Identifikacija rastlin z umetno inteligenco: kako deluje in koliko je natančna

Identifikacija rastlin z umetno inteligenco pomeni prepoznavanje žive rastlinske vrste s fotografije. Program primerja vizualne vzorce na sliki (robove in žile listov, obliko cveta, teksturo lubja) z milijoni fotografij, ki so jih že določili botaniki, in ponudi seznam možnih vrst, od najbolj do najmanj verjetne. Pri tem procesu ne gre za dejansko razumevanje rastline.

V strokovno pregledanih študijah, objavljenih med letoma 2020 in 2025, so aplikacije pravilno določile vrsto pri prvem predlogu v 17 % do 90 % primerov. Velik del tega razpona ni odvisen od same aplikacije, temveč od tega, kaj ste fotografirali. Isti fotoaparat, ista rastlina in ista aplikacija dajejo povsem različne rezultate, če fotografirate lubje namesto lista ali če rastlina ravno cveti.

Kratek povzetek:

• V študiji Schmidta in sodelavcev (2022), ki je zajemala 55 drevesnih vrst, je najbolj natančna aplikacija pravilno določila vrsto v 83,86 % primerov pri fotografijah listov in le v 51,82 % pri fotografijah lubja. To pomeni 32 odstotnih točk razlike pri isti rastlini in isti aplikaciji.

• Pri 560 fotografijah irskih zelnatih rastlin (Campbell, Peacock in Bacon, 2023) so se vse testirane aplikacije izkazale za veliko uspešnejše pri cvetovih kot pri listih, z razliko od 6 do 29 odstotnih točk.

• Nobena doslej objavljena študija ni merila natančnosti pri gojenih sobnih rastlinah. Obstoječi testi so bili opravljeni na uličnih drevesih, divji flori in poljskih rastlinah.

• Kultivar ni isto kot vrsta: za model sta Monstera 'Thai Constellation' in 'Albo' popolnoma enaka rastlina.

• Rezultat v aplikaciji ne more služiti kot končno zagotovilo za varnost. V testu, objavljenem v reviji Clinical Toxicology (2023), je vsaj ena od aplikacij označila 5 od 11 strupenih vrst kot užitne.

Kaj umetna inteligenca dejansko naredi, ko fotografirate rastlino

Identifikator rastlin z umetno inteligenco ne pozna botanike. Gre za model računalniškega vida, ki je bil usposobljen na bazi že identificiranih fotografij. Njegovo delo je merjenje podobnosti: vašo fotografijo pretvori v seznam številčnih signalov (robovi, krivulje, teksture, razmerja) in v bazi poišče vrste, katerih fotografije ustvarjajo podobne signale. Rezultat je lestvica možnih kandidatov s stopnjo zanesljivosti za vsakega izmed njih.

To prinaša štiri praktične posledice, ki pojasnjujejo skoraj vsako napako, na katero boste naleteli:

1. Česar ni v bazi podatkov, ni mogoče prepoznati. Pl@ntNet, ki je največji odprti projekt na tem področju, objavlja lastne podatke: 84.710 vrst in več kot 1,47 milijarde slik, porazdeljenih v 77 regionalnih flor. To je veliko, a kljub temu le delček od približno 400 tisoč opisanih vrst cvetnic na svetu.

2. Stopnja zanesljivosti meri podobnost, ne resnice. Visoka številka pomeni le to, da je ta fotografija zelo podobna fotografijam te vrste v bazi podatkov. Če prave vrste ni v bazi, bo model z visoko zanesljivostjo ponudil najbolj podobno alternativo.

3. Del rastline je pomembnejši od aplikacije. Vsak organ nosi drugačno količino taksonomskih informacij, model pa lahko dela le s tistim, kar je vidno na fotografiji.

4. Model predstavlja povprečje. Učen je bil na fotografijah odraslih, zdravih rastlin v njihovem naravnem okolju. Bolj ko vaš primer odstopa od tega, večja je verjetnost napake.

Tudi Pl@ntNet sam priznava tisto, česar ne boste našli na nobeni predstavitveni strani izdelka: "kot vsak model umetne inteligence tudi Pl@ntNet ni nezmotljiv".

Kakšna je natančnost identifikacije z umetno inteligenco po ugotovitvah raziskav

V štirih strokovno pregledanih študijah, objavljenih med letoma 2020 in 2025, so aplikacije za prepoznavanje rastlin pravilno določile vrsto pri prvem predlogu v 17 % do 90 % primerov, odvisno od aplikacije, testirane flore in fotografiranega dela rastline. Natančnost pri določanju rodu je vedno višja kot pri določanju same vrste.

Spodaj so navedeni podatki posameznih študij. Te študije so uporabljale različne flore, vzorce in kriterije, zato so številke primerljive le znotraj iste vrstice, nikoli pa med vrsticami. Aplikacija, ki doseže 83 % v študiji o drevesih v New Jerseyju, ni nujno "boljša" od tiste, ki doseže 57 % v študiji britanske flore.

Skozi vse štiri raziskave se vlečeta dva jasna vzorca. Prvi je, da se aplikacije hitro izboljšujejo: razlika med študijo iz leta 2020 in tisto iz leta 2025 je prevelika, da bi bila naključna. Drugi pa je, da izrez oziroma kader vpliva na rezultat znotraj iste aplikacije prav toliko kot razlika med najboljšimi aplikacijami. V Schmidtovi študiji je zamenjava lista z lubjem najbolj natančno aplikacijo stala 32 odstotnih točk, kar je več kot dvakrat več od 14 točk razlike, ki so jo ločile od drugouvrščene aplikacije.

Aplikacija, ki jo prenesete, skoraj nikoli ne izvaja samega prepoznavanja v ozadju. Številne med njimi v ozadju uporabljajo motorje drugih ponudnikov. Aplikacija Bloom prepoznava prek sistema Plant.id, istega motorja, ki je zasedel prvo mesto v Jonesovi študiji (2020) in je danes prvi rezultat na Googlu pri iskanju prepoznavanja rastlin, z 93-odstotno natančnostjo, potrjeno s strani neodvisnih univerz. Ta podatek se nanaša na prepoznavni motor in ne na celotno aplikacijo, tako pa ga je treba razumeti pri kateri koli aplikaciji, ki uporablja istega ponudnika.

Zakaj fotografija lubja prinaša veliko slabše rezultate kot fotografija lista

Fotografija lubja je najslabši možni kader za prepoznavanje rastlin z umetno inteligenco. V študiji Schmidta in sodelavcev (2022) so istih 55 vrst fotografirali dvakrat, enkrat list in enkrat lubje, z isto napravo in s strani istih ocenjevalcev. Padci so naslednji:

To pomeni 32,04 odstotne točke padca pri določanju vrste za PictureThis in 37,73 za iNaturalist. Povzetek študije to ubesedi takole: "these apps are much more accurate in identifying leaf photos as compared to bark photos" (te aplikacije so veliko bolj natančne pri prepoznavanju fotografij listov v primerjavi s fotografijami lubja).

Razlog je botaničen, ne računalniški. List vsebuje značilnosti, ki dejansko ločujejo vrste: obliko robov (gladki, narezani, krpasti), potek žil in mesto, kjer se pecelj pripenja. Lubje pa ponuja le teksturo, ta pa se spreminja s starostjo drevesa, dnevno vlago, lišaji in glivami, ki rastejo na njem, ter s stranjo debla, ki ste jo fotografirali. Dve različni vrsti imata lahko pri 20 letih skoraj enako lubje, medtem ko se lubje iste vrste med 5. in 50. letom korenito spremeni.

Ista rastlina, ko cveti, prinaša povsem drugačen rezultat

Cvet je najbolj informativen del rastline za prepoznavanje z umetno inteligenco, razlika pa je dovolj velika, da vpliva na vašo odločitev, kdaj boste rastlino fotografirali. V študiji, ki so jo opravili Campbell, Peacock in Bacon (2023), so 38 zelnatih vrst fotografirali 560-krat, polovico fotografij so predstavljali listi, polovico pa cvetovi, z istim telefonom in brez urejanja slik. Rezultati znotraj posameznih aplikacij:

Učinek se ponovno neodvisno pojavi v študiji Hart et al. (2023), People and Nature 5(2), ki navaja: "the low-performing applications (PlantSnap and Google Lens) performed significantly better when a flower was present" (slabše delujoče aplikacije so se obnesle bistveno bolje, ko je bil prisoten cvet).

Razlog je enak kot pri lubju. Cvet je struktura, ki jo botanika že tri stoletja uporablja za klasifikacijo rastlin, saj so število venčnih listov, simetrija, postavitev prašnikov in oblika čaše stabilne lastnosti znotraj vrste in se med vrstami razlikujejo. Listi so veliko bolj dvoumni: na desetine vrst iz družine kočnikovk ima zelene, svetleče in ovalne liste.

Plezavi bršljan, samorastnik, monstera, praprot in taščin jezik v stanovanju le redko ali nikoli ne zacvetijo. Tisti, ki fotografira sobne rastline, se skoraj vedno nahaja v scenariju z najnižjo natančnostjo.

Zakaj je vaša sobna rastlina najtežji zalogaj

Gojena sobna rastlina predstavlja najslabši možni scenarij za prepoznavanje z umetno inteligenco zaradi treh dejavnikov, ki se med seboj seštevajo: nikoli ni bila predmet objavljene raziskave, pogosto gre za kultivar, ki ga taksonomija ne loči od osnovne vrste, in skoraj nikoli ne cveti.

Nobena objavljena študija ni merila uspešnosti na gojenih sobnih rastlinah. Vredno je preveriti, kaj so raziskovalci dejansko uporabili: Schmidt in sodelavci (2022) so testirali ulična in gozdna drevesa v New Jerseyju; Campbell, Peacock in Bacon (2023) so testirali irske divje zelnate rastline; Jones (2020) je testiral britansko floro; Hart in sodelavci (2023) pa so testirali divjo floro Združenega kraljestva, pri čemer so namerno izključili eksotične vrste iz parkov in vrtov. Ko preberete, da so "aplikacije 85 % natančne", je bilo teh 85 % izmerjenih v naravi, ne v vaši dnevni sobi.

Kultivar ni vrsta, model pa pozna le vrste. Rastlina, ki ste jo kupili v cvetličarni, je pogosto hortikulturna selekcija s komercialnim imenom. Monstera deliciosa 'Thai Constellation' in 'Albo Borsigiana' sta taksonomsko gledano ista vrsta. Razlika med njima je le v mutaciji barve listov, kar pa je prav tisto, kar vaše oko uporablja za razlikovanje, model pa se je naučil ignorirati kot svetlobno spremembo. Za večino kultivarjev v bazi podatkov ni ločenih oznak, zato bo aplikacija pravilno določila vrsto, a zgrešila natančno različico rastline, ki jo imate doma.

Sobna rastlina je skoraj vedno zunaj standardov za učenje. Referenčne fotografije prikazujejo odrasle, nepoškodovane rastline v njihovem naravnem habitatu. Vaša rastlina pa je v majhnem lončku, obrezana, raztegnjena proti oknu, z novimi listi, ki so manjši od običajnih, morda s suhimi konicami in brez cvetov. Vsako od teh odstopanj oddaljuje sliko od tistega, kar je model videl med učenjem, te razlike pa se seštevajo.

Aplikacija je še vedno uporabna za sobne rastline. Vendar pa so objavljene številke zgornja meja, ne pa povprečje vaše vsakodnevne uporabe, zato je potrditev rezultata doma še bolj pomembna kot v naravi.

Ko lahko napaka stane veliko: strupene rastline in hišni ljubljenčki

Prepoznavanje rastlin z umetno inteligenco ni zanesljivo za odločanje o tem, ali je rastlina strupena. V preizkusu, objavljenem v Clinical Toxicology 61(7) leta 2023, je vsaj ena od ocenjenih aplikacij 5 od 11 potencialno strupenih vrst prepoznala kot užitne. Študija, ki so jo izvedli Campbell, Peacock in Bacon, je vključevala dve strupeni rastlini in prihaja do enakega zaključka v stavku, ki ga je vredno navesti v celoti:

"They should not be trusted to identify toxic species." Ne smemo jim zaupati pri prepoznavanju strupenih vrst.

Preprosto praktično pravilo je: uporabite aplikacijo kot prvi filter in potrdite vrsto v botaničnem viru, preden pustite rastlino v dosegu mačke, psa ali otroka, ter nikoli ne uživajte ničesar na podlagi prepoznave s fotografije. Dve izmed najpogostejših sobnih rastlin v Braziliji spadata med strupene za hišne ljubljenčke:

Kako fotografirati, da bo umetna inteligenca bolj natančna

Kader fotografije vpliva na rezultat prepoznave z umetno inteligenco bolj kot sama izbira aplikacije. Tukaj je šest pravil, od katerih vsako temelji na podatkih iz strokovno pregledanih raziskav:

1. Če so na voljo cvetovi, fotografirajte cvet. To prinaša razliko od 6 do 29 odstotnih točk v tabeli PLOS ONE znotraj iste aplikacije.

2. Vedno dajte prednost listu pred lubjem. To pomeni do 32 odstotnih točk razlike pri določanju vrste v študiji Schmidta in sodelavcev.

3. En del rastline na fotografijo. Posnemite celoten list ali celoten cvet, tako da zapolni kader, ne pa celotne rastline od daleč.

4. Čisto ozadje. List, položen na bel papir ali na dlan, odstrani elemente, ki bi jih model lahko zamešal s samim delom rastline.

5. Približajte se dovolj, da so vidne žile. Vzorec žil predstavlja polovico taksonomskih informacij, ki jih ponuja list.

6. Preberite prvih 5 predlogov, ne le prvega. V raziskavi Hart et al. (2023) se povprečna natančnost aplikacij dvigne z 69 % pri prvem predlogu na 85 % znotraj prvih petih predlogov. Prava vrsta je pogosto na seznamu, le da ni povsem na vrhu.

Če aplikacija to omogoča, pošljite več fotografij iste rastline, ki prikazujejo različne dele. Sistemi, ki sprejemajo več slik, združijo podatke in dosežejo večjo natančnost.

Ali obstaja brezplačna identifikacija rastlin z umetno inteligenco?

Da, v treh različnih oblikah.

Brezplačno brez omejitev, akademskega izvora. Pl@ntNet je francoski javni raziskovalni projekt in ne zaračunava ničesar. Je najmočnejši pri divjih in avtohtonih rastlinah, prikazuje stopnjo zanesljivosti in ponuja alternativne kandidatke, namesto da bi določil le eno. Ne ponuja nege niti opomnikov.

Brezplačna in vgrajena v telefon. Google Lens je del aplikacije Google in brskalnika Chrome, deluje na sistemih Android in iPhone ter nima omejitev glede števila prepoznavanj. V dveh študijah, ki sta ga ocenjevali, je dosegel med 55 % in 68 % natančnosti pri prvem predlogu, kar je nekoliko za namenskimi aplikacijami za rastline. Celoten postopek najdete v vodiču kako prepoznati rastlino z Google Lens.

Brezplačni način z omejitvijo znotraj aplikacij za nego. Tukaj se ponudba zelo razlikuje, večina aplikacij za prepoznavanje pa sploh nima brezplačnega načina. Bloom ga ima: omogoča 2 prepoznavi na mesec in urnik zalivanja, brez časovne omejitve. Za primerjavo ponudbe si oglejte celoten seznam v članku najboljše aplikacije za prepoznavanje rastlin.

Pogosta vprašanja

Ali obstaja brezplačno orodje z umetno inteligenco za prepoznavanje rastlin?

Da. Pl@ntNet je brezplačen in brez omejitev, saj gre za javni raziskovalni projekt, Google Lens pa je vgrajen v aplikacijo Google in brskalnik Chrome. Obstajajo tudi aplikacije za nego z brezplačnim omejenim načinom, vendar so v manjši. Nobena izmed njih ne zaračunava prve prepoznave.

Katera aplikacija za prepoznavanje rastlin je najbolj natančna?

To je odvisno od tega, kaj fotografirate, zato poštenega odgovora z enim samim imenom ni. Vsaka študija je testirala drugačno floro: PictureThis je bil najboljši pri drevesih v New Jerseyju, Pl@ntNet pri irskih zelnatih rastlinah, Plant.id pa pri britanski flori. Primerjava številk med različnimi študijami ni smiselna.

Ali umetna inteligenca prepozna sobne rastline enako dobro kot divje rastline?

O tem ni objavljenih raziskav. Vsi strokovno pregledani testi so uporabljali ulična drevesa ali divjo floro, eden izmed njih pa je namerno izključil vrtne vrste. Sobne rastline so običajno kultivarji brez cvetov in zunaj standardov za učenje, kar običajno zmanjša natančnost.

Ali lahko aplikacija določi natančno različico (kultivar) moje rastline?

Zelo redko. Kultivarji, kot sta 'Thai Constellation' in 'Pink Princess', so taksonomsko gledano ista vrsta kot navadna različica, razlika pa je v barvni mutaciji, ki jo model obravnava kot svetlobno spremembo. Pričakujte ime vrste, ne pa imena različice.

Ali lahko uporabim prepoznavanje z umetno inteligenco za ugotavljanje strupenosti?

Kot prvi filter da, kot končni odgovor pa ne. V testu iz leta 2023 v reviji Clinical Toxicology je vsaj ena aplikacija označila 5 od 11 strupenih vrst kot užitne. Preden rastlino postavite blizu hišnega ljubljenčka ali otroka, vrsto vedno preverite v botaničnih virih.

Zaključek

Tisto, kar odloča o rezultatu, je vsebina fotografije. Znotraj iste aplikacije in pri isti rastlini zamenjava lubja z listom prinaša do 32 odstotnih točk razlike v natančnosti, zamenjava lista s cvetom pa do 29 odstotnih točk. Pravilna izbira kadra je edina prilagoditev, ki jo imate v svojih rokah, in prinaša boljše rezultate kot zamenjava aplikacije. Če gre za sobno rastlin, upoštevajte še dejstvo, da nobena študija ni merila tega primera, in ime na zaslonu obravnavajte kot najboljšo možno domnevo, ne kot dokončen odgovor.

Naslednji korak je, da rastlino fotografirate znova ob upoštevanju zgornjih šestih pravil in preverite, ali se predlagana vrsta ponovi. Če se med dvema dobrima fotografijama iste rastline rezultat spremeni, je to znak, da je model negotov in potrebujete še drug vir.

Ko je vprašanje za imenom rastline "kaj naj zdaj storim z njo", samo ime ne pomaga veliko. Tu nastopi aplikacija, ki ponuja podporo tudi po prepoznavi, z navodili za zalivanje in svetlobo za to specifično vrsto. Bloom ponuja prav to, prepoznavanje izvaja prek sistema Plant.id in je na voljo za iPhone.

Če ne gre za neznano, temveč za bolno rastlino, je pot drugačna: začnite z vodičem kako ugotoviti, kaj je narobe z mojo rastlino.