplo, o suporte do Ultralytics YOLO11 para object detection pode ser usado para identificar diferenças entre plantas de arroz tolerantes à seca e sensíveis à seca, contando o número de folhas visíveis. Pistas visuais como a contagem de folhas geralmente se correlacionam com características mais profundas, como a biomassa e a resiliência da planta.

Deteção de flores com o Ultralytics YOLO11#

A detecção e contagem de flores são aspectos interessantes da fenotipagem de plantas, especialmente no que diz respeito a culturas onde a quantidade de flores está intimamente ligada ao potencial de rendimento. Em particular, o Ultralytics YOLO11 pode ser usado para detectar várias estruturas florais. Ao automatizar o processo de detecção de flores, agricultores e pesquisadores podem tomar decisões mais rápidas e orientadas por dados relacionadas ao momento da polinização, alocação de recursos e saúde geral da cultura.

Deteção de doenças em plantas com IA e o Ultralytics YOLO11#

A detecção de doenças em plantas é uma parte crucial do monitoring crop health. Usando os recursos de classificação de imagem do YOLO11, as imagens de plantações podem ser classificadas para identificar os primeiros sinais de doença. O YOLO11 também pode ser integrado em dispositivos como drones, aplicativos móveis ou robôs de campo para detecção automatizada de doenças. Isso permite que os agricultores tomem medidas oportunas contra surtos de doenças, reduzindo a perda de safra e minimizando o uso de pesticidas.

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

Fig 4. Exemplos de como a doença do enrolamento da folha da videira se apresenta.

Vantagens de usar o Ultralytics YOLO11 para fenotipagem vegetal#

Aqui estão alguns benefícios de usar modelos de visão computacional como o Ultralytics YOLO11 em comparação com os métodos tradicionais de fenotipagem de plantas:

• Scalability and cost-effectiveness: A automação de processos com o Ultralytics YOLO11 pode reduzir a necessidade de trabalho manual, tornando-o uma solução escalável e econômica para operações agrícolas em grande escala.
• Real-time alerts: A integração de insights coletados usando o Ultralytics YOLO11 com sistemas automatizados fornece notificações instantâneas sobre possíveis problemas, apoiando a tomada de decisão rápida.
• Práticas agrícolas sustentáveis: Ao reduzir intervenções manuais e o uso de produtos químicos, a visão computacional contribui para uma agricultura mais ecológica e sustentável.

Desafios da visão computacional na fenotipagem de plantas#

Embora a visão computacional ofereça muitas vantagens quando se trata de fenotipagem de plantas, é importante ter em mente as limitações relacionadas à implementação desses sistemas. Aqui estão algumas preocupações principais:

• Requisitos de conjunto de dados: O treinamento de modelos requer conjuntos de dados grandes, diversos e bem rotulados, que podem ser difíceis e demorados de coletar, especialmente para culturas raras ou condições únicas.
• Preocupações com a privacidade: À medida que drones e câmeras inteligentes se tornam mais comuns nos campos, surgem questões sobre quem é o proprietário dos dados, como eles são armazenados e se são usados sem o devido consentimento.
• Condições ambientais: Mudanças na iluminação, clima e desordem no fundo podem afetar a precisão da análise visual em ambientes agrícolas imprevisíveis.

Movendo-se em direção à fenotipagem de plantas de alto rendimento#

O futuro da fenotipagem de plantas está caminhando para sistemas inteligentes e interconectados que trabalham juntos para fornecer uma imagem mais clara da saúde e do crescimento das culturas. Uma tendência interessante é o uso de múltiplos sensores ao mesmo tempo. Ao combinar dados de várias fontes, podemos obter uma compreensão muito mais rica e precisa do que está acontecendo com uma planta.

As tendências de mercado também mostram um interesse crescente em métodos avançados de fenotipagem de plantas. O plant phenotyping market global está avaliado em cerca de 311,73 milhões de dólares este ano (2025) e deve atingir 520,80 milhões de dólares até 2030.

Fig 5. O valor de mercado para a fenotipagem de plantas.

Principais pontos#

A visão computacional na fenotipagem de plantas está ajudando a automatizar a medição e a análise de plantas. Modelos de Vision AI como o Ultralytics YOLO11 podem reduzir o trabalho manual, alcançar melhores resultados e facilitar o monitoramento de plantações em grande escala. A mudança dos métodos tradicionais para sistemas inteligentes orientados pela tecnologia é um passo significativo para enfrentar desafios globais como mudanças climáticas, escassez de alimentos e agricultura sustentável.

Seguindo em frente, 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, estamos nos aproximando de um futuro onde poderemos monitorar as plantas perfeitamente, ajustar seu crescimento e fornecer o cuidado necessário.

Junte-se à nossa community e explore o nosso GitHub repository para saber mais sobre inovações em IA. Descubra os mais recentes avanços em áreas como AI in manufacturing e computer vision in healthcare em nossas páginas de soluções. Confira nossas licensing options e comece a usar a visão computacional hoje mesmo!