Prepoznavanje biljaka pomoću AI: kako radi i koliko je precizno

Prepoznavanje biljaka pomoću AI je prepoznavanje vrste žive biljke s fotografije. Računalni program uspoređuje vizualne uzorke na slici (oblik i žile lista, oblik cvijeta, teksturu kore) s milijunima fotografija koje su botaničari već identificirali te vraća popis mogućih vrsta, od najvjerojatnije do najmanje vjerojatne. Cijeli taj proces nema nikakve veze sa stvarnim razumijevanjem biljaka.

U znanstvenim istraživanjima objavljenima između 2020. i 2025. godine, aplikacije su pogodile točnu vrstu kod prvog predloženog rezultata na 17% do 90% fotografija. Velik dio te razlike ne dolazi od same aplikacije, nego od onoga što ste fotografirali. Isti fotoaparat, ista biljka i ista aplikacija daju potpuno različite rezultate ako fotografirate koru umjesto lista ili ako je biljka u tom trenutku u cvatu.

Brzi sažetak:

• U istraživanju Schmidta i suradnika (2022) na 55 vrsta drveća, najpreciznija aplikacija pogodila je vrstu u 83,86% slučajeva s fotografije lista, a u samo 51,82% s fotografije kore. To je pad od čak 32 postotna boda na istoj biljci i s istom aplikacijom.

• Na 560 fotografija irskog zeljastog bilja (Campbell, Peacock i Bacon, 2023), sve testirane aplikacije pokazale su bolje rezultate s cvijetom nego s listom, uz razliku od 6 do 29 postotnih bodova.

• Nijedno dosad objavljeno istraživanje nije mjerilo točnost na uzgojenim sobnim biljkama. Svi dosadašnji testovi rađeni su na uličnom drveću, divljoj flori i poljskim biljkama.

• Kultivar nije isto što i vrsta. Za računalni model, Monstera 'Thai Constellation' i 'Albo' su jedna te ista biljka.

• Rezultati aplikacije ne smiju se uzimati kao jamstvo sigurnosti. U istraživanju objavljenom u časopisu Clinical Toxicology (2023), barem jedna od aplikacija označila je 5 od 11 otrovnih vrsta kao jestive.

Što AI zapravo radi kada fotografirate biljku

Aplikacija za prepoznavanje biljaka ne zna botaniku. To je računalni model treniran na bazi već identificiranih fotografija, a ono što zapravo radi jest mjerenje sličnosti. Vašu fotografiju pretvara u niz brojčanih podataka (rubovi, krivulje, teksture, omjeri) i u bazi traži vrste čije fotografije imaju slične brojčane vrijednosti. Rezultat je popis kandidata rangiran prema postotku sigurnosti.

To ima četiri praktične posljedice koje objašnjavaju gotovo svaku pogrešku na koju ćete naići:

1. Ono čega nema u bazi podataka ne može se prepoznati. Pl@ntNet, koji je najveći otvoreni projekt u ovom području, objavljuje vlastite brojke: 84.710 vrsta i više od 1,47 milijardi slika, raspoređenih u 77 regionalnih flora. To je puno, a ipak je tek djelić od oko 400 tisuća opisanih vrsta cvjetnica u svijetu.

2. Postotak sigurnosti mjeri sličnost, a ne apsolutnu istinu. Visok postotak znači "ova fotografija jako sliči fotografijama te vrste u mojoj bazi". Ako točne vrste nema u bazi, model će vam s potpunom sigurnošću ponuditi najsličnijeg susjeda.

3. Dio biljke koji slikate važniji je od same aplikacije. Svaki dio biljke nosi različitu količinu taksonomskih informacija, a model može analizirati samo ono što se vidi na fotografiji.

4. Model je zapravo prosjek. Treniran je na fotografijama odraslih, zdravih biljaka u njihovom prirodnom staništu. Što vaša biljka više odstupa od tog ideala, to će model češće griješiti.

Sam Pl@ntNet otvoreno priznaje ono što nećete pročitati na stranicama komercijalnih proizvoda: "kao i svaki drugi model umjetne inteligencije, Pl@ntNet nije nepogrešiv".

Koliko je AI točan u prepoznavanju prema znanstvenim mjerenjima

U četiri znanstvene studije objavljene između 2020. i 2025. godine, aplikacije za prepoznavanje biljaka pomoću AI pogodile su vrstu u prvom pokušaju u 17% do 90% slučajeva, ovisno o aplikaciji, testiranoj flori i dijelu biljke koji je fotografiran. Točnost na razini roda uvijek je veća od točnosti na razini same vrste.

U nastavku su prikazani rezultati svakog istraživanja. Te su studije koristile različite flore, uzorke i kriterije, pa se brojke mogu uspoređivati samo unutar istog istraživanja, nikako izravno između njih. Aplikacija koja ima 83% točnosti u studiji o drveću u New Jerseyju nije nužno "bolja" od one koja ima 57% u studiji o britanskoj flori.

Kroz sva četiri rada provlače se dva jasna uzorka. Prvi je da se aplikacije brzo razvijaju jer je razlika u točnosti između studija iz 2020. i 2025. prevelika da bi bila slučajnost. Drugi je da kut snimanja i odabrani dio biljke utječu na rezultat unutar jedne aplikacije jednako koliko i razlika između najboljih i najlošijih aplikacija. U Schmidtovoj studiji, fotografiranje kore umjesto lista smanjilo je točnost najbolje aplikacije za 32 boda, što je dvostruko više od razlike od 14 bodova koja ju je dijelila od drugoplasirane aplikacije.

Aplikacija koju preuzmete na telefon gotovo nikada sama ne radi prepoznavanje u pozadini. Mnoge od njih koriste vanjske sustave za prepoznavanje. Bloom koristi Plant.id, isti onaj sustav koji je bio prvi u Jonesovom istraživanju (2020) i koji se danas pojavljuje kao prvi rezultat na Googleu za pretragu prepoznavanja biljaka, uz dokazanu točnost od 93% na neovisnim sveučilišnim testiranjima. Ta se brojka odnosi na sam sustav za prepoznavanje, a ne na cijelu aplikaciju, i tako je treba tumačiti kod svih aplikacija koje koriste istog pružatelja usluga.

Zašto fotografija kore griješi puno više od lista

Fotografija kore je najgori mogući kadar za AI prepoznavanje biljaka. U istraživanju Schmidta i suradnika (2022), istih 55 vrsta fotografirano je dvaput, jednom preko lista, a drugi put preko kore stabla, istim uređajem i od strane istih ispitivača. Pad točnosti izgleda ovako:

To je pad od 32,04 postotna boda za vrstu kod aplikacije PictureThis i 37,73 boda kod iNaturalist. Sažetak studije to jasno objašnjava: "these apps are much more accurate in identifying leaf photos as compared to bark photos" (ove su aplikacije znatno preciznije pri identificiranju fotografija lista u usporedbi s fotografijama kore).

Razlog je botaničke, a ne računalne prirode. List nosi ključne karakteristike koje razlikuju vrste: oblik, tip ruba (glatki, nazubljeni, režnjeviti), raspored žila i mjesto gdje se peteljka spaja s granom. Kora nosi samo teksturu, a ona varira ovisno o starosti stabla, vlažnosti zraka tog dana, lišajevima i gljivama koje na njoj rastu te strani debla koju ste fotografirali. Dvije potpuno različite vrste mogu imati gotovo identičnu koru u dobi od 20 godina, dok jedno te isto stablo dramatično mijenja izgled kore između svoje 5. i 50. godine života.

Ista biljka u cvatu daje potpuno drugačije rezultate

Cvijet je najkorisniji dio biljke za AI prepoznavanje, a razlika u točnosti je tolika da bi trebala utjecati na vašu odluku kada ćete fotografirati biljku. U istraživanju Campbella, Peacocka i Bacona (2023), 38 zeljastih vrsta fotografirano je 560 puta, pola preko lista, a pola preko cvijeta, istim mobitelom i bez ikakve naknadne obrade slika. Rezultati po aplikacijama:

Učinak se ponovno pojavljuje, neovisno o tome, u radu Hart et al. (2023), People and Nature 5(2), koji bilježi: "the low-performing applications (PlantSnap and Google Lens) performed significantly better when a flower was present" (aplikacije s lošijim rezultatima radile su znatno bolje kada je bio prisutan cvijet).

Razlog je isti kao i kod kore. Botanika već tri stoljeća koristi cvijet za klasifikaciju biljaka jer su broj latica, simetrija, položaj prašnika i oblik čaške stabilne karakteristike unutar vrste, a razlikuju se među različitim vrstama. List je puno dvosmisleniji. Primjerice, deseci vrsta iz porodice kozlačevki imaju gotovo identične zelene, sjajne i ovalne listove.

Zlatni puzavac, zamija, monstera, paprat i svekrvin jezik rijetko ili gotovo nikada ne cvjetaju u stanu. To znači da ste pri fotografiranju sobnih biljaka gotovo uvijek u scenariju koji daje najlošije rezultate.

Zašto je sobna biljka u vašem stanu najteži slučaj

Uzgojene sobne biljke najteži su scenarij za AI prepoznavanje iz tri povezana razloga: nikada nisu testirane u objavljenim znanstvenim studijama, najčešće su kultivari koje taksonomija ne odvaja kao zasebne vrste i gotovo nikada ne cvjetaju u zatvorenom prostoru.

Nijedna objavljena studija nije mjerila točnost na sobnim biljkama. Pogledajte što su istraživači zapravo koristili: Schmidt i suradnici (2022) testirali su ulično i šumsko drveće u New Jerseyju, Campbell, Peacock i Bacon (2023) irsko divlje zeljasto bilje, Jones (2020) britansku floru, a Hart i suradnici (2023) divlju floru Ujedinjenog Kraljevstva, svjesno isključivši egzotične vrste iz parkova i vrtova. Kada pročitate da "aplikacije pogađaju u 85% slučajeva", tih 85% izmjereno je u prirodi, a ne na biljkama u dnevnom boravku.

Kultivar nije vrsta, a model prepoznaje samo vrste. Biljka koju kupite u cvjećarnici obično je hortikulturna selekcija s komercijalnim nazivom. Monstera deliciosa 'Thai Constellation' i 'Albo Borsigiana' taksonomski su ista vrsta. Ono što ih razlikuje jest mutacija u šarenilu lista, što je upravo ono što vi koristite kako biste ih razlikovali, dok je računalni model naučen ignorirati takve promjene kao obično odstupanje u osvjetljenju. Za većinu kultivara u bazama ne postoje zasebne oznake, pa će aplikacija pogoditi vrstu, ali promašiti točnu varijaciju biljke koju držite u ruci.

Sobne biljke često odstupaju od standarda na kojima je model treniran. Referentne fotografije prikazuju odrasle, zdrave biljke u prirodnom staništu. Vaša je biljka vjerojatno u maloj tegli, orezana, izdužena prema prozoru u potrazi za svjetlom, s novim listovima koji su manji od normalnih, možda s osušenim vrhovima i bez ijednog cvijeta. Svako od tih odstupanja udaljava sliku od onoga što je model vidio tijekom treninga, a ti se čimbenici s vremenom nakupljaju.

Aplikacija je i dalje korisna za sobne biljke. No, objavljene brojke o točnosti predstavljaju gornju granicu, a ne prosjek vašeg svakodnevnog korištenja, pa je potvrda rezultata u ovom slučaju važnija nego u prirodi.

Kada pogreška može biti opasna: otrovne biljke i kućni ljubimci

Prepoznavanje biljaka pomoću AI nije pouzdano za donošenje odluke je li biljka otrovna. U testu objavljenom u časopisu Clinical Toxicology 61(7) 2023. godine, barem jedna od procjenjivanih aplikacija identificirala je 5 od 11 potencijalno otrovnih vrsta kao jestive. Studija autora Campbella, Peacocka i Bacona uključila je dvije otrovne biljke i dolazi do istog zaključka, u rečenici koju vrijedi citirati u cijelosti:

"They should not be trusted to identify toxic species." Ne smije im se vjerovati pri prepoznavanju otrovnih vrsta.

Jednostavno praktično pravilo glasi: koristite aplikaciju kao prvi filter i potvrdite vrstu u botaničkom izvoru prije nego što biljku ostavite na dohvat ruke mački, psu ili djetetu, te nikada ne konzumirajte ništa na temelju identifikacije putem fotografije. Dvije najčešće sobne biljke u Brazilu ubrajaju se među one toksične za kućne ljubimce:

Kako fotografirati da bi AI bio precizniji

Kadar koji odaberete utječe na točnost prepoznavanja više nego sam izbor aplikacije. Evo šest pravila utemeljenih na podacima iz znanstvenih istraživanja:

1. Ako biljka ima cvijet, fotografirajte cvijet. To donosi razliku od 6 do 29 postotnih bodova prema tablici iz časopisa PLOS ONE, unutar iste aplikacije.

2. Uvijek dajte prednost listu pred korom. To donosi i do 32 boda prednosti za vrstu u Schmidtovom istraživanju.

3. Samo jedan dio na fotografiji. Snimite cijeli list ili cijeli cvijet tako da ispunjava kadar, umjesto da slikate cijelu biljku izdaleka.

4. Čista pozadina. List položen na bijeli papir ili na dlan eliminira elemente iz okoline koje bi model mogao zamijeniti za dio biljke.

5. Približite se dovoljno da se vide žile. Raspored lisnih žila nosi polovicu taksonomskih informacija koje list pruža.

6. Pogledajte prvih 5 prijedloga, a ne samo prvi. U istraživanju Harta i suradnika (2023), prosječna točnost aplikacija raste sa 69% na prvom mjestu na 85% ako se gleda unutar prvih pet prijedloga. Točna vrsta se obično nalazi na popisu, samo možda ne na samom vrhu.

Ako aplikacija nudi tu opciju, pošaljite više fotografija iste biljke koje prikazuju različite dijelove. Sustavi koji prihvaćaju više slika kombiniraju vizualne podatke i daju znatno točnije rezultate.

Postoji li besplatno prepoznavanje biljaka pomoću AI?

Da, u tri različita oblika.

Besplatno bez ograničenja, akademskog podrijetla. Pl@ntNet je projekt francuskog javnog istraživanja i ne naplaćuje ništa. Najjači je u prepoznavanju divljih i autohtonih biljaka, prikazuje razinu pouzdanosti i nudi alternativne kandidate umjesto donošenja samo jedne konačne odluke. Ne nudi njegu niti podsjetnike.

Besplatno i već ugrađeno u mobitel. Google Lens se nalazi unutar Google aplikacije i preglednika Chrome, radi na Androidu i iPhoneu te nema službenih ograničenja u broju prepoznavanja. U dva istraživanja koja su ga mjerila ostvario je između 55% i 68% točnosti na prvom predloženom rezultatu, što je slabije od specijaliziranih aplikacija za biljke. Detaljne korake možete pronaći u vodiču como identificar planta com o Google Lens.

Besplatni model s ograničenjem unutar aplikacije za njegu. Ovdje ponuda jako varira, a većina aplikacija za prepoznavanje uopće nema besplatni način rada. Bloom ga ima: nudi 2 besplatna prepoznavanja mjesečno i raspored zalijevanja bez vremenskog ograničenja. Za usporedbu različitih opcija, cijeli popis možete pronaći u članku os melhores apps para identificar plantas.

Često postavljana pitanja

Postoji li besplatan AI alat za prepoznavanje biljaka?

Da. Pl@ntNet je besplatan i bez ograničenja jer se radi o javnom istraživačkom projektu, dok je Google Lens već ugrađen u Google aplikaciju i Chrome. Postoje i aplikacije za njegu s besplatnim mjesečnim limitom, ali su u manjini. Nijedna od njih ne naplaćuje prvo prepoznavanje.

Koja je aplikacija za prepoznavanje biljaka najtočnija?

To ovisi o tome što fotografirate, pa je najpošteniji odgovor da je nemoguće izdvojiti samo jednu. Svako istraživanje koristilo je drugačiju floru: PictureThis je bio najbolji za drveće u New Jerseyju, Pl@ntNet za irsko zeljasto bilje, a Plant.id za britansku floru. Izravna usporedba postotaka između različitih studija nije metodološki ispravna.

Prepoznaje li AI sobne biljke jednako dobro kao i divlje?

Nema objavljenih znanstvenih studija koje su to izravno mjerile. Svi recenzirani testovi koristili su ulično drveće ili divlju floru, a jedan je svjesno isključio ukrasne vrste. Sobne biljke su često kultivari bez cvijeta i izvan standardnih uzoraka za trening, što obično smanjuje točnost prepoznavanja.

Može li aplikacija prepoznati točnu sortu moje biljke?

Rijetko. Kultivari poput 'Thai Constellation' i 'Pink Princess' pripadaju istoj vrsti kao i njihovi uobičajeni zeleni oblici, a razlika je u mutaciji boje koju je model naučen tretirati kao promjenu u osvjetljenju. Očekujte točan naziv vrste, ali ne i same sorte.

Mogu li koristiti AI prepoznavanje kako bih provjerio je li biljka otrovna?

Kao prvi korak da, ali kao konačnu potvrdu nikako. U testu iz 2023. objavljenom u časopisu Clinical Toxicology, barem jedna aplikacija prepoznala je 5 od 11 otrovnih vrsta kao jestive. Uvijek potvrdite vrstu u stručnoj literaturi prije nego što biljku stavite blizu ljubimaca ili djece.

Zaključak

Ono što ulazi u kadar odlučuje o rezultatu. Unutar iste aplikacije i na istoj biljci, fotografiranje lista umjesto kore donosi do 32 postotna boda veću točnost, dok fotografiranje cvijeta umjesto lista donosi do 29 bodova prednosti. Dobar kadar je jedina stvar na koju možete izravno utjecati, a donosi bolji rezultat od same promjene aplikacije. Ako prepoznajete sobnu biljku, imajte na umu da nijedno istraživanje dosad nije mjerilo taj scenarij, pa rezultat na ekranu prihvatite kao dobru pretpostavku, a ne kao konačnu istinu.

Sljedeći korak je da ponovno fotografirate biljku prateći spomenutih šest pravila i provjerite ponavlja li se isti rezultat. Ako se naziv vrste promijeni između dvije dobre fotografije iste biljke, to je znak da model nije siguran i da vam je potreban drugi izvor informacija.

Kada je glavno pitanje zapravo "kako se sada brinuti o njoj", sam naziv vrste nije dovoljan. Tu pomaže aplikacija koja nudi rješenje i nakon prepoznavanja, dajući točne upute za zalijevanje i svjetlo za tu vrstu. Bloom nudi upravo to, koristi sustav Plant.id za prepoznavanje i dostupan je za iPhone.

Ako vaša biljka nije nepoznata nego bolesna, rješenje je drugačije: krenite od našeg vodiča descobrir o que a sua planta tem.