Ultralytics YOLO11 и компьютерное зрение в фенотипировании растений

Сельское хозяйство играет ключевую роль в обеспечении нас продовольствием, а исследователи постоянно ищут способы оптимизировать процессы, связанные с одной из главных проблем: изменением климата. На фоне глобального потепления, нарушающего сезоны выращивания, и роста численности населения планеты необходимость создания культур, способных адаптироваться к постоянно меняющимся условиям окружающей среды, становится особенно актуальной. Фенотипирование растений — важная часть этих исследований.

Фенотипирование растений включает изучение таких характеристик растений, 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 бедным почвам. Эти данные можно использовать для принятия решений о том, какие культуры следует выращивать для повышения продуктивности сельского хозяйства.

Обычно фенотипирование растений предполагает визуальные наблюдения вручную, которые могут быть длительными и трудозатратными. Компьютерное зрение — это отрасль искусственного интеллекта (AI), способная изменить подход к изучению растений. С помощью компьютерного зрения в фенотипировании растений можно автоматически обнаруживать и анализировать растения на изображениях и видео, значительно повышая скорость, согласованность и точность.

Например, модели компьютерного зрения, такие как Ultralytics YOLO11, могут обрабатывать огромные объёмы визуальных данных о растениях, полученных с дронов, наземных роботов или портативных устройств. Благодаря поддержке различных задач компьютерного зрения YOLO11 можно использовать для анализа разнообразных характеристик 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, способствуют развитию более интеллектуальных и устойчивых методов ведения сельского хозяйства.

Что такое фенотипирование растений?#

Фенотипирование растений — это процесс наблюдения и анализа физических и биохимических характеристик растения. Собирая такие данные, как высота растения, площадь листьев, скорость роста и реакции на стресс, мы можем получить ценные сведения о том, как растения растут и реагируют на различные условия окружающей среды.

Данные, собранные в процессе фенотипирования растений, имеют решающее значение для улучшения сельскохозяйственных культур, прогнозирования урожайности и повышения устойчивости к изменению климата. Эти показатели также помогают фермерам и агрономам выбирать наиболее продуктивные разновидности растений для дальнейшего выращивания или селекции.

Рис. 1. Исследователь измеряет высоту растения с помощью линейки.

Даже сегодня фенотипирование растений обычно выполняется вручную. Исследователи или опытные фермеры посещают поля, физически измеряют растения и записывают данные вручную. Несмотря на пользу, эти методы требуют значительных человеческих усилий. Они также могут приводить к несогласованным результатам, поскольку разные люди могут по-разному наблюдать и интерпретировать признаки растений.

Современное фенотипирование, или высокопроизводительное фенотипирование растений, ориентировано на согласованность, точность и неразрушающий сбор данных. Для получения данных высокого разрешения растения контролируются с помощью передовых инструментов, таких как RGB-камеры (стандартные цветные камеры), гиперспектральные датчики (устройства, фиксирующие широкий диапазон цветовой информации, в том числе за пределами видимого человеческому глазу спектра) и системы LiDAR (лазерные сканеры, создающие подробные трёхмерные карты), без физического воздействия на растения.

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

Ограничения традиционного фенотипирования растений#

Несмотря на фундаментальное значение, традиционные методы фенотипирования растений имеют ряд ограничений и проблем. Вот некоторые из их основных недостатков:

• Ручные методы: Традиционные методы требовали человеческих усилий и использования физических инструментов, таких как линейки и штангенциркули. Они были длительными и субъективными, особенно на больших сельскохозяйственных полях.
• Разрушающий отбор образцов: Для изучения внутренних характеристик растений их часто повреждали или выкапывали. Разрушающий отбор образцов делает невозможным наблюдение за реакцией растений в разные моменты времени.
• Сложность фиксации динамических изменений: Традиционные методы часто фиксируют только один момент времени, не отражая изменения признаков растений с течением времени.

Высокопроизводительное фенотипирование растений направлено на автоматизацию фенотипирования, чтобы сделать измерения более точными и обеспечить согласованность результатов. Оно открывает новые возможности для сельскохозяйственных инноваций и интеллектуального фермерства.

Роль компьютерного зрения в фенотипировании растений#

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

Сначала получение изображений предполагает сбор визуальных данных с помощью различных датчиков, например камер и дронов. Затем обработка изображений повышает качество и чёткость изображений с помощью таких методов, как шумоподавление и цветокоррекция. Наконец, анализ изображений извлекает значимую информацию из обработанных изображений с использованием различных задач компьютерного зрения, таких как обнаружение объектов и сегментация экземпляров. Модели, такие как Ultralytics YOLO11, можно использовать для этого анализа изображений, поскольку они поддерживают такие задачи.

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

Другие технологии, используемые в высокопроизводительном фенотипировании растений#

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 способы, которыми они улучшают сбор данных:

• RGB-съёмка: Стандартные RGB-камеры обычно используются для получения изображений растений. RGB-съёмка играет центральную роль в фенотипическом анализе и часто служит начальным этапом более сложных исследований.
• Гиперспектральная съёмка: Эта технология фиксирует широкий диапазон спектральных полос за пределами видимого спектра. Она предоставляет подробную информацию о химическом составе растения и помогает обнаруживать такие факторы, как уровень хлорофилла, содержание воды и дефицит питательных веществ.
• Тепловизионная съёмка: Тепловизионные камеры измеряют инфракрасное излучение, испускаемое растениями, и дают представление о температуре их поверхности. Этот неинвазивный метод полезен для контроля здоровья растений и раннего выявления потенциальных проблем.
• 3D-съёмка: Камеры глубины и технология LiDAR создают трёхмерные модели растений. 3D-съёмка имеет решающее значение для анализа сложных структур растений и понимания того, как их вариации влияют на рост и продуктивность.

Рис. 3. Ключевые технологии, используемые в высокопроизводительном фенотипировании растений. Изображение автора.

Применение Ultralytics YOLO11 в фенотипировании растений#

Модели компьютерного зрения постепенно применяются в фенотипировании растений для решения широкого спектра задач. От подсчёта листьев до подробного морфологического анализа — эти технологии меняют подходы к пониманию и контролю здоровья растений. Рассмотрим несколько реальных применений, в которых такие модели, как YOLO11, могут помочь с фенотипированием растений.

Подсчёт листьев и оценка засухоустойчивости с помощью Ultralytics YOLO11#

При интеграции моделей зрения, таких как Ultralytics YOLO11, с БПЛА (беспилотными летательными аппаратами) их можно использовать для анализа различных характеристик растений в реальном времени. Способность YOLO11 обнаруживать небольшие признаки на аэрофотоснимках высокого разрешения, например кончики листьев, помогает исследователям и фермерам точнее отслеживать стадии развития растений по сравнению с традиционными ручными методами.

Например, поддержку обнаружения объектов в Ultralytics YOLO11 можно использовать для выявления различий между засухоустойчивыми и чувствительными к засухе растениями риса посредством подсчёта видимых листьев. Визуальные признаки, такие как количество листьев, часто коррелируют с более глубокими характеристиками, включая биомассу и устойчивость растений.

Обнаружение цветов с помощью Ultralytics YOLO11#

Обнаружение и подсчёт цветов — интересные аспекты фенотипирования растений, особенно применительно к культурам, у которых количество цветков тесно связано с потенциальной урожайностью. В частности, Ultralytics YOLO11 можно использовать для обнаружения различных цветочных структур. Автоматизация обнаружения цветов позволяет фермерам и исследователям быстрее принимать решения на основе данных о сроках опыления, распределении ресурсов и общем состоянии культур.

Обнаружение заболеваний растений с помощью AI и Ultralytics YOLO11#

Обнаружение заболеваний растений — важная часть мониторинга состояния сельскохозяйственных культур. С помощью возможностей YOLO11 по классификации изображений снимки культур можно классифицировать для выявления ранних признаков заболеваний. YOLO11 также можно интегрировать в такие устройства, как дроны, мобильные приложения или полевые роботы, для автоматического обнаружения заболеваний. Это позволяет фермерам своевременно принимать меры против вспышек заболеваний, сокращая потери урожая и сводя к минимуму использование пестицидов.

Например, Ultralytics YOLO11 можно дообучить для классификации изображений листьев винограда, на которых могут проявляться признаки вирусного скручивания листьев винограда. Модель обучается на размеченных примерах, охватывающих различные стадии заболевания: здоровые листья, лёгкое изменение цвета и выраженные симптомы. Распознавая характерные визуальные признаки, такие как изменение цвета листьев и обесцвечивание жилок, YOLO11 помогает виноградарям рано обнаруживать инфекции и принимать более обоснованные решения о лечении.

Рис. 4. Примеры проявления вирусного скручивания листьев винограда.

Преимущества использования Ultralytics YOLO11 для фенотипирования растений#

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

• Масштабируемость и экономическая эффективность: Автоматизация процессов с помощью Ultralytics YOLO11 может снизить потребность в ручном труде, сделав это решение масштабируемым и экономически эффективным для крупномасштабных сельскохозяйственных операций.
• Оповещения в реальном времени: Интеграция сведений, собранных с помощью Ultralytics YOLO11, с автоматизированными системами обеспечивает мгновенные уведомления о потенциальных проблемах, поддерживая быстрое принятие решений.
• Устойчивые методы ведения сельского хозяйства: Сокращая ручное вмешательство и использование химикатов, компьютерное зрение способствует развитию более экологичного и устойчивого сельского хозяйства.

Проблемы компьютерного зрения в фенотипировании растений#

Несмотря на многочисленные преимущества компьютерного зрения в фенотипировании растений, важно учитывать ограничения, связанные с внедрением таких систем. Вот несколько ключевых проблем:

• Требования к наборам данных: Для обучения моделей требуются большие, разнообразные и хорошо размеченные наборы данных, сбор которых может быть сложным и длительным, особенно для редких культур или уникальных условий.
• Проблемы конфиденциальности: По мере распространения дронов и интеллектуальных камер на полях возникают вопросы о том, кому принадлежат данные, как они хранятся и не используются ли без надлежащего согласия.
• Условия окружающей среды: Изменения освещения и погоды, а также визуальный шум фона могут непредсказуемо влиять на точность визуального анализа в сельскохозяйственных условиях.

Переход к высокопроизводительному фенотипированию растений#

Будущее фенотипирования растений связано с интеллектуальными взаимосвязанными системами, которые работают вместе, чтобы дать более полное представление о здоровье и росте сельскохозяйственных культур. Одним из перспективных направлений является одновременное использование нескольких датчиков. Объединяя данные из разных источников, мы можем получить гораздо более полное и точное представление о происходящем с растением.

Рыночные тенденции также демонстрируют растущий интерес к передовым методам фенотипирования растений. Объём мирового рынка фенотипирования растений в этом году (2025) составляет около 311,73 млн долларов и, как ожидается, достигнет 520,80 млн долларов к 2030 году.

Рис. 5. Рыночная стоимость фенотипирования растений.

Основные выводы#

Компьютерное зрение в фенотипировании растений помогает автоматизировать измерение и анализ растений. Модели Vision AI, такие как Ultralytics YOLO11, могут сократить объём ручной работы, повысить качество результатов и упростить мониторинг сельскохозяйственных культур в больших масштабах. Переход от традиционных методов к интеллектуальным технологичным системам — важный шаг в решении глобальных проблем, таких как изменение климата, нехватка продовольствия и устойчивое сельское хозяйство.

В дальнейшем интеграция компьютерного зрения с другими технологиями, такими как AI, робототехника и интеллектуальные датчики, сделает сельское хозяйство ещё более интеллектуальным и эффективным. По мере развития AI мы приближаемся к будущему, в котором сможем беспрепятственно контролировать растения, точно настраивать условия их роста и обеспечивать необходимый уход.

Присоединяйся к нашему сообществу и изучи наш репозиторий на GitHub, чтобы узнать больше об инновациях в области AI. Открой для себя последние достижения в таких направлениях, как AI в производстве и компьютерное зрение в здравоохранении, на наших страницах решений. Ознакомься с вариантами лицензирования и начни использовать компьютерное зрение уже сегодня!