Plantegjenkjenning med AI: Hvordan fungerer det og hvor treffsikkert er det?

Planteidentifisering med AI handler om å gjenkjenne arten til en levende plante basert på et bilde. Programmet sammenligner de visuelle mønstrene i bildet (bladets form og nerver, blomstens fasong, barkens struktur) med millioner av bilder som allerede er identifisert av botanikere. Deretter gir det deg en liste over kandidater, sortert fra mest til minst sannsynlig. Ingenting i denne prosessen betyr at teknologien faktisk "forstår" planten.

I fagfellevurderte studier publisert mellom 2020 og 2025 traff appene riktig art på førstevalget på alt fra 17 % til 90 % av bildene. Mye av denne forskjellen skyldes ikke selve appen, men hva du har tatt bilde av. Det samme kameraet, den samme planten og den samme appen gir vidt forskjellige resultater om du fotograferer barken i stedet for bladet, eller om planten blomstrer.

Kort oppsummert:

• I en studie av 55 trearter utført av Schmidt og kolleger (2022) traff den mest nøyaktige appen på 83,86 % av bladbildene, men bare på 51,82 % av bildene av barken. Det er et fall på hele 32 prosentpoeng på nøyaktig samme plante med samme app.

• På 560 bilder av irske urteaktige planter (Campbell, Peacock og Bacon, 2023) leverte samtlige apper bedre resultater med blomster enn med blader. Forskjellen lå på mellom 6 og 29 prosentpoeng.

• Ingen studier som er publisert til nå, har målt treffsikkerheten på stueplanter i et hjemmemiljø. Testene som finnes er utført på gatetrær, vill flora og landbruksplanter.

• En kultivar er ikke det samme som en art. For en bildegjenkjenningsmodell er en Monstera 'Thai Constellation' og en 'Albo' nøyaktig samme plante.

• Resultater fra en app må aldri brukes som en sikkerhetsgaranti. I en studie publisert i Clinical Toxicology (2023) ble 5 av 11 giftige plantearter klassifisert som spiselige av minst én av appene som ble testet.

Hva AI-en faktisk gjør når du tar bilde av en plante

En AI-basert planteidentifikator kan ikke botanikk. Det er en datasynsmodell som er trent opp på en database med bilder som allerede er identifisert. Det den gjør er å måle likhet: Den gjør om bildet ditt til en liste med numeriske verdier (kanter, kurver, teksturer, proporsjoner) og søker i databasen etter artene som har bilder med lignende verdier. Resultatet er en rangert liste over kandidater med en beregnet sannsynlighet for hver av dem.

Dette har fire praktiske konsekvenser som forklarer nesten alle feilene du vil oppleve:

1. Det som ikke finnes i databasen, kan ikke gjenkjennes. Pl@ntNet, som er det største åpne prosjektet på feltet, publiserer sine egne tall: 84 710 arter og over 1,47 milliarder bilder, fordelt på 77 regionale floraer. Det er mye, og likevel er det bare en brøkdel av de rundt 400 000 artene av blomsterplanter som er beskrevet i verden.

2. Sannsynlighetsgraden måler likhet, ikke sannhet. En høy prosent betyr bare at "dette bildet ligner veldig på bildene av denne arten i databasen min". Hvis den riktige arten ikke finnes i databasen, vil modellen likevel gi deg den mest lignende naboen med høy selvsikkerhet.

3. Hvilken del av planten du tar bilde av, betyr mer enn selve appen. De ulike plantedelene bærer ulik mengde botanisk informasjon, og modellen kan bare vurdere det som faktisk vises på bildet.

4. Modellen er basert på et gjennomsnitt. Den er trent opp på bilder av voksne, friske planter i sitt naturlige miljø. Jo mer din plante avviker fra dette, jo oftere vil modellen ta feil.

Pl@ntNet sier selv det som ingen produktsider for kommersielle apper nevner: "Som alle AI-modeller er ikke Pl@ntNet feilfri".

Hvor ofte treffer AI-identifisering, ifølge vitenskapen?

I fire fagfellevurderte studier publisert mellom 2020 og 2025 traff appene riktig art på førstevalget på mellom 17 % og 90 % av bildene. Dette varierte stort etter hvilken app som ble brukt, hvilken flora som ble testet, og hvilken plantedel som ble fotografert. Treffsikkerheten på slektsnivå er alltid betydelig høyere enn på artsnivå.

Under finner du resultatene fra de ulike studiene. Disse studiene brukte forskjellige floraer, utvalg og kriterier, så tallene kan bare sammenlignes innad i hver enkelt studie, aldri på tvers av dem. En app som oppnådde 83 % i en studie av trær i New Jersey er ikke nødvendigvis "bedre" enn en som fikk 57 % i en studie av britisk flora.

To tydelige mønstre går igjen i alle de fire studiene. For det første har appene forbedret seg raskt. Forskjellen mellom resultatene fra 2020 og 2025 er altfor stor til å være tilfeldig. For det andre har bildeutsnittet enormt mye å si for resultatet i en og samme app. I studien til Schmidt førte det å bytte ut bladet med bark til et fall på 32 prosentpoeng for den mest nøyaktige appen. Det er mer enn dobbelt så mye som de 14 prosentpoengene som skilte første- og andreplassen i testen.

Appen du laster ned er for øvrig sjelden den som faktisk utfører selve bildeanalysen. Mange av dem bruker eksterne motorer i bakgrunnen. Bloom identifiserer planter ved hjelp av Plant.id, som er den samme motoren som kom best ut i studien til Jones (2020). Denne motoren er i dag det øverste resultatet på Google for søk etter planteidentifisering, med en dokumentert treffsikkerhet på 93 % i uavhengige universitetstester. Dette tallet gjelder altså selve gjenkjenningsmotoren, ikke appen som helhet, og slik bør det tolkes for alle apper som benytter samme leverandør.

Hvorfor bilder av bark gir langt flere feil enn bilder av blader

Bilder av bark er det vanskeligste utgangspunktet du kan gi en AI-identifikator. I studien til Schmidt og kolleger (2022) ble de samme 55 treartene avfotografert på to måter: ett bilde av bladet og ett av barken, tatt med samme telefon av de samme personene. Resultatene falt dramatisk:

Dette utgjør et fall på 32,04 prosentpoeng på artsnivå for PictureThis og 37,73 prosentpoeng for iNaturalist. Studiets sammendrag konkluderer enkelt: "these apps are much more accurate in identifying leaf photos as compared to bark photos" (disse appene er langt mer nøyaktige til å identifisere bladbilder sammenlignet med bilder av bark).

Årsaken er botanisk, ikke teknologisk. Bladet har egenskaper som er unike for de ulike artene: form, bladkant (slett, sagtannet, flikete), nervemønster og måten stilken fester seg på. Barken består i hovedsak av tekstur. Denne teksturen endrer seg med treets alder, fuktigheten i luften, lav og mose som vokser på stammen, og hvilken himmelretning du fotograferer fra. To vidt forskjellige arter kan ha nesten identisk bark når de er 20 år gamle, mens ett og samme tre endrer barken fullstendig mellom 5 og 50 års alder.

Det samme gjelder for blomster: De endrer alt

Blomster gir den mest informative informasjonen en AI-modell kan få, og forskjellen er stor nok til at du bør vurdere når på året du tar bildene dine. I studien til Campbell, Peacock og Bacon (2023) ble 38 urteaktige arter avfotografert 560 ganger. Halvparten av bildene var av blader og halvparten av blomster, tatt med samme mobil og uten redigering. Resultatene for de ulike appene fordeler seg slik:

Effekten dukker opp igjen, uavhengig, 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" (appene med dårligst ytelse presterte betydelig bedre når en blomst var til stede).

Logikken er den samme som for barken. Blomster er den strukturen botanikere har brukt i tre århundrer for å klassifisere planter, fordi antall kronblader, symmetri, støvbærernes plassering og begerbladene er stabile kjennetegn innad i en art, og varierer mye mellom ulike arter. Blader er langt mer tvetydige. Det finnes for eksempel utallige arter i myrkonglefamilien som har nesten identiske, blanke og ovale grønne blader.

Gullranke, zamioculcas, vindusblad, bregner og svigermors tunge blomstrer sjelden eller aldri innendørs i en vanlig stue. Det betyr at de som tar bilder av stueplanter, nesten alltid befinner seg i det scenarioet der appene treffer dårligst.

Hvorfor stueplantene dine er den vanskeligste oppgaven

Stueplanter i et hjemmemiljø er den vanskeligste oppgaven for en plante-AI. Det skyldes tre faktorer som forsterker hverandre: De er aldri blitt testet i publiserte studier, de er ofte kultivarer som taksonomien ikke skiller fra hverandre, og de blomstrer nesten aldri.

Ingen publiserte studier har målt treffsikkerheten på stueplanter. Det er verdt å merke seg hva studiene faktisk testet: Schmidt og kolleger (2022) testet park- og skogstrær i New Jersey, Campbell, Peacock og Bacon (2023) testet irske markplanter, Jones (2020) testet britisk flora, og Hart et al. (2023) testet vill flora i Storbritannia og ekskluderte bevisst eksotiske arter i parker og hager. Når du leser at "appene treffer på 85 %", så er dette målt på planter ute i naturen, ikke på plantene i stua di.

En kultivar er ikke en art, og modellen kjenner bare arter. Planten du kjøpte på hagesenteret er ofte en fremdyrket variant med et eget handelsnavn. En Monstera deliciosa 'Thai Constellation' og en 'Albo Borsigiana' er taksonomisk sett nøyaktig samme art. Det som skiller dem er fargevariasjoner (variegation), som er akkurat det øyet ditt bruker for å se forskjell, men som AI-modellen er trent til å ignorere som ulikheter i lysforhold. Det finnes sjelden egne merkelapper for disse kultivarene i databasene, så appen vil identifisere riktig art, men bomme på den spesifikke varianten du har i potten.

Stueplanter avviker ofte fra bildene modellen er trent på. Referansebildene viser voksne, friske planter i sitt naturlige habitat. Planten din står kanskje i en liten potte, er beskåret, strekker seg mot vinduet, har uvanlig små blader, tørre tupper og ingen blomster. Hvert av disse avvikene gjør at bildet skiller seg fra det modellen har sett under opplæringen.

Appene er fortsatt nyttige til stueplanter. Du må bare huske på at tallene fra studiene viser det absolutte toppnivået, ikke hva du kan forvente i hverdagen. Det er derfor ekstra viktig å dobbeltsjekke resultatene her.

Når feil kan bli dyrt: Giftige planter og kjæledyr

Planteidentifisering med AI er ikke pålitelig for å avgjøre om en plante er giftig. I en test publisert i Clinical Toxicology 61(7) i 2023, ble 5 av 11 potensielt giftige arter identifisert som spiselige av minst én av de evaluerte appene. Studien til Campbell, Peacock og Bacon inkluderte to giftige planter og kommer til samme konklusjon, i en setning som er verdt å sitere i sin helhet:

"They should not be trusted to identify toxic species." (De bør ikke brukes til å identifisere giftige arter).

Den enkle tommelfingerregelen er: bruk appen som et første filter og bekreft arten i en botanisk kilde før du lar planten være innenfor rekkevidde for katt, hund eller barn, og spis aldri noe basert på en bildeidentifisering. To av de vanligste potteplantene i Brasil er blant de som er giftige for kjæledyr:

Slik tar du bilder som hjelper AI-en med å treffe riktig

Hvordan du tar bildet har mer å si for resultatet enn hvilken app du velger. Her er seks råd basert på funn fra de vitenskapelige studiene:

1. Hvis planten blomstrer, ta bilde av blomsten. Dette utgjør en forskjell på mellom 6 og 29 prosentpoeng i tabellen fra PLOS ONE, i en og samme app.

2. Velg blader fremfor bark, hver eneste gang. Det utgjorde opptil 32 prosentpoengs forskjell på artsnivå i studien til Schmidt og kolleger.

3. Fokuser på én plantedel per bilde. Fyll bildefeltet med et enkelt, helt blad eller en hel blomst, i stedet for å ta bilde av hele planten på avstand.

4. Sørg for en ryddig bakgrunn. Et blad lagt mot et hvitt papirark eller i håndflaten fjerner forstyrrende elementer som modellen kan forveksle med planten.

5. Gå tett nok på til at nervemønsteret blir synlig. Bladnervene utgjør en stor del av den botaniske informasjonen bladet gir.

6. Sjekk de fem første forslagene, ikke bare det øverste. I studien til Hart et al. (2023) økte appenes gjennomsnittlige treffsikkerhet fra 69 % på førstevalget til 85 % om man tok med de fem øverste forslagene. Den riktige arten ligger ofte i denne listen, selv om den ikke ligger helt på topp.

Hvis appen lar deg sende inn flere bilder av samme plante, bør du laste opp bilder av forskjellige deler. Systemer som godtar flere bilder kombinerer informasjonen og gir langt sikrere resultater.

Finnes det gratis planteidentifisering med AI?

Ja, i hovedsak i tre ulike varianter.

Gratis uten grenser, av akademisk opprinnelse. Pl@ntNet er et fransk offentlig forskningsprosjekt og koster ingenting. Det er sterkest på ville og hjemmehørende planter, viser graden av pålitelighet og tilbyr alternative kandidater i stedet for å fastslå kun én. Det tilbyr ikke plantepleie eller påminnelser.

Gratis og innebygd i telefonen. Google Lens finnes i Google-appen og Chrome, og fungerer på både Android og iPhone uten noen begrensninger på antall søk. I de to studiene som testet verktøyet, traff det riktig art på førstevalget i 55 % til 68 % av tilfellene, noe som plasserer det bak de spesialiserte planteappene. Du kan lese mer om fremgangsmåten i hvordan identifisere planter med Google Lens.

Gratisversjoner med begrensninger i pleieapper. Her varierer tilbudet mye, og de fleste planteapper har ingen gratisversjon i det hele tatt. Bloom tilbyr dette: Du får 2 gratis identifiseringer i måneden og en vanningsplan som ikke utløper. For å sammenligne hva de ulike appene tilbyr, kan du lese hele oversikten vår over de beste appene for å identifisere planter.

Ofte stilte spørsmål

Finnes det et gratis AI-verktøy for å identifisere planter?

Ja. Pl@ntNet er helt gratis og har ingen begrensninger siden det er et offentlig forskningsprosjekt. Google Lens er også gratis og innebygd i Google-appen og Chrome. Enkelte pleieapper har gratisversjoner med begrensninger, men disse er i mindretall. Ingen av dem tar betalt for den aller første identifiseringen.

Hvilken planteapp er den mest nøyaktige?

Det kommer helt an på hva du tar bilde av, og det ærlige svaret er at det ikke finnes én enkelt vinner. Studiene testet ulike typer flora: PictureThis var best på trær i New Jersey, Pl@ntNet på irske urteplanter, og Plant.id på britisk flora. Det blir derfor feil å sammenligne tall på tvers av studiene.

Identifiserer AI stueplanter like godt som ville planter?

Det finnes ingen publiserte studier som har målt dette direkte. Alle de fagfellevurderte testene tok for seg gatetrær eller vill flora, og en av dem valgte bevisst bort hageplanter. Stueplanter er ofte kultivarer uten blomster og avviker fra bildene modellene er trent på, noe som gjør at treffsikkerheten gjerne blir lavere.

Kan appen fortelle meg nøyaktig hvilken sort eller kultivar planten min er?

Sjelden. Kultivarer som 'Thai Constellation' og 'Pink Princess' tilhører samme art som de vanlige variantene. Forskjellen ligger i fargemønstre som modellen er trent til å tolke som skygger eller lysforhold. Du kan forvente å få oppgitt riktig art, men sjelden nøyaktig kultivarnavn.

Kan jeg bruke AI-identifisering til å sjekke om en plante er giftig?

Som en første pekepinn, ja. Som en endelig avgjørelse, nei. I en test fra 2023 i Clinical Toxicology ble 5 av 11 giftige arter identifisert som spiselige av minst én app. Sjekk alltid med pålitelige botaniske kilder før du lar kjæledyr eller barn komme i nærheten av planten.

Konklusjon

Det som avgjør resultatet, er i stor grad hva som faktisk vises på bildet. Innenfor samme app og på samme plante kan det å bytte ut bark med et blad øke treffsikkerheten med opptil 32 prosentpoeng, og å gå fra blad til blomst kan utgjøre opptil 29 prosentpoeng. Å sørge for et godt bildeutsnitt er det eneste du selv kan kontrollere, og det har mer å si for resultatet enn å bytte app. Hvis det er en stueplante du fotograferer, bør du i tillegg huske at dette scenarioet ikke er testet i studiene. Se på navnet som dukker opp på skjermen som et godt forslag, ikke som et endelig svar.

Neste naturlige skritt er å ta et nytt bilde der du følger de seks rådene over, og se om du får opp samme art en gang til. Hvis resultatet endrer seg mellom to gode bilder av samme plante, betyr det at modellen er usikker og at du bør søke opp mer informasjon.

Når spørsmålet etter identifiseringen er "hva gjør jeg nå?", er ikke navnet alene nok. Det er her du har nytte av en app som hjelper deg videre med stell, vanning og lysforhold tilpasset akkurat den arten. Bloom gjør dette, bruker Plant.id til identifisering, og er tilgjengelig for iPhone.

Hvis problemet er at planten din ser syk ut, og du ikke bare lurer på hva den heter, bør du heller starte med å finne ut hva som feiler planten din.