Växtidentifiering med AI: så fungerar det och så ofta blir det rätt

Att identifiera växter med hjälp av AI innebär att en programvara försöker känna igen arten på en levande växt utifrån ett foto. Programmet jämför de visuella mönstren i bilden (som bladets form och nervmönster, blommans struktur eller barkens textur) med miljontals bilder som redan har identifierats av botaniker. Därefter visas en lista med förslag på möjliga arter, sorterade från mest till minst sannolik. Det handlar alltså inte om att AI:n faktiskt förstår vad en växt är, utan om ren mönsterigenkänning.

I vetenskapliga studier publicerade mellan 2020 och 2025 lyckades apparna pricka rätt art på det första försöket i allt från 17 % till 90 % av fallen. Skillnaden beror oftast inte på själva appen, utan på vad du faktiskt fotograferar. Samma kamera, samma växt och samma app kan ge helt olika resultat beroende på om du tar en bild på barken eller bladet, eller om växten blommar för tillfället.

Snabb sammanfattning:

• I en studie av 55 trädarter gjord av Schmidt och kollegor (2022) lyckades den mest pricksäkra appen identifiera arten på 83,86 % av bilderna på blad, men bara på 51,82 % av bilderna på bark. Det är en skillnad på hela 32 procentenheter på exakt samma växt med samma app.

• När Campbell, Peacock och Bacon (2023) analyserade 560 bilder av irländska örtartade växter, visade det sig att samtliga appar presterade bättre när växten blommade jämfört med när de bara fotograferade bladen. Skillnaden låg på mellan 6 och 29 procentenheter.

• Det finns hittills inga publicerade studier som har mätt träffsäkerheten på odlade krukväxter inomhus. De tester som har gjorts har fokuserat på stadsträd, vilda växter och fältstudier.

• En kultivar (odlad sort) är inte samma sak som en art för AI-modellen. För algoritmen är en Monstera 'Thai Constellation' och en 'Albo' i princip samma växt.

• Apparnas resultat ska aldrig ses som en garanti för säkerhet. I ett test publicerat i Clinical Toxicology (2023) klassificerades 5 av 11 giftiga växtarter som ätbara av minst en av apparna.

Vad AI:n faktiskt gör när du fotograferar en växt

En AI-app för växtidentifiering kan ingenting om botanik. Det rör sig om en bildigenkänningsmodell som har tränats på en enorm databas med redan identifierade bilder. Det enda den gör är att mäta likheter: den omvandlar ditt foto till en lista med numeriska värden (kanter, kurvor, texturer och proportioner) och letar sedan i databasen efter de arter som har mest likartade värden. Resultatet blir en lista med förslag där varje förslag har en viss beräknad sannolikhetsgrad.

Detta leder till fyra praktiska konsekvenser som förklarar i stort sett alla felaktiga identifieringar du kommer att stöta på:

1. Det som inte finns i databasen kan inte kännas igen. Pl@ntNet, som är det största öppna projektet inom området, publicerar sina egna siffror: 84 710 arter och mer än 1,47 miljarder bilder, fördelade på 77 regionala floror. Det är mycket, och ändå är det bara en bråkdel av de cirka 400 000 beskrivna arterna av blommande växter i världen.

2. Konfidensgraden visar likhet, inte absolut sanning. En hög procentsats betyder bara att bilden är väldigt lik de bilder av den arten som finns i databasen. Om den korrekta arten saknas i databasen kommer modellen ändå att visa det mest liknande alternativet med hög konfidens.

3. Vilken del av växten du fotograferar spelar större roll än vilken app du använder. Olika delar av en växt bär på olika mycket botanisk information, och modellen kan bara utgå från det som faktiskt syns på bilden.

4. Modellen är kalibrerad efter ett genomsnitt. Den har tränats på bilder av fullvuxna, friska växter i deras naturliga miljö. Ju mer din växt avviker från detta ideal, desto svårare blir det för AI:n att pricka rätt.

Forskarna bakom Pl@ntNet uttrycker det på ett sätt som sällan syns på apparnas egna nedladdningssidor: "precis som alla AI-modeller är Pl@ntNet inte ofelbar".

Så ofta gissar AI-identifieringen rätt enligt vetenskapliga studier

I fyra oberoende studier publicerade mellan 2020 och 2025 lyckades AI-apparna identifiera rätt art på det första förslaget i mellan 17 % och 90 % av fallen. Träffsäkerheten beror på vilken app som testades, vilken flora det gällde och vilken del av växten som fotograferades. Det är nästan alltid lättare för apparna att pricka rätt släkte än att identifiera den exakta arten.

Här nedan ser du resultaten från de olika studierna. Eftersom studierna har använt olika växturval, bildmaterial och kriterier går det bara att jämföra siffrorna inom en och samma studie, inte mellan dem. En app som får 83 % i en studie på träd i New Jersey är inte automatiskt bättre än en app som får 57 % i en studie på brittiska vilda växter.

Två tydliga mönster framgår av dessa fyra studier. För det första har apparna förbättrats i snabb takt: skillnaden i träffsäkerhet mellan studierna från 2020 och 2025 är alldeles för stor för att vara en slump. För det andra har fotovinkeln och beskärningen en enorm betydelse för resultatet, ofta mer än valet av app. I Schmidts studie innebar steget från blad till bark att den bästa appen tappade 32 procentenheter, vilket var mer än dubbelt så mycket som skillnaden ner till tvåan på listan.

Den app du laddar ner är sällan den som faktiskt gör själva beräkningen i bakgrunden. Många appar använder externa motorer under huven. Appen Bloom identifierar växter via Plant.id, vilket är samma motor som kom på första plats i studien av Jones (2020). Den motorn ligger i dag i topp bland sökresultaten för växtidentifiering med en bekräftad träffsäkerhet på 93 % i oberoende universitetstester. Den siffran avser själva identifieringsmotorn, inte nödvändigtvis varje enskild app som använder den.

Varför bilder på bark ger sämre resultat än bilder på blad

Att fotografera enbart barken är ett av de svåraste scenarierna för en AI-baserad växtidentifierare. I studien av Schmidt och kollegor (2022) fotograferades samma 55 trädarter på två olika sätt: en bild på bladet och en på barken, tagna med samma utrustning och av samma personer. Skillnaden i resultat blev påtaglig:

Det handlar om ett tapp på 32,04 procentenheter för PictureThis och hela 37,73 procentenheter för iNaturalist när det gällde att pricka rätt art. I studiens sammanfattning konstaterar forskarna kort: "these apps are much more accurate in identifying leaf photos as compared to bark photos" (dessa appar är betydligt mer träffsäkra på att identifiera bilder av blad jämfört med bilder av bark).

Orsaken är rent botanisk, inte teknisk. Ett blad har tydliga kännetecken som särskiljer olika arter: form, bladkant (om den är slät, sågad eller flikig), nervsystemets struktur och hur bladskaftet fäster. Barken visar i stället mest textur, och strukturen på bark varierar mycket beroende på trädets ålder, fuktighet, om det växer lavar eller mossor på stammen, samt vilket väderstreck du fotograferar. Två helt olika trädarter kan ha nästan identisk bark när de är 20 år gamla, medan ett och samma träd ändrar barkkaraktär helt mellan 5 och 50 års ålder.

Blommor ökar chansen att få rätt svar direkt

Blommor är den absolut mest informativa delen av en växt när det kommer till maskininlärning. Skillnaden är så pass stor att det ofta är värt att vänta på blomningen innan du tar din bild. I studien av Campbell, Peacock och Bacon (2023) fotograferades 38 örtartade arter totalt 560 gånger, hälften på bladen och hälften på blommorna, med samma mobiltelefon och helt utan redigering. Resultaten för de olika apparna talar sitt tydliga språk:

Effekten framträder på nytt, på ett oberoende sätt, i Hart et al. (2023), People and Nature 5(2), som noterar: "the low-performing applications (PlantSnap and Google Lens) performed significantly better when a flower was present" (applikationerna med sämst prestanda presterade betydligt bättre när en blomma var närvarande).

Anledningen är densamma som i fallet med barken. Blommans uppbyggnad har varit den grundläggande strukturen för artbestämning inom botaniken i över trehundra år. Antalet kronblad, symmetrin, ståndarnas placering och fodrets form är stabila kännetecken inom en art, men skiljer sig tydligt mellan olika arter. Blad är mer tvetydiga: dussintals arter i familjen kallaväxter har exempelvis väldigt lika, glänsande gröna och ovala blad.

Klassiska krukväxter som gullranka, garderobsblomma, monstera, ormbunkar och svärmorstunga blommar extremt sällan eller aldrig inomhus. Det betyder att den som fotograferar sina inomhusväxter nästan alltid gör det under de svåraste förutsättningarna.

Därför är dina krukväxter den svåraste utmaningen

Odlade krukväxter är generellt sett det svåraste scenariot för en AI-identifiering. Det beror på tre samverkande faktorer: de har sällan analyserats i vetenskapliga studier, de är ofta specifika kultivarer som inte skiljer sig genetiskt på artnivå, och de blommar nästan aldrig inomhus.

Ingen publicerad studie har fokuserat på odlade krukväxter. Det är värt att titta på vad studierna faktiskt har undersökt: Schmidt och hans kollegor (2022) testade träd i stadsmiljö och skog i New Jersey, Campbell, Peacock och Bacon (2023) fokuserade på vilda irländska fältväxter, Jones (2020) använde brittiska vilda arter och Hart et al. (2023) undersökte den vilda floran i Storbritannien efter att medvetet ha uteslutit exotiska park- och trädgårdsväxter. När du läser att en app har 85 % träffsäkerhet är det alltså mätt på vilda växter i naturen, inte på din monstera i vardagsrummet.

En kultivar är inte en egen art för databasen. Den växt du köper i blombutiken är ofta en framodlad sort med ett eget handelsnamn. Botaniskt sett är en Monstera deliciosa 'Thai Constellation' och en 'Albo Borsigiana' exakt samma art. Det som skiljer dem åt är en färgvariation (variegation), vilket är precis det som ditt öga reagerar på men som AI-modellen har tränats att ignorera som en ljus- eller skuggeffekt. Eftersom de flesta kultivarer saknar egna etiketter i databasen kommer appen att pricka rätt på arten, men missa den specifika sorten du har hemma.

Krukväxter avviker ofta från träningsbilderna. Referensbilderna i databaserna visar oftast fullvuxna, friska växter i sin naturliga miljö. Din växt hemma står kanske i en liten kruka, är beskuren, har växt i riktning mot ett fönster, har mindre blad än normalt, torra bladspetsar och saknar helt blommor. Varje sådan avvikelse gör det svårare för modellen att känna igen mönstren.

Appen är fortfarande till stor hjälp för dina krukväxter, men tänk på att de publicerade testsiffrorna visar appens maximala förmåga under ideala förhållanden, inte det genomsnittliga resultatet i ditt hem.

När felmarginalen spelar roll: giftiga växter och husdjur

Växtidentifiering med AI är inte tillförlitlig för att avgöra om en växt är giftig. I ett test publicerat i Clinical Toxicology 61(7) under 2023 identifierades 5 av 11 potentiellt giftiga arter som ätbara av minst en av de utvärderade apparna. Studien av Campbell, Peacock och Bacon inkluderade två giftiga växter och drar samma slutsats, i en mening som är värd att citera i sin helhet:

"They should not be trusted to identify toxic species." (De bör inte användas för att identifiera giftiga arter.)

Den praktiska tumregeln är enkel: använd appen som ett första filter och bekräfta arten i en botanisk källa innan du lämnar växten inom räckhåll för katt, hund eller barn, och ät aldrig någonting baserat på en identifiering via foto. Två av de vanligaste krukväxterna i Brasilien finns med bland de som är giftiga för husdjur:

Så fotograferar du för att hjälpa AI:n på traven

Hur du tar bilden påverkar resultatet mer än vilken app du väljer. Här är sex konkreta tips baserade på resultat från vetenskapliga studier:

1. Om växten blommar, ta bild på blomman. Det kan göra en skillnad på mellan 6 och 29 procentenheter enligt studien i PLOS ONE.

2. Välj blad framför bark, varje gång. Det kan skilja upp till 32 procentenheter på artnivå enligt Schmidts studie.

3. Fokusera på en del i taget. Se till att ett helt blad eller en hel blomma fyller ut bilden, i stället för att fotografera hela växten på långt håll.

4. Använd en ren bakgrund. Ett blad som placeras mot ett vitt papper eller i din handflata minskar risken för att AI:n störs av bakgrundsdetaljer.

5. Gå tillräckligt nära för att se bladnerverna. Nervmönstret är en av de viktigaste botaniska detaljerna på ett blad.

6. Titta på de fem första förslagen, inte bara det översta. I studien av Hart et al. (2023) ökade apparnas genomsnittliga träffsäkerhet från 69 % på det första förslaget till 85 % om man räknade med de fem första alternativen. Rätt art finns ofta med på listan, även om den inte ligger absolut överst.

Om appen tillåter det kan du ladda upp flera bilder på samma växt som visar olika delar. System som kan analysera flera bilder samtidigt ger oftast ett betydligt säkrare resultat.

Finns det gratis AI-appar för att identifierar växter?

Ja, det finns i huvudsak tre olika alternativ på marknaden.

Gratis utan gränser, med akademiskt ursprung. Pl@ntNet är ett franskt offentligt forskningsprojekt och kostar ingenting. Det är starkast på vilda och inhemska växter, visar tillförlitlighetsgrad och erbjuder alternativa kandidater istället för att bara slå fast en enda. Det erbjuder varken skötselråd eller påminnelser.

Inbyggt och gratis i mobilen. Google Lens finns integrerat i Googles sökapp och Chrome, fungerar på både Android och iPhone och har inga fasta begränsningar för hur många bilder du kan söka på. I de två studier där verktyget testades låg träffsäkerheten på mellan 55 % och 68 % på det första förslaget, vilket är något lägre än för de renodlade växtapparna. Du kan läsa mer om hur det fungerar i vår guide om hur du identifierar växter med Google Lens.

Gratisversioner med begränsningar i skötselappar. Här varierar utbudet mycket och många appar saknar helt gratisalternativ. Bloom erbjuder en gratisnivå med 2 kostnadsfria identifieringar per månad samt tillgång till bevattningsschema utan tidsbegränsning. Vill du jämföra de olika alternativen hittar du vår sammanställning över de bästa apparna för att identifiera växter.

Vanliga frågor

Finns det något gratis AI-verktyg för att identifiera växter?

Ja. Pl@ntNet är helt gratis och har inga användningsbegränsningar eftersom det är ett offentligt forskningsprojekt. Google Lens är också gratis och finns inbyggt i Googles appar. Många skötselappar har även gratisversioner med ett begränsat antal sökningar per månad.

Vilken är den mest exakta appen för växtidentifiering?

Det beror helt på vad du fotograferar, och det går inte att utse en enskild vinnare. Olika studier har testat olika typer av växter: PictureThis presterade bäst på träd i New Jersey, Pl@ntNet på irländska fältväxter och Plant.id på brittisk flora. Att jämföra procentsatser mellan olika studier ger därför inte en helt rättvis bild.

Identifierar AI krukväxter lika bra som vilda växter?

Det finns inga publicerade studier som har undersökt detta specifikt. De vetenskapliga testerna har gjorts på stadsträd eller vilda växter i naturen. Krukväxter är ofta kultivarer utan blommor och avviker ofta från de bilder som modellen har tränats på, vilket brukar minska träffsäkerheten.

Kan appen se vilken specifik sort (kultivar) min växt är?

Sällan. Sorter som 'Thai Constellation' eller 'Pink Princess' tillhör samma art som grundformen. Skillnaden ligger i färgvariationer som AI-modellen ofta har tränats att bortse från för att inte luras av ljussättningen i bilden. Du kan förvänta dig att få rätt artnamn, men sällan den exakta sorten.

Kan jag använda AI-identifiering för att se om en växt är giftig?

Som en första indikation, ja. Men aldrig som ett slutgiltigt besked. I ett test från 2023 i Clinical Toxicology klassificerades 5 av 11 giftiga arter som ätbara av minst en app. Kontrollera alltid arten mot pålitliga botaniska källor innan du placerar den nära barn eller husdjur.

Slutsats

Det är vad som syns på bilden som avgör hur bra resultatet blir. Med samma app och samma växt kan skillnaden mellan att fotografera barken eller bladet ligga på upp till 32 procentenheter, och skillnaden mellan ett blad och en blomma kan vara upp till 29 procentenheter. Att välja rätt fotovinkel är det absolut enklaste sättet att påverka resultatet, och det gör ofta större skillnad än att byta till en annan app. Om du fotograferar en krukväxt inomhus bör du dessutom komma ihåg att inga oberoende studier har mätt detta scenario, så ta namnet på skärmen som en bra arbetshypotes snarare än en absolut sanning.

Ett bra nästa steg är att ta en ny bild med hjälp av de sex tipsen ovan för att se om du får samma svar. Om appen ger olika förslag på två bra bilder av samma växt är det ett tecken på att modellen är osäker och att du behöver dubbelkolla med en annan källa.

När du väl har fått ett namn på din växt vill du oftast veta hur du ska ta hand om den. Det är då det underlättar med en app som hjälper dig vidare med skötselråd, bevattningsintervall och ljuskrav för just den arten. Bloom erbjuder detta, använder Plant.id för identifieringen och finns tillgänglig för iPhone.

Om du misstänker att din växt är sjuk snarare än att du bara vill veta vad det är för sort, är det bättre att börja med vår guide om hur du tar reda på vad som felar din växt.