Rozpoznawanie roślin przez AI: jak to działa i ile w tym prawdy

Identyfikacja roślin przez AI to rozpoznawanie gatunku żywej rośliny na podstawie zdjęcia. Program porównuje wzorce wizualne na fotografii (kształt i unerwienie liścia, wygląd kwiatu, fakturę kory) z milionami zdjęć zweryfikowanych wcześniej przez botaników. Na tej podstawie tworzy listę prawdopodobnych gatunków, od najbardziej dopasowanego do najmniej. Cały ten proces nie ma jednak nic wspólnego ze zrozumieniem, czym jest roślina.

W recenzowanych badaniach naukowych opublikowanych w latach 2020–2025 aplikacje trafiały z właściwym gatunkiem przy pierwszej propozycji w granicach od 17% do 90% przypadków. Ta ogromna rozpiętość nie wynika jednak z samej jakości aplikacji, ale z tego, co właściwie fotografujesz. Ta sama kamera, ta sama roślina i ta sama aplikacja dadzą zupełnie inny wynik, gdy zrobisz zdjęcie kory zamiast liścia lub gdy roślina akurat kwitnie.

Szybkie podsumowanie:

• W badaniu Schmidta i współpracowników (2022) obejmującym 55 gatunków drzew najbardziej precyzyjna aplikacja wskazała właściwy gatunek w 83,86% przypadków na podstawie zdjęcia liścia i tylko w 51,82% na podstawie zdjęcia kory. To spadek o 32 punkty procentowe przy tej samej roślinie i tej samej aplikacji.

• Na 560 zdjęciach irlandzkich roślin zielnych (Campbell, Peacock i Bacon, 2023) wszystkie testowane aplikacje radziły sobie lepiej z kwiatami niż z liśćmi, a różnice wynosiły od 6 do 29 punktów procentowych.

• Żadne opublikowane do dziś badanie nie mierzyło dokładności rozpoznawania domowych roślin doniczkowych. Dotychczasowe testy opierały się na drzewach miejskich, dzikiej florze i roślinach polnych.

• Kultywar to nie gatunek. Dla modelu sztucznej inteligencji Monstera 'Thai Constellation' i 'Albo' to dokładnie ta sama roślina.

• Wynik z aplikacji nie jest gwarancją bezpieczeństwa. W teście opublikowanym w Clinical Toxicology (2023) 5 z 11 toksycznych gatunków zostało oznaczonych jako jadalne przez co najmniej jedną z badanych aplikacji.

Co naprawdę robi AI, gdy robisz zdjęcie roślinie

Aplikacja do identyfikacji roślin nie ma pojęcia o botanice. To model wizji komputerowej przeszkolony na bazie zweryfikowanych zdjęć, który mierzy wyłącznie podobieństwo graficzne. Zamienia Twoje zdjęcie na listę parametrów liczbowych (krawędzie, krzywizny, tekstury, proporcje) i szuka w swojej bazie gatunków, których zdjęcia generują podobne wartości. Wynikiem jest ranking dopasowań z określonym poziomem pewności przy każdej pozycji.

Ma to cztery praktyczne konsekwencje, które tłumaczą niemal każdy błąd systemu:

1. Czego nie ma w bazie danych, tego nie można rozpoznać. Pl@ntNet, który jest największym otwartym projektem w tej dziedzinie, publikuje własne liczby: 84 710 gatunków i ponad 1,47 miliarda zdjęć, rozmieszczonych w 77 florach regionalnych. To dużo, a mimo to stanowi to zaledwie ułamek z około 400 tysięcy gatunków roślin kwitnących opisanych na świecie.

2. Poziom pewności określa podobieństwo, a nie prawdę. Wysoki wynik procentowy oznacza jedynie: "to zdjęcie jest bardzo podobne do zdjęć tego gatunku w mojej bazie". Jeśli właściwego gatunku nie ma w systemie, model z pełnym przekonaniem wskaże najbardziej podobnego sąsiada.

3. Część rośliny ma większe znaczenie niż sama aplikacja. Poszczególne organy rośliny niosą różną ilość informacji taksonomicznych, a model dysponuje wyłącznie tym, co widać na zdjęciu.

4. Model to statystyczna średnia. Został przeszkolony na zdjęciach roślin dorosłych, zdrowych i w ich naturalnym środowisku. Im bardziej Twój przypadek odbiega od tego wzorca, tym łatwiej o pomyłkę.

Sami twórcy projektu Pl@ntNet piszą wprost to, czego nie przeczytasz na stronach komercyjnych produktów: "jak każdy model AI, Pl@ntNet nie jest nieomylny".

Ile naprawdę trafia identyfikacja przez AI według badań naukowych

W czterech recenzowanych badaniach opublikowanych w latach 2020–2025 aplikacje do identyfikacji roślin trafiały z właściwym gatunkiem przy pierwszej propozycji w granicach od 17% do 90% przypadków. Wynik zależy od aplikacji, testowanej flory oraz fotografowanej części rośliny. Dokładność na poziomie rodzaju jest zawsze znacznie wyższa niż na poziomie konkretnego gatunku.

Poniżej znajdziesz szczegółowe dane. Badania te korzystały z różnych baz roślin, próbek i kryteriów oceniania, dlatego liczby można porównywać wyłącznie w obrębie jednego wiersza tabeli. Aplikacja, która osiągnęła 83% w badaniu drzew w New Jersey, nie jest automatycznie "lepsza" od tej, która zdobyła 57% przy dzikiej florze w Wielkiej Brytanii.

Z tych czterech prac wyłaniają się dwa wyraźne wnioski. Po pierwsze, aplikacje rozwijają się bardzo szybko, różnica między wynikami z 2020 a 2025 roku jest zbyt duża, by uznać ją za przypadek. Po drugie, sposób kadrowania wpływa na wynik danej aplikacji w równym stopniu, co różnice technologiczne między konkurentami. W badaniu Schmidta zmiana kadru z liścia na korę kosztowała najlepszą aplikację utratę 32 punktów procentowych skuteczności. To ponad dwukrotnie więcej niż dystans dzielący ją od drugiego miejsca w rankingu.

Aplikacja, którą instalujesz na telefonie, rzadko kiedy sama zajmuje się analizą obrazu. Wiele z nich korzysta w tle z silników zewnętrznych dostawców. Bloom identyfikuje rośliny za pomocą silnika Plant.id, czyli tego samego systemu, który wygrał w badaniu Jonesa (2020). Dziś jest on najpopularniejszym rozwiązaniem w wyszukiwarce Google w dziedzinie identyfikacji roślin, a niezależne testy uniwersyteckie potwierdzają jego skuteczność na poziomie 93%. Warto pamiętać, że ta statystyka dotyczy samego silnika rozpoznawania, a nie całego interfejsu aplikacji, która z niego korzysta.

Dlaczego zdjęcie kory daje gorsze wyniki niż zdjęcie liścia

Zdjęcie samej kory to najtrudniejszy możliwy sprawdzian dla algorytmów AI. W badaniu Schmidta i współpracowników (2022) te same 55 gatunków drzew sfotografowano dwukrotnie, raz skupiając się na liściach, a raz na korze, przy użyciu tego samego sprzętu i przez tych samych badaczy. Spadek skuteczności wygląda następująco:

Mówimy o spadku trafności o 32,04 punktu procentowego w przypadku PictureThis i aż o 37,73 punktu w iNaturalist przy określaniu konkretnego gatunku. Streszczenie badania podsumowuje to krótko: "these apps are much more accurate in identifying leaf photos as compared to bark photos" (aplikacje te są znacznie dokładniejsze przy identyfikacji zdjęć liści w porównaniu do zdjęć kory).

Powód leży w botanice, nie w technologii. Liść posiada unikalne cechy, które jednoznacznie określają gatunek: kształt, rodzaj krawędzi (gładka, ząbkowana, klapowana), układ unerwienia czy miejsce osadzenia ogonka. Kora to przede wszystkim faktura. Ta z kolei zmienia się wraz z wiekiem drzewa, wilgotnością powietrza, a także zależy od porastających ją porostów i mchów czy strony pnia, z której robisz zdjęcie. Dwa różne gatunki mogą mieć niemal identyczną korę w wieku 20 lat, a to samo drzewo będzie wyglądać zupełnie inaczej mając lat 5 i 50.

Kwitnąca roślina całkowicie zmienia postać rzeczy

Kwiaty dostarczają algorytmom AI najwięcej kluczowych informacji, a różnica w trafności jest na tyle duża, że warto poczekać na kwitnienie przed zrobieniem zdjęcia. W badaniu autorstwa Campbell, Peacock i Bacon (2023) sfotografowano 38 gatunków roślin zielnych 560 razy, wykonując połowę ujęć liściom, a drugą połowę kwiatom, korzystając z tego samego telefonu i bez retuszu zdjęć. Wyniki poszczególnych aplikacji:

Ten sam efekt pojawia się ponownie, niezależnie, w badaniu Hart et al. (2023), People and Nature 5(2), które odnotowuje: "the low-performing applications (PlantSnap and Google Lens) performed significantly better when a flower was present" (aplikacje o najniższej wydajności radziły sobie znacznie lepiej, gdy obecny był kwiat).

Wyjaśnienie jest analogiczne jak w przypadku kory. Budowa kwiatu to struktura, na której botanika opiera się od trzech stuleci przy klasyfikacji roślin. Liczba płatków, symetria, ułożenie pręcików czy kształt kielicha są stabilne w obrębie gatunku i wyraźnie inne u różnych roślin. Liść bywa zwodniczy, dziesiątki gatunków z rodziny obrazkowatych mają gładkie, zielone i owalne liście.

Epipremnum złociste, zamiokulkas, monstera dziurawa, paprocie czy sansewieria niezwykle rzadko kwitną w warunkach mieszkaniowych. Fotografując rośliny domowe, najczęściej działasz w warunkach, które dają najniższą skuteczność algorytmom.

Dlaczego roślina w Twoim mieszkaniu to najtrudniejszy przypadek

Domowe rośliny doniczkowe stanowią najtrudniejsze wyzwanie dla systemów identyfikacji z trzech nakładających się na siebie powodów: nie były dotąd badane w publikacjach naukowych, najczęściej są kultywarami, których taksonomia nie wyodrębnia, oraz niezwykle rzadko kwitną w pokoju.

Żadne opublikowane badanie nie sprawdzało roślin domowych. Warto przyjrzeć się, z jakich próbek korzystali naukowcy: Schmidt i koledzy (2022) badali drzewa miejskie i leśne w New Jersey, Campbell, Peacock i Bacon (2023) skupili się na irlandzkich roślinach łąkowych, Jones (2020) sprawdzał florę brytyjską, a Hart ze swoim zespołem (2023) dziką florę w Wielkiej Brytanii, celowo wykluczając egzotyczne odmiany ogrodowe i parkowe. Jeśli czytasz, że aplikacje osiągają 85% skuteczności, pamiętaj, że wynik ten zmierzono na dzikiej przyrodzie, a nie na roślinie w salonie.

Kultywar to nie gatunek, a model rozpoznaje tylko gatunki. Rośliny kupowane w kwiaciarniach to często odmiany wyhodowane sztucznie o fantazyjnych nazwach. Monstera deliciosa 'Thai Constellation' i 'Albo Borsigiana' to z botanicznego punktu widzenia ten sam gatunek. Różnią się wariegacją, czyli przebarwieniem liści. To właśnie tę cechę ludzkie oko wykorzystuje do rozróżnienia odmian, podczas gdy model AI uczy się ignorować takie plamy jako zwykłe zmiany w oświetleniu. W bazach danych rzadko istnieją osobne etykiety dla konkretnych odmian hodowlanych, więc aplikacja wskaże prawidłowy gatunek, ale pomyli odmianę, którą masz przed sobą.

Rośliny domowe rzadko pasują do wzorca. Zdjęcia referencyjne w bazach pokazują okazy dorosłe, zdrowe i rosnące w swoim naturalnym środowisku. Twoja roślina rośnie w małej doniczce, bywa przycięta, wyciąga się do światła w stronę okna, ma mniejsze liście, suche końcówki i nie ma kwiatów. Każde takie odstępstwo oddala obraz od wzorca, na którym uczył się model.

Aplikacje wciąż są przydatne przy roślinach domowych. Warto jednak pamiętać, że publikowane statystyki to maksymalny możliwy pułap, a nie średnia z codziennego użytkowania, dlatego weryfikacja wyniku w domu jest jeszcze ważniejsza niż w terenie.

Gdy błąd może kosztować życie: rośliny toksyczne a zwierzęta domowe

Identyfikacja roślin przez AI nie jest wiarygodna przy rozstrzyganiu, czy roślina jest toksyczna. W teście opublikowanym w Clinical Toxicology 61(7) w 2023 roku, 5 z 11 potencjalnie toksycznych gatunków zostało zidentyfikowanych jako jadalne przez co najmniej jedną z ocenianych aplikacji. Badanie Campbella, Peacocka i Bacona objęło dwie toksyczne rośliny i prowadzi do tego samego wniosku, w zdaniu, które warto zacytować w całości:

"They should not be trusted to identify toxic species." Nie należy im ufać w kwestii identyfikacji gatunków toksycznych.

Prosta zasada brzmi: używaj aplikacji jako pierwszego filtra i potwierdź gatunek w źródle botanicznym, zanim pozostawisz roślinę w zasięgu kota, psa lub dziecka, i nigdy niczego nie spożywaj na podstawie identyfikacji ze zdjęcia. Dwie z najpopularniejszych roślin domowych w Brazylii należą do tych toksycznych dla zwierząt domowych:

Jak robić zdjęcia, by AI rzadziej się myliło

Sposób wykadrowania zdjęcia ma większy wpływ na ostateczny wynik niż wybór samej aplikacji. Oto sześć zasad popartych danymi z recenzowanych badań naukowych:

1. Jeśli roślina kwitnie, zrób zdjęcie kwiatu. To daje od 6 do 29 punktów procentowych przewagi w tej samej aplikacji według danych z PLOS ONE.

2. Zawsze wybieraj liść zamiast kory. Różnica w dokładności oznaczania gatunku wynosi nawet 32 punkty procentowe w badaniu Schmidta.

3. Jeden organ na jednym zdjęciu. Kadruj tak, by pojedynczy liść lub kwiat wypełniał cały kadr, zamiast robić zdjęcie całej roślinie z dystansu.

4. Czyste tło. Umieszczenie liścia na białej kartce lub na dłoni eliminuje elementy tła, które model mógłby błędnie uznać za część rośliny.

5. Podejdź blisko, by pokazać unerwienie. Układ nerwów na liściu niesie ze sobą połowę informacji taksonomicznych.

6. Sprawdź pierwszych 5 sugestii, nie tylko pierwszą. W badaniu Hart et al. (2023) średnia dokładność aplikacji rosła z 69% przy pierwszej propozycji do 85% przy uwzględnieniu pierwszych pięciu wskazań. Właściwy gatunek zazwyczaj znajduje się na liście, tylko nie zawsze na samym szczycie.

Jeśli aplikacja na to pozwala, wyślij kilka zdjęć tej samej rośliny przedstawiających jej różne części. Algorytmy łączą wtedy dane z kilku ujęć i dają znacznie dokładniejszy wynik.

Czy istnieją darmowe aplikacje do identyfikacji roślin przez AI?

Tak, dostępne są trzy różne rozwiązania.

Darmowe bez limitu, o akademickim rodowodzie. Pl@ntNet to francuski publiczny projekt badawczy i nie pobiera żadnych opłat. Jest najmocniejszy w przypadku roślin dzikich i rodzimych, pokazuje stopień pewności i oferuje alternatywne propozycje zamiast wskazywania tylko jednej. Nie oferuje pielęgnacji ani przypomnień.

Darmowe narzędzie wbudowane w telefon. Google Lens jest częścią aplikacji Google oraz przeglądarki Chrome, działa na systemach Android oraz iOS i nie ma limitów wyszukiwania. W dwóch badaniach naukowych jego skuteczność przy pierwszej propozycji wynosiła od 55% do 68%, co plasuje go nieco za aplikacjami stworzonymi wyłącznie do roślin. Dokładną instrukcję znajdziesz w artykule jak zidentyfikować roślinę za pomocą Google Lens.

Darmowy limit w aplikacjach do pielęgnacji. Tutaj oferty są bardzo zróżnicowane, a część programów w ogóle nie oferuje darmowego dostępu. Bloom oferuje bezpłatnie 2 identyfikacje w miesiącu oraz harmonogram podlewania bez ograniczeń czasowych. Zestawienie funkcji poszczególnych programów znajdziesz w artykule najlepsze aplikacje do identyfikacji roślin.

Najczęściej zadawane pytania

Czy istnieje darmowe narzędzie AI do identyfikacji roślin?

Tak. Pl@ntNet jest całkowicie darmowy i nie ma limitów, ponieważ powstał jako publiczny projekt naukowy. Google Lens jest wbudowany bezpośrednio w aplikację Google oraz przeglądarkę Chrome. Istnieją też aplikacje do pielęgnacji oferujące darmowe pakiety startowe, ale są one w mniejszości. Żadna z nich nie pobiera opłat za pierwsze wyszukiwania.

Jaka jest najdokładniejsza aplikacja do rozpoznawania roślin?

Wszystko zależy od tego, co fotografujesz, dlatego nie da się wskazać jednego lidera. Każde badanie naukowe korzystało z innej bazy roślin: PictureThis wygrał przy drzewach w New Jersey, Pl@ntNet przy irlandzkich roślinach zielnych, a Plant.id przy florze brytyjskiej. Porównywanie wyników między różnymi badaniami nie ma wartości naukowej.

Czy AI rozpoznaje rośliny domowe tak samo dobrze jak dzikie?

Nie ma opublikowanych badań, które by to bezpośrednio mierzyły. Wszystkie recenzowane testy opierały się na drzewach miejskich lub dzikiej florze, a w jednym z nich celowo pominięto rośliny ogrodowe. Rośliny domowe to najczęściej kultywary bez kwiatów, odbiegające od wzorców z baz treningowych, co zazwyczaj obniża skuteczność rozpoznawania.

Czy aplikacja rozpozna konkretną odmianę mojej rośliny?

Bardzo rzadko. Odmiany takie jak 'Thai Constellation' czy 'Pink Princess' to z punktu widzenia botaniki ten sam gatunek co ich klasyczne formy. Różnią się jedynie mutacją barwną, którą algorytmy AI zazwyczaj ignorują, traktując ją jako grę światła. Aplikacja poda prawidłową nazwę gatunku, ale raczej nie wskaże konkretnej odmiany.

Czy mogę użyć aplikacji AI do sprawdzenia, czy roślina jest trująca?

Możesz potraktować to jako pierwszy krok, ale nigdy jako ostateczną decyzję. W badaniu opublikowanym w 2023 roku w Clinical Toxicology 5 z 11 toksycznych gatunków zostało uznanych za jadalne przez co najmniej jedną aplikację. Zawsze zweryfikuj nazwę w źródłach botanicznych, zanim postawisz roślinę w zasięgu zwierząt lub dzieci.

Podsumowanie

O ostatecznym wyniku decyduje przede wszystkim to, co znajdzie się w kadrze. W przypadku tej samej rośliny i tej samej aplikacji zastąpienie zdjęcia kory zdjęciem liścia podnosi trafność nawet o 32 punkty procentowe, a dodanie kwiatu do kadru poprawia wynik o 29 punktów. Odpowiednie wykadrowanie to jedyny element, na który masz realny wpływ, a daje on lepsze efekty niż zmiana samej aplikacji. Jeśli fotografujesz roślinę w mieszkaniu, pamiętaj, że ten przypadek nie został jeszcze zbadany naukowo, dlatego traktuj nazwę na ekranie jako prawdopodobną hipotezę, a nie ostateczną prawdę.

Kolejnym krokiem powinno być ponowne zrobienie zdjęcia z uwzględnieniem powyższych wskazówek i sprawdzenie, czy wynik się powtórzy. Jeśli przy dwóch dobrych ujęciach tej samej rośliny aplikacja podaje różne nazwy, to znak, że model nie jest pewny i potrzebujesz drugiego źródła informacji.

Kiedy za pytaniem o nazwę kryje się kolejne: "i co mam teraz z nią zrobić?", sama nazwa nie wystarczy. Wtedy przydaje się aplikacja, która po identyfikacji pomoże Ci zadbać o podlewanie i odpowiednie stanowisko dla danego gatunku. Bloom posiada te funkcje, korzysta z silnika Plant.id i jest dostępny na iPhone'ach.

Jeśli Twoim problemem nie jest nieznana roślina, ale jej zły stan zdrowia, Twoja ścieżka wygląda inaczej: zacznij od artykułu jak rozpoznać chorobę rośliny.