Анализ разнокачественности семян лука кристофа (Allium cristophii Trautv.) с помощью цифровой морфометрии

Анализ разнокачественности семян лука кристофа (Allium cristophii Trautv.) с помощью цифровой морфометрии

Автор: Мусаев Фархад Багадыр Оглы, Прияткин Николай Сергеевич, Бухаров Александр Федорович, Иванова Мария Ивановна, Кашлева Анна Ивановна, Щукина Полина Алексеевна, Белецкий Сергей Леонидович, Ушакова О.В.

Журнал: Овощи России @vegetables

Рубрика: Селекция и семеноводство сельскохозяйственных растений

Статья в выпуске: 2 (52), 2020 года.

Бесплатный доступ

Актуальность: Анализ изображений является доступным методом, который может преобразовать качественные переменные в количественные. Компьютерную визуализацию использовали в биологии семян различными способами, включая тестирование энергии семян и их идентификацию. В статье рассматривается разработка в области компьютерного анализа изображений, которые способствуют улучшению понимания морфологии семян с точки зрения их параметров радиальной разнокачественности: размера, формы и цветовой гаммы. Размер и форма семянок зависит от расположения их в соцветии. Цель работы состояла в измерении геометрических показателей и анализе цветовых признаков семянок A. cristophii в системе RGB, обусловленных разноярусным расположением в соцветии. Методика. Проанализированы разнокачественные семена Allium cristophii Trautv. из биоколлекции ВНИИО - филиала ФГБНУ ФНЦО. Измерение морфометрических и оптических параметров семян осуществляли путем анализа их изображений с помощью программного обеспечения «ВидеоТест-Морфология»...

Еще

Разнокачественность семян, цифровой анализ изображений, морфометрические параметры семян, цветовые признаки семян

Короткий адрес: https://sciup.org/140248078

IDR: 140248078   |   DOI: 10.18619/2072-9146-2020-2-32-37

Список литературы Анализ разнокачественности семян лука кристофа (Allium cristophii Trautv.) с помощью цифровой морфометрии

  • Мусаев Ф.Б., Архипов М.В., Потрахов Н.Н. Анализ качества семян овощных культур методом рентгенографии. Известия Тимирязевской сельскохозяйственной академии. 2014;(4): 18-27.
  • Бухаров А.Ф., Балеев Д.Н., Мусаев Ф.Б. Мягколучевая рентгеноскопия -эффективный метод выявления "пустосемянности" овощных зонтичных культур. Пермский аграрный вестник. 2015;(1(9):6-11.
  • Прияткин Н.С., Архипов М.В., Гусакова Л.П., Потрахов Н.Н., Кропотов Г.И., Цибизов И.А., Винеров И.А. Интроскопические методы исследования качества семенного материала: состояние проблемы и перспективы использования. Агрофизика. 2018;(2):29-39.
  • Sandeep Varma V., Kanaka Durga K., Keshavulu K. Seed image analysis: its applications in seed science research. International Research Journal of Agricultural Sciences. 2013;1(2):30-36.
  • Kapadia V.N., Sasidharan N., Patil К. Seed Image Analysis and Its Application in Seed Science Research. Advances in Biotechnology and Microbiology. 2017;7(2):1-3.
  • Granitto, P.M., Verdes, P.F., and Ceccatto, H.A. Large-scale investigation of weed seed identification by machine vision. Comput. Electron. Agric. 2005;47;15-24.
  • DOI: 10.1016/j.compag.2004.10.003
  • Pourreza, A., Pourrezab, H., Abbaspour-Farda, M. H., and Sadrniaa, H. Identification of nine Iranian wheat seed varieties by textural analysis with image processing. Comput. Electron. Agric. 2012;83:102-108. 10.1016/j.compag. 2012.02.005
  • DOI: 10.1016/j.compag.2012.02.005
  • Tanabata, T., Shibaya, T., Hori, K., Ebana, K., and Yano, M. SmartGrain: high-throughput phenotyping software for measuring seed shape through image analysis. Plant Physiol. 2012;4:1871-1880.
  • DOI: 10.1104/pp.112.205120
  • Herridge, R.P., Day, R.C., Baldwin, S., and Macknight, R.C. Rapid analysis of seed size in Arabidopsis for mutant and QTL discovery. Plant Methods. 2011;7:3.
  • DOI: 10.1186/1746-4811-7-3
  • Whan, A.P., Smith, A.B., Cavanagh, C.R., Ral, J.P.F., Shaw, L.M., Howitt, C A., et al. GrainScan: a low cost, fast method for grain size and colour measurements. Plant Methods. 2014;10:1. 10.1186/1746-481 1-10-2310.4225/08/536302C43FC28
  • DOI: 10.1186/1746-4811-10-2310.4225/08/536302C43FC28
  • Bai, X.D., Cao, Z.G., Wang, Y., Yu, Z.H., Zhang, X.F., and Li, C.N. Crop segmentation from images by morphology modeling in the CIE L*a*b color space. Comput. Electron. Agric. 2013;99:21-34.
  • DOI: 10.1016/j.compag.2013.08.022
  • Wiesnerovб, D., and Wiesner, I. Computer image analysis of seed shape and seed color for flax cultivar description. Comput. Electron. Agric. 2008;61:126-135.
  • DOI: 10.1016/j.compag.2007.10.001
  • Chen, X., Xun, Y., Li, W., and Zhang, J. Combining discriminant analysis and neural networks for corn variety identification. Comput. Electron. Agric. 2010;71:48-53.
  • DOI: 10.1016/j.compag.2009.09.003
  • Zapotoczny, P. Discrimination of wheat grain varieties using image analysis and neural networks, Part I, single kernel texture. J. Cereal Sci. 2011;54:60-68.
  • DOI: 10.1016/j.jcs.2011.02.012
  • Novaro, P., Colucci, F., Venora, G., and D'egidio, M.G. Image analysis of whole grains: a noninvasive method to predict semolina yield in durum wheat. Cereal Chem. 2001;78:217-221.
  • DOI: 10.1094/CCHEM.2001.78.3.217
  • Tahir, A.R., Neethirajan, S., Jayas, D.S., Shahin, M.A., Symons, S.J., and White, N.D.G. Evaluation of the effect of moisture content on cereal grains by digital image analysis. Food Res. Int. 2007;40:1140-1145.
  • DOI: 10.1016/j.foodres.2007.06.009
  • Sapirstein, H.D., Neuman, M., Wright, E.H., Shwedyk, E., and Bushuk, W. An instrumental system for cereal grain classification using digital image analysis. J. Cereal Sci. 1987;6:3-14.
  • DOI: 10.1016/S0733-5210(87)80035-8
  • Miller, N.D., Haase, N.J., Lee, J., Kaeppler, S.M., de Leon, N., and Spalding, E.P. A robust, high-throughput method for computing maize ear, cob, and kernel attributes automatically from images. Plant J. 2016. [Epub ahead of print].
  • DOI: 10.1111/tpj.13320
  • Sankaran, S., Wang, M., and Vandemark, G.J. Image-based rapid phenotyping of chickpeas seed size. Eng. Agric. Environ. Food. 2016;9:50-55.
  • DOI: 10.1016/j.eaef.2015.06.001
  • Huang, M., Wang, Q.G., Zhu, Q.B., Qin, J.W., and Huang, G. Review of seed quality and safety tests using optical sensing technologies. Seed Sci. Technol. 2015;43:337-366.
  • DOI: 10.15258/sst.2015.43.3.16
  • Williams, K., Munkvold, J., and Sorrells, M. Comparison of digital image analysis using elliptic fourier descriptors and major dimensions to phenotype seed shape in hexaploid wheat (Triticum aestivum L.). Euphytica. 2013;190:99-116.
  • DOI: 10.1007/s10681-012-0783-0
  • Cervantes, E., Marthen, J.J., and Saadaoui, E. Updated methods for seed shape analysis. Scientifica. 2016:5691825.
  • DOI: 10.1155/2016/5691825
  • Jahnke, S., Roussel, J., Hombach, T., Kochs, J., Fischbach, A., Huber, G., et al. phenoSeeder - a robot system for automated handling and phenotyping of individual seeds. Plant Physiol. 2016;172:1358-1370.
  • DOI: 10.1104/pp.16.01122
  • Roussel, J., Geiger, F., Fischbach, A., Jahnke, S., and Scharr, H. 3D surface reconstruction of plant seeds by volume carving: performance and accuracies. Front. Plant. Sci. 2016;7:745.
  • DOI: 10.3389/fpls.2016.00745
  • Strange, H., Zwiggelaar, R., Sturrock, C., Mooney, S.J., and Doonan, J.H. Automatic estimation of wheat grain morphometry from computed tomography data. Funct. Plant Biol. 2015;42:452-459.
  • DOI: 10.1071/FP14068
  • Мусаев Ф.Б., Солдатенко А.В., Балеев Д.Н., Прияткин Н.С., Щукина П.А. Исследование разнокачественности семян овощных культур с использованием компьютерного анализа изображений. Агрофизика. 2019;( 1 ):38-44.
  • DOI: 10.25695/AGRPH.2019.01.05
  • Мусаев Ф.Б., Прияткин Н.С., Архипов М.В., Щукина П.А., Бухаров А.Ф., Иванова М.И. Цифровая морфометрия разнокачественности семян овощных культур. Картофель и овощи. 2018;(6):35-37.
  • Волкова Г.А., Скупченко Л.А., Вокуева А.В., Скроцкая О.В., Моторина Н.А., Рябинина М. Л. Редкие виды растений в культуре на Европейском Севере. Екатеринбург: УрО РАН. 2009. 154 с.
Еще
Статья научная
SciUp 2024 © 2024 ©