Plantegenkendelse med AI: Sådan fungerer det, og så præcist rammer det

Planteidentifikation med AI handler om at genkende arten af en levende plante ud fra et foto. Programmet sammenligner de visuelle mønstre på billedet (bladets form og nerver, blomstens facon, barkens struktur) med millioner af billeder, som botanikere allerede har identificeret. Derefter får du en liste over mulige arter, sorteret fra den mest sandsynlige til den mindste. Selve processen har intet at gøre med, at computeren rent faktisk "forstår" planten.

I fagfællebedømte studier udgivet mellem 2020 og 2025 ramte appene den rigtige art på førstevalget i mellem 17% og 90% af tilfældene. En stor del af den forskel skyldes ikke appen selv, men derimod hvad du har fotograferet. Det samme kamera, den samme plante og den helt samme app giver vidt forskellige resultater, hvis du tager billede af barken i stedet for bladet, eller hvis planten blomstrer.

Hurtigt overblik:

• I et studie med 55 træarter af Schmidt og kolleger (2022) ramte den mest præcise app plet på arten på 83,86% af bladbillederne, men kun på 51,82% af barkbillederne. Det er et fald på 32 procentpoint på den samme plante med den samme app.

• Blandt 560 billeder af irske urter (Campbell, Peacock og Bacon, 2023) klarede alle testede apps sig bedre med billeder af blomster end med blade, med en forskel på mellem 6 og 29 procentpoint.

• Intet udgivet studie har indtil videre målt præcisionen på almindelige stueplanter. De eksisterende test er lavet på vejtræer, vild natur og vilde planter i landskabet.

• En kultivar er ikke det samme som en art. For en AI-model er en Monstera 'Thai Constellation' og en 'Albo' præcis den samme plante.

• Resultatet fra en app kan ikke bruges som en sikkerhedsgaranti. I en test offentliggjort i Clinical Toxicology (2023) blev 5 ud af 11 giftige plantearter udpeget som spiselige af mindst én af de testede apps.

Hvad kunstig intelligens egentlig gør, når du tager et billede af en plante

En AI-planteidentifikator forstår ikke botanik. Det er en computervisionsmodel, der er trænet på en database med billeder, som allerede er identificeret. Dens eneste opgave er at måle lighed: Den omdanner dit foto til en række numeriske signaler (kanter, kurver, teksturer, proportioner) og leder efter de arter i databasen, hvis billeder giver lignende signaler. Resultatet er en liste over kandidater med en angivelse af, hvor sikker modellen er i sin sag.

Det har fire praktiske konsekvenser, som forklarer næsten alle de fejl, du vil opleve:

1. Hvad der ikke er i databasen, kan ikke genkendes. Pl@ntNet, som er det største åbne projekt på området, offentliggør deres egne tal: 84.710 arter og mere end 1,47 milliarder billeder, fordelt på 77 regionale floraer. Det er meget, og alligevel er det kun en brøkdel af de omkring 400.000 beskrevne arter af blomsterplanter i verden.

2. Sikkerhedsprocenten måler lighed, ikke sandhed. Et højt tal betyder blot: "Dette billede ligner meget de billeder af denne art, jeg har i min database". Hvis den rigtige art ikke findes i databasen, vil modellen helt uden tøven foreslå den lignende naboplante med høj sikkerhed.

3. Plantedelen betyder mere end appen. De forskellige dele af en plante indeholder forskellige mængder af botanisk information, og modellen kan kun arbejde med det, der faktisk er på billedet.

4. Modellen er et gennemsnit. Den er trænet på billeder af voksne, sunde planter i deres naturlige miljø. Jo længere din plante er fra det scenarie, jo oftere vil modellen tage fejl.

Selv Pl@ntNet skriver den sætning, som ingen kommercielle apps vil have på deres produktside: "som alle andre AI-modeller er Pl@ntNet ikke ufejlbarlig".

Så ofte rammer AI rigtigt, ifølge forskningen

I fire fagfællebedømte studier udgivet mellem 2020 og 2025 ramte AI-apps til planteidentifikation den rigtige art i første forsøg på mellem 17% og 90% af billederne. Det afhænger helt af appen, den testede flora og hvilken del af planten, der blev fotograferet. Præcisionen på slægtsniveau er altid væsentligt højere end på artsniveau.

Herunder kan du se tallene fra de forskellige studier. Da studierne har brugt forskellige planter, stikprøver og kriterier, kan tallene kun sammenlignes inden for hver enkelt række, aldrig på tværs af rækkerne. En app, der rammer 83% i et studie af træer i New Jersey, er ikke nødvendigvis "bedre" end en app med 57% i et studie af britisk flora.

Der tegner sig to tydelige mønstre på tværs af de fire studier. For det første er appene blevet markant bedre på kort tid. Forskellen på studiet fra 2020 og 2025 er alt for stor til at være en tilfældighed. For det andet har beskæringen og vinklen enorm betydning for resultatet i en og samme app. I Schmidts studie kostede det 32 procentpoint for den mest præcise app, hvis man skiftede bladet ud med bark, hvilket er mere end dobbelt så meget som de 14 procentpoint, der skilte første- og andenpladsen.

Den app, du henter på din telefon, er i øvrigt sjældent den, der rent faktisk foretager selve genkendelsen. Mange af dem bruger en ekstern motor bag skærmen. Bloom identificerer planter via Plant.id, som er den motor, der tog førstepladsen i Jones' studie (2020), og som i dag er det øverste resultat på Google, når man søger efter planteidentifikation, med en dokumenteret præcision på 93% testet af uafhængige universiteter. Det tal gælder for genkendelsesmotoren, ikke hele appen, og det er sådan, man skal læse det for alle apps, der bruger samme leverandør.

Hvorfor billeder af bark fejler langt oftere end billeder af blade

Billeder af bark er det absolut sværeste udgangspunkt for en AI-planteidentifikator. I studiet af Schmidt og kolleger (2022) blev de samme 55 arter fotograferet to gange, én gang på bladet og én gang på barken, med samme udstyr og af de samme personer. Faldet i præcision ser således ud:

Det svarer til et fald på 32,04 procentpoint på artsniveau for PictureThis og 37,73 for iNaturalist. Studiets resumé konkluderer det kort: "these apps are much more accurate in identifying leaf photos as compared to bark photos" (disse apps er langt mere præcise til at identificere billeder af blade sammenlignet med billeder af bark).

Årsagen er botanisk, ikke teknologisk. Bladet har unikke træk, der adskiller de forskellige arter: formen på kanten (glat, savtakket, fliget), nervemønstret og det punkt, hvor stilken hæfter. Barken viser mest af alt bare struktur, og barkens struktur ændrer sig med træets alder, fugtigheden i vejret, samt lav og svampe, der vokser på det, foruden hvilken side af stammen du fotograferer. To vidt forskellige arter kan have næsten identisk bark, når de er 20 år gamle, og barken på det samme træ ændrer sig fuldstændig fra det er 5 til 50 år gammelt.

Den samme plante med blomster ændrer alt

Blomsten er den absolut mest informative del af planten for en AI, og forskellen er stor nok til at ændre på, hvornår det kan betale sig at tage billedet. I studiet af Campbell, Peacock og Bacon (2023) blev 38 urteagtige arter fotograferet 560 gange, halvt som bladbilleder og halvt som blomsterbilleder, med samme telefon og uden billedredigering. Her er resultatet for de enkelte apps:

Effekten optræder igen, uafhængigt, i Hart et al. (2023), People and Nature 5(2), som registrerer: "the low-performing applications (PlantSnap and Google Lens) performed significantly better when a flower was present" (appsene med den dårligste ydeevne klarede sig betydeligt bedre, når der var en blomst til stede).

Forklaringen er den samme som med barken. Blomsten er den struktur, botanikere har brugt til at klassificere planter i tre århundreder, fordi antallet af kronblade, symmetri, støvdrageres placering og bægerbladets form er stabile inden for samme art og varierer meget mellem forskellige arter. Blade er langt mere tvetydige. Rigtig mange arter i Arum-familien har grønne, blanke og ovale blade uden store forskelle.

Guldranke, zamioculcas, fingerphilodendron, svigermors skarpe tunge og forskellige bregner blomstrer sjældent eller aldrig inde i en stue. Hvis du tager billeder af dine stueplanter, er du derfor næsten altid i det sværeste scenarie med lavest præcision.

Hvorfor dine stueplanter er den sværeste disciplin

Almindelige stueplanter er det sværeste scenarie for en AI-planteidentifikator af tre årsager: De er aldrig blevet målt i et videnskabeligt studie, de er ofte kultivarer, som taksonomien ikke skelner fra den oprindelige art, og de blomstrer stort set aldrig indendørs.

Ingen offentliggjorte studier har testet almindelige stueplanter. Det er værd at se på, hvad forskerne faktisk har undersøgt: Schmidt og kolleger (2022) testede vejtræer og skov i New Jersey; Campbell, Peacock og Bacon (2023) testede irske vilde urter; Jones (2020) testede britisk flora; og Hart et al. (2023) testede vilde planter i Storbritannien, hvor de bevidst udelukkede eksotiske have- og parkplanter. Når du læser, at "appene rammer rigtigt i 85% af tilfældene", er de 85% målt i den vilde natur, ikke i din vindueskarm.

En kultivar er ikke en art, og modellen kender kun arter. Den plante, du køber i havecentret, er ofte forædlet og har et handelsnavn. En Monstera deliciosa 'Thai Constellation' og en 'Albo Borsigiana' er rent taksonomisk den samme art. Forskellen ligger i bladets mønster (brogethed), hvilket er præcis det, dit øje bruger til at kende forskel på dem, men som modellen er trænet til at ignorere som værende skygger eller lysindfald. Der findes ikke separate kategorier for de fleste kultivarer i databasen, så appen vil nok ramme den rigtige overordnede art, men tage fejl af den specifikke plante, du står med i hånden.

Stueplanter ligner sjældent det, modellen er trænet i. Referencebillederne viser fuldvoksne, sunde planter i deres naturlige habitat. Din stueplante står måske i en lille potte, er blevet beskåret, strækker sig mod vinduet, har mindre blade end normalt, måske tørre spidser og absolut ingen blomster. Hver af disse små afvigelser trækker billedet væk fra det, modellen har set under sin træning.

Appen er stadig nyttig til stueplanter. Du skal bare huske, at de flotte procenter fra undersøgelserne er det absolutte maksimum, ikke gennemsnittet for dine stueplanter, og det er endnu vigtigere at tjekke efter her end ude i naturen.

Når fejl koster dyrt: Giftige planter og kæledyr

Planteidentifikation med AI er ikke pålidelig til at afgøre, om en plante er giftig. I en test offentliggjort i Clinical Toxicology 61(7) i 2023 blev 5 ud af 11 potentielt giftige arter identificeret som spiselige af mindst en af de evaluerede apps. Studiet af Campbell, Peacock og Bacon inkluderede to giftige planter og når frem til samme konklusion i en sætning, der er værd at citere i sin helhed:

"They should not be trusted to identify toxic species." (De bør ikke bruges til at identificere giftige arter).

Den praktiske tommelfingerregel er simpel: Brug appen som det første filter og bekræft arten i en botanisk kilde, før du efterlader planten inden for rækkevidde af en kat, hund eller et barn, og indtag aldrig noget baseret på en fotoidentifikation. To af de mest almindelige stueplanter i Brasilien er blandt de planter, der er giftige for kæledyr:

Sådan tager du billeder, der hjælper appen med at ramme rigtigt

Hvordan du tager billedet, betyder mere for resultatet end hvilken app du vælger. Her er seks regler baseret på målinger fra uafhængige studier:

1. Hvis der er en blomst, så tag billede af den. Det giver en forskel på mellem 6 og 29 procentpoint i tabellen fra PLOS ONE, i den helt samme app.

2. Vælg altid bladet frem for barken. Det gør en forskel på op til 32 procentpoint på artsniveau i Schmidts studie.

3. Kun én plantedel pr. billede. Sørg for, at hele bladet eller hele blomsten fylder billedet ud, i stedet for at tage et billede af hele planten på afstand.

4. Ren baggrund. Hvis du lægger et blad på et hvidt stykke papir eller i din håndflade, fjerner du elementer i baggrunden, som modellen ellers kan forveksle med planten.

5. Gå tæt nok på til, at bladnerverne ses tydeligt. Mønstret i bladnerverne udgør halvdelen af den botaniske information, som bladet giver.

6. Kig på de første 5 forslag, ikke kun det øverste. I Hart et al. (2023) steg appenes gennemsnitlige træfsikkerhed fra 69% på førstevalget til 85%, hvis man kiggede på de første fem forslag. Den rigtige art er ofte på listen, den ligger bare ikke altid øverst.

Hvis appen giver mulighed for det, kan du indsende flere billeder af samme plante, der viser forskellige dele. Systemer, der accepterer flere billeder, kombinerer de forskellige kendetegn og rammer markant oftere rigtigt.

Findes der en gratis AI-planteidentifikator?

Ja, i tre forskellige udgaver.

Gratis uden grænser, af akademisk oprindelse. Pl@ntNet er et fransk offentligt forskningsprojekt og koster ingenting. Det er stærkest til vilde og hjemmehørende planter, viser graden af pålidelighed og tilbyder alternative kandidater i stedet for kun at fastslå en enkelt. Det tilbyder ikke pleje eller påmindelser.

Gratis og indbygget i din telefon. Google Lens er en del af Google-appen og Chrome, fungerer på både Android og iPhone og har ingen faste grænser for antal søgninger. I de to studier, der testede funktionen, ramte den rigtigt i første forsøg i mellem 55% og 68% af tilfældene, hvilket er lidt bagefter de apps, der er specialiseret i planter. Du kan læse mere om metoden i sådan identificerer du planter med Google Lens.

Gratis version med begrænsninger i en pasnings-app. Her varierer udbuddet meget, og de fleste plante-apps har slet ikke en gratis funktion. Bloom har en gratis udgave: Du får 2 identifikationer om måneden og en pasningskalender uden tidsbegrænsning. For at sammenligne de forskellige muligheder kan du se listen over de bedste apps til at identificere planter.

Ofte stillede spørgsmål

Findes der et gratis AI-værktøj til planteidentifikation?

Ja. Pl@ntNet er helt gratis og uden begrænsninger, da det er et offentligt forskningsprojekt, og Google Lens ligger allerede i din Google-app eller Chrome. Visse pasnings-apps har også en gratis version med et begrænset antal søgninger, men de er i undertal. Ingen af dem kræver betaling for den allerførste søgning.

Hvilken app til planteidentifikation er den mest præcise?

Det kommer helt an på, hvad du fotograferer, og det ærlige svar er, at man ikke kan udpege én enkelt vinder. De forskellige studier har testet forskellige planter: PictureThis var bedst til træer i New Jersey, Pl@ntNet til irske urter, og Plant.id til britisk flora. Man kan ikke sammenligne procenter på tværs af forskellige studier.

Kan AI identificere stueplanter lige så godt som vilde planter?

Det er der ingen udgivne studier, der har målt. Alle uafhængige test er lavet på vejtræer eller vild natur, og et af dem udelukkede bevidst haveplanter. Stueplanter er ofte kultivarer uden blomster, som ikke matcher modellens træningsbilleder, hvilket trækker præcisionen ned.

Kan appen fortælle mig, hvilken specifik sorts-variant min plante er?

Sjældent. Kultivarer som 'Thai Constellation' og 'Pink Princess' tilhører samme art som grundformen. Forskellen ligger i en farvemutation på bladene, som modellen er trænet til at ignorere som værende skygger eller lysforhold. Forvent at få artens navn, ikke sortsnavnet.

Må jeg bruge en AI-app til at tjekke, om en plante er giftig?

Som et første fingerpeg, ja. Som en endelig garanti, nej. I en test fra 2023 i Clinical Toxicology blev 5 ud af 11 giftige arter udpeget som spiselige af mindst én app. Tjek altid arten i en pålidelig botanisk kilde, før du lader planten stå i nærheden af kæledyr eller børn.

Konklusion

Det er billedets kvalitet og motiv, der afgør resultatet. Inden for den samme app og på den samme plante kan et skift fra bark til blad give op til 32 procentpoint bedre resultater, og et skift fra blad til blomst op til 29 procentpoint. At vælge det rigtige motiv er det eneste, du selv har indflydelse på, og det gør en større forskel end at skifte app. Hvis din plante står i stuen, skal du huske på, at der ikke findes undersøgelser af netop dette scenarie, og du bør tage navnet på skærmen som et kvalificeret gæt frem for det endelige svar.

Det næste praktiske skridt er at tage et nyt billede ud fra de seks råd herover og se, om appen foreslår den samme art igen. Hvis resultatet ændrer sig mellem to gode billeder af den samme plante, er det et tegn på, at modellen er usikker, og du bør søge efter en ekstra kilde.

Når spørgsmålet bag plantenavnet er "hvad gør jeg så med den nu?", løser navnet i sig selv ingenting. Det er her, du har brug for en app, der hjælper dig videre med pasningen, vanding og lysforhold for netop den art. Det gør Bloom, som identificerer planter via Plant.id og udelukkende er tilgængelig til iPhone.

Hvis din plante allerede er syg, og det ikke bare handler om at finde navnet, er der en anden vej: Start med at finde ud af, hvad din plante fejler.