Comprueba cómo Ultralytics YOLO11 y la visión por ordenador en el fenotipado de plantas pueden utilizarse para automatizar tareas como el recuento de hojas, la detección de sequías y la predicción de enfermedades.
La agricultura es esencial para nuestro suministro de alimentos, y los investigadores siempre están buscando formas de optimizar los procesos relacionados con un reto clave: el cambio climático. Con el calentamiento global alterando las estaciones de crecimiento y la población mundial en aumento, la necesidad de desarrollar cultivos que puedan resistir entornos siempre cambiantes es muy real. El fenotipado de las plantas es una parte clave de esta investigación.
El fenotipado de las plantas consiste en estudiar sus propiedades, como el tamaño, el color, el crecimiento y las estructuras radiculares. Al comprender cómo reaccionan las plantas ante distintas condiciones, podemos identificar cuáles están mejor equipadas para soportar la sequía, el calor o un suelo pobre. Estos datos pueden utilizarse para tomar decisiones sobre qué cultivos mejorar para aumentar la productividad agrícola.
Normalmente, el fenotipado de las plantas implica observaciones visuales manuales, que pueden requerir mucho tiempo y trabajo. La visión por ordenador, una rama de la inteligencia artificial (IA), puede reinventar cómo estudiamos las plantas. Con la visión por ordenador en el fenotipado de plantas, podemos detectar y analizar automáticamente las plantas a partir de imágenes o vídeos, mejorando significativamente la velocidad, la coherencia y la precisión.
Por ejemplo, modelos de visión por ordenador como Ultralytics YOLO11 pueden procesar grandes volúmenes de datos visuales de plantas capturados por drones, robots terrestres o dispositivos manuales. Gracias a su compatibilidad con diversas tareas de visión por ordenador, YOLO11 puede utilizarse para analizar diversas propiedades de las plantas en imágenes y vídeos.
En este artículo, examinaremos más de cerca los retos del fenotipado tradicional de las plantas y exploraremos cómo los modelos de visión por ordenador como YOLO11 están impulsando prácticas agrícolas más inteligentes y sostenibles.
El fenotipado de las plantas es el proceso de observar y analizar sus características físicas y bioquímicas. Mediante la recopilación de datos como la altura de la planta, la superficie foliar, la velocidad de crecimiento y las respuestas al estrés, podemos obtener información valiosa sobre cómo crecen las plantas y cómo reaccionan a diversos entornos.
Los datos recogidos mediante el fenotipado de las plantas son vitales para la mejora de los cultivos, la predicción del rendimiento y la mejora de la resistencia climática. Estos datos también ayudan a los agricultores y a los expertos agrícolas a seleccionar las variedades vegetales de mejor rendimiento para su posterior cultivo o mejora.
Incluso hoy en día, el fenotipado de las plantas suele realizarse con métodos manuales. Los investigadores o los agricultores expertos visitan los campos, miden físicamente las plantas y registran los datos a mano. A pesar de su valor, estos métodos requieren mucho esfuerzo humano. También pueden dar lugar a incoherencias, ya que distintas personas pueden observar e interpretar los rasgos de las plantas de forma diferente.
Sin embargo, el fenotipado moderno o fenotipado de plantas de alto rendimiento se centra en la coherencia, la precisión y la recopilación de datos no destructiva. Las plantas se monitorizan utilizando herramientas avanzadas como cámaras RGB (cámaras en color estándar), sensores hiperespectrales (dispositivos que captan una amplia gama de información de color, incluso más allá de lo que el ojo puede ver) y sistemas LiDAR (Light Detection and Ranging, detección y alcance de luz) (escáneres basados en láser que crean mapas 3D detallados) para captar datos de alta resolución sin perturbar físicamente las plantas.
Cuando se combinan con la IA y la visión por ordenador, estos métodos no invasivos pueden ayudar a mejorar significativamente la precisión y la coherencia del fenotipado de las plantas.
Aunque son fundamentales, los métodos tradicionales de fenotipado de plantas tienen varias limitaciones y retos. He aquí algunos de sus principales inconvenientes:
El fenotipado vegetal de alto rendimiento se centra en la automatización del fenotipado vegetal para que las mediciones sean más precisas y todo sea más coherente. Abre nuevas puertas a la innovación agrícola y a la agricultura inteligente.
La visión por ordenador es una tecnología que permite a las máquinas ver e interpretar la información visual del mundo real, de forma similar a como lo hacen los humanos. Implica tres etapas clave: adquisición, procesamiento y análisis de imágenes.
En primer lugar, la adquisición de imágenes implica la captura de datos visuales mediante diversos sensores, como cámaras y drones. A continuación, el procesamiento de imágenes mejora la calidad y claridad de las imágenes mediante técnicas como la reducción del ruido y la corrección del color. Por último, el análisis de imágenes extrae información significativa de las imágenes procesadas utilizando distintas tareas de visión por ordenador, como la detección de objetos y la segmentación de instancias. Modelos como YOLO11 pueden utilizarse para este análisis de imágenes y apoyar tales tareas.
Más allá de la visión por ordenador, el fenotipado vegetal de alto rendimiento se basa en varias tecnologías innovadoras para capturar imágenes y vídeos detallados de las plantas. He aquí algunas de estas herramientas clave y cómo mejoran la recogida de datos:
Los modelos de visión por ordenador se están utilizando gradualmente en el fenotipado de las plantas en una amplia gama de tareas. Desde el recuento de hojas hasta el análisis morfológico detallado, estas tecnologías están transformando nuestra forma de entender y gestionar la salud de las plantas. Recorramos algunas aplicaciones del mundo real en las que modelos como YOLO11 pueden ayudar al fenotipado de las plantas.
Cuando los modelos de visión como YOLO11 se integran con los UAV (vehículos aéreos no tripulados), pueden utilizarse para analizar distintas características de las plantas en tiempo real. La capacidad de YOLO11para detectar pequeñas características en imágenes aéreas de alta resolución, como las puntas de las hojas, ayuda a los investigadores y agricultores a seguir las fases de desarrollo de las plantas con más precisión que los métodos manuales tradicionales.
Por ejemplo, el soporte de YOLO11para la detección de objetos puede utilizarse para identificar las diferencias entre plantas de arroz tolerantes a la sequía y sensibles a la sequía contando el número de hojas visibles. Las señales visuales como el recuento de hojas suelen correlacionarse con rasgos más profundos, como la biomasa y la resistencia de la planta.
La detección y el recuento de flores son aspectos interesantes del fenotipado vegetal, sobre todo en cultivos en los que la cantidad de flores está estrechamente ligada al potencial de rendimiento. En concreto, YOLO11 puede utilizarse para detectar diversas estructuras florales. Al automatizar el proceso de detección de flores, los agricultores y los investigadores pueden tomar decisiones más rápidas, basadas en datos, relacionadas con el momento de la polinización, la asignación de recursos y la salud general del cultivo.
Detectar las enfermedades de las plantas es una parte crucial del control de la salud de los cultivos. Utilizando las capacidades de clasificación de imágenes de YOLO11, las imágenes de los cultivos pueden clasificarse para identificar los primeros signos de enfermedad. YOLO11 también puede integrarse en dispositivos como drones, aplicaciones móviles o robots de campo para la detección automatizada de enfermedades. Esto permite a los agricultores actuar a tiempo contra los brotes de enfermedades, reduciendo la pérdida de rendimiento y minimizando el uso de pesticidas.
Por ejemplo, YOLO11 puede entrenarse a medida para clasificar imágenes de hojas de uva que puedan mostrar signos de la enfermedad del enrollado de la vid. El modelo aprende de ejemplos etiquetados que abarcan distintas fases de la enfermedad, como hojas sanas, decoloración leve y síntomas graves. Al reconocer patrones visuales distintivos, como cambios de color y decoloración de las venas, YOLO11 ayuda a los viticultores a detectar pronto las infecciones y a tomar decisiones más informadas sobre los tratamientos.
He aquí algunas ventajas de utilizar modelos de visión por ordenador como YOLO11 en comparación con los métodos tradicionales de fenotipado de plantas:
Aunque la visión por ordenador ofrece muchas ventajas en lo que se refiere al fenotipado de plantas, es importante tener en cuenta las limitaciones relacionadas con la aplicación de estos sistemas. He aquí algunas preocupaciones clave:
El futuro del fenotipado vegetal avanza hacia sistemas inteligentes e interconectados que trabajan juntos para ofrecer una imagen más clara de la salud y el crecimiento de los cultivos. Una tendencia apasionante es el uso de múltiples sensores a la vez. Combinando datos de diversas fuentes, podemos obtener una comprensión mucho más rica y precisa de lo que le ocurre a una planta.
Las tendencias del mercado también muestran un creciente interés por los métodos avanzados de fenotipado de plantas. El mercado mundial del fenotipado de plantas asciende a unos 311,73 millones de dólares este año (2025) y se prevé que alcance los 520,80 millones de dólares en 2030.
La visión por ordenador en el fenotipado de plantas está ayudando a automatizar la medición y el análisis de las plantas. Los modelos de IA de visión como YOLO11 pueden reducir el trabajo manual, obtener mejores resultados y facilitar el seguimiento de los cultivos a gran escala. El paso de los métodos tradicionales a los sistemas inteligentes impulsados por la tecnología es un paso importante para afrontar retos globales como el cambio climático, la escasez de alimentos y la agricultura sostenible.
De cara al futuro, la integración de la visión por ordenador con otras tecnologías como la IA, la robótica y los sensores inteligentes hará que la agricultura sea aún más inteligente y eficiente. A medida que avanza la IA, nos acercamos a un futuro en el que podremos controlar las plantas sin fisuras, ajustar su crecimiento y proporcionarles los cuidados necesarios.
Únete a nuestra comunidad y explora nuestro repositorio de GitHub para saber más sobre las innovaciones en IA. Descubre los últimos avances en áreas como la IA en la fabricación y la visión por ordenador en la sanidad en nuestras páginas de soluciones. Echa un vistazo a nuestras opciones de licencia y ¡empieza hoy mismo con la visión por ordenador!
Comienza tu viaje con el futuro del aprendizaje automático
ES
EN
ZH
KO
JA
RU
DE
FR
PT
IT
AR
TR
VI