Ultralytics YOLO11 và computer vision trong đo kiểu hình thực vật

Nông nghiệp đóng vai trò thiết yếu đối với nguồn cung thực phẩm của chúng ta, và các nhà nghiên cứu luôn tìm cách tối ưu hóa các quy trình liên quan đến một thách thức then chốt: biến đổi khí hậu. Với tình trạng nóng lên toàn cầu làm gián đoạn các mùa vụ và dân số thế giới đang tăng nhanh, nhu cầu phát triển các loại cây trồng có khả năng chịu đựng được những môi trường luôn thay đổi là rất cấp thiết. Kiểu hình thực vật (plant phenotyping) là một phần quan trọng trong nghiên cứu này.

Kiểu hình thực vật bao gồm việc nghiên cứu các đặc tính của cây trồng như kích thước, màu sắc, sự tăng trưởng và cấu trúc rễ. Bằng cách hiểu cách cây trồng phản ứng với các điều kiện khác nhau, chúng ta có thể xác định được những loại cây nào được trang bị tốt hơn để chịu đựng hạn hán, nhiệt độ cao hoặc đất kém dinh dưỡng. Dữ liệu này có thể được sử dụng để đưa ra quyết định về việc chọn giống cây trồng nào nhằm thúc đẩy năng suất nông nghiệp.

Thông thường, kiểu hình thực vật bao gồm các quan sát trực quan thủ công, có thể tốn thời gian và tốn nhiều công sức. Computer vision, một nhánh của trí tuệ nhân tạo (AI), có thể cách mạng hóa cách chúng ta nghiên cứu thực vật. Với computer vision trong kiểu hình thực vật, chúng ta có thể tự động phát hiện và phân tích thực vật từ hình ảnh hoặc video, cải thiện đáng kể tốc độ, tính nhất quán và độ chính xác.

Ví dụ, các model computer vision như Ultralytics YOLO11 có thể xử lý lượng lớn dữ liệu hình ảnh thực vật do máyδn, robot mặt đất hoặc thiết bị cầm tay thu thập. Với khả năng hỗ trợ các tác vụ computer vision khác nhau, YOLO11 có thể được sử dụng để phân tích các đặc tính thực vật khác nhau trong hình ảnh và video.

Trong bài viết này, chúng ta sẽ xem xét kỹ hơn các thách thức trong việc đo hình thái thực vật truyền thống và khám phá cách các mô hình computer vision như Ultralytics YOLO11 đang thúc đẩy các phương pháp canh tác thông minh và bền vững hơn.

Kiểu hình thực vật là gì?#

Kiểu hình thực vật là quá trình quan sát và phân tích các đặc điểm vật lý và sinh hóa của một cái cây. Bằng cách thu thập dữ liệu như chiều cao cây, diện tích lá, tốc độ tăng trưởng và phản ứng với căng thẳng, chúng ta có thể thu được những thông tin có giá trị về cách cây trồng phát triển và phản ứng với các môi trường đa dạng.

Dữ liệu thu thập được thông qua kiểu hình thực vật là yếu tố sống còn cho việc cải thiện cây trồng, dự báo năng suất và tăng cường khả năng chống chịu với khí hậu. Những điểm dữ liệu này cũng giúp nông dân và các chuyên gia nông nghiệp chọn ra các giống cây trồng có hiệu suất tốt nhất để canh tác hoặc nhân giống thêm.

Hình 1. Một nhà nghiên cứu đo chiều cao của cây bằng thước kẻ.

Ngay cả ngày nay, kiểu hình thực vật nhìn chung vẫn liên quan đến các phương pháp thủ công. Các nhà nghiên cứu hoặc nông dân chuyên nghiệp đến cánh đồng, đo đạc cây trồng bằng cách vật lý và ghi lại dữ liệu bằng tay. Mặc dù có giá trị, các phương pháp này đòi hỏi rất nhiều nỗ lực của con người. Chúng cũng có thể dẫn đến sự thiếu nhất quán, vì những người khác nhau có thể quan sát và diễn giải các đặc điểm thực vật theo cách khác nhau.

Tuy nhiên, kiểu hình hiện đại hoặc kiểu hình thực vật thông lượng cao lại tập trung vào tính nhất quán, accuracy và thu thập dữ liệu không phá hủy. Thực vật được giám sát bằng các công cụ tiên tiến như camera RGB (camera màu tiêu chuẩn), cảm biến siêu phổ (thiết bị chụp dải thông tin màu rộng, thậm chí vượt ra ngoài tầm nhìn của mắt thường) và hệ thống LiDAR (Light Detection and Ranging) (máy quét dựa trên laser tạo bản đồ 3D chi tiết) để thu thập dữ liệu độ phân giải cao mà không làm ảnh hưởng vật lý đến thực vật.

Khi kết hợp với AI và thị giác máy tính, các phương pháp không xâm lấn này có thể giúp cải thiện đáng kể độ chính xác và tính nhất quán của kiểu hình thực vật.

Những hạn chế của kiểu hình thực vật truyền thống#

Mặc dù là nền tảng, các phương pháp kiểu hình thực vật truyền thống có một số hạn chế và thách thức. Dưới đây là một số nhược điểm chính của chúng:

• Phương pháp thủ công: Các phương pháp truyền thống dựa vào nỗ lực của con người, và các công cụ vật lý như thước kẻ và thước cặp được sử dụng. Chúng rất tốn thời gian và mang tính chủ quan, đặc biệt là trên các cánh đồng canh tác lớn.
• Lấy mẫu phá hủy: Cây trồng thường bị hư hại hoặc nhổ bỏ để nghiên cứu các đặc tính bên trong. Việc lấy mẫu phá hủy khiến việc theo dõi phản ứng của cây trồng tại các khoảng thời gian khác nhau trở nên bất khả thi.
• Khó khăn trong việc nắm bắt các thay đổi động: Các phương pháp truyền thống thường chỉ ghi lại một khoảnh khắc tại một thời điểm, bỏ lỡ sự tiến triển của các đặc tính thực vật theo thời gian.

Kiểu hình thực vật thông lượng cao tập trung vào việc tự động hóa kiểu hình thực vật để làm cho các phép đo chính xác hơn và giữ mọi thứ nhất quán. Nó mở ra những cánh cửa mới cho đổi mới nông nghiệp và canh tác thông minh.

Vai trò của thị giác máy tính trong kiểu hình thực vật#

Thị giác máy tính là công nghệ cho phép máy móc nhìn và diễn giải thông tin hình ảnh từ thế giới thực, tương tự như cách con người thực hiện. Nó bao gồm ba giai đoạn chính: thu thập hình ảnh, xử lý và phân tích.

Đầu tiên, quá trình thu thập hình ảnh bao gồm việc chụp dữ liệu trực quan bằng các cảm biến khác nhau, chẳng hạn như máy ảnh và máydrone. Tiếp theo, image processing nâng cao chất lượng và độ rõ nét của hình ảnh bằng các kỹ thuật như giảm nhiễu và hiệu chỉnh màu sắc. Cuối cùng, phân tích hình ảnh trích xuất thông tin có ý nghĩa từ các hình ảnh đã xử lý bằng cách sử dụng các tác vụ thị giác máy tính khác nhau như phát hiện đối tượng và instance segmentation. Các model như Ultralytics YOLO11 có thể được sử dụng cho việc phân tích hình ảnh này và hỗ trợ các tác vụ đó.

Fig 2. YOLO11 có thể được sử dụng để phát hiện rau trong cánh đồng.

Các công nghệ khác liên quan đến kiểu hình thực vật thông lượng cao#

Ngoài thị giác máy tính, kiểu hình thực vật thông lượng cao dựa vào một số công nghệ tiên tiến để chụp các hình ảnh và video thực vật chi tiết. Dưới đây là một số công cụ chính và cách chúng nâng cao khả năng thu thập dữ liệu:

• RGB imaging: Camera RGB tiêu chuẩn thường được sử dụng để chụp ảnh thực vật. RGB imaging đóng vai trò trung tâm trong phân tích kiểu hình và thường là bước khởi đầu trong các đánh giá phức tạp hơn.
• Hình ảnh siêu phổ (Hyperspectral imaging): Công nghệ này chụp một phạm vi băng tần quang phổ rộng ngoài phạm vi nhìn thấy được. Nó cung cấp thông tin chi tiết về thành phần hóa học của cây trồng và giúp phát hiện các yếu tố như mức độ diệp lục, hàm lượng nước và thiếu hụt chất dinh dưỡng.
• Hình ảnh nhiệt: Máy ảnh nhiệt đo bức xạ hồng ngoại do cây trồng phát ra, cung cấp thông tin chi tiết về nhiệt độ bề mặt. Phương pháp không xâm lấn này hữu ích cho việc theo dõi sức khỏe cây trồng và xác định sớm các vấn đề tiềm ẩn.
• 3D imaging: Camera chiều sâu và công nghệ LiDAR tạo ra các model ba chiều của thực vật. 3D imaging rất quan trọng để phân tích cấu trúc thực vật phức tạp và hiểu cách các biến thể ảnh hưởng đến sự sinh trưởng và năng suất.

Hình 3. Các công nghệ chính đang được sử dụng trong kiểu hình thực vật thông lượng cao. Ảnh của tác giả.

Các ứng dụng của Ultralytics YOLO11 trong kiểu hình thực vật#

Computer vision models đang dần được sử dụng trong kiểu hình thực vật trên nhiều tác vụ khác nhau. Từ đếm lá đến phân tích hình thái chi tiết, những công nghệ này đang chuyển đổi cách chúng ta hiểu và quản lý sức khỏe thực vật. Hãy cùng điểm qua một số ứng dụng thực tế trong đó các model như YOLO11 có thể hỗ trợ kiểu hình thực vật.

Đếm lá và ước tính hạn hán bằng Ultralytics YOLO11#

Khi các model thị giác máy tính như Ultralytics YOLO11 được tích hợp với UAV (phương tiện bay không người lái), chúng có thể được sử dụng để phân tích các đặc điểm khác nhau của thực vật theo thời gian thực. Khả năng phát hiện các chi tiết nhỏ trong hình ảnh trên cao độ phân giải cao của YOLO11, chẳng hạn như đầu lá, giúp các nhà nghiên cứu và nông dân theo dõi các giai đoạn phát triển của cây trồng chính xác hơn so với các phương pháp thủ công truyền thống.

Ví dụ, việc hỗ trợ object detection của Ultralytics YOLO11 có thể được sử dụng để xác định sự khác biệt giữa các giống lúa chịu hạn và nhạy cảm với hạn hán bằng cách đếm số lượng lá có thể nhìn thấy. Các dấu hiệu trực quan như số lượng lá thường tương quan sâu sắc hơn với các đặc điểm, chẳng hạn như sinh khối và khả năng phục hồi của cây trồng.

Phát hiện hoa với Ultralytics YOLO11#

Việc phát hiện và đếm hoa là các khía cạnh thú vị của hình thái học thực vật (plant phenotyping), đặc biệt đối với các loại cây trồng có số lượng hoa gắn liền chặt chẽ với tiềm năng năng suất. Cụ thể, Ultralytics YOLO11 có thể được sử dụng để phát hiện các cấu trúc hoa khác nhau. Bằng cách tự động hóa quy trình phát hiện hoa, nông dân và các nhà nghiên cứu có thể đưa ra các quyết định nhanh hơn, dựa trên dữ liệu liên quan đến thời điểm thụ phấn, phân bổ nguồn lực và sức khỏe tổng thể của cây trồng.

Phát hiện bệnh cây trồng bằng AI và Ultralytics YOLO11#

Phát hiện bệnh ở thực vật là một phần quan trọng của monitoring crop health. Sử dụng khả năng phân loại hình ảnh của YOLO11, hình ảnh cây trồng có thể được phân loại để xác định các dấu hiệu bệnh sớm. YOLO11 cũng có thể được tích hợp vào các thiết bị như máyδn, ứng dụng di động hoặc robot thực địa để phát hiện bệnh tự động. Điều này cho phép nông dân hành động kịp thời trước các đợt bùng phát dịch bệnh, giảm thất thoát năng suất và giảm thiểu việc sử dụng thuốc bảo vệ thực vật.

Ví dụ, Ultralytics YOLO11 có thể được custom-trained để phân loại hình ảnh lá nho có thể cho thấy các dấu hiệu của bệnh quăn lá nho. Model học từ các ví dụ được gán nhãn bao gồm các giai đoạn bệnh khác nhau, chẳng hạn như lá khỏe mạnh, mất màu nhẹ và các triệu chứng nghiêm trọng. Bằng cách nhận diện các mẫu hình trực quan riêng biệt như thay đổi màu sắc và mất màu gân lá, YOLO11 giúp nông dân trồng nho phát hiện nhiễm bệnh sớm và đưa ra quyết định sáng suốt hơn về các biện pháp điều trị.

Fig 4. Ví dụ về biểu hiện của bệnh xoăn lá nho.

Ưu điểm khi sử dụng Ultralytics YOLO11 cho việc đo hình thái thực vật#

Dưới đây là một số lợi ích của việc sử dụng các model thị giác máy tính như Ultralytics YOLO11 so với các phương pháp hình thái học thực vật truyền thống:

• Khả năng mở rộng và hiệu quả chi phí: Việc tự động hóa các quy trình bằng Ultralytics YOLO11 có thể giảm nhu cầu lao động thủ công, biến đây thành một giải pháp có thể mở rộng và hiệu quả về mặt chi phí cho các hoạt động nông nghiệp quy mô lớn.
• Cảnh báo thời gian thực: Việc tích hợp các thông tin chi tiết được thu thập bằng Ultralytics YOLO11 với các hệ thống tự động cung cấp các thông báo tức thì về các sự cố tiềm ẩn, hỗ trợ việc ra quyết định nhanh chóng.
• Thực hành canh tác bền vững: Bằng cách giảm thiểu can thiệp thủ công và sử dụng hóa chất, thị giác máy tính góp phần vào nền nông nghiệp thân thiện với môi trường và bền vững hơn.

Những thách thức của thị giác máy tính trong kiểu hình thực vật#

Mặc dù thị giác máy tính mang lại nhiều ưu điểm khi nói đến kiểu hình thực vật, nhưng điều quan trọng cần ghi nhớ là các hạn chế liên quan đến việc triển khai các hệ thống này. Dưới đây là một vài mối quan ngại chính:

• Yêu cầu về tập dữ liệu: Việc đào tạo các mô hình đòi hỏi các tập dữ liệu lớn, đa dạng và được gắn nhãn tốt, điều này có thể khó khăn và tốn thời gian để thu thập, đặc biệt là đối với các loại cây trồng quý hiếm hoặc các điều kiện đặc biệt.
• Mối quan ngại về quyền riêng tư: Khi drone và máy ảnh thông minh trở nên phổ biến hơn trên các cánh đồng, các câu hỏi đặt ra về việc ai sở hữu dữ liệu, cách dữ liệu được lưu trữ và liệu nó có được sử dụng mà không có sự đồng ý phù hợp hay không.
• Điều kiện môi trường: Ánh sáng, thời tiết thay đổi và sự lộn xộn của bối cảnh có thể ảnh hưởng đến độ chính xác của phân tích hình ảnh trong các môi trường nông nghiệp không thể đoán trước.

Hướng tới kiểu hình thực vật thông lượng cao#

Tương lai của kiểu hình thực vật đang hướng tới các hệ thống thông minh, kết nối với nhau, hoạt động cùng nhau để cung cấp một bức tranh rõ ràng hơn về sức khỏe và sự tăng trưởng của cây trồng. Một xu hướng thú vị là việc sử dụng nhiều cảm biến cùng một lúc. Bằng cách kết hợp dữ liệu từ nhiều nguồn khác nhau, chúng ta có thể hiểu sâu hơn, chính xác hơn về những gì đang xảy ra với cây trồng.

Xu hướng thị trường cũng cho thấy sự quan tâm ngày càng tăng đối plant phenotyping market đối với các phương pháp kiểu hình thực vật tiên tiến. Thị trường kiểu hình thực vật toàn cầu đạt khoảng 311,73 triệu USD trong năm nay (2025) và dự kiến sẽ đạt 520,80 triệu USD vào năm 2030.

Fig 5. Giá trị thị trường của kiểu hình thực vật.

Các điểm chính cần lưu ý#

Thị giác máy tính trong hình thái học thực vật đang giúp tự động hóa việc đo lường và phân tích cây trồng. Các model Vision AI như Ultralytics YOLO11 có thể giảm thiểu công sức thủ công, đạt được kết quả tốt hơn và giúp việc giám sát cây trồng ở quy mô lớn trở nên dễ dàng hơn. Sự chuyển dịch từ các phương pháp truyền thống sang các hệ thống thông minh, hướng công nghệ là một bước tiến quan trọng trong việc giải quyết các thách thức toàn cầu như biến đổi khí hậu, thiếu hụt lương thực và canh tác bền vững.

Trong tương lai, việc tích hợp thị giác máy tính với các công nghệ khác như AI, robot và cảm biến thông minh sẽ làm cho nông nghiệp trở nên thông minh và hiệu quả hơn nữa. Khi AI phát triển, chúng ta đang tiến gần hơn đến một tương lai nơi chúng ta có thể giám sát cây trồng một cách liền mạch, tinh chỉnh sự tăng trưởng của chúng và cung cấp sự chăm sóc cần thiết.

Tham gia community của chúng tôi và khám phá GitHub repository của chúng tôi để tìm hiểu thêm về các đổi mới AI. Khám phá những tiến bộ mới nhất trong các lĩnh vực như AI in manufacturing và computer vision in healthcare trên các trang giải pháp của chúng tôi. Xem các licensing options của chúng tôi và bắt đầu với computer vision ngay hôm nay!