Aliiev, E., & Vedmedeva, K.
(2025).
Automated devices for quantitative phenotyping of sunflower seeds.
Machinery & Energetics,
16(1),
54-64.
https://doi.org/10.31548/machinery/1.2025.54
Для створення нових сортів соняшнику важливо точно оцінити фенотипові ознаки, які впливають на врожайність, стійкість до хвороб і стресостійкість. Автоматизація дозволяє систематично збирати дані та приймати більш обґрунтовані рішення в процесі селекції. Фенотипування рослин – це комплексна оцінка складних ознак рослин, таких як ріст, розвиток, стійкість, архітектура, фізіологія, екологія та врожайність, а також базове вимірювання окремих кількісних параметрів, що формують основу для складніших ознак. Метою роботи є підвищення ефективності добору та прогнозування розвитку генотипів соняшнику шляхом розробки нових методів, апаратних і програмних інструментів для кількісної фенотипової характеристики насіння. Представлені і удосконалені методи визначення фенотипових характеристик насіння соняшнику, а саме геометричних розмірів, маси, забарвлення, реологічних властивостей і властивостей поверхні насіння. Розроблено модуль визначення морфологічних властивостей насіння (геометричні розміри, маса, забарвлення поверхні тощо). Модуль налаштований на високу точність індивідуального вимірювання геометричних розмірів насіння соняшнику із визначенням їх форми і забарвлення та забезпечують низьку трудомісткість і високу технологічність реалізації процедури фенотипування (визначення, ідентифікації і сепарації) насіння. Удосконалено методику аналізу реологічних властивостей насіння й обґрунтовано спосіб їх автоматичного визначення і модуль для цього. Запропонований модуль зберігає точність індивідуального вимірювання реологічних властивостей насіння, що відповідає сучасним вимірювальним засобам, та забезпечує низьку трудомісткість і високу технологічність. Крім того, запропонований модуль дозволяють визначати силу пружності, модуль пружності, показники статичного гістерезису пружності, що неможливо виконати за допомогою безпосереднього вимірювання, а отже, підвищується загальна продуктивність дослідження. При цьому також значною мірою зникає вплив людського фактору на точність вимірювання реологічних властивостей насіння. Запропонований модуль для визначення властивостей поверхні насіння дозволяє зберегти точність індивідуального вимірювання коефіцієнтів тертя спокою і ковзання насіння, що відповідає сучасним вимірювальним засобам та забезпечує низьку трудомісткість і високу технологічність. При цьому також значною мірою виключається вплив людського фактору на точність вимірювання. Використання автоматизованих пристроїв у практичних умовах може допомогти оптимізувати відбір насіння з найкращими характеристиками
модуль, програмне забезпечення, геометричні розміри, колір поверхні, реологічні властивості, фрикційні властивості
[1] Aliiev, E.B. (2020). Automatic phenotyping test of sunflower seeds. Helia, 43(72), 51-66. doi: 10.1515/helia-2019-0019.
[2] Aliiev, Е.B. (2023). The prospects of quantitative phenotyping of oilseed crops. Agrology, 6(3), 49-59. doi: 10.32819/021109.
[3] Bai, S., Yuan, Y., Niu, K., Zhou, L., Zhao, B., Wei, L., Liu, L., Xiong, S., Shi, Z., Ma, Y., Zheng, Y., & Xing. G. (2022). Simulation parameter calibration and experimental study of a discrete element model of cotton precision seed metering. Agriculture, 12, article number 870. doi: 10.3390/agriculture12060870.
[4] Colmer, J., O’Neill, C.M., Wells, R., Bostrom, A., Reynolds, D., Websdale, D., Shiralagi, G., Lu, W., Lou, Q., Cornu, T.L., Ball, J., Renema, J., Andaluz, G.F., Benjamins, R., Penfield, S., & Zhou, J. (2020). SeedGerm: A cost-effective phenotyping platform for automated seed imaging and machine-learning based phenotypic analysis of crop seed germination. New Phytologist, 228, 778-793. doi: 10.1111/nph.16736.
[5] Costa, C., Schurr, U., Loreto, F., Menesatti, P., & Carpentier, S. (2019). Plant phenotyping research trends, a science mapping approach. Frontiers in Plant Science, 9, article number 1933. doi: 10.3389/fpls.2018.01933.
[6] Daviet, B., Fernandez, R., Cabrera-Bosquet, L., Pradal, C., & Fournier, C. (2022). PhenoTrack3D: An automatic high-throughput phenotyping pipeline to track maize organs over time. Plant Methods, 18, article number 130. doi: 10.1186/s13007-022-00961-4.
[7] Deb, M., Dhal, K.G., Das, A., Hussien, A.G., Abualigah, L., & Garai, A. (2024). A CNN-based model to count the leaves of rosette plants (LC-Net). Scientific Reports, 14, article number 1496. doi: 10.1038/s41598-024-51983-y.
[8] Hu, M., Xia, J., Zhou, Y., Luo, C., Zhou, M., & Liu, Z. (2022). Measurement and calibration of the discrete element parameters of coated delinted cotton seeds. Agriculture, 12, article number 286. doi: 10.3390/agriculture12020286.
[9] Jahnke, S., Roussel, J., Hombach, T., Kochs, J., Fischbach, A., Huber, G., & Scharr, H. (2016). phenoSeeder – a robot system for automated handling and phenotyping of individual seeds. Plant Physiology, 172, 1358-1370. doi: 10.1104/pp.16.01122.
[10] Jiang, Y., & Li, C. (2020). Convolutional neural networks for image-based high-throughput plant phenotyping: A review. Plant Phenomics, 4152816, article number 22. doi: 10.34133/2020/4152816.
[11] Jin, X., Zhao, Y., Wu, H., & Sun, T. (2022). Sunflower seeds classification based on sparse convolutional neural networks in multi-objective scene. Scientific Reports, 12, article number 19890. doi: 10.1038/s41598-022-23869-4.
[12] Jotautiene, E., Bivainis, V., Karayel, D., & Mieldažys, R. (2024). Theoretical and experimental verification of the physical-mechanical properties of organic bone meal granular fertilizers. Agronomy, 14, article number 1171. doi: 10.3390/agronomy14061171.
[13] Kumar, S.B., Raju, V.S., & Maheswari, U.V. (2023). OpenCV libraries for computer vision. In Computer vision: Applications of visual AI and image processing (pp. 1-22). Boston: De Gruyter. doi: 10.1515/9783110756722-001.
[14] Liu, F., Yang, R., Chen, R., Guindo, M.L., He, Y., Zhou, J., Lu, X., Chen, M., Yang, Y., & Kong, W. (2024). Digital techniques and trends for seed phenotyping using optical sensors. Journal of Advanced Research, 63, 1–16. doi: 10.1016/j.jare.2023.11.010.
[15] Nehoshtan, Y., Carmon, E., Yaniv, O., Ayal, S., & Rotem, O. (2021). Robust seed germination prediction using deep learning and RGB image data. Scientific Reports, 11, article number 22030. doi: 10.1038/s41598-021-01712-6.
[16] Pieruschka, R., & Schurr U. (2019). Plant phenotyping: Past, present, and future. Plant Phenomics, 2019, article number 7507131. doi: 10.34133/2019/7507131.
[17] Tanabata, T., Shibaya, T., Hori, K., Ebana, K., & Yano, M. (2012). SmartGrain: High-throughput phenotyping software for measuring seed shape through image analysis. Plant Physiology, 160(4): 1871-1880. doi: 10.1104/pp.112.205120.
[18] Tu, K., Wu, W., Cheng, Y., Zhang, H., Xu, Y., Dong, X., Wang, M., & Sun, Q. (2023). AIseed: An automated image analysis software for high-throughput phenotyping and quality non-destructive testing of individual plant seeds. Computers and Electronics in Agriculture, 207, article number 107740. doi: 10.1016/j.compag.2023.107740.
[19] Wang, S., Yu, Z., Zhang, W., Zhao D., & Aorigele. (2022). Friction coefficient calibration of sunflower seeds for discrete element modeling simulation. Phyton-International Journal of Experimental Botany, 91(11), 2559-2582. doi: 10.32604/phyton.2022.021354.
[20] Yang, S., Zheng, L., He, P., Wu, T., Sun, S., & Wang, M. (2021). High‑throughput soybean seeds phenotyping with convolutional neural networks and transfer learning. Plant Methods, 17, 50, article number 50. doi: 10.1186/s13007-021-00749-y.