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

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».

Результаты. Анализ разнокачественности семянок лука Кристофа показал, что длина и ширина семянок с нижнего яруса составили 3,301 и 2,681 мм, со среднего – 3,295 и 2,605 мм и с верхнего яруса – 3,265 и 2,58 мм, соответственно. Средний размер семянок с нижнего яруса был на уровне 2,99 мм, среднего – 2,95 мм и нижнего яруса – 2,92 мм. Выявлено статистически значимое снижение показателей по всем цветовым каналам (по цветовой модели RGB) от нижнего яруса – к верхнему. Ярусное расположение цветков на соцветии  является причиной неодновременного созревания семянок Allium. Оперативная легкость, низкая стоимость  коммерческих компьютерных технологий и неразрушающий анализ семян и сортировка подчеркивают  потенциал этого метода для применения в семенной лаборатории.

1. Мусаев Ф.Б., Архипов М.В., Потрахов Н.Н. Анализ качества семян овощных культур методом рентгенографии. Известия Тимирязевской сельскохозяйственной академии. 2014;(4):18-27.

2. 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.

3. 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.

4. 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.

5. 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.

6. 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

7. 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. doi: 10.1016/j.compag.2012.02.005

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

9. 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

10. 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. doi: 10.1186/1746-4811-10-2310.4225/08/536302C43FC28

11. 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

12. 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

13. 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

14. 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

15. 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

16. 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

17. 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

18. 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. doi: 10.1111/tpj.13320 [Epub ahead of print].

19. 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

20. 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

21. 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

22. Cervantes, E., Martнn, J.J., and Saadaoui, E. Updated methods for seed shape analysis. Scientifica. 2016:5691825. doi: 10.1155/2016/5691825

23. 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

24. 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

25. 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

26. 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

27. 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.

28. 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.