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, vốn có thể tốn thời gian và công sức. Thị giác máy tính, một nhánh của trí tuệ nhân tạo (AI), có thể thay đổi cách chúng ta nghiên cứu thực vật. Với thị giác máy tính trong kiểu hình thực vật, chúng ta có thể tự động phát hiện và phân tích cây trồng từ hình ảnh hoặc video, cải thiện đáng kể tốc độ, tính nhất quán và độ chính xác.

Ví dụ, các mô hình thị giác máy tính như Ultralytics YOLO11 có thể xử lý khối lượng lớn dữ liệu thực vật trực quan được thu thập bởi máy bay không người lái (drone), robot mặt đất hoặc thiết bị cầm tay. Với khả năng hỗ trợ nhiều tác vụ thị giác máy tính, YOLO11 có thể được sử dụng để phân tích các đặc tính khác nhau của thực vật trong hình ảnh và video.

Trong bài viết này, chúng ta sẽ xem xét kỹ hơn các thách thức trong phương pháp kiểu hình thực vật truyền thống và khám phá cách các mô hình thị giác máy tính như YOLO11 đang thúc đẩy các hoạt động nông nghiệp thông minh và bền vững hơn.

Link to this sectionKiểu 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 thực vật hiện đại hoặc kiểu hình thực vật thông lượng cao (high-throughput) tập trung vào tính nhất quán, độ chính xác và thu thập dữ liệu không gây hư hại. Cây trồng được giám sát bằng các công cụ tiên tiến như máy ảnh RGB (máy ảnh màu tiêu chuẩn), cảm biến siêu phổ (hyperspectral sensors) (các thiết bị ghi lại phạm vi thông tin màu sắc rộng, ngay cả ngoài khả năng mắt thường nhìn thấy), và hệ thống LiDAR (Light Detection and Ranging) (máy quét dựa trên laser tạo ra bản đồ 3D chi tiết) để thu thập dữ liệu độ phân giải cao mà không cần tác động vật lý lên cây trồng.

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.

Link to this sectionNhững 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.

Link to this sectionVai 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, việc thu thập hình ảnh liên quan đến việc chụp dữ liệu hình ảnh bằng nhiều cảm biến khác nhau, chẳng hạn như máy ảnh và drone. Tiếp theo, xử lý hình ảnh tăng cường chất lượng và độ rõ nét của hình ảnh bằng các kỹ thuật như giảm nhiễu và chỉnh màu. 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 phân đoạn cá thể. Các mô hình như YOLO11 có thể được sử dụng cho phân tích hình ảnh này và hỗ trợ các tác vụ như vậy.

Hình 2. YOLO11 có thể được sử dụng để phát hiện rau trên cánh đồng.

Link to this sectionCác 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:

• Hình ảnh RGB: Máy ảnh RGB tiêu chuẩn thường được sử dụng để chụp ảnh cây trồng. Hình ảnh RGB là trung tâm của phân tích kiểu hình và thường đóng vai trò 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.
• Hình ảnh 3D: Máy ảnh chiều sâu và công nghệ LiDAR tạo ra các mô hình ba chiều của cây trồng. Hình ảnh 3D rất quan trọng để phân tích cấu trúc thực vật phức tạp và hiểu cách các biến thể ảnh hưởng đến sự tăng 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.

Link to this sectionCác ứng dụng của Ultralytics YOLO11 trong kiểu hình thực vật#

Các mô hình thị giác máy tính đang dần được sử dụng trong kiểu hình thực vật cho nhiều tác vụ. Từ việc đếm lá đến phân tích hình thái chi tiết, các công nghệ này đang biến đổi cách chúng ta hiểu và quản lý sức khỏe cây trồng. Hãy cùng điểm qua một số ứng dụng thực tế mà các mô hình như YOLO11 có thể hỗ trợ trong kiểu hình thực vật.

Link to this sectionĐếm lá và ước tính hạn hán bằng YOLO11#

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

Ví dụ, sự hỗ trợ của YOLO11 cho phát hiện đối tượng có thể được sử dụng để xác định sự khác biệt giữa các cây lúa chịu hạn và nhạy cảm với hạn bằng cách đếm số lượng lá có thể nhìn thấy. Các tín hiệu trực quan như đếm lá thường tương quan với các đặc điểm sâu xa hơn, chẳng hạn như sinh khối cây trồng và khả năng phục hồi.

Link to this sectionPhát hiện hoa với YOLO11#

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

Link to this sectionPhát hiện bệnh cây trồng với AI và YOLO11#

Phát hiện bệnh cây trồng là một phần quan trọng của theo dõi sức khỏe cây trồng. 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 drone, ứng dụng di động hoặc robot đồng ruộng để tự động phát hiện bệnh. Điều này cho phép nông dân thực hiện hành động kịp thời chống lại các đợt bùng phát dịch bệnh, giảm mất mát năng suất và giảm thiểu việc sử dụng thuốc trừ sâu.

Ví dụ, YOLO11 có thể được đào tạo tùy chỉnh để phân loại hình ảnh lá nho có thể có dấu hiệu của bệnh cuộn lá nho (grapevine leafroll disease). Mô hình học từ các ví dụ được gắn nhãn bao gồm các giai đoạn bệnh khác nhau, chẳng hạn như lá khỏe mạnh, đổi màu nhẹ và các triệu chứng nghiêm trọng. Bằng cách nhận diện các mô hình trực quan đặc biệt như thay đổi màu sắc và đổi màu tĩnh mạch, YOLO11 giúp nông dân trồng nho phát hiện nhiễm bệnh sớm và đưa ra các quyết định sáng suốt hơn về phương pháp điều trị.

Hình 4. Ví dụ về cách bệnh cuộn lá nho biểu hiện.

Link to this sectionƯu điểm của việc sử dụng YOLO11 cho kiểu hình thực vật#

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

• Khả năng mở rộng và hiệu quả chi phí: Tự động hóa các quy trình với YOLO11 có thể giảm bớt nhu cầu về lao động thủ công, biến nó thành một giải pháp có thể mở rộng và tiết kiệm chi phí cho các hoạt động nông nghiệp quy mô lớn.
• Cảnh báo thời gian thực: Việc tích hợp thông tin thu thập được bằng YOLO11 với các hệ thống tự động mang lại thông báo tức thì về các vấn đề tiềm ẩn, hỗ trợ 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.

Link to this sectionNhững 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.

Link to this sectionHướng 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.

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

Hình 5. Giá trị thị trường cho kiểu hình thực vật.

Link to this sectionCác điểm chính cần lưu ý#

Thị giác máy tính trong kiểu hình thực vật đang giúp tự động hóa việc đo lường và phân tích cây trồng. Các mô hình AI thị giác như YOLO11 có thể giảm công việc thủ công, đạt được kết quả tốt hơn và giúp việc theo dõi cây trồng trên quy mô lớn trở nên dễ dàng hơn. Sự chuyển đổi từ các phương pháp truyền thống sang các hệ thống thông minh, dựa trên công nghệ là một bước tiến quan trọng để 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 cộng đồng của chúng tôi và khám phá kho lưu trữ GitHub để tìm hiểu thêm về các đổi mới AI. Khám phá những tiến bộ mới nhất trong các lĩnh vực như AI trong sản xuất và thị giác máy tính trong chăm sóc sức khỏe trên các trang giải pháp của chúng tôi. Kiểm tra các tùy chọn cấp phép và bắt đầu với thị giác máy tính ngay hôm nay!