Определение числа соприкасающихся зерен пшеницы на изображениях на основе эллиптической аппроксимации

Количество зерен растения напрямую характеризует его урожайность, а размер и форма тесно связаны с массой семян. Для оценки количества зерен, их формы и размеров в настоящее время, как правило, используют анализ цифровых изо6ражений. 3ерна на таких изо6ражениях могут 6ыть полностью разделены, соприкасаться или 6ыть плотно упакованными. B случае разделенных зерен высокую точность выделения и подсчета зерен на изо6ражении позволяют получить самые простые алгоритмы 6инаризации/сегментации, например алгоритм водораздела. Но в случае соприкасающихся зерен простые алгоритмы машинного зрения могут приводить к неточностям в определении контуров отдельных зерен. B этой связи актуальными являются методы точного определения контуров индивидуальных зерен в случае их соприкосновения. Oдин из подходов основан на поиске пикселей о6ласти соприкосновения зерен, в частности с помощью поиска угловых точек на границе контура зерен. Oднако зерна могут иметь сколы, впадины и выпуклости, что приводит к идентификации угловых точек, которые не соответствуют о6ласти контакта зерен. Это влечет за со6ой оши6ки и для их устранения тре6ует дополнительной о6ра6отки данных, фильтрации ложных угловых точек. B настоящей ра6оте мы предлагаем алгоритм идентификации зерен пшеницы на изо6ражении, который позволяет идентифицировать касающиеся зерна и определять их границы на изо6ражении. Он 6азируется на модификации алгоритма поиска угловых точек и использует метод отнесения пикселей границы контура к одному зерну на основе аппроксимации контуров зерен эллипсами. Мы показали на тестовых изо6ражениях, что предложенный алгоритм позволяет 6олее точно идентифицировать зерна на изо6ражении по сравнению с алгоритмом 6ез такой аппроксимации и алгоритмом водораздела. Однако временные затраты для такого алгоритма существенны и 6ыстро растут с увеличением количества зерен и контуров, включающих несколько зерен.

1. Afonnikov D.A., Genaev M.A., Doroshkov A.V., Komyshev E.G., Pshenichnikova T.A. Methods of high-throughput plant phenotyping for large-scale breeding and genetic experiments. Russ J Genet. 2016;52(7):688-701. doi 10.1134/S1022795416070024

2. Afonnikov D.A., Komyshev E.G., Efimov V.M., Genaev M.A., Koval V.S., Gierke P.U., Börner A. Relationship between the characteristics of bread wheat grains, storage time and germination. Plants. 2022;11(1):35. doi 10.3390/plants11010035

3. Brinton J., Uauy C. A reductionist approach to dissecting grain weight and yield in wheat. J Integr Plant Biol. 2019;61(3):337-358. doi 10.1111/jipb.12741

4. Cervantes E., Martín J.J., Saadaoui E. Updated methods for seed shape analysis. Scientifica. 2016;2016(1):5691825. doi 10.1155/2016/5691825

5. Comaniciu D., Meer P. Mean shift analysis and applications. In: Proceedings of the Seventh IEEE International Conference on Computer Vision. Vol. 2. Kerkyra, Greece, 1999;1197-1203. doi 10.1109/ICCV.1999.790416

6. Domasev M.V., Gnatyuk S.P. Color, Color Management, Color Calculations and Measurements. St. Petersburg: Piter Publ., 2009 (in Russian)

7. Fisenko V.T., Fisenko T.Yu. Computer Processing and Image Re cognition. St. Petersburg, 2008 (in Russian)

8. Gao L., Zhao C., Liu M. Segmentation of touching seeds based on shape feature and multiple concave point detection. In: 2017 IEEE International Conference on Imaging Systems and Techniques (IST), Beijing, 2017;1-5. doi 10.1109/IST.2017.8261448

9. Gedraite E.S., Hadad M. Investigation on the effect of a Gaussian Blur in image filtering and segmentation. In: Proceedings ELMAR-2011, Zadar, Croatia, 2011;393-396

10. Gonzalez R.C., Woods R.E. Digital Image Processing. CRC Press, Boca Raton, FL, 2004

11. Herridge R.P., Day R.C., Baldwin S., Macknight R.C. Rapid analysis of seed size in Arabidopsis for mutant and QTL discovery. Plant Methods. 2011;7(1):3. doi 10.1186/1746-4811-7-3

12. Howse J. OpenCV Computer Vision with Python. Birmingham: Packt Publishing, 2013

13. Kolhar S., Jagtap J. Plant trait estimation and classification studies in plant phenotyping using machine vision. A review. Inf Process Agric. 2023;10(1):114-135. doi 10.1016/j.inpa.2021.02.006

14. Komyshev E.G., Genaev M.A., Afonnikov D.A. Evaluation of the SeedCounter, a mobile application for grain phenotyping. Front Plant Sci. 2017;7:1990. doi 10.3389/fpls.2016.01990

15. Komyshev E.G., Genaev M.A., Afonnikov D.A. Analysis of color and texture characteristics of cereals on digital images. Vavilovskii Zhurnal Genetiki i Selektsii = Vavilov J Genet Breed. 2020;24(4):340- 347. DOI 10.18699/VJ20.626

16. Li Z., Guo R., Li M., Chen Y., Li G. A review of computer vision technologies for plant phenotyping. Comput Electron Agric. 2020;176: 105672. doi 10.1016/j.compag.2020.105672

17. Liang N., Sun S., Yu J., Taha M.F., He Y., Qiu Z. Novel segmentation method and measurement system for various grains with complex touching. Comput Electron Agric. 2022;202:107351. doi 10.1016/j.compag.2022.107351

18. Lin W., Ma D., Su Q., Liu S., Liao H., Yao H., Xu P. Image segmentation method for physically touching soybean seeds. Software Impacts. 2023;18:100591. doi 10.1016/j.simpa.2023.100591

19. Liu T., Chen W., Wang Y., Wu W., Sun C., Ding J., Guo W. Rice and wheat grain counting method and software development based on Android system. Comput Electron Agric. 2017;141:302-309. doi 10.1016/j.compag.2017.08.011

20. Mebatsion H.K., Paliwal J., Jayas D.S. Automatic classification of nontouching cereal grains in digital images using limited morphological and color features. Comput Electron Agric. 2013;90:99-105. doi 10.1016/j.compag.2012.09.007

21. Otsu N. A threshold selection method from gray-level histograms. In: IEEE Transactions on Systems, Man, and Cybernetics. 1979;9(1): 62-66. doi 10.1109/TSMC.1979.4310076

22. Qin Y., Wang W., Liu W., Yuan N. Extended-maxima transform watershed segmentation algorithm for touching corn kernels. Adv Mech Eng. 2013;5:268046. doi 10.1155/2013/268046

23. Roerdink J.B.T.M., Meijster A. The watershed transform: definitions, algorithms and parallelization strategies. Fundam Inform. 2000; 41(2):187-228

24. Tan S., Ma X., Mai Z., Qi L., Wang Y. Segmentation and counting algorithm for touching hybrid rice grains. Comput Electron Agric. 2019;162:493-504. doi 10.1016/j.compag.2019.04.030

25. Tanabata T., Shibaya T., Hori K., Ebana K., Yano M. SmartGrain: highthroughput phenotyping software for measuring seed shape through image analysis. Plant Physiol. 2012;160(4):1871-1880. doi 10.1104/pp.112.205120

26. Wang W., Paliwal J. Separation and identification of touching kernels and dockage components in digital images. Can Biosyst Eng. 2006;48:7

27. Whan A.P., Smith A.B., Cavanagh C.R., Ral J.P.F., Shaw L.M., Howitt C.A., Bischof L. GrainScan: a low cost, fast method for grain size and colour measurements. Plant Methods. 2014;10:23. doi 10.1186/1746-4811-10-23

28. Yang S., Zheng L., He P., Wu T., Sun S., Wang M. High-throughput soybean seeds phenotyping with convolutional neural networks and transfer learning. Plant Methods. 2021;17(1):50. doi 10.1186/s13007-021-00749-y

29. Zhang J., Liu S., Wu W., Zhong X., Liu T. Research on a rapid identification method for counting universal grain crops. PLoS One. 2022;17(9):e0273785. doi 10.1371/journal.pone.0273785

30. Zhang X., Deng Z., Wang Y., Li J., Tian J. Unconditional and conditional QTL analysis of kernel weight related traits in wheat (Triticum aestivum L.) in multiple genetic backgrounds. Genetica. 2014; 142(4):371-379. doi 10.1007/s10709-014-9781-6