Vê comoYOLO11 Ultralytics YOLO11 e a visão computacional na fenotipagem de plantas podem ser utilizados para automatizar tarefas como a contagem de folhas, a deteção de secas e a previsão de doenças.
A agricultura é essencial para o nosso abastecimento alimentar, e os investigadores estão sempre à procura de formas de otimizar os processos relacionados com um desafio fundamental: as alterações climáticas. Com o aquecimento global a perturbar as estações de crescimento e a população global a aumentar, a necessidade de desenvolver culturas que possam resistir a ambientes em constante mudança é muito real. A fenotipagem de plantas é uma parte fundamental desta investigação.
A fenotipagem de plantas envolve o estudo das propriedades das plantas, como o tamanho, a cor, o crescimento e as estruturas das raízes. Ao compreender a forma como as plantas reagem a diferentes condições, podemos identificar quais as que estão melhor equipadas para lidar com a seca, o calor ou um solo pobre. Estes dados podem ser utilizados para tomar decisões sobre quais as culturas a reproduzir para aumentar a produtividade agrícola.
Normalmente, a fenotipagem de plantas envolve observações visuais manuais, que podem ser demoradas e trabalhosas. A visão por computador, um ramo da inteligência artificial (IA), pode reinventar a forma como estudamos as plantas. Com a visão por computador na fenotipagem de plantas, podemos detetar e analisar automaticamente as plantas a partir de imagens ou vídeos, melhorando significativamente a velocidade, a consistência e a precisão.
Por exemplo, modelos de visão por computador como o Ultralytics YOLO11 podem processar grandes volumes de dados visuais de plantas capturados por drones, robôs terrestres ou dispositivos portáteis. Com o seu suporte para várias tarefas de visão computacional, YOLO11 pode ser utilizado para analisar várias propriedades de plantas em imagens e vídeos.
Neste artigo, analisaremos mais de perto os desafios da fenotipagem tradicional de plantas e exploraremos a forma como os modelos de visão por computador, como o YOLO11 , estão a impulsionar práticas agrícolas mais inteligentes e sustentáveis.
A fenotipagem de plantas é o processo de observação e análise das caraterísticas físicas e bioquímicas de uma planta. Ao recolher dados como a altura da planta, a área foliar, a taxa de crescimento e as respostas ao stress, podemos obter informações valiosas sobre a forma como as plantas crescem e reagem a diversos ambientes.
Os dados recolhidos através da fenotipagem de plantas são vitais para o melhoramento das culturas, a previsão do rendimento e a melhoria da resiliência climática. Estes pontos de dados também ajudam os agricultores e os peritos agrícolas a selecionar as variedades de plantas com melhor desempenho para posterior cultivo ou reprodução.
Ainda hoje, a fenotipagem de plantas envolve geralmente métodos manuais. Os investigadores ou agricultores especializados visitam os campos, medem fisicamente as plantas e registam os dados à mão. Apesar do seu valor, estes métodos requerem um grande esforço humano. Podem também levar a inconsistências, uma vez que pessoas diferentes podem observar e interpretar as caraterísticas das plantas de forma diferente.
A fenotipagem moderna ou fenotipagem de plantas de alto rendimento, no entanto, centra-se na consistência, precisão e recolha de dados não destrutiva. As plantas são monitorizadas utilizando ferramentas avançadas como câmaras RGB (câmaras a cores normais), sensores hiperespectrais (dispositivos que captam uma vasta gama de informações sobre cores, mesmo para além do que o olho consegue ver) e sistemas LiDAR (Light Detection and Ranging) (scanners baseados em laser que criam mapas 3D detalhados) para captar dados de alta resolução sem perturbar fisicamente as plantas.
Quando combinados com a IA e a visão por computador, estes métodos não invasivos podem ajudar a melhorar significativamente a precisão e a consistência da fenotipagem das plantas.
Embora fundamentais, os métodos tradicionais de fenotipagem de plantas têm várias limitações e desafios. Apresentamos de seguida alguns dos seus principais inconvenientes:
A fenotipagem de plantas de alto rendimento centra-se na automatização da fenotipagem de plantas para tornar as medições mais precisas e manter a consistência. Abre novas portas à inovação agrícola e à agricultura inteligente.
A visão por computador é uma tecnologia que permite às máquinas ver e interpretar informações visuais do mundo real, à semelhança do que acontece com os seres humanos. Envolve três fases fundamentais: aquisição, processamento e análise de imagens.
Em primeiro lugar, a aquisição de imagens envolve a captura de dados visuais utilizando vários sensores, como câmaras e drones. Em seguida, o processamento da imagem melhora a qualidade e a clareza das imagens utilizando técnicas como a redução do ruído e a correção da cor. Finalmente, a análise de imagens extrai informações significativas das imagens processadas utilizando diferentes tarefas de visão computacional, como a deteção de objectos e a segmentação de instâncias. Modelos como o YOLO11 podem ser utilizados para esta análise de imagens e apoiar estas tarefas.
Para além da visão por computador, a fenotipagem de plantas de elevado rendimento depende de várias tecnologias inovadoras para captar imagens e vídeos detalhados de plantas. Aqui estão algumas destas ferramentas chave e como elas melhoram a recolha de dados:
Os modelos de visão por computador estão a ser gradualmente utilizados na fenotipagem de plantas numa vasta gama de tarefas. Desde a contagem de folhas até à análise morfológica detalhada, estas tecnologias estão a transformar a forma como compreendemos e gerimos a saúde das plantas. Vamos analisar algumas aplicações do mundo real em que modelos como o YOLO11 podem ajudar na fenotipagem de plantas.
Quando modelos de visão como o YOLO11 são integrados em UAVs (veículos aéreos não tripulados), podem ser utilizados para analisar diferentes caraterísticas das plantas em tempo real. A capacidade do YOLO11para detetar pequenas caraterísticas em imagens aéreas de alta resolução, como as pontas das folhas, ajuda os investigadores e os agricultores a seguir as fases de desenvolvimento das plantas com mais precisão do que os métodos manuais tradicionais.
Por exemplo, o suporte do YOLO11para a deteção de objectos pode ser utilizado para identificar diferenças entre plantas de arroz tolerantes e sensíveis à seca, contando o número de folhas visíveis. As pistas visuais, como a contagem de folhas, estão frequentemente correlacionadas com caraterísticas mais profundas, como a biomassa e a resiliência das plantas.
A deteção e contagem de flores são aspectos interessantes da fenotipagem de plantas, especialmente no que diz respeito a culturas em que a quantidade de flores está intimamente ligada ao potencial de rendimento. Em particular, YOLO11 pode ser utilizado para detetar várias estruturas florais. Ao automatizar o processo de deteção de flores, os agricultores e investigadores podem tomar decisões mais rápidas e baseadas em dados relacionados com o momento da polinização, a atribuição de recursos e a saúde geral das culturas.
A deteção de doenças nas plantas é uma parte crucial da monitorização da saúde das culturas. Utilizando as capacidades de classificação de imagens do YOLO11, as imagens das culturas podem ser classificadas para identificar os primeiros sinais de doença. YOLO11 também pode ser integrado em dispositivos como drones, aplicações móveis ou robôs de campo para a deteção automática de doenças. Isto permite aos agricultores tomar medidas atempadas contra surtos de doenças, reduzindo a perda de rendimento e minimizando a utilização de pesticidas.
Por exemplo, YOLO11 pode ser treinado de forma personalizada para classificar imagens de folhas de uva que possam mostrar sinais da doença do enrolamento das folhas da videira. O modelo aprende com exemplos rotulados que abrangem diferentes fases da doença, tais como folhas saudáveis, descoloração ligeira e sintomas graves. Ao reconhecer padrões visuais distintos, como mudanças de cor e descoloração das veias, YOLO11 ajuda os produtores de uvas a detetar infecções precocemente e a tomar decisões mais informadas sobre os tratamentos.
Eis algumas vantagens da utilização de modelos de visão por computador como o YOLO11 em comparação com os métodos tradicionais de fenotipagem de plantas:
Embora a visão computacional ofereça muitas vantagens quando se trata de fenotipagem de plantas, é importante ter em mente as limitações relacionadas com a implementação destes sistemas. Aqui estão algumas das principais preocupações:
O futuro da fenotipagem de plantas está a avançar para sistemas inteligentes e interligados que trabalham em conjunto para dar uma imagem mais clara da saúde e do crescimento das culturas. Uma tendência interessante é a utilização de vários sensores em simultâneo. Ao combinar dados de várias fontes, podemos obter uma compreensão muito mais rica e precisa do que está a acontecer a uma planta.
As tendências do mercado também revelam um interesse crescente em métodos avançados de fenotipagem de plantas. O mercado global de fenotipagem de plantas é de cerca de 311,73 milhões de dólares este ano (2025) e deverá atingir 520,80 milhões de dólares até 2030.
A visão por computador na fenotipagem de plantas está a ajudar a automatizar a medição e análise de plantas. Os modelos de IA de visão como o YOLO11 podem reduzir o trabalho manual, obter melhores resultados e facilitar a monitorização das culturas em grande escala. A mudança dos métodos tradicionais para sistemas inteligentes e orientados para a tecnologia é um passo significativo para enfrentar desafios globais como as alterações climáticas, a escassez de alimentos e a agricultura sustentável.
No futuro, a integração da visão computacional com outras tecnologias, como a IA, a robótica e os sensores inteligentes, tornará a agricultura ainda mais inteligente e eficiente. À medida que a IA avança, estamos a aproximar-nos de um futuro em que podemos monitorizar as plantas sem problemas, afinar o seu crescimento e prestar os cuidados necessários.
Junta-te à nossa comunidade e explora o nosso repositório GitHub para saberes mais sobre as inovações de IA. Descobre os últimos avanços em áreas como a IA no fabrico e a visão por computador nos cuidados de saúde nas nossas páginas de soluções. Consulta as nossas opções de licenciamento e começa a utilizar a visão por computador hoje mesmo!
Começa a tua viagem com o futuro da aprendizagem automática
PT
EN
ZH
KO
JA
RU
DE
FR
ES
IT
AR
TR
VI