Цифровые технологии в оценке качества семян овощных культур

Актуальность. Форма, определенная его линейными параметрами, цвет поверхности — важнейшие характеристики качества семян. Метод оптической визуализации в сочетании с автоматическим анализом цифровых сканированных изображений позволяет статистически достоверно различать семена овощных культур по размерным и цветовым параметрам. В Федеральном научном центре овощеводства совместно с сотрудниками Агрофизического научно-исследовательского института и ООО «АргусСофт» проводится разработка современного инструментального метода цифровой морфометрии семян.

Цели работы — определить морфометрические параметры семян трех овощных культур путем цифрового анализа сканированных изображений и установить их связь с жизнеспособностью и качественными показателями.

Методы. Цифровые изображения семян были получены с использованием планшетного сканера HP Sсanjet 200, формат сохраняемых файлов JPG, разрешение 600 DPI. Морфометрический анализ цифровых сканированных изображений семян выполнен на базе Агрофизического НИИ с использованием программного обеспечения Argus-BIO производства ООО «АргусСофт», г. Санкт-Петербург.

Результаты. Показано, что путем отбора семян лука репчатого и редиса по размеру и плотности можно значительно улучшить их качественные показатели: до 75,5% всхожести у лука, до 100% — у редиса при максимальной выровненности партии, оцененной методом цифровой морфометрии. Определена идеальная форма для семян капусты: у полноценных семян капусты индекс округлости должен составить больше 0,9. Дальнейшее развитие методики позволит определить оптимальные параметры размера и формы семян для различных видов овощных культур и увязать их с качественными показателями.

1. Zheng Y. et al. Genome-wide association studies of grain quality traits in maize. Scientific Reports. 2021; 11: 9797. https://doi.org/10.1038/s41598-021-89276-3

2. Wang X., Cai Z. Era of maize breeding 4.0. Journal of Maize Sciences. 2019; 27(1): 1‒9 (на кит. яз.). https://doi.org/10.13597/j.cnki.maize.science.20190101

3. Wallace J.G., Rodgers-Melnick E., Buckler E.S. On the Road to Breeding 4.0: Unraveling the Good, the Bad, and the Boring of Crop Quantitative Genomics. Annual Review of Genetics. 2018; 52: 421‒444. https://doi.org/10.1146/annurev-genet-120116-024846

4. Wang X. et al. Evaluation on phenotypic traits of crop germplasm: Status and development. Journal of Plant Genetic Resources. 2022; 23(1): 12‒20 (на кит. яз.). https://doi.org/10.13430/j.cnki.jpgr.20210802001

5. Budd J. et al. Digital technologies in the public-health response to COVID-19. Nature Medicine. 2020; 26(8): 1183‒1192. https://doi.org/10.1038/s41591-020-1011-4

6. Sun D., Robbins K., Morales N., Shu Q., Cen H. Advances in optical phenotyping of cereal crops. Trends Plant Science. 2022; 27(2): 191‒208. https://doi.org/10.1016/j.tplants.2021.07.015

7. Clohessy J.W. et al. A Low-Cost Automated System for High-Throughput Phenotyping of Single Oat Seeds. The Plant Phenome Journal. 2018; 1(1): 1‒13. https://doi.org/10.2135/tppj2018.07.0005

8. Gong Z. et al. Recent Developments of Seeds Quality Inspection and Grading Based on Machine Vision. 2015 ASABE Annual International Meeting. St. Joseph, Michigan: American Society of Agricultural and Biological Engineers. 2015; 152188378. https://doi.org/10.13031/aim.20152188378

9. Fu J., Yuan H., Zhao R., Chen Z., Ren L. Peeling Damage Recognition Method for Corn Ear Harvest Using RGB Image. Applied Sciences. 2020; 10(10): 3371. https://doi.org/10.3390/app10103371

10. Jitanan S., Chimlek P. Quality grading of soybean seeds using image analysis. International Journal of Electrical and Computer Engineering. 2019; 9(5): 3495‒3503. http://doi.org/10.11591/ijece.v9i5.pp3495-3503

11. Veeramani B., Raymond J.W., Chanda P. DeepSort: deep convolutional networks for sorting haploid maize seeds. BMC Bioinformatics. 2018; 19: 289. https://doi.org/10.1186/s12859-018-2267-2

12. Jia B., Wang W., Ni X.Z., Chu X., Yoon S.C., Lawrence K.C. Detection of mycotoxins and toxigenic fungi in cereal grains using vibrational spectroscopic techniques: a review. World Mycotoxin Journal. 2020; 13(2): 163‒177. https://doi.org/10.3920/WMJ2019.2510

13. 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): 555709. https://doi.org/10.19080/AIBM.2017.07.555709

14. Liu F. et al. Digital techniques and trends for seed phenotyping using optical sensors. Journal of Advanced Research. 2023; 63: 1‒16. https://doi.org/10.1016/j.jare.2023.11.010

15. Lin P. et al. Rapidly and exactly determining postharvest dry soybean seed quality based on machine vision technology. Scientific Reports. 2019; 9: 17143. https://doi.org/10.1038/s41598-019-53796-w

16. Peng S. et al. Research on Rapeseed Counting Based on Machine Vision. Journal of Physics: Conference Series. 2021; 1757: 012028. https://doi.org/10.1088/1742-6596/1757/1/012028

17. Kurtulmuş F., Alibaş İ., Kavdır I. Classification of pepper seeds using machine vision based on neural network. International Journal of Agricultural and Biological Engineering. 2016; 9(1): 51‒62. https://doi.org/10.3965/j.ijabe.20160901.1790

18. Архипов М.В., Потрахов Н.Н., Тюкалов Ю.А., Гусакова Л.П. Цифровая система раннего выявления скрытой поврежденности зерновки. Труды Кубанского государственного аграрного университета. 2023; 106: 184‒188. https://elibrary.ru/wzuipa

19. Musaev F.B., Priyatkin N.S., Ivanova M.I., Shchukina P.A., Jafarov I.H., Nowar M. Geometrical parameters and colour index of chive (Allium schoenoprasum) seed. Research on Crops. 2020; 21(4): 775‒782. https://doi.org/10.31830/2348-7542.2020.119

20. Мусаев Ф.Б., Прияткин Н.С., Иванова М.И., Бухаров А.Ф., Кашлева А.И. Компьютеризированная визуализация семян подрода Сера (Allium L., Alliaceae) — эффективный инструмент для оценки их качества. Вестник НГАУ (Новосибирский государственный аграрный университет). 2022; (2): 39‒50. https://doi.org/10.31677/2072-6724-2022-63-2-39-50