Növényhatározás mesterséges intelligenciával: hogyan működik és mennyire pontos

Az MI-alapú növényhatározás egy élő növény fajának felismerését jelenti egy fotó alapján: a szoftver összehasonlítja a kép vizuális mintázatait (a levél körvonalát és erezetét, a virág alakját, a kéreg textúráját) több millió, botanikusok által már azonosított fotóval, majd visszaad egy listát a lehetséges fajokról, a legvalószínűbbtől a legkevésbé valószínűig. Ebben a folyamatban semmi sem utal arra, hogy a rendszer valóban megértené a növényt.

A 2020 és 2025 között megjelent, szakértők által felülvizsgált kutatásokban az alkalmazások az első helyen javasolt fajt a fotók 17% és 90%-a közötti arányban találták el. Ez a hatalmas különbség nagyrészt nem az appon múlik, hanem azon, hogy mit fotóztál le. Ugyanaz a kamera, ugyanaz a növény és ugyanaz az alkalmazás teljesen más eredményt ad, ha a kérget fotózod le a levél helyett, vagy ha a növény éppen virágzik.

Gyors összefoglaló:

• Schmidt és munkatársai (2022) 55 fafajjal végzett kutatásában a legpontosabb app a fajt a levélfotók 83,86%-ában taláta el, míg a kéregfotóknál ez az arány 51,82% volt. Ez 32 százalékpontos visszaesés ugyanannál a növénynél és ugyanannál az appnál.

• Ír lágyszárú növényekről készült 560 fotó alapján (Campbell, Peacock és Bacon, 2023) az összes vizsgált app jobban teljesített a virággal, mint a levéllel, a különbség 6 és 29 százalékpont között mozgott.

• Eddig egyetlen megjelent kutatás sem mérte fel a pontosságot termesztett szobanövényeken. A létező tesztek utcai fákat, vadon élő flórát és szántóföldi növényeket használtak.

• A kultúrnövény-fajta nem azonos a fajjal: a modell számára a Monstera 'Thai Constellation' és az 'Albo' ugyanaz a növény.

• Az appok eredménye nem tekinthető biztonsági ítéletnek. A Clinical Toxicology (2023) folyóiratban megjelent tesztben 11 mérgező fajból 5-öt ehetőnek jelölt meg legalább az egyik app.

Mit csinál valójában az MI, amikor lefotózol egy növényt

Egy MI-alapú növényhatározó nem tud botanikát. Ez egy számítógépes látásmódra épülő modell, amelyet már azonosított fotók adatbázisán tanítottak be, és amit valójában csinál, az a hasonlóság mérése: a fotódat számszerű jelek listájává alakítja (élek, görbék, textúrák, arányok), és megkeresi az adatbázisban azokat a fajokat, amelyek fotói hasonló jeleket produkálnak. Az eredmény a jelöltek rangsora, mindegyik mellett egy-egy konfidenciaszinttel.

Ennek négy olyan gyakorlati következménye van, amely szinte minden hibát megmagyaráz, amivel találkozni fogsz:

1. Ami nincs az adatbázisban, azt nem lehet felismerni. A Pl@ntNet, amely a terület legnagyobb nyílt projektje, közzéteszi a saját számait: 84 710 faj és több mint 1,47 milliárd kép, 77 regionális flórára elosztva. Ez sok, és mégis csak egy töredéke a világon leírt mintegy 400 ezer virágos növényfajnak.

2. A konfidenciaszint a hasonlóságot méri, nem az igazságot. A magas szám azt jelenti, hogy "ez a fotó nagyon hasonlít az adatbázisomban szereplő faj fotóira". Ha a pontos faj nincs ott, a modell magabiztosan a leginkább hasonló szomszédot fogja visszaadni.

3. A növény része fontosabb, mint maga az app. Minden szerv más-más mennyiségű rendszertani információt hordoz, a modell pedig csak abból tud építkezni, amit a fotó mutat.

4. A modell egy átlag. Egészséges, kifejlett növények fotóival tanították be, olyan környezetben, ahol a faj általában előfordul. Minél inkább eltér ettől a te eseted, annál nagyobbat fog tévedni.

Maga a Pl@ntNet is kimondja azt a mondatot, amit egyetlen termékoldalon sem látsz: "mint minden MI-modell, a Pl@ntNet sem tévedhetetlen".

Mennyire pontos az MI-alapú azonosítás a mérések szerint

Négy szakértői kutatásban, amelyek 2020 és 2025 között jelentek meg, az MI-alapú növényhatározó alkalmazások az első helyen javasolt fajt a fotók 17%-ában, illetve akár 90%-ában találták el, az alkalmazástól, a tesztelt flórától és a lefotózott növényi résztől függően. A nemzetség szintű azonosítás pontossága mindig magasabb, mint a faj szintűé.

Alább láthatók a kutatások számai. Mivel ezek a tanulmányok eltérő flórát, mintákat és kritériumokat használtak, a számok csak az egyes sorokon belül hasonlíthatók össze, a sorok között soha. Egy app, amely 83%-ot ért el egy New Jersey-i fákról szóló kutatásban, nem feltétlenül "jobb", mint egy másik, amely 57%-ot kapott a brit flóra vizsgálatakor.

Két minta egyértelműen kirajzolódik a négy tanulmányból. Az egyik az, hogy az alkalmazások gyorsan fejlődnek: a 2020-as és a 2025-ös kutatás közötti különbség túl nagy ahhoz, hogy csak véletlen zaj legyen. A másik az, hogy a képkivágás ugyanannyit változtat az eredményen egyazon alkalmazáson belül, mint amennyi a legjobb appokat elválasztja egymástól: Schmidt kutatásában a levél kéreggel való helyettesítése 32 százalékpontba került a legpontosabb alkalmazásnak, ami több mint kétszerese a második helyezettől való lemaradásának.

A letöltött alkalmazás szinte soha nem az, amelyik a tényleges felismerést végzi. Sokan közülük egy harmadik fél motorját hívják meg a háttérben. A Bloom a Plant.id segítségével azonosít, amely ugyanaz a motor, mint amelyik az első helyen végzett Jones (2020) kutatásában, és ma a Google első találataként jelenik meg a növényhatározási keresésekre, független egyetemek által tesztelt 93%-os pontossággal. Ez a szám a felismerő motorra vonatkozik, nem a teljes alkalmazásra, és így kell értelmezni minden olyan appnál, amely ugyanezt a szolgáltatót használja.

Miért hibázik sokkal többet a kéregfotó, mint a levélfotó

A kéregfotó a lehető legrosszabb képkivágás egy MI-alapú növényhatározó számára. Schmidt és munkatársai (2022) kutatásában ugyanazt az 55 fajt kétszer fotózták le, egyszer a levelet és egyszer a kérget, ugyanazzal a készülékkel és ugyanazokkal az értékelőkkel. A visszaesés a következő:

Ez 32,04 százalékpontos visszaesést jelent a fajszintű azonosításban a PictureThis esetében, és 37,73 százalékpontot az iNaturalist-nél. A kutatás absztraktja így foglalja össze: "these apps are much more accurate in identifying leaf photos as compared to bark photos" (ezek az alkalmazások sokkal pontosabbak a levélfotók azonosításában, mint a kéregfotókéban).

Az ok botanikai, nem pedig számítástechnikai. A levél olyan tulajdonságokat hordoz, amelyek valóban elválasztják a fajokat: körvonal, a szél jellege (sima, fűrészes, karéjos), az erezet mintázata, a levélnyél kapcsolódási pontja. A kéreg viszont textúrát hordoz, a kéreg textúrája pedig változik a fa korával, a napi páratartalommal, a rajta megtelepedett zuzmókkal és gombákkal, valamint a törzs lefotózott oldalával is. Két különböző fajnak szinte teljesen megegyező kérge lehet 20 éves korában, míg ugyanaz a faj teljesen megváltoztatja a kérgét 5 és 50 éves kora között.

Ugyanaz a növény, virággal, teljesen megváltoztatja az eredményt

A virág a leginkább informatív részlet, amely az MI-alapú azonosításhoz létezik, és a különbség elég nagy ahhoz, hogy befolyásolja a döntést, mikor fotózzunk. Campbell, Peacock és Bacon (2023) kutatásában 38 lágyszárú fajt fotóztak le 560 alkalommal, fele részben levélfotóval, fele részben virágfotóval, ugyanazzal a telefonnal és képszerkesztés nélkül. Az egyes appokon belül:

Ez a hatás ismét megjelenik, független módon, a Hart et al. (2023), People and Nature 5(2) tanulmányban, amely rögzíti: "the low-performing applications (PlantSnap and Google Lens) performed significantly better when a flower was present" (a gyengébb teljesítményű alkalmazások lényegesen jobban teljesítettek, ha virág is jelen volt).

Az ok ugyanaz, mint a kéreg esetében. A virág az a struktúra, amelyet a botanika három évszázada használ a növények osztályozására, mert a szirmok száma, a szimmetria, a porzók helyzete és a csésze alakja stabilak a fajon belül, és eltérnek a fajok között. A levél kétértelműbb: az arumfélék családjának több tucat faja rendelkezik zöld, fényes és ovális levéllel.

A hegyikristály, a legénységvirág (zamioculca), a könnyezőpálma, a szobapáfrány és az anyósnyelv ritkán vagy soha nem virágzik egy lakásban. Aki szobanövényt fotóz, szinte mindig a legkisebb pontosságot nyújtó forgatókönyvvel találkozik.

Miért a lakásodban lévő növény a legnehezebb eset

A termesztett szobanövény a legrosszabb forgatókönyv az MI-alapú azonosításhoz, három egymásra rakódó ok miatt: soha nem mérték meg publikált kutatásban, általában olyan kultúrfajta, amelyet a rendszertan nem választ el a fajtól, és szinte soha nem látható virágban.

Egyetlen megjelent tanulmány sem mérte a termesztett szobanövényeket. Érdemes megnézni, mit használtak az egyes kutatások: Schmidt és munkatársai (2022) New Jersey-i utcai és erdei fákat teszteltek; Campbell, Peacock és Bacon (2023) ír mezei lágyszárúakat; Jones (2020) a brit flórát; Hart és munkatársai (2023) pedig az Egyesült Királyság vadon élő flóráját, kifejezetten kizárva a parkok és kertek egzotikus fajait. Amikor azt olvasod, hogy "az appok 85%-ban pontosak", ezt a 85%-ot a természetben mérték, nem a nappalidban.

A kultúrfajta nem azonos a fajjal, a modell pedig csak a fajt ismeri. A virágboltban vásárolt növény általában egy fantázianévvel ellátott kertészeti szelekció. A Monstera deliciosa 'Thai Constellation' és az 'Albo Borsigiana' rendszertanilag ugyanaz a faj: a különbség egy mintázati mutáció, amit a szemed a kettő megkülönböztetésére használ, és amit a modell megtanult figyelmen kívül hagyni, mint megvilágítási variációt. A legtöbbfajta számára nincs külön címke az adatbázisban, így az app eltalálja a fajt, de eltévesztheti a kezedben lévő növényt.

A szobanövény szinte mindig eltér a tanító mintától. A referenciafotók felnőtt, ép növényeket mutatnak a természetes élőhelyükön. A tiéd egy kis cserépben van, visszavágva, az ablak felé nyúlva, a normálisnál kisebb új levelekkel, esetleg száraz hegyekkel és virág nélkül. Ezen eltérések mindegyike távolítja a képet attól, amit a modell a tanítás során látott, és ezek a hatások összeadódnak.

Az app továbbra is hasznos a szobanövényekhez. Csak a közzétett számok jelentik a plafont, nem pedig a mindennapi használatod átlagát, és az eredmény ellenőrzése itt még fontosabb, mint a természetben.

Amikor a hiba sokba kerül: mérgező növény és háziállat

Az MI-alapú növényhatározás nem megbízható annak eldöntésére, hogy egy növény mérgező-e. Egy Clinical Toxicology 61(7) folyóiratban 2023-ban közzétett tesztben 11 potenciálisan mérgező fajból 5-öt ehetőként azonosított legalább az egyik értékelt applikáció. Campbell, Peacock és Bacon tanulmánya két mérgező növényt tartalmazott, és ugyanerre a következtetésre jut, egy olyan mondatban, amelyet érdemes teljes egészében idézni:

"They should not be trusted to identify toxic species." Nem szabad bízni bennük a mérgező fajok azonosításában.

Az egyszerű gyakorlati szabály: használd az appot első szűrőként, és erősítsd meg a fajt botanikai forrásból, mielőtt a növényt macska, kutya vagy gyermek számára elérhető helyen hagynád, és soha ne fogyassz el semmit fotó alapján történő azonosításra hagyatkozva. Brazília két leggyakoribb szobanövénye a háziállatok számára mérgező növények közé tartozik:

Hogyan fotózzunk, hogy az MI pontosabb legyen

A fotó kivágása jobban megváltoztatja az azonosítás eredményét, mint az alkalmazás kiválasztása. Hat szabály, amelyek mindegyike egy-egy szakértők által felülvizsgált tanulmányban mért számon alapul:

1. Ha van virág, fotózd le a virágot. Ez 6-29 százalékpontos különbséget jelent a PLOS ONE táblázatában, ugyanazon az appon belül.

2. Mindig válaszd a levelet a kéreg helyett. Ez akár 32 százalékpontot is jelenthet a fajszintű azonosításnál Schmidt és munkatársai kutatásában.

3. Egy szerv fotónként. A teljes levelet vagy a teljes virágot foglald keretbe úgy, hogy kitöltse a képet, ne pedig a teljes növényt távolról.

4. Tiszta háttér. A fehér papírra vagy a tenyeredre helyezett levél kiküszöböli azokat a részleteket, amelyeket a modell összetéveszthet a növény részeivel.

5. Menj elég közel ahhoz, hogy az erezet látszódjon. Az erezet mintázata adja a levél által nyújtott rendszertani információk felét.

6. Olvasd el az első 5 javaslatot, ne csak a legelsőt. Hart és munkatársai (2023) kutatásában az appok átlagos pontossága 69%-ról 85%-ra emelkedik az első öt javaslaton belül. A helyes faj általában ott van a listán, csak nem a legtetején.

Ha az app lehetőséget ad rá, küldj be több fotót ugyanarról a növényről, különböző részeket mutatva. A több képet elfogadó rendszerek kombinálják a jeleket, és közelebb kerülnek a valósághoz.

Létezik ingyenes MI-alapú növényhatározás?

Igen, három különböző formában.

Ingyenes, korlátlan, akadémiai háttérrel. A Pl@ntNet egy francia állami kutatási projekt, és semmit sem kér a használatért. Ez a legerősebb a vadon élő és őshonos növények terén, megmutatja a megbízhatósági szintet, és alternatív jelölteket kínál ahelyett, hogy csak egyet határozna meg. Nem nyújt gondozási funkciókat vagy emlékeztetőket.

Ingyenes és a telefonba épített. A Google Lens a Google alkalmazáson és a Chrome-on belül található meg, működik Androidon és iPhone-on is, és nincs közzétett korlátja az azonosítások számának. A két tanulmányban, amely mérte, 55% és 68% közötti pontosságot ért el az első javaslatnál, elmaradva a kifejezetten növényekre készült appoktól. A teljes útmutató itt található: hogyan azonosítsunk növényt a Google Lens segítségével.

Ingyenes mód korlátozott kerettel, gondozási appon belül. Itt a kínálat nagymértékben változik, és a legtöbb azonosító alkalmazásnak egyáltalán nincs ingyenes módja. A Bloom rendelkezik ilyennel: havi 2 azonosítást és öntözési naptárt biztosít, időkorlát nélkül. Az egyes szolgáltatások összehasonlításához a teljes lista itt olvasható: a legjobb növényhatározó alkalmazások.

Gyakran Ismételt Kérdések

Létezik ingyenes MI-eszköz a növények azonosítására?

Igen. A Pl@ntNet ingyenes és korlátlan, mivel egy állami kutatási projekt, a Google Lens pedig beépítve érkezik a Google alkalmazásba és a Chrome-ba. Léteznek korlátozott ingyenes móddal rendelkező gondozási appok is, de ezek vannak kisebbségben. Egyik sem kér pénzt az első azonosításért.

Melyik a legpontosabb növényhatározó app?

Attól függ, mit fotózol le, és az őszinte válasz az, hogy nem lehet egyet kiválasztani. Mindegyik tanulmány más flórát tesztelt: a PictureThis vezetett a New Jersey-i fák esetében, a Pl@ntNet az ír lágyszárúaknál, a Plant.id pedig a brit flóránál. A különböző kutatások számainak összehasonlítása nem megalapozott.

Az MI ugyanolyan jól azonosítja a szobanövényeket, mint a vadon élő növényeket?

Nincs olyan megjelent kutatás, amely ezt mérte volna. Az összes szakértői teszt utcai fákat vagy vadon élő flórát használt, és az egyik kifejezetten kizárta a kerti fajokat. A szobanövények általában virág nélküli, a tanítási mintától eltérő kultúrfajták, ami rontja a pontosságot.

Képes az app megmondani, hogy pontosan milyen változatú a növényem?

Ritkán. Az olyan kultúrfajták, mint a 'Thai Constellation' és a 'Pink Princess' ugyanabba a fajba tartoznak, mint az alapfaj, a különbség pedig egy olyan színmutáció, amelyet a modell megtanult fényváltozásként kezelni. A faj nevét várd, ne pedig a változatét.

Használhatom az MI-alapú azonosítást annak eldöntésére, hogy egy növény mérgező-e?

Első szűrőként igen. Végső ítéletként nem. Egy 2023-as Clinical Toxicology tesztben 11 mérgező fajból 5-öt ehetőnek jelölt meg legalább egy app. Ellenőrizd a fajt botanikai forrásból, mielőtt a növényt kisállat vagy gyermek közelében hagynád.

Összegzés

Ami eldönti az eredményt, az az, hogy mi kerül a fotóra. Ugyanazon az appon és növényen belül a kéreg levélre cserélése akár 32 százalékpontos pontosságot hozhat, a levél virágra cserélése pedig akár 29-et. A megfelelő képkivágás kiválasztása az egyetlen olyan beállítás, amely a te kezedben van, és többet hoz a konyhára, mint az appok váltogatása. Ha a növényed szobában él, vedd figyelembe azt a fenntartást is, hogy egyetlen megjelent kutatás sem mérte ezt az esetet, és kezeld a képernyőn megjelenő nevet a legjobb elérhető hipotézisként, nem pedig végső válaszként.

A következő gyakorlati lépés az, hogy fotózz újra a fenti hat pontot követve, és ellenőrizd, hogy a faj megismétlődik-e. Ha két jó fotó között megváltozik a név ugyanannál a növénynél, az annak a jele, hogy a modell bizonytalan, és egy második forrásra van szükséged.

Amikor a név mögött rejlő kérdés az, hogy "és most mit kezdjek vele", a név önmagában nem segít. Itt jön képbe egy olyan alkalmazás, amely az azonosítás után is elkísér, az adott faj öntözési és fényigényével. A Bloom pontosan ezt teszi, a Plant.id segítségével azonosít, és kizárólag iPhone-ra érhető el.

Ha az eseted már beteg növényt jelent, nem pedig ismeretlent, az út másfelé vezet: kezdd azzal, hogy kideríted, mi baja van a növényednek.