Ultralytics YOLO11 и компьютерное зрение в фенотипировании растений

Сельское хозяйство необходимо для обеспечения нас продовольствием, и исследователи постоянно ищут способы приспособить его к одной из главных проблем — изменению климата. Глобальное потепление нарушает сезоны выращивания культур, а население планеты растет, поэтому потребность в создании культур, способных выдерживать постоянно меняющиеся условия, вполне реальна. Фенотипирование растений — важная часть этих исследований.

Фенотипирование растений включает изучение таких свойств растений, как размер, цвет, рост и структура корней. Понимая, как растения реагируют на разные условия, мы можем определить, какие из них лучше переносят засуху, жару или бедную почву. Эти данные помогают принимать решения о том, какие культуры следует выводить для повышения продуктивности сельского хозяйства.

Как правило, фенотипирование растений основано на визуальных наблюдениях, выполняемых вручную, что может отнимать много времени и требовать значительных трудозатрат. Компьютерное зрение, область искусственного интеллекта (AI), может кардинально изменить подход к изучению растений. Используя компьютерное зрение для фенотипирования растений, мы можем автоматически обнаруживать и анализировать растения на изображениях и видео, значительно повышая скорость, стабильность результатов и точность.

Например, модели компьютерного зрения, такие как Ultralytics YOLO11, могут обрабатывать огромные объемы визуальных данных о растениях, полученных с дронов, наземных роботов или портативных устройств. Благодаря поддержке различных задач компьютерного зрения YOLO11 можно использовать для анализа разнообразных свойств растений на изображениях и видео.

В этой статье мы подробнее рассмотрим проблемы традиционного фенотипирования растений и изучим, как модели компьютерного зрения, такие как Ultralytics YOLO11, помогают внедрять более эффективные и устойчивые практики в сельском хозяйстве.

Что такое фенотипирование растений?#

Фенотипирование растений — это процесс наблюдения за физическими и биохимическими характеристиками растения и их анализа. Собирая данные о высоте растения, площади листьев, скорости роста и реакции на стресс, мы можем лучше понять, как растения растут и реагируют на разные условия окружающей среды.

Данные, собранные в ходе фенотипирования растений, важны для улучшения сельскохозяйственных культур, прогнозирования урожайности и повышения устойчивости к климатическим условиям. Эти данные также помогают фермерам и специалистам по сельскому хозяйству выбирать наиболее перспективные разновидности растений для дальнейшего выращивания или селекции.

Рис. 1. Исследователь измеряет высоту растения линейкой.

Даже сегодня фенотипирование растений обычно проводят вручную. Исследователи или опытные фермеры выезжают на поля, измеряют растения и записывают данные от руки. Несмотря на пользу таких методов, они требуют больших трудозатрат. Кроме того, результаты могут быть непоследовательными: разные люди способны по-разному наблюдать и интерпретировать признаки растений.

Современное фенотипирование, в том числе высокопроизводительное фенотипирование растений, ориентировано на согласованность, точность и неразрушающий сбор данных. За растениями наблюдают с помощью передовых инструментов: RGB-камер (обычных цветных камер), гиперспектральных датчиков (устройств, улавливающих широкий спектр цветовой информации, в том числе невидимой для глаза) и систем LiDAR (лидарных систем) (лазерных сканеров, создающих подробные 3D-карты). Эти инструменты собирают данные высокого разрешения, не повреждая растения.

В сочетании с ИИ и компьютерным зрением эти неинвазивные методы позволяют значительно повысить точность и согласованность фенотипирования растений.

Ограничения традиционного фенотипирования растений#

Несмотря на важность традиционных методов фенотипирования растений, у них есть ряд ограничений и проблем. Вот некоторые из основных недостатков:

• Ручные методы: Традиционные методы требовали ручного труда и применения физических инструментов, например линеек и штангенциркулей. Они отнимали много времени и зависели от субъективной оценки, особенно на больших сельскохозяйственных полях.
• Разрушающий отбор проб: Для изучения внутренних свойств растений их часто повреждали или выкапывали. Разрушающий отбор проб не позволяет отслеживать реакцию растений в разные моменты времени.
• Сложность отслеживания изменений во времени: Традиционные методы часто позволяют зафиксировать лишь один момент времени, поэтому изменения признаков растений остаются незамеченными.

Высокопроизводительное фенотипирование растений автоматизирует процесс измерений, повышая их точность и согласованность. Оно открывает новые возможности для инноваций в сельском хозяйстве и умного земледелия.

Роль компьютерного зрения в фенотипировании растений#

Компьютерное зрение — это технология, которая позволяет машинам видеть и интерпретировать визуальную информацию из реального мира подобно людям. Она включает три основных этапа: получение изображений, обработку и анализ.

Сначала на этапе получения изображений с помощью различных датчиков, например камер и дронов, собирают визуальные данные. Затем обработка изображений повышает их качество и четкость с помощью таких методов, как шумоподавление и коррекция цвета. Наконец, на этапе анализа извлекают значимую информацию из обработанных изображений, применяя различные задачи компьютерного зрения, например обнаружение объектов и сегментацию экземпляров. Для такого анализа можно использовать модели вроде Ultralytics YOLO11, поддерживающие эти задачи.

Рис. 2. YOLO11 можно использовать для обнаружения овощей на поле.

Другие технологии высокопроизводительного фенотипирования растений#

Помимо компьютерного зрения, высокопроизводительное фенотипирование растений опирается на несколько инновационных технологий, которые позволяют получать подробные изображения и видео растений. Вот некоторые из ключевых инструментов и их роль в сборе данных:

• RGB-съемка: Для получения изображений растений часто используют стандартные RGB-камеры. RGB-съемка играет важную роль в фенотипическом анализе и нередко становится первым этапом более сложных исследований.
• Гиперспектральная съемка: Эта технология фиксирует широкий спектр диапазонов за пределами видимого спектра. Она предоставляет подробную информацию о химическом составе растений и помогает обнаруживать такие показатели, как уровень хлорофилла, содержание воды и дефицит питательных веществ.
• Тепловизионная съемка: Тепловизионные камеры измеряют инфракрасное излучение растений и дают представление о температуре их поверхности. Этот неинвазивный метод полезен для наблюдения за состоянием растений и раннего выявления возможных проблем.
• 3D-съемка: Камеры глубины и технология LiDAR создают трехмерные модели растений. 3D-съемка крайне важна для анализа сложных структур растений и понимания того, как различия влияют на рост и продуктивность.

Рис. 3. Основные технологии высокопроизводительного фенотипирования растений. Изображение предоставлено автором.

Применение Ultralytics YOLO11 для фенотипирования растений#

Модели компьютерного зрения постепенно внедряются в самые разные задачи фенотипирования растений. От подсчета листьев до подробного морфологического анализа — эти технологии меняют наши подходы к изучению и контролю состояния растений. Рассмотрим несколько примеров из реальной практики, в которых модели вроде YOLO11 помогают фенотипировать растения.

Подсчет листьев и оценка засухоустойчивости с помощью Ultralytics YOLO11#

При интеграции моделей компьютерного зрения, таких как Ultralytics YOLO11, с беспилотными летательными аппаратами (UAVs) их можно использовать для анализа различных характеристик растений в реальном времени. Способность YOLO11 обнаруживать мелкие признаки, например кончики листьев, на аэрофотоснимках высокого разрешения помогает исследователям и фермерам точнее отслеживать стадии развития растений, чем традиционные методы ручной работы.

Например, поддержку обнаружения объектов в Ultralytics YOLO11 можно использовать, чтобы выявлять различия между засухоустойчивыми и чувствительными к засухе растениями риса, подсчитывая видимые листья. Визуальные признаки, например количество листьев, часто соотносятся с более сложными характеристиками — такими как биомасса растения и его устойчивость.

Обнаружение цветов с помощью Ultralytics YOLO11#

Обнаружение и подсчет цветов — интересные задачи фенотипирования растений, особенно для культур, у которых количество цветков тесно связано с потенциальной урожайностью. В частности, Ultralytics YOLO11 можно использовать для обнаружения различных цветочных структур. Автоматизируя обнаружение цветков, фермеры и исследователи могут быстрее принимать решения на основе данных о сроках опыления, распределении ресурсов и общем состоянии посевов.

Обнаружение болезней растений с помощью ИИ и Ultralytics YOLO11#

Обнаружение болезней растений — важная часть мониторинга состояния сельскохозяйственных культур. Возможности YOLO11 по классификации изображений позволяют классифицировать снимки посевов и выявлять ранние признаки заболеваний. YOLO11 также можно интегрировать в устройства, например дроны, мобильные приложения и полевых роботов, для автоматического обнаружения болезней. Это позволяет фермерам своевременно реагировать на вспышки заболеваний, сокращая потери урожая и использование пестицидов.

Например, Ultralytics YOLO11 можно дообучить на пользовательских данных, чтобы классифицировать изображения листьев винограда с возможными признаками скручивания листьев винограда. Модель обучается на размеченных примерах, охватывающих разные стадии болезни: здоровые листья, легкое изменение цвета и выраженные симптомы. Распознавая характерные визуальные признаки, например изменение цвета листьев и окраски жилок, YOLO11 помогает виноградарям выявлять инфекции на ранней стадии и принимать более обоснованные решения о лечении.

Рис. 4. Примеры проявления скручивания листьев винограда.

Преимущества использования Ultralytics YOLO11 для фенотипирования растений#

Вот некоторые преимущества моделей компьютерного зрения, таких как Ultralytics YOLO11, по сравнению с традиционными методами фенотипирования растений:

• Масштабируемость и экономическая эффективность: Автоматизация процессов с помощью Ultralytics YOLO11 позволяет сократить потребность в ручном труде, что делает ее масштабируемым и экономически эффективным решением для крупных сельскохозяйственных предприятий.
• Оповещения в реальном времени: интеграция данных, собранных с помощью Ultralytics YOLO11, с автоматизированными системами позволяет мгновенно сообщать о потенциальных проблемах и быстрее принимать решения.
• Экологичные методы ведения сельского хозяйства: сокращая объем ручного труда и использование химикатов, компьютерное зрение помогает сделать сельское хозяйство более экологичным и устойчивым.

Проблемы компьютерного зрения при фенотипировании растений#

Компьютерное зрение дает множество преимуществ при фенотипировании растений, однако важно учитывать ограничения, связанные с внедрением таких систем. Вот несколько ключевых проблем:

• Требования к набору данных: Для обучения моделей нужны большие, разнообразные и качественно размеченные наборы данных. Их сбор может быть сложным и долгим, особенно для редких культур или уникальных условий.
• Проблемы конфиденциальности: по мере того как дроны и интеллектуальные камеры становятся все распространеннее в полях, возникают вопросы о том, кому принадлежат данные, как они хранятся и не используются ли без надлежащего согласия.
• Условия окружающей среды: меняющееся освещение, погода и загроможденный фон могут непредсказуемо влиять на точность визуального анализа в сельскохозяйственной среде.

Переход к высокопроизводительному фенотипированию растений#

Фенотипирование растений развивается в сторону интеллектуальных взаимосвязанных систем, которые работают вместе и помогают точнее оценивать здоровье и рост культур. Одно из перспективных направлений — одновременное использование нескольких датчиков. Объединяя данные из разных источников, можно получить гораздо более полное и точное представление о происходящем с растением.

Тенденции рынка также свидетельствуют о растущем интересе к передовым методам фенотипирования растений. В этом году (2025) объем мирового рынка фенотипирования растений составляет около 311,73 млн долларов США, а к 2030 году, по прогнозам, достигнет 520,80 млн долларов США.

Рис. 5. Стоимость рынка фенотипирования растений.

Главные выводы#

Компьютерное зрение помогает автоматизировать измерение и анализ растений при фенотипировании. Модели Vision AI, такие как Ultralytics YOLO11, сокращают объем ручного труда, повышают точность результатов и упрощают наблюдение за посевами на больших территориях. Переход от традиционных методов к интеллектуальным технологичным системам — важный шаг к решению глобальных проблем, таких как изменение климата, нехватка продовольствия и необходимость устойчивого сельского хозяйства.

В дальнейшем интеграция компьютерного зрения с другими технологиями, например ИИ, робототехникой и умными датчиками, сделает сельское хозяйство еще более интеллектуальным и эффективным. По мере развития ИИ мы приближаемся к будущему, в котором сможем непрерывно наблюдать за растениями, точно настраивать условия их роста и обеспечивать им необходимый уход.

Присоединяйся к нашему сообществу и загляни в наш репозиторий на GitHub, чтобы узнать больше об инновациях в области ИИ. Познакомься с последними достижениями в таких областях, как ИИ в производстве и компьютерное зрение в здравоохранении, на страницах наших решений. Ознакомься с вариантами лицензирования и начни использовать компьютерное зрение уже сегодня!