Создание и исследование 3D-моделей для цифрового фенотипирования растений

Обложка

Цитировать

Полный текст

Аннотация

В статье представлены результаты разработки и исследования методов для создания 3D-моделей растений, выращиваемых в условиях in vitro. В комплексе они решают проблемы, возникающие в процессе исследований растений в пробирке, связанные со сложностью структуры растения, возникновением искажений на границах пробирки, ее возможным запотеванием, а также влиянием человеческого фактора. Создан банк из 792 единиц 3D-моделей для растений шести видов, позволяющий проводить имитационные эксперименты для выявления причинно-следственных связей, осуществления прогнозирования и получения новых знаний. Проведена проверка разработанных методов на адекватность. Представлены примеры их использования для конкретного растения.

Об авторах

Ольга Александровна Иващук

Российский государственный аграрный университет МСХА им. К.А. Тимирязева

Автор, ответственный за переписку.
Email: o.ivashchuk@rgau-msha.ru

доктор технических наук, профессор, ведущий научный сотрудник

Россия, Москва

Владислав Александрович Бережной

Белгородский государственный национальный исследовательский университет

Email: berezhnoy_v@bsu.edu.ru

кандидат технических наук, старший преподаватель

Россия, Белгород

Юрий Николаевич Маслаков

Российский государственный аграрный университет МСХА им. К.А. Тимирязева

Email: u.maslakov@rgau-msha.ru

младший научный сотрудник НЦМУ «Агротехнологии будущего»

Россия, Москва

Вячеслав Игоревич Фёдоров

Российский государственный аграрный университет МСХА им. К.А. Тимирязева

Email: v.fedorov@rgau-msha.ru

кандидат технических наук, научный сотрудник НЦМУ «Агротехнологии будущего»

Россия, Москва

Список литературы

  1. Chéné Y. On the use of depth camera for 3D phenotyping of entire plants / Y. Chéné, D. Rousseau, P. Lucidarme, J. Bertheloot, V. Caffier, P. Morel, F. Chapeau-Blondeau // Computers and Electronics in Agriculture. 2012. Vol. 82. P. 122-127.
  2. Chaudhury A. Machine vision system for 3D plant phenotyping / A. Chaudhury, C. Ward, A. Talasaz, A.G. Ivanov, M. Brophy, B. Grodzinski, J.L. Barron // IEEE/ACM transactions on computational biology and bioinformatics. 2018. Vol. 16. №. 6. P. 2009-2022.
  3. Berezhnoy V.A. Approaches for Automated Monitoring and Evaluation of In Vitro Plant’s Morphometric Parameters / V.A. Berezhnoy, O.A. Ivashchuk, Y.N. Maslakov, V.I. Fedorov, V.M. Yacenko // Journal of Computational and Theoretical Nanoscience. 2020. Vol. 17. № 9-10. P. 4725-4732.
  4. Бережной В.А., Обзор методов и алгоритмов автоматизированных систем фенотипирования растений. / В.А. Бережной, О.А. Иващук, Д.С. Семенов // Современные наукоемкие технологии. 2021. № 4. С. 111-116.
  5. Automatic plant leaf classification for a mobile field guide / D. Knight, J. Painter, M. Potter // Rapport technique. Université de Stanford, 2010. – URL: https://stacks.stanford.edu/file/druid:bj600br8916/Knight_ Painter_Potter_PlantLeafClassification.pdf (date of the application 20.10.2021).
  6. 3D leaf tracking for plant growth monitoring / W. Gélard, A. Herbulot, M. Devy, P. Casadebaig // 2018 25th IEEE International Conference on Image Processing (ICIP, Athens, Greece, 7-10 Oct. 2018 / IEEE Systems, Man, and Cybernetics Society, Institute of Electrical and Electronics Engineers. Piscataway. New Jersey. 2018: conference proceedings. URL: https://ieeexplore.ieee.org/abstract/document/8451553 (date of the application 20.10.2021).
  7. Plant Species Recognition Methods using Leaf Image: Overview / S. Zhang, W. Huang, Y. A. Approaches to three-dimensional reconstruction of plant shoot topology and geometry / J. A. Gibbs, M. Pound, A. P. French [et al.] // Functional Plant Biology. 2017. Vol. 44, №. 1. P. 62-75.
  8. Huang, C. Zhang // Neurocomputing. 2020. Vol. 408. P. 246-272.
  9. 3D reconstruction methods for digital preservation of cultural heritage: A survey / L. Gomes, O. R. P. Bellon, L. Silva // Pattern Recognition Letters. 2014. Vol. 50. P. 3-14.
  10. Shape-from-shading: A survey [Text] / R. Zhang, P. S. Tsai, J. E. Cryer, M. Shah // IEEE Transactions on Pattern Analysis and Machine Intelligence/ IEEE Systems, Man, and Cybernetics Society, Institute of Electrical and Electronics Engineers. Piscataway. New Jersey. 1999. URL: https://ieeexplore.ieee.org/abstract/document/784284 (date of the application 26.06.2021).
  11. Shape-from-silhouette across time part i: Theory and algorithms / S. Baker, T. Kanade // International Journal of Computer Vision. – 2005. – Vol. 62, №. 3. – P. 221247.
  12. 47. The visual hull: A new tool for contour-based image understanding / A. Laurentini // In Proceedings of the Seventh Scandinavian Conference on Image Analysis. 1991. Vol. 993. P. 1002.
  13. A stochastic approach to stereo vision / S. T Barnard // Readings in Computer Vision. – Morgan Kaufmann. 1987. P. 21-25.
  14. Cheprasov, D. E. Postroenie 3D modeli po neuporiadochennoi kollektsii izobrazhenii / D. E. Cheprasov // Fundamentalnaia informatika i informatsionnye tekhnologii: SPbGU. 2016. P. 1-47.
  15. Scene reconstruction from multiple uncalibrated views / T. Kanade, M. Han // Carnegie Mellon University: Pittsburgh, USA. – 2000. – URL: http://www.tka4.org/materials/study/5%20sem/%23Spec%20Sem/Mat%20Metody%20Obrabotki%20Izobrajeniy/Doklad%202/h4.pdf (date of the application 26.06.2021).

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML
Скачать

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».