Preview

Вестник НГАУ (Новосибирский государственный аграрный университет)

Расширенный поиск

Компьютеризированная визуализация семян подрода Сера (Allium L., Alliaceae) – эффективный инструмент для оценки их качества

https://doi.org/10.31677/2072-6724-2022-63-2-39-50

Полный текст:

Аннотация

В статье представлены результаты исследования морфологии семян Allium из подрода Cepa: секции Cepa (Mill.) Prokh. – A. fistulosum L., A. altaiсum Pall., A. galanthum Kar. & Kir., A. oschaninii O. Fedtsch., A. pskemense B. Fedtsch.; секции Schoenoprasum D um. – A. altyncoliсum, A. ledebourianum, A. oliganthum, A. schoenoprasum L.; секции Condensatum N. Friesen – A. cоndensatum из биоколлекции ВНИИО – филиала ФГБНУ ФНЦО (Московская область). Семена имели длину 2,74 - 3,50 мм, ширину – 1,33 – 2,14 мм. Морфологические признаки семян могут быть использованы в качестве дополнительных таксономических показателей в идентификации и различения таксонов в пределах подрода Cepa рода Allium. Измерение морфометрических и оптических параметров семянок осуществляли путем анализа изображений с помощью программного обеспечения «ВидеоТест-Морфология», разработанного в ООО «Аргус-Био», г. Санкт-Петербург. Цифровые изображения семянок получены с использованием цифрового планшетного сканера HP Scanjet 200, разрешение 600 dpi, формат файлов JPG. Определены морфометрические параметры семян, в том числе площадь проекции (см2), длина, ширина, периметр, средний размер (мм), средний диаметр Фере, факторы округлости, удлиненности, эллипса, изрезанности (отн. ед.), параметры яркости, тональности, насыщенности цвета (отн. ед.). По результатам исследования составлены ряды распределения видов в порядке убывания по каждому из изученных признаков. В пределах секции Cepa максимальные линейные размеры, периметр и площадь сечения имели семена A. pskemense. Среди представителей секции Schoenoprasum максимальную длину имели семянки A. altyncoliсum. Максимальная ширина, периметр, площадь сечения, средний диаметр Фере семян зафиксирована у A. ledebourianum. В секции Cepa среднее значение RGB в порядке убывания составило ряд: A. pskemense > A. galanthum > A. fistulosum > A. altaiсum > A. oschaninii. В секции Schoenoprasum этот ряд имеет вид: A. schoenoprasum > A. ledebourianum > A. altyncoliсum > A. oliganthum.

Об авторах

Ф. Б. Мусаев
Федеральный научный центр овощеводства
Россия

доктор сельскохозяйственных наук

п. ВНИИССОК, Московской обл.



Н. С. Прияткин
Агрофизический научно-исследовательский институт
Россия

кандидат технических наук

Санкт-Петербург



М. И. Иванова
Всероссийский научно-исследовательский институт овощеводства – филиал ФГБНУ Федеральный научныйцентр овощеводства
Россия

доктор сельскохозяйственных наук

д. Верея, Московской обл.



А. Ф. Бухаров
Всероссийский научно-исследовательский институт овощеводства – филиал ФГБНУ Федеральный научный центр овощеводства
Россия

доктор сельскохозяйственных наук

д. Верея, Московской обл.



А. И. Кашлева
Всероссийский научно-исследовательский институт овощеводства – филиал ФГБНУ Федеральный научный центр овощеводства
Россия

кандидат сельскохозяйственных наук

д. Верея, Московской обл.



Список литературы

1. Plant species identification using digital morphometrics: a review / J.S. Cope, D. Corney, J.Y. Clark [et al.] / Expert Syst. App. – 2012. – N. 39. – P. 7562–7573. – DOI: 10.1016/j.eswa.2012.01.073.

2. Pinheiro F., De Barros F. Morphometric analysis of Epidendrum secundum (Orchidaceae) in southeastern Brazil // Nord. J. Bot. – 2008. – N 25. – P. 129–136. – DOI: 10.1111/j.0107-055X.2007.00010.x.

3. Morphological and physiological traits of three major Arabidopsis thaliana accessions / F. Passardi, J. Dobias, L. Valério [et al.] // J. Plant Physiol. – 2007. – N 164. – P. 980–992. – DOI: 10.1016/j.jplph.2006.06.008.

4. Morphometric Study of Populations of the Centaurea jacea Complex (Asteraceae) in Belgium / S. Vanderhoeven, O. Hardy, X. Vekemans [et al.] // Plant Biol. – 2002. – N 4. – P. 403–412. – DOI: 10.1055/s-2002-32327.

5. Chaloner W.G., McElwain J. The fossil plant record and global climatic change // Rev. Palaeobot. Palynol. – 1997. – N 95. – P. 73–82. – DOI: 10.1016/S0034-6667(96)00028-0.

6. Hemming J., Rath T. Computer-vision based weed identification under field condition using controlled lighting // J. Agric. Eng. Res. – 2001. – N 78. – P. 233–243.

7. Ahmad I., Muhamin A., Naeem Islam M. Real-time specific weed recognition system using histogram analysis // Proc. World Acad. Sci. Eng. Technol. – 2006. – N 16. – P. 145–148.

8. Tillet N.P., Hague T., Miles S.J. A field assessment of a potential method for weed and crop mapping geometry // Comput. Electron. Agric. – 2001. – N 32. – P. 229–246.

9. Weed and crop discrimination using image analysis and artificial intelligence methods / M.J. Aitkenhead, I.A. Dalgetty, C.E. Mullins [et al.] // Comput. Electron. Agric. – 2003. – N 39. – P. 157–171.

10. Karcher D.E., Rechardson M.D. Quantifying turf grass color using digital image analysis // Crop Sci. – 2003. – N 43. – P. 943–951.

11. Aldea M., Frank T.D., Delucia E.H. A method for quantitative analysis for spatially variable physiological processes across leaf surfaces // Photosynth. Res. – 2006. – N 90. – P. 161–172.

12. Dell’Aquila A., van der Shoor R., Jalink A. Application of chlorophyll fluorescence in sorting controlled deteriorated white cabbage (Brassica oleracea L.) seeds // Seed Science and Technology. – 2002. – N 30. – P. 689–695.

13. Dell’Aquila A. Red-Green-Blue (RGB) colour density as a non-destructive marker in sorting deteriorated lentil (Lens culinaris Medik.) seeds // Seed Sci. & Technol. – 2006. – N 34. – P. 609-619.

14. Dell’Aquila A. Application of a computer-aided image analysis system to evaluate seed germination under different environmental conditions // Ital. J. Agron. – 2004. – N. 8. – P. 51–62.

15. Dana W., Ivo W. Computer image analysis of seed shape and seed color of flax cultivar description // Comput. Electron. Agric. – 2008. – N 61. – P. 126–135.

16. Image analysis associated with a fuzzy neural network and estimation of shoot length of regenerated rice callus / H. Honda, N. Takikawa, H. Noguchi [et al.] // J. Ferment. Bioeng. – 1997. – N 84. – P. 342–347.

17. Berzin I., Mills D., Merchuk J.C. A non-destructive method for secondary metabolite determination in hairy root cultures // J. Chem. Eng. Jpn. – 1999. – N 32. – P. 229–234.

18. Mahendra Prasad V.S.S., Dutta Gupta S. Trichromatic sorting of in vitro regenerated plants of gladiolus using adaptive resonance theory // Curr. Sci. – 2004. – N 87. – 348–353.

19. Prasad V.S.S., Dutta Gupta S. Photometric clustering of regenerated plants of gladiolus by neural network and its biological validation // Comput. Electron.Agric. – 2008. – N 60. – P. 8–17.

20. Yadav S.P., IbarakiY., Dutta Gupta S. Estimation of the chlorophyll content of micropropagated potato plants using RGB based image analysis // Plant Cell Tiss. Org. Cult. – 2010. – N 100. – P. 183–188.

21. Dutta Gupta S., Ibaraki Y., Pattanayak A. Development of a digital image analysis method for real-time estimation of chlorophyll content in micropropagated potato plants // Plant Biotechnol. Rep. – 2013. – N 7. – P. 91–97.

22. Мусаев Ф.Б., Архипов М.В., Потрахов Н.Н. Анализ качества семян овощных культур методом рентгенографии // Известия Тимирязевской сельскохозяйственной академии. – 2014. – № 4. – С. 18–27.

23. Бухаров А.Ф., Балеев Д.Н., Мусаев Ф.Б. Мягколучевая рентгеноскопия – эффективный метод выявления «пустосемянности» овощных зонтичных культур // Пермский аграрный вестник. – 2015. – № 1 (9). – С. 6–11.

24. Интроскопические методы исследования качества семенного материала: состояние проблемы и перспективы использования / Н.С. Прияткин, М.В. Архипов, Л.П. Гусакова [и др.] // Агрофизика. – 2018. – № 2. – С. 29–39.

25. Sandeep Varma V., Kanaka Durga K., Keshavulu K. Seed image analysis: its applications in seed science research // International Research Journal of Agricultural Sciences. – 2013. – Vol. 1 (2). – P. 30–36.

26. Kapadia V.N., Sasidharan N., Patil К. Seed Image Analysis and Its Application in Seed Science Research // Advances in Biotechnology and Microbiology. – 2017. – Vol. 7, Is. 2. – P. 1–3.

27. Granitto P.M., Verdes P.F., Ceccatto H.A. Large-scale investigation of weed seed identification by machine vision // Comput. Electron. Agric. – 2005. – N 47. – P. 15–24. – DOI: 10.1016/j.compag.2004.10.003.

28. Identification of nine Iranian wheat seed varieties by textural analysis with image processing / A. Pourreza, H. Pourrezab, M.H. Abbaspour-Farda, H. Sadrniaa // Comput. Electron. Agric. – 2012. – N 83. – P. 102–108. – DOI: 10.1016/j.compag.2012.02.005.

29. SmartGrain: high-throughput phenotyping software for measuring seed shape through image analysis / T. Tanabata, T. Shibaya, K. Hori [et al.] // Plant Physiol. – 2012. – N 4. – P. 1871–1880. – DOI: 10.1104/pp.112.205120.

30. Rapid analysis of seed size in Arabidopsis for mutant and QTL discovery / R.P. Herridge, R.C. Day, S. Baldwin, R.C. Macknight // Plant Methods. – 2011. – N 7. – P. 3. – DOI: 10.1186/1746-4811-7-3.

31. GrainScan: a low cost, fast method for grain size and colour measurements / A.P. Whan, A.B. Smith, C.R. Cavanagh [et al.] // Plant Methods. – 2014. – N 10. – P. 1. – DOI: 10.1186/1746-4811-10-2310.4225/08/536302C43FC28.

32. Crop segmentation from images by morphology modeling in the CIE L-a-b color space / X.D. Bai, Z.G. Cao, Y. Wang [et al.] // Comput. Electron. Agric. – 2013. – N 99. – P. 21–34. – DOI: 10.1016/j.compag.2013.08.022.

33. Wiesnerová D., Wiesner I. Computer image analysis of seed shape and seed color for flax cultivar description / Comput. Electron. Agric. – 2008. – N 61. – P. 126–135. – DOI: 10.1016/j.compag.2007.10.001.

34. Combining discriminant analysis and neural networks for corn variety identification / X. Chen, Y. Xun, W. Li, J. Zhang // Comput. Electron. Agric. – 2010. – N 71. – P. 48–53. – DOI: 10.1016/j.compag.2009.09.003.

35. Zapotoczny P. Discrimination of wheat grain varieties using image analysis and neural networks, Part I, single kernel texture // J. Cereal Sci. – 2011. – N 54. – P. 60–68. – DOI: 10.1016/j.jcs.2011.02.012.

36. Image analysis of whole grains: a noninvasive method to predict semolina yield in durum wheat / P. Novaro, F. Colucci, G. Venora, M.G. D’egidio // Cereal Chem. – 2001. – N 78. – P. 217–221. – DOI: 10.1094/CCHEM.2001.78.3.217.

37. Evaluation of the effect of moisture content on cereal grains by digital image analysis / A.R. Tahir, S. Neethirajan, D.S. Jayas [et al.] // Food Res. Int. – 2007. – N 40. – P. 1140–1145. – DOI: 10.1016/j.foodres.2007.06.009.

38. An instrumental system for cereal grain classification using digital image analysis / H.D. Sapirstein, M. Neuman, E.H. Wright [et al.] // J. Cereal Sci. – 1987. – N 6. – P. 3–14. – DOI: 10.1016/S0733-5210(87)80035-8.

39. A robust, high-throughput method for computing maize ear, cob, and kernel attributes automatically from images / N.D. Miller, N.J. Haase, J. Lee [et al.] // Plant J. – 2016. – DOI: 10.1111/tpj.13320.

40. Sankaran S., Wang M., Vandemark G.J. Image-based rapid phenotyping of chickpeas seed size // Eng. Agric. Environ. Food. – 2016. – N 9. – P. 50–55. – DOI: 10.1016/j.eaef.2015.06.001.

41. Review of seed quality and safety tests using optical sensing technologies / M. Huang, Q.G. Wang, Q.B. Zhu [et al.] // Seed Sci. Technol. – 2015. – N 43. – P. 337–366. – DOI: 10.15258/sst.2015.43.3.16.

42. Williams K., Munkvold J., 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. – N 190. – P. 99–116. – DOI: 10.1007/s10681-012-0783-0.

43. Cervantes E., Martín J.J., Saadaoui E. Updated methods for seed shape analysis / Scientifica. – 2016. – DOI: 10.1155/2016/5691825.

44. PhenoSeeder – a robot system for automated handling and phenotyping of individual seeds / S. Jahnke, J. Roussel, T. Hombach [et al.] // Plant Physiol. – 2016. – N 172. – P. 1358–1370. – DOI: 10.1104/pp.16.01122.

45. 3D surface reconstruction of plant seeds by volume carving: performance and accuracies / J. Roussel, F. Geiger, A. Fischbach [et al.] // Front. Plant. Sci. – 2016. – N 7. – P. 745. – DOI: 10.3389/fpls.2016.00745.

46. Automatic estimation of wheat grain morphometry from computed tomography data / H. Strange, R. Zwiggelaar, C. Sturrock [et al.] // Funct. Plant Biol. – 2015. – N 42. – P. 452–459. – DOI: 10.1071/FP14068.

47. Friesen N., Fritsch R.M., Blattner F.R. Phylogeny and new infrageneric classification of Allium (Alliaceae) based on nuclear ribosomal DNA ITS sequences // Aliso. – 2006. – N 22. – P. 372–395.

48. Neshati F., Fritsch R.M. Seed characters and testa sculptures of some Iranian Allium L. species (Alliaceae) // Feddes Repert. – 2009. – N 120. – P. 322–332.

49. Fritsch R.M., Blattner F.R., Gurushidze M. New classification of Allium L. subg. Melanocrommyum (Webb & Berthel) Rouy (Alliaceae) based on molecular and morphological characters // Phyton. – 2010. – N 49. – P. 145–220.

50. Fritsch R.M., Abbasi M. Taxonomic Review of Allium subg. Melanocrommyum in Iran. – Germany, Leibniz-Institut für Pflanzengenetik und Kulturpflanzenforschung Gatersleben, 2013.

51. Биохимический состав листьев видов Allium L. в условиях Московской области / М.И. Иванова, А.Ф. Бухаров, Д.Н. Балеев, А.Р. Бухарова, А.И. Кашлева, Т.М. Середин, О.А. Разин // Достижения науки и техники АПК. – 2019. – Т. 33, № 5. – С. 47–50. – DOI: 10.24411/0235-2451-2019-10511.

52. Bednorz L., Krzymińska A., Czarna A. Seed morphology and testa sculptures of some Allium L. species (Alliaceae) // Acta Agrobotanica. – 2011. – Vol. 64 (2). – P. 33–38.

53. Исследование разнокачественности семян овощных культур с использованием компьютерного анализа изображений / Ф.Б. Мусаев, А.В. Солдатенко [и др.] // Агрофизика. – 2019. – № 1. – С. 38–44.

54. Цифровая морфометрия разнокачественности семян овощных культур / Ф.Б. Мусаев, Н.С. Прияткин, М.В. Архипов [и др.] // Картофель и овощи. – 2018. – № 6. – С. 35–37.

55. Systematics of disjunct northeastern Asian and northern North AmericanAllium (Amaryllidaceae) / Choi Hyeok Jae, Giussani Liliana M., Jang Chang Gee [et al.] // Botany. – 2012. – N 90 (6). – P. 491–508. – DOI: 10.1139/b2012-031.

56. Non-destructive Plant Morphometric and Color Analyses Using an Optoelectronic 3D Color Microscope / H.G. Lazcano-Ramírez, A. Gómez-Felipe, D. Díaz-Ramírez [et al.] // Front. Plant Sci. – 2018. – N 9. – P. 1409. – DOI: 10.3389/fpls.2018.01409.

57. Kasajima I. Measuring plant colors // Plant Biotechnology. – 2019. – N 36. – P. 63–75. – DOI: 10.5511/plantbiotechnology.19.0322a.


Рецензия

Для цитирования:


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

For citation:


Musaev F.B., Priyatkin N.S., Ivanova M.I., Bukharov A.F., Kashleva A.I. Computerized visualization of seeds of Sepa subgenus (Allium L., Alliaceae – an effective tool to assess their quality. Bulletin of NSAU (Novosibirsk State Agrarian University). 2022;(2):39-50. (In Russ.) https://doi.org/10.31677/2072-6724-2022-63-2-39-50

Просмотров: 34


Creative Commons License
Контент доступен под лицензией Creative Commons Attribution 4.0 License.


ISSN 2072-6724 (Print)