Ultralytics YOLO11 и компьютерное зрение в фенотипировании растений

Сельское хозяйство жизненно важно для обеспечения нас продовольствием, и исследователи постоянно ищут способы оптимизации процессов, связанных с одной ключевой проблемой: изменением климата. Поскольку глобальное потепление нарушает вегетационные периоды, а население планеты растет, необходимость выведения культур, способных выдерживать постоянно меняющиеся условия среды, становится как никогда актуальной. Фенотипирование растений — важнейшая часть этих исследований.

Фенотипирование растений включает изучение свойств растений, таких как размер, цвет, рост и структура корневой системы. Понимая, как растения реагируют на различные условия, ты можешь 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.

Обычно фенотипирование растений включает ручные визуальные наблюдения, которые могут занимать много времени и требовать больших трудозатрат. Computer vision, ветвь искусственного интеллекта (ИИ), способна изменить подход к изучению растений. С помощью компьютерного зрения в фенотипировании растений мы можем автоматически обнаруживать и анализировать растения по изображениям или видео, существенно повышая скорость, стабильность и точность.

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

В этой статье мы подробнее рассмотрим проблемы традиционного фенотипирования растений и узнаем, как модели компьютерного зрения, такие как Ultralytics YOLO11, способствуют внедрению более умных и экологичных методов в сельском хозяйстве.

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 реакция на стресс, ты получаешь ценную информацию о том, как растения растут и реагируют на различные среды обитания.

Данные, собранные в ходе фенотипирования растений, жизненно важны для улучшения сортов, прогнозирования урожайности и повышения устойчивости к климатическим изменениям. Эти показатели также помогают фермерам и сельскохозяйственным экспертам выбирать наиболее эффективные сорта растений для дальнейшего выращивания или селекции.

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

Даже сегодня фенотипирование растений, как правило, включает ручные методы. Исследователи или опытные фермеры посещают поля, физически измеряют растения и записывают данные вручную. Несмотря на свою ценность, эти методы требуют больших человеческих усилий. Они также могут приводить к неточностям, поскольку разные люди могут по-разному наблюдать и интерпретировать признаки растений.

Однако современное фенотипирование или высокопроизводительное фенотипирование растений фокусируется на стабильности, accuracy и неразрушающем сборе данных. Растения мониторятся с помощью передовых инструментов, таких как RGB-камеры (стандартные цветные камеры), гиперспектральные датчики (устройства, захватывающие широкий спектр цветовой информации, даже за пределами видимого человеческому глазу диапазона) и системы LiDAR (обнаружение и датирование с помощью света — лазерные сканеры, создающие подробные 3D-карты) для сбора данных высокого разрешения без физического нарушения состояния растений.

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

Ограничения традиционного фенотипирования растений#

Хотя традиционные методы фенотипирования растений являются фундаментальными, у них есть несколько ограничений и проблем. Вот некоторые из их основных недостатков:

• Ручные методы: Традиционные методы полагаются на человеческий труд, при этом используются физические инструменты, такие как линейки и штангенциркули. Это трудоемкие и субъективные методы, особенно на больших фермерских полях.
• Разрушающий отбор проб: Растения часто повреждались или вырывались с корнем для изучения их внутренних свойств. Разрушающий отбор делает невозможным наблюдение за тем, как растения реагируют в разные промежутки времени.
• Сложность фиксации динамических изменений: Традиционные методы часто фиксируют лишь один момент времени, упуская развитие признаков растения с течением времени.

Высокопроизводительное фенотипирование растений ориентировано на автоматизацию процесса, чтобы сделать измерения более точными, а результаты — согласованными. Это открывает новые возможности для сельскохозяйственных инноваций и умного фермерства.

Роль компьютерного зрения в фенотипировании растений#

Компьютерное зрение — это технология, которая позволяет машинам видеть и интерпретировать визуальную информацию из реального мира, подобно тому, как это делают люди. Она включает три ключевых этапа: получение изображения, обработка и анализ.

Сначала получение изображений включает в себя сбор визуальных данных с помощью различных датчиков, таких как камеры и дроны. Затем image processing улучшает качество и четкость изображений с помощью таких методов, как шумоподавление и коррекция цвета. Наконец, анализ изображений извлекает полезную информацию из обработанных изображений с помощью различных задач компьютерного зрения, таких как обнаружение объектов и instance segmentation. Модели вроде Ultralytics YOLO11 могут использоваться для этого анализа изображений и поддерживают такие задачи.

Fig 2. YOLO11 можно использовать для обнаружения овощей в поле.

Другие технологии, используемые в высокопроизводительном фенотипировании растений#

Помимо компьютерного зрения, высокопроизводительное фенотипирование растений опирается на несколько инновационных технологий для захвата детальных изображений и видео растений. Вот некоторые из этих ключевых инструментов и способы их влияния на сбор данных:

• RGB imaging: Стандартные RGB-камеры обычно используются для съемки растений. RGB-визуализация играет центральную роль в фенотипическом анализе и часто служит первым шагом в более сложных оценках.
• Гиперспектральная визуализация: Эта технология захватывает широкий спектр спектральных полос за пределами видимого спектра. Она предоставляет подробную информацию о химическом составе растения и помогает выявлять такие факторы, как уровень хлорофилла, содержание воды и дефицит питательных веществ.
• Тепловизионная съемка: Тепловизионные камеры измеряют инфракрасное излучение, испускаемое растениями, предлагая данные о температуре поверхности. Этот неинвазивный метод полезен для контроля здоровья растений и раннего выявления потенциальных проблем.
• 3D imaging: Камеры глубины и технология LiDAR создают трехмерные модели растений. 3D-визуализация имеет решающее значение для анализа сложных структур растений и понимания того, как вариации влияют на рост и продуктивность.

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

Применение Ultralytics YOLO11 в фенотипировании растений#

Computer vision models постепенно внедряются в фенотипирование растений для решения самых разных задач. От подсчета листьев до детального морфологического анализа — эти технологии преобразуют то, как мы понимаем здоровье растений и управляем им.вайДавай рассмотрим несколько реальных приложений, в которых такие модели, как YOLO11, могут помочь в фенотипировании растений.

Подсчет листьев и оценка засухоустойчивости с использованием Ultralytics YOLO11#

Когда такие модели зрения, как Ultralytics YOLO11, интегрируются с БПЛА (беспилотными летательными аппаратами), их можно использовать для анализа различных характеристик растений в реальном времени. Способность YOLO11 обнаруживать мелкие детали на аэрофотоснимках высокого разрешения, такие как кончики листьев, помогает исследователям и фермерам отслеживать этапы развития растений гораздо точнее, чем традиционные ручные методы.

Например, поддержка object detection в Ultralytics YOLO11 может использоваться для определения различий между засухоустойчивыми и чувствительными к засухе растениями риса путем подсчета количества видимых листьев. Визуальные признаки, такие как количество листьев, часто коррелируют с более глубокими характеристиками, такими как биомасса и устойчивость растений.

Обнаружение цветов с помощью Ultralytics YOLO11#

Обнаружение и подсчет цветов — интересные аспекты фенологии растений, особенно в отношении культур, где количество цветков тесно связано с потенциалом урожайности. В частности, Ultralytics YOLO11 можно использовать для обнаружения различных цветочных структур. Автоматизируя процесс обнаружения цветов, фермеры и исследователи могут принимать более быстрые решения на основе данных, касающиеся сроков опыления, распределения ресурсов и общего состояния здоровья урожая.

Обнаружение болезней растений с помощью ИИ и Ultralytics YOLO11#

Обнаружение болезней растений — важнейшая часть monitoring crop health. Используя возможности классификации изображений YOLO11, можно классифицировать снимки культур для выявления ранних признаков болезней. YOLO11 также может быть интегрирован в такие устройства, как дроны, мобильные приложения или полевые роботы, для автоматического обнаружения болезней. Это позволяет фермерам вовремя реагировать на вспышки заболеваний, снижая потери урожая и минимизируя использование пестицидов.

Например, Ultralytics YOLO11 можно обучить под свои задачи для классификации изображений листьев винограда, на которых могут проявляться признаки скручивания листьев винограда. Модель обучается на размеченных примерах, охватывающих различные стадии заболевания, такие как здоровые листья, слабое изменение окраски и тяжелые симптомы. Распознавая четкие визуальные паттерны, вроде изменения цвета и обесцвечивания прожилок, YOLO11 помогает виноградарям вовремя выявлять заражения и принимать более обоснованные решения по лечению.

Fig 4. Примеры проявления болезни 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 фенологии растений:

• Масштабируемость и экономичность: Автоматизация процессов с помощью Ultralytics YOLO11 может снизить потребность в ручном труде, делая это решение масштабируемым и экономически эффективным для крупномасштабных сельскохозяйственных операций.
• Оповещения в реальном времени: Интеграция аналитических данных, собранных с помощью Ultralytics YOLO11, с автоматизированными системами обеспечивает мгновенные уведомления о потенциальных проблемах, поддерживая быстрое принятие решений.
• Устойчивые методы земледелия: Снижая необходимость ручного вмешательства и использования химикатов, компьютерное зрение способствует созданию более экологически чистого и устойчивого сельского хозяйства.

Проблемы компьютерного зрения в фенотипировании растений#

Хотя компьютерное зрение предлагает множество преимуществ в фенотипировании растений, важно помнить об ограничениях, связанных с внедрением таких систем. Вот несколько ключевых проблем:

• Требования к наборам данных: Обучение моделей требует больших, разнообразных и хорошо размеченных наборов данных, которые бывает трудно и долго собирать, особенно для редких культур или уникальных условий.
• Вопросы конфиденциальности: Поскольку дроны и умные камеры становятся все более распространенными на полях, возникают вопросы о том, кому принадлежат данные, как они хранятся и используются ли они без должного согласия.
• Условия окружающей среды: Изменение освещенности, погодные условия и шум на фоне могут повлиять на точность визуального анализа в непредсказуемых сельскохозяйственных условиях.

Движение к высокопроизводительному фенотипированию растений#

Будущее фенотипирования растений движется в сторону умных, взаимосвязанных систем, которые работают вместе, чтобы дать более четкое представление о здоровье и росте урожая. Один из захватывающих трендов — использование нескольких датчиков одновременно. Комбинируя данные из различных источников, ты можешь получить гораздо более богатое и точное понимание того, что происходит с растением.

Рыночные тенденции также демонстрируют растущий интерес к передовым методам фенотипирования растений. Мировой plant phenotyping market в текущем году (2025) оценивается примерно в 311,73 млн долларов США и к 2030 году достигнет 520,80 млн долларов США.

Fig 5. Рыночная стоимость фенотипирования растений.

Основные выводы#

Компьютерное зрение в фенологии растений помогает автоматизировать измерение и анализ растений. ИИ-модели зрения вроде Ultralytics YOLO11 могут сократить объем ручной работы, достичь лучших результатов и упростить мониторинг посевов в больших масштабах. Переход от традиционных методов к интеллектуальным технологическим системам — это значительный шаг к решению глобальных проблем, таких как изменение климата, нехватка продовольствия и устойчивое сельское хозяйство.

В будущем интеграция компьютерного зрения с другими технологиями, такими как ИИ, робототехника и умные датчики, сделает сельское хозяйство еще более интеллектуальным и эффективным. По мере развития ИИ мы приближаемся к будущему, в котором мы сможем беспрепятственно контролировать растения, настраивать их рост и обеспечивать необходимый уход.

Присоединяйся к нашему community и изучай наш GitHub repository, чтобы узнать больше об инновациях в сфере ИИ. Узнай о последних достижениях в таких областях, как AI in manufacturing и computer vision in healthcare, на страницах наших решений. Ознакомься с нашими licensing options и начни работу с компьютерным зрением уже сегодня!