Kasvien tunnistus tekoälyllä: miten se toimii ja kuinka luotettava se on

Kasvien tunnistus tekoälyllä tarkoittaa elävän kasvilajin tunnistamista valokuvan perusteella. Ohjelma vertailee kuvan visuaalisia piirteitä (lehden muotoa ja suonitusta, kukan rakennetta, kuoren tekstuuria) miljooniin kasvitieteilijöiden valmiiksi tunnistamiin kuviin ja antaa listan mahdollisista lajeista todennäköisimmistä alkaen. Prosessissa ei ole kyse siitä, että tekoäly ymmärtäisi kasveja.

Vuosina 2020–2025 julkaistuissa vertaisarvioiduissa tutkimuksissa sovellukset osuivat oikeaan lajiin ensimmäisellä ehdotuksellaan 17–90 prosentin tarkkuudella. Suuri osa tästä vaihtelusta ei johdu itse sovelluksesta vaan siitä, mitä kuvasit. Sama kamera, sama kasvi ja sama sovellus antavat aivan eri tuloksen riippuen siitä, kuvaatko puun kuorta vai lehteä tai kukkia.

Lyhyt tiivistelmä:

• Schmidtin ja kollegoiden (2022) tutkimuksessa, jossa tarkasteltiin 55 puulajia, tarkin sovellus tunnisti lajin oikein 83,86 prosentissa lehtikuvista, mutta vain 51,82 prosentissa kuorikuvista. Ero on 32 prosenttiyksikköä saman kasvin ja saman sovelluksen kohdalla.

• Irlantilaisia ruohovartisia kasveja koskevassa 560 kuvan aineistossa (Campbell, Peacock ja Bacon, 2023) kaikki testatut sovellukset toimivat paremmin kukka- kuin lehtikuvilla. Ero oli 6–29 prosenttiyksikköä kukan eduksi.

• Yksikään tähän mennessä julkaistu tutkimus ei ole mitannut tunnistustarkkuutta viljellyillä huonekasveilla. Olemassa olevat testit on tehty katu- ja puistopuilla, luonnonvaraisilla kasveilla ja peltokasveilla.

• Lajike ei ole sama asia kuin laji. Tekoälymallille esimerkiksi Monstera 'Thai Constellation' ja 'Albo' ovat täysin sama kasvi.

• Sovelluksen antamaa vastausta ei pidä ottaa ehdottomana turvallisuustakuuna. Clinical Toxicology -lehdessä (2023) julkaistussa testissä vähintään yksi sovelluksista väitti viittä myrkyllistä kasvilajia yhteensä yhdestätoista syötäväksi.

Mitä tekoäly oikeasti tekee, kun kuvaat kasvin

Tekoälypohjainen kasvintunnistussovellus ei ymmärrä botaniikkaa. Se on konenäkömalli, joka on opetettu valmiiksi tunnistettujen kuvien tietokannalla. Se etsii samankaltaisuuksia muuntamalla kuvasi numeerisiksi signaaleiksi (reunat, kaaret, tekstuurit, mittasuhteet) ja hakemalla tietokannastaan lajeja, joiden kuvat tuottavat samankaltaisia signaaleja. Tuloksena on lista ehdokkaista ja jokaisen kohdalla ilmoitettu varmuusaste.

Tästä seuraa neljä käytännön asiaa, jotka selittävät lähes kaikki kohtaamasi virheet:

1. Mitä tietokannassa ei ole, sitä ei voida tunnistaa. Alan suurin avoin projekti Pl@ntNet julkaisee omat lukunsa: 84 710 lajia ja yli 1,47 miljardia kuvaa, jotka jakautuvat 77 alueelliseen kasvistoon. Se on paljon, ja silti se on vain murto-osa maailmassa kuvatuista noin 400 000 kukkivasta kasvilajista.

2. Varmuusaste mittaa samankaltaisuutta, ei totuutta. Korkea lukema tarkoittaa vain sitä, että kuva muistuttaa paljon tietokannassa olevia saman lajin kuvia. Jos oikeaa lajia ei ole tietokannassa, malli tarjoaa korkealla varmuudella sitä lähinnä muistuttavaa vaihtoehtoa.

3. Kasvinosa merkitsee enemmän kuin sovellus. Kasvin eri osat sisältävät eri määrän tunnistamiseen tarvittavaa tietoa, ja malli voi käyttää vain sitä, mikä kuvassa näkyy.

4. Malli on keskiarvo. Se on koulutettu kuvilla, joissa on täysikasvuisia, terveitä ja luonnollisessa ympäristössään kasvavia kasveja. Mitä enemmän oma kasvikohteesi poikkeaa tästä, sitä useammin tekoäly tekee virheen.

Pl@ntNet itse toteaa asian, jota mikään kaupallinen sovellussivu ei sano ääneen: "kuten mikään muukaan tekoälymalli, Pl@ntNet ei ole erehtymätön".

Kuinka usein tekoäly osuu oikeaan tutkimusten mukaan

Neljässä vertaisarvioidussa ja vuosina 2020–2025 julkaistussa tutkimuksessa kasveja tunnistavat tekoälysovellukset osuivat oikeaan lajiin ensimmäisellä ehdotuksellaan 17–90 prosentissa kuvista riippuen sovelluksesta, testatusta kasvistosta ja kuvatusta kasvinosasta. Tunnistus suoritasolle eli sukuun asti on aina tarkempaa kuin tarkkaan lajiin osuminen.

Alla on esitelty tutkimusten tulokset. Tutkimuksissa käytettiin erilaisia kasvilajeja, näytteitä ja kriteereitä, joten lukuja voi vertailla vain kunkin tutkimuksen sisällä, ei tutkimusten välillä. Sovellus, joka saa 83 % New Jerseyn puita koskevassa tutkimuksessa, ei välttämättä ole parempi kuin sovellus, joka saa 57 % brittiläistä kasvistoa koskevassa tutkimuksessa.

Kaikissa neljässä tutkimuksessa toistuu kaksi selkeää havaintoa. Ensimmäinen on se, että sovellukset kehittyvät nopeasti: ero vuoden 2020 ja vuoden 2025 tutkimusten välillä on liian suuri ollakseen pelkkää satunnaista kohinaa. Toinen havainto on se, että kuvan rajaus vaikuttaa tulokseen saman sovelluksen sisällä vähintään yhtä paljon kuin sovellusten väliset erot. Schmidtin tutkimuksessa lehden vaihtaminen puun kuoreen pudotti tarkimman sovelluksen tulosta 32 prosenttiyksikköä, mikä oli yli tuplasti enemmän kuin kyseisen sovelluksen ero kakkossijaan.

Lataamasi sovellus ei useinkaan ole se, joka varsinaisen tunnistustyön tekee, sillä monet niistä käyttävät taustalla kolmannen osapuolen moottoria. Bloom käyttää tunnistukseen Plant.id-moottoria. Se on sama moottori, joka sijoittui ensimmäiseksi Jonesin (2020) tutkimuksessa ja joka on tällä hetkellä Googlen kärkitulos kasvintunnistushauissa riippumattomien yliopistojen testaamalla 93 %:n tarkkuudella. Tämä tarkkuusluku koskee taustalla toimivaa tunnistusmoottoria, ei koko sovellusta, ja sitä on luettava samalla tavalla minkä tahansa saman palveluntarjoajan tekniikkaa käyttävän sovelluksen kohdalla.

Miksi puun kuori on huomattavasti vaikeampi kuin lehti

Puun kuoren kuvaaminen on huonoin mahdollinen tapa yrittää tunnistaa kasvi tekoälyllä. Schmidtin ja kumppaneiden (2022) tutkimuksessa samat 55 lajia kuvattiin kahdesti, kerran lehdestä ja kerran kuoresta, samalla laitteella ja samojen testaajien toimesta. Tulosten lasku näkyy tässä:

PictureThis-sovelluksella lajin tunnistustarkkuus putosi 32,04 prosenttiyksikköä ja iNaturalist-sovelluksella peräti 37,73 prosenttiyksikköä. Tutkimuksen tiivistelmä toteaa asian lyhyesti: "these apps are much more accurate in identifying leaf photos as compared to bark photos" (nämä sovellukset ovat huomattavasti tarkempia tunnistaessaan lehtikuvia kuin kuorikuvia).

Syy on kasvitieteellinen, ei tietotekninen. Lehti sisältää piirteitä, jotka todella erottavat lajeja toisistaan: muoto, reunan tyyppi (sileä, sahahampainen, liuskainen), suonirakenne ja lehtiruodin kiinnittymiskohta. Kuori taas tarjoaa lähinnä tekstuuria, ja kuoren rakenne vaihtelee puun iän, päivän kosteuden, pinnalla kasvavien jäkälien ja sammalten sekä kuvatun rungonpuolen mukaan. Kahden eri lajin kuori voi näyttää 20-vuotiaana lähes samalta, ja saman lajin kuori muuttuu täysin 5 ja 50 ikävuoden välillä.

Kukassa oleva kasvi muuttaa tilanteen täysin

Kukka on kaikkein eniten tietoa sisältävä kohde tekoälytunnistuksessa, ja ero on niin suuri, että se kannattaa ottaa huomioon kuvaushetkeä valittaessa. Campbellin, Peacockin ja Baconin (2023) tutkimuksessa 38 ruohovartista lajia kuvattiin 560 kertaa. Puolet kuvista otettiin lehdistä ja puolet kukista, samalla puhelimella ja ilman kuvanmuokkausta. Sovelluskohtaiset tulokset olivat seuraavat:

Vaikutus näkyy jälleen itsenäisesti tutkimuksessa Hart et al. (2023), People and Nature 5(2), joka toteaa: "the low-performing applications (PlantSnap and Google Lens) performed significantly better when a flower was present" (heikoimmin suoriutuneet sovellukset toimivat merkittävästi paremmin, kun kukka oli mukana).

Syy on sama kuin kuoren kohdalla. Kukka on rakenne, jota kasvitiede on käyttänyt kolmen vuosisadan ajan kasvien luokitteluun, sillä terälehtien määrä, symmetria, heteiden asento ja verhiön muoto ovat lajikohtaisesti vakaita ja lajien välillä erilaisia. Lehti taas on huomattavasti monitulkintaisempi: kymmenillä eri vehkakasveilla on lähes samanlaiset vihreät, kiiltävät ja soikeat lehdet.

Kultaköynnös, palmut, hirviönlehti, saniaiset ja anopinkielet kukkivat äärimmäisen harvoin kotioloissa. Huonekasveja kuvaava onkin lähes aina tilanteessa, jossa tunnistustarkkuus on alhaisimmillaan.

Miksi huonekasvit ovat kaikkein vaikeimpia tunnistettavia

Viljellyt huonekasvit ovat tekoälytunnistukselle kaikkein haastavin kohde kolmesta eri syystä: niitä ei ole juuri testattu julkaistuissa tutkimuksissa, ne ovat usein lajikkeita, joita tieteellinen luokittelu ei erota päälajista, eivätkä ne juuri koskaan kuki sisätiloissa.

Yksikään julkaistu tutkimus ei ole mitannut viljeltyjen huonekasvien tunnistusta. Kannattaa katsoa, mitä tutkimuksissa todella käytettiin: Schmidt kumppaneineen (2022) testasi New Jerseyn katu- ja metsäpuita, Campbell, Peacock ja Bacon (2023) irlantilaisia luonnonvaraisia ruohovartisia kasveja, Jones (2020) Iso-Britannian kasvistoa ja Hart et al. (2023) Ison-Britannian villiä luontoa, josta oli erikseen rajattu pois puistojen ja puutarhojen koristekasvit. Kun luet, että "sovellukset osuvat oikeaan 85 prosentin tarkkuudella", tämä 85 % on mitattu luonnossa, ei olohuoneessasi.

Lajike ei ole laji, ja malli tunnistaa vain lajeja. Kukkakaupasta ostamasi kasvi on usein jalostettu koristelajike, jolla on kaupallinen nimi. Kasvitieteellisesti Monstera deliciosa 'Thai Constellation' ja 'Albo Borsigiana' ovat samaa lajia. Niiden ero on lehtien kirjavuudessa, jota sinun silmäsi käyttää niiden erottamiseen, mutta jonka tekoälymalli on opetettu ohittamaan pelkkänä valaistuksen vaihteluna. Useimmille lajikkeille ei ole omaa luokkaa tietokannassa, joten sovellus tunnistaa kyllä lajin oikein, mutta antaa väärän vastauksen juuri sinun kasvillesi.

Huonekasvit poikkeavat usein koulutusdatan normeista. Vertailukuvat esittävät täysikasvuisia, terveitä kasveja luonnollisessa elinympäristössään. Oma kasvisi taas saattaa kasvaa pienessä ruukussa, sitä on leikattu, se on venynyt valoa kohti, sen uudet lehdet ovat normaalia pienempiä, niissä saattaa olla kuivia kärkiä eikä siinä ole kukkia. Jokainen tällainen poikkeama vie kuvaa kauemmas siitä, mitä malli on oppinut koulutuksessa, ja nämä tekijät kasaantuvat.

Sovellus toimii silti huonekasveillekin. On vain hyvä muistaa, että julkaistut tarkkuusprosentit ovat paras mahdollinen yläraja, eivät oman arkikäyttösi keskiarvo, ja tuloksen varmistaminen on kotona vielä tärkeämpää kuin luonnossa.

Kun virheestä tulee vaarallinen: myrkylliset kasvit ja lemmikit

Tekoälyllä tehty kasvin tunnistus ei ole luotettava menetelmä sen ratkaisemiseksi, onko kasvi myrkyllinen. Clinical Toxicology -lehdessä 61(7) vuonna 2023 julkaistussa testissä vähintään yksi arvioiduista sovelluksista tunnisti 5 kaikkiaan 11 mahdollisesti myrkyllisestä lajista syötäväksi. Campbellin, Peacockin ja Baconin tutkimus sisälsi kaksi myrkyllistä kasvia ja päätyy samaan johtopäätökseen lauseessa, joka on syytä sitaattiin kokonaisuudessaan:

"They should not be trusted to identify toxic species." (Niihin ei pidä luottaa myrkyllisten lajien tunnistamisessa.)

Yksinkertainen nyrkkisääntö on tämä: käytä sovellusta ensimmäisenä suodattimena ja varmista laji kasvitieteellisestä lähteestä ennen kuin jätät kasvin kissan, koiran tai lapsen ulottuville, äläkä koskaan syö mitään valokuvatunnistuksen perusteella. Kaksi Brasilian yleisimmistä huonekasveista kuuluu lemmikeille myrkyllisiin kasveihin:

Miten kuvata, jotta tekoäly osuisi paremmin oikeaan

Kuvan rajaus vaikuttaa tunnistustulokseen enemmän kuin se, minkä sovelluksen valitset. Seuraavat kuusi sääntöä perustuvat suoraan vertaisarvioitujen tutkimusten tuloksiin:

1. Jos kasvissa on kukka, kuvaa se. Tämä tuo 6–29 prosenttiyksikön parannuksen PLOS ONE -tutkimuksen mukaan saman sovelluksen sisällä.

2. Valitse aina lehti kuoren sijaan. Tämä voi tarkoittaa jopa 32 prosenttiyksikön eroa lajin tunnistuksessa Schmidtin ja kumppaneiden tutkimuksen mukaan.

3. Vain yksi kasvinosa kuvaan. Rajaa kuva niin, että kokonainen lehti tai kokonainen kukka täyttää ruudun, älä ota kuvaa koko kasvista kaukaa.

4. Selkeä tausta. Valkoista paperia tai kämmentä vasten kuvattu lehti poistaa taustalta häiriötekijät, jotka malli voisi sekoittaa kasvin osiksi.

5. Mene tarpeeksi lähelle, jotta lehtisuonet näkyvät. Suonirakenne muodostaa suuren osan lehden tarjoamasta tunnistustiedosta.

6. Katso viisi ensimmäistä ehdotusta, älä vain ensimmäistä. Hartin ja kumppaneiden (2023) tutkimuksessa sovellusten keskimääräinen tarkkuus nousi 69 %:sta ensimmäisellä ehdotuksella peräti 85 %:iin, kun huomioitiin viisi ensimmäistä ehdotusta. Oikea laji on usein listalla, mutta ei aivan kärjessä.

Jos sovellus mahdollistaa sen, lähetä useampi kuin yksi kuva samasta kasvista näyttäen sen eri osia. Useita kuvia hyödyntävät järjestelmät yhdistävät eri osien piirteet ja pääsevät tarkempaan tulokseen.

Onko olemassa ilmaista tekoälypohjaista kasvintunnistusta?

Kyllä, kolmessa eri muodossa.

Maksuton ilman rajoituksia, akateemista alkuperää. Pl@ntNet on ranskalainen julkinen tutkimushanke, joka ei veloita mitään. Se on vahvin villien ja alkuperäisten kasvien tunnistuksessa, näyttää luotettavuusasteen ja tarjoaa vaihtoehtoisia ehdokkaita yhden ainoan vastauksen lukitsemisen sijaan. Se ei tarjoa hoito-ohjeita eikä muistutuksia.

Maksuton ja valmiina puhelimessa. Google Lens löytyy Googlen sovelluksesta ja Chromesta, toimii Androidilla sekä iPhonella, eikä siinä ole tunnistusrajoituksia. Kahdessa sitä mitanneessa tutkimuksessa se sai 55–68 prosentin tarkkuuden ensimmäisellä ehdotuksella, eli se jäi hieman puhtaasti kasveille kehitettyjen sovellusten taakse. Yksityiskohtaiset ohjeet löytyvät artikkelista miten tunnistaa kasvi Google Lensillä.

Maksuton kokeiluversio hoitosovelluksen sisällä. Tässä ryhmässä tarjonta vaihtelee paljon, ja useimmat tunnistussovellukset vaativat maksullisen tilauksen heti alussa. Bloom tarjoaa ilmaisen tilan: saat 2 tunnistusta kuukaudessa ja kasteluaikataulun ilman aikarajoitusta. Eri sovellusten vertailu löytyy koosteesta parhaat sovellukset kasvien tunnistamiseen.

Usein kysytyt kysymykset

Onko olemassa ilmaista tekoälytyökalua kasvien tunnistamiseen?

Kyllä. Pl@ntNet on täysin ilmainen ja rajaton julkinen tutkimushanke, ja Google Lens on valmiiksi sisäänrakennettu Googlen sovellukseen ja Chromeen. Myös hoitosovelluksissa on rajoitettuja ilmaiskokeiluja, mutta ne ovat vähemmistössä. Mikään niistä ei veloita ensimmäisestä tunnistuksesta.

Mikä on tarkin sovellus kasvien tunnistamiseen?

Se riippuu täysin siitä, mitä kuvaat, eikä yhtä parasta voi suoraan nimetä. Jokaisessa tutkimuksessa testattiin eri kasveja: PictureThis menestyi parhaiten New Jerseyn puilla, Pl@ntNet irlantilaisilla ruohovartisilla kasveilla ja Plant.id brittiläisellä kasvistolla. Tulosten suora vertailu eri tutkimusten välillä ei ole mahdollista.

Tunnistaako tekoäly huonekasveja yhtä hyvin kuin luonnonvaraisia kasveja?

Tästä ei ole julkaistuja tutkimuksia. Kaikki vertaisarvioidut testit on tehty katu- tai luonnonvaraisilla kasveilla, ja yksi tutkimus sulki koristekasvit tietoisesti pois. Huonekasvit ovat usein kukattomia lajikkeita ja poikkeavat mallien koulutusdatasta, mikä yleensä heikentää tunnistustarkkuutta.

Osaako sovellus kertoa kasvini tarkan lajikkeen?

Harvoin. Lajikkeet kuten 'Thai Constellation' tai 'Pink Princess' ovat kasvitieteellisesti samaa lajia kuin niiden perusmuodot. Niiden värierot ovat mallille usein vain valaistuksen vaihtelua, jonka se on opetettu ohittamaan. Sovellukselta kannattaa odottaa lajin nimeä, ei tarkan koristelajikkeen nimeä.

Voiko tekoälytunnistusta käyttää kasvin myrkyllisyyden selvittämiseen?

Alustavana apuna kyllä, mutta lopullisena takeena ei. Vuonna 2023 tehdyssä Clinical Toxicology -lehden testissä vähintään yksi sovelluksista väitti viittä myrkyllistä lajia yhteensä yhdestätoista vaarattomiksi ja syötäviksi. Varmista laji aina luotettavasta kasvitieteellisestä lähteestä ennen kuin tuot sen lemmikkien tai lasten lähelle.

Johtopäätökset

Kuvan laatu ja rajaus ratkaisevat lopputuloksen. Saman sovelluksen ja kasvin kohdalla kuoren vaihtaminen lehteen parantaa osumatarkkuutta jopa 32 prosenttiyksikköä, ja lehden vaihtaminen kukkaan tuo jopa 29 prosenttiyksikön edun. Kuvaustavan valinta on ainoa asia, johon voit itse vaikuttaa, ja se auttaa enemmän kuin sovelluksen vaihtaminen toiseen. Jos tunnistat huonekasvia, muista, ettei aiheesta ole julkaistuja tutkimuksia, ja pidä näytölle tulevaa nimeä hyvänä arvauksena, älä lopullisena totuutena.

Seuraava käytännön askel on ottaa uusi kuva noudattaen edellä annettuja kuusi sääntöä ja katsoa, pysyykö ehdotettu laji samana. Jos nimi vaihtuu kahden hyvän kuvan välillä, malli on epävarma ja tarvitset avuksi toisen lähteen.

Kun nimen selvittämisen jälkeen herää kysymys siitä, mitä kasville pitäisi tehdä, pelkkä nimi ei vielä riitä. Tällöin avuksi tulee sovellus, joka jatkaa siitä, mihin tunnistus päättyy, tarjoamalla kyseiselle lajille sopivat kastelu- ja valo-ohjeet. Bloom tekee juuri tämän, käyttää tunnistukseen Plant.id-moottoria ja on saatavilla iPhonelle.

Jos kyseessä on jo valmiiksi huonosti voiva kasvi etkä vain etsi sen nimeä, kannattaa aloittaa lukemalla artikkeli siitä, miten selvittää mikä kasvia vaivaa.