25 марта 2025 г.
Узнайте, как Ultralytics YOLO11 и компьютерное зрение в фенотипировании растений можно использовать для автоматизации таких задач, как подсчет листьев, обнаружение засухи и прогнозирование болезней.
Сельское хозяйство имеет важное значение для нашего продовольственного снабжения, и исследователи постоянно ищут способы оптимизации процессов, связанных с одной ключевой проблемой: изменением климата. Поскольку глобальное потепление нарушает вегетационные периоды, а население мира растет, необходимость в разработке культур, которые могут выдерживать постоянно меняющиеся условия, очень реальна. Фенотипирование растений является ключевой частью этого исследования.
Фенотипирование растений включает в себя изучение свойств растений, таких как размер, цвет, рост и структура корней. Понимая, как растения реагируют на различные условия, мы можем определить, какие из них лучше приспособлены к засухе, жаре или бедной почве. Эти данные можно использовать для принятия решений о том, какие культуры разводить для повышения продуктивности сельского хозяйства.
Как правило, фенотипирование растений включает в себя ручные визуальные наблюдения, которые могут быть трудоемкими и отнимать много времени. Компьютерное зрение, отрасль искусственного интеллекта (ИИ), может изменить подход к изучению растений. С помощью компьютерного зрения в фенотипировании растений мы можем автоматически обнаруживать и анализировать растения по изображениям или видео, что значительно повышает скорость, стабильность и точность.
Например, модели компьютерного зрения, такие как Ultralytics YOLO11, могут обрабатывать огромные объемы визуальных данных о растениях, полученных с помощью дронов, наземных роботов или портативных устройств. Благодаря поддержке различных задач компьютерного зрения, YOLO11 можно использовать для анализа различных свойств растений на изображениях и видео.
В этой статье мы более подробно рассмотрим проблемы традиционного фенотипирования растений и изучим, как модели компьютерного зрения, такие как YOLO11, способствуют внедрению более разумных и устойчивых методов ведения сельского хозяйства.
Фенотипирование растений — это процесс наблюдения и анализа физических и биохимических характеристик растения. Собирая данные, такие как высота растения, площадь листьев, скорость роста и реакции на стресс, мы можем получить ценную информацию о том, как растения растут и реагируют на различные условия окружающей среды.
Данные, собранные в ходе фенотипирования растений, жизненно важны для улучшения сельскохозяйственных культур, прогнозирования урожайности и повышения устойчивости к изменению климата. Эти данные также помогают фермерам и экспертам в области сельского хозяйства выбирать наиболее эффективные сорта растений для дальнейшего выращивания или селекции.
Даже сегодня фенотипирование растений обычно включает ручные методы. Исследователи или опытные фермеры посещают поля, физически измеряют растения и записывают данные вручную. Несмотря на их ценность, эти методы требуют больших усилий со стороны человека. Они также могут приводить к несоответствиям, поскольку разные люди могут по-разному наблюдать и интерпретировать признаки растений.
Современное фенотипирование, или высокопроизводительное фенотипирование растений, однако, фокусируется на последовательности, точности и неразрушающем сборе данных. Мониторинг растений осуществляется с помощью передовых инструментов, таких как RGB-камеры (стандартные цветные камеры), гиперспектральные датчики (устройства, которые захватывают широкий диапазон цветовой информации, даже за пределами видимого глазу) и системы LiDAR (Light Detection and Ranging) (лазерные сканеры, которые создают подробные 3D-карты) для сбора данных с высоким разрешением, не нарушая физически растения.
В сочетании с ИИ и компьютерным зрением эти неинвазивные методы могут значительно повысить точность и согласованность фенотипирования растений.
Несмотря на фундаментальность, традиционные методы фенотипирования растений имеют ряд ограничений и проблем. Вот некоторые из их основных недостатков:
Высокопроизводительное фенотипирование растений направлено на автоматизацию фенотипирования растений, чтобы сделать измерения более точными и обеспечить согласованность. Это открывает новые возможности для сельскохозяйственных инноваций и умного земледелия.
Компьютерное зрение — это технология, которая позволяет машинам видеть и интерпретировать визуальную информацию из реального мира, подобно тому, как это делают люди. Она включает в себя три ключевых этапа: получение, обработку и анализ изображений.
Во-первых, получение изображений включает в себя сбор визуальных данных с помощью различных датчиков, таких как камеры и дроны. Затем обработка изображений улучшает качество и четкость изображений с помощью таких методов, как шумоподавление и цветокоррекция. Наконец, анализ изображений извлекает значимую информацию из обработанных изображений с помощью различных задач компьютерного зрения, таких как обнаружение объектов и сегментация экземпляров. Модели, такие как YOLO11, могут использоваться для этого анализа изображений и поддерживать такие задачи.
Помимо компьютерного зрения, высокопроизводительное фенотипирование растений опирается на несколько инновационных технологий для получения подробных изображений и видео растений. Вот некоторые из этих ключевых инструментов и то, как они улучшают сбор данных:
Модели компьютерного зрения постепенно находят применение в фенотипировании растений для решения широкого круга задач. От подсчета листьев до детального морфологического анализа — эти технологии преобразуют наше понимание здоровья растений и управление им. Давайте рассмотрим несколько реальных примеров применения моделей, таких как YOLO11, в фенотипировании растений.
Когда модели машинного зрения, такие как YOLO11, интегрированы с БПЛА (беспилотными летательными аппаратами), их можно использовать для анализа различных характеристик растений в режиме реального времени. Способность YOLO11 обнаруживать мелкие детали на аэрофотоснимках высокого разрешения, такие как кончики листьев, помогает исследователям и фермерам отслеживать стадии развития растений более точно, чем традиционные ручные методы.
Например, поддержка детектирования объектов в YOLO11 может быть использована для выявления различий между засухоустойчивыми и засухочувствительными сортами риса путем подсчета количества видимых листьев. Визуальные признаки, такие как количество листьев, часто коррелируют с более глубокими характеристиками, такими как биомасса и устойчивость растений.
Детектирование и подсчет цветков — интересные аспекты фенотипирования растений, особенно в отношении сельскохозяйственных культур, где количество цветков тесно связано с потенциальной урожайностью. В частности, YOLO11 можно использовать для обнаружения различных структур цветков. Автоматизируя процесс обнаружения цветков, фермеры и исследователи могут быстрее принимать решения на основе данных, касающиеся сроков опыления, распределения ресурсов и общего состояния сельскохозяйственных культур.
Обнаружение болезней растений — важнейшая часть мониторинга здоровья сельскохозяйственных культур. Используя возможности классификации изображений YOLO11, можно классифицировать изображения сельскохозяйственных культур для выявления ранних признаков заболевания. YOLO11 также может быть интегрирована в такие устройства, как дроны, мобильные приложения или полевые роботы, для автоматического обнаружения болезней. Это позволяет фермерам своевременно принимать меры против вспышек заболеваний, снижая потери урожая и минимизируя использование пестицидов.
Например, YOLO11 можно специально обучить для классификации изображений виноградных листьев, которые могут проявлять признаки скручивания листьев винограда. Модель обучается на размеченных примерах, охватывающих различные стадии заболевания, такие как здоровые листья, легкое изменение цвета и серьезные симптомы. Распознавая отчетливые визуальные закономерности, такие как изменения цвета и обесцвечивание жилок, YOLO11 помогает виноградарям выявлять инфекции на ранней стадии и принимать более обоснованные решения о лечении.
Вот некоторые преимущества использования моделей компьютерного зрения, таких как YOLO11, по сравнению с традиционными методами фенотипирования растений:
Хотя компьютерное зрение предлагает множество преимуществ, когда речь идет о фенотипировании растений, важно помнить об ограничениях, связанных с внедрением этих систем. Вот несколько ключевых проблем:
Будущее фенотипирования растений движется в сторону интеллектуальных, взаимосвязанных систем, которые работают вместе, чтобы дать более четкое представление о здоровье и росте сельскохозяйственных культур. Одной из интересных тенденций является одновременное использование нескольких датчиков. Объединяя данные из различных источников, мы можем получить гораздо более полное и точное представление о том, что происходит с растением.
Тенденции рынка также демонстрируют растущий интерес к передовым методам фенотипирования растений. Объем мирового рынка фенотипирования растений в этом году (2025) составляет около 311,73 млн долларов США и, по прогнозам, достигнет 520,80 млн долларов США к 2030 году.
Компьютерное зрение в фенотипировании растений помогает автоматизировать измерение и анализ растений. Модели машинного зрения, такие как YOLO11, могут сократить ручной труд, улучшить результаты и упростить мониторинг сельскохозяйственных культур в больших масштабах. Переход от традиционных методов к интеллектуальным системам, основанным на технологиях, является важным шагом на пути к решению глобальных проблем, таких как изменение климата, нехватка продовольствия и устойчивое сельское хозяйство.
В дальнейшем интеграция компьютерного зрения с другими технологиями, такими как ИИ, робототехника и интеллектуальные датчики, сделает сельское хозяйство еще более интеллектуальным и эффективным. По мере развития ИИ мы приближаемся к будущему, где сможем беспрепятственно отслеживать растения, точно настраивать их рост и обеспечивать необходимый уход.
Присоединяйтесь к нашему сообществу и изучите наш репозиторий GitHub, чтобы узнать больше об инновациях в области ИИ. Откройте для себя последние достижения в таких областях, как ИИ в производстве и компьютерное зрение в здравоохранении, на страницах наших решений. Ознакомьтесь с нашими вариантами лицензирования и начните работу с компьютерным зрением уже сегодня!
.webp)