- ข้อความ
- ประวัติศาสตร์
RESULTSSmartGrain: Image Analysis S
RESULTS
SmartGrain: Image Analysis Software for High-Throughput Measurement of Seed Shape
SmartGrain batch-analyzes all images stored in a specified folder (up to 65,500). It can automatically detect overlapping seeds, which are then omitted from analysis, and automatically removes awns and pedicels (Figs. 1, A and B, and and2):2): Parameters are set for the method of seed detection, degree of seed overlap, and intensity of awn and pedicel removal. Each 600-dpi (dots per inch) A4 image takes a few minutes to analyze. The results are exported as a CSV (comma-separated values) file that can be opened in spreadsheet software (e.g. Microsoft Excel).
Regardless of the placement or number of seeds, SmartGrain can isolate all seeds and measure their shape (Fig. 1B), removing a serious bottleneck in taking images.
Algorithm for Image Processing and Measurement of Seed Shape Parameters
SmartGrain can measure multiple parameters in addition to area. Having detected the outline of each seed, it calculates AS, PL, L, W, circularity (CS), length-to-width ratio (LWR), intersection of length and width (IS), center of gravity (CG), and distance between IS and CG (DS; Fig. 1C).
The values of these parameters are calculated by taking sequential points along the seed perimeter and maximizing or minimizing the values in the following sequence (Fig. 1D): (1) load image; (2) convert to 1-bit image (white seeds on a black background); (3) analyze morphology to delete awns and pedicel; (4) detect outlines, label all seeds in the image, and calculate AS, PL, and CG from the outlines; (5) detect the longitudinal axis and calculate L; (6) detect the transverse axis from the outline and the longitudinal axis and calculate W and IS; and (7) calculate LWR, CS, and DS using data from steps 4 to 6.
Automatic Segmentation of AS and Plotting of Seed Perimeter
The image is processed in three steps. First, the image is converted from 24-bit (full color; Fig. 2A) to 1-bit (black and white) using a segmentation method (Tanabata et al., 2010) to give white seeds on a black background (Fig. 2B). This method is robust to lighting levels, and a threshold does not need to be set.
Second, any awn or pedicel is removed. SmartGrain uses the OpenCV functions “cvErode” and “cvDilate” based on morphological operations (Fig. 2C). The cvErode process pares away the perimeter, reducing the AS, which the cvDilate process rebuilds (Fig. 2D).
Third, the OpenCV function “cvFindContour,” based on the algorithm of Suzuki and Abe (1985), automatically detects the perimeter of each seed in the 1-bit image (Fig. 2E; OpenCV Developers Team, 2012). It acquires a set of perimeter coordinates An external file that holds a picture, illustration, etc.
Object name is PP_205120I01_LW.jpg (Fig. 3A) as:
An external file that holds a picture, illustration, etc.
Object name is PP_205120E01_LW.jpg
The origin An external file that holds a picture, illustration, etc.
Object name is PP_205120I02_LW.jpg for all An external file that holds a picture, illustration, etc.
Object name is PP_205120I03_LW.jpg is defined as the top left corner in the image (Fig. 3A). From the set of perimeter coordinates, the OpenCV function “cvContourArea” computes the area within the perimeter, and “cvArcLength” computes the PL (OpenCV Developers Team, 2012). Using these functions, AS and PL are calculated from the set of An external file that holds a picture, illustration, etc.
Object name is PP_205120I04_LW.jpg. CG is calculated from An external file that holds a picture, illustration, etc.
Object name is PP_205120I05_LW.jpg as:
An external file that holds a picture, illustration, etc.
Object name is PP_205120E02_LW.jpg
Figure 3.
Figure 3.
Schematic representation showing measurement of length and width. A, Definition of the origin and x/y axes for the perimeter coordinates An external file that holds a picture, illustration, etc.
Object name is PP_205120I06_LW.jpg. B, Detection of longitudinal axis. C, Detection of maximum width.
Calculation of L, W, and Other Shape Parameters
Next, the longitudinal and transverse axes are derived from the set of perimeter points.
To measure L, SmartGrain detects the maximum distance between points on the perimeter (Fig. 3A) by calculating all segment distances An external file that holds a picture, illustration, etc.
Object name is PP_205120I07_LW.jpg between all pairs of points on perimeter An external file that holds a picture, illustration, etc.
Object name is PP_205120I08_LW.jpg:
An external file that holds a picture, illustration, etc.
Object name is PP_205120E03_LW.jpg
L is the longest segment:
An external file that holds a picture, illustration, etc.
Object name is PP_205120E04_LW.jpg
To measure W, SmartGrain detects the longest segment that is perpendicular to the L segment (Fig. 3B):
An external file that holds a picture, illustration, etc.
Object name is PP_205120E05_LW.jpg
An external file that holds a picture, illustration, etc.
Object name is PP_205120E06_LW.jpg
Finally, the other shape parameters are calculated:
An external file that holds a picture, illustration, etc.
Object name is PP_205120E07_LW.jpg
An external file that holds a picture, illustration, etc.
Object name is PP_205120E08_LW.jpg
An external file that holds a picture, illustration, etc.
Object name is PP_205120E09_LW.jpg
An external file that holds a picture, illustration, etc.
Object name is PP_205120E10_LW.jpg
An external file that holds a picture, illustration, etc.
Object name is PP_205120E11_LW.jpg
An external file that holds a picture, illustration, etc.
Object name is PP_205120E12_LW.jpg
Application of SmartGrain to QTL Analysis of Rice Seed Shape in BILs
SmartGrain measured AS, PL, CS, L, W, LWR, IS, CG, and DS. Japanese rice cultivars Nipponbare and Koshihikari have similar seed shapes (Fig. 4A). However, SmartGrain clearly identified significant differences between them in PL, L, LRW, and CS (Fig. 4, B–G): cv Nipponbare is longer than cv Koshihikari and is therefore less round.
SmartGrain: Image Analysis Software for High-Throughput Measurement of Seed Shape
SmartGrain batch-analyzes all images stored in a specified folder (up to 65,500). It can automatically detect overlapping seeds, which are then omitted from analysis, and automatically removes awns and pedicels (Figs. 1, A and B, and and2):2): Parameters are set for the method of seed detection, degree of seed overlap, and intensity of awn and pedicel removal. Each 600-dpi (dots per inch) A4 image takes a few minutes to analyze. The results are exported as a CSV (comma-separated values) file that can be opened in spreadsheet software (e.g. Microsoft Excel).
Regardless of the placement or number of seeds, SmartGrain can isolate all seeds and measure their shape (Fig. 1B), removing a serious bottleneck in taking images.
Algorithm for Image Processing and Measurement of Seed Shape Parameters
SmartGrain can measure multiple parameters in addition to area. Having detected the outline of each seed, it calculates AS, PL, L, W, circularity (CS), length-to-width ratio (LWR), intersection of length and width (IS), center of gravity (CG), and distance between IS and CG (DS; Fig. 1C).
The values of these parameters are calculated by taking sequential points along the seed perimeter and maximizing or minimizing the values in the following sequence (Fig. 1D): (1) load image; (2) convert to 1-bit image (white seeds on a black background); (3) analyze morphology to delete awns and pedicel; (4) detect outlines, label all seeds in the image, and calculate AS, PL, and CG from the outlines; (5) detect the longitudinal axis and calculate L; (6) detect the transverse axis from the outline and the longitudinal axis and calculate W and IS; and (7) calculate LWR, CS, and DS using data from steps 4 to 6.
Automatic Segmentation of AS and Plotting of Seed Perimeter
The image is processed in three steps. First, the image is converted from 24-bit (full color; Fig. 2A) to 1-bit (black and white) using a segmentation method (Tanabata et al., 2010) to give white seeds on a black background (Fig. 2B). This method is robust to lighting levels, and a threshold does not need to be set.
Second, any awn or pedicel is removed. SmartGrain uses the OpenCV functions “cvErode” and “cvDilate” based on morphological operations (Fig. 2C). The cvErode process pares away the perimeter, reducing the AS, which the cvDilate process rebuilds (Fig. 2D).
Third, the OpenCV function “cvFindContour,” based on the algorithm of Suzuki and Abe (1985), automatically detects the perimeter of each seed in the 1-bit image (Fig. 2E; OpenCV Developers Team, 2012). It acquires a set of perimeter coordinates An external file that holds a picture, illustration, etc.
Object name is PP_205120I01_LW.jpg (Fig. 3A) as:
An external file that holds a picture, illustration, etc.
Object name is PP_205120E01_LW.jpg
The origin An external file that holds a picture, illustration, etc.
Object name is PP_205120I02_LW.jpg for all An external file that holds a picture, illustration, etc.
Object name is PP_205120I03_LW.jpg is defined as the top left corner in the image (Fig. 3A). From the set of perimeter coordinates, the OpenCV function “cvContourArea” computes the area within the perimeter, and “cvArcLength” computes the PL (OpenCV Developers Team, 2012). Using these functions, AS and PL are calculated from the set of An external file that holds a picture, illustration, etc.
Object name is PP_205120I04_LW.jpg. CG is calculated from An external file that holds a picture, illustration, etc.
Object name is PP_205120I05_LW.jpg as:
An external file that holds a picture, illustration, etc.
Object name is PP_205120E02_LW.jpg
Figure 3.
Figure 3.
Schematic representation showing measurement of length and width. A, Definition of the origin and x/y axes for the perimeter coordinates An external file that holds a picture, illustration, etc.
Object name is PP_205120I06_LW.jpg. B, Detection of longitudinal axis. C, Detection of maximum width.
Calculation of L, W, and Other Shape Parameters
Next, the longitudinal and transverse axes are derived from the set of perimeter points.
To measure L, SmartGrain detects the maximum distance between points on the perimeter (Fig. 3A) by calculating all segment distances An external file that holds a picture, illustration, etc.
Object name is PP_205120I07_LW.jpg between all pairs of points on perimeter An external file that holds a picture, illustration, etc.
Object name is PP_205120I08_LW.jpg:
An external file that holds a picture, illustration, etc.
Object name is PP_205120E03_LW.jpg
L is the longest segment:
An external file that holds a picture, illustration, etc.
Object name is PP_205120E04_LW.jpg
To measure W, SmartGrain detects the longest segment that is perpendicular to the L segment (Fig. 3B):
An external file that holds a picture, illustration, etc.
Object name is PP_205120E05_LW.jpg
An external file that holds a picture, illustration, etc.
Object name is PP_205120E06_LW.jpg
Finally, the other shape parameters are calculated:
An external file that holds a picture, illustration, etc.
Object name is PP_205120E07_LW.jpg
An external file that holds a picture, illustration, etc.
Object name is PP_205120E08_LW.jpg
An external file that holds a picture, illustration, etc.
Object name is PP_205120E09_LW.jpg
An external file that holds a picture, illustration, etc.
Object name is PP_205120E10_LW.jpg
An external file that holds a picture, illustration, etc.
Object name is PP_205120E11_LW.jpg
An external file that holds a picture, illustration, etc.
Object name is PP_205120E12_LW.jpg
Application of SmartGrain to QTL Analysis of Rice Seed Shape in BILs
SmartGrain measured AS, PL, CS, L, W, LWR, IS, CG, and DS. Japanese rice cultivars Nipponbare and Koshihikari have similar seed shapes (Fig. 4A). However, SmartGrain clearly identified significant differences between them in PL, L, LRW, and CS (Fig. 4, B–G): cv Nipponbare is longer than cv Koshihikari and is therefore less round.
0/5000
ผล
SmartGrain: ซอฟต์แวร์วิเคราะห์ภาพในอัตราความเร็วสูงวัดของเมล็ดรูป
SmartGrain ชุดวิเคราะห์ภาพทั้งหมดที่เก็บไว้ในโฟลเดอร์ที่ระบุ (ถึง 65,500) มันสามารถตรวจพบโดยอัตโนมัติซ้อนเมล็ด ซึ่งเป็นแล้วละ จากการวิเคราะห์ และโดยอัตโนมัติเอา awns และ pedicels (Figs. 1, A และ B และ and2): 2): มีการตั้งค่าพารามิเตอร์สำหรับวิธีการตรวจหาเมล็ด ระดับของเมล็ดทับซ้อน และความเข้มของ awn และ pedicel เอา แต่ละ 600 dpi (จุดต่อนิ้ว) A4 รูปใช้เวลากี่นาทีในการวิเคราะห์ ผลลัพธ์จะส่งออกเป็นไฟล์ CSV (จุลภาคค่า) ที่สามารถเปิดในกระดาษคำนวณซอฟต์แวร์ (เช่น Microsoft Excel) .
วางหรือจำนวนเมล็ด SmartGrain สามารถแยกเมล็ดพืชทั้งหมด และวัดรูปร่างของพวกเขา (Fig. 1B), เอาคอขวดอย่างจริงจังในการถ่ายภาพได้
อัลกอริทึมสำหรับการประมวลผลภาพและวัดเมล็ดรูปร่างพารามิเตอร์
SmartGrain สามารถวัดพารามิเตอร์หลายนอกจากที่ตั้งได้ มีการตรวจพบของแต่ละเมล็ด โปรแกรมคำนวณเป็น PL, L, W หมุนเวียน (CS), อัตราส่วนความยาวความกว้าง (LWR) ของความยาวและความกว้าง (IS), ศูนย์ของแรงโน้มถ่วง (CG), และระยะห่างระหว่าง IS และ CG (DS Fig. ที่ 1 C)
ค่าของพารามิเตอร์เหล่านี้จะถูกคำนวณ โดยการจุดตามลำดับตามขอบเขตเมล็ด และเพิ่ม หรือลดค่าในลำดับต่อไปนี้ (Fig. 1D): (1) โหลดรูป (2) แปลงรูป 1 บิต (ขาวเมล็ดพืชบนพื้นหลังสีดำ); (3) วิเคราะห์สัณฐานวิทยาการลบ awns และ pedicel (4) ตรวจพบเค้าร่าง ป้ายชื่อเมล็ดพันธุ์ทั้งหมดในรูปภาพ และคำนวณเป็น PL และ CG จากเค้า (5) ตรวจแกนระยะยาว และคำนวณ L (6) ตรวจสอบแกน transverse จากเค้าร่างและแกนระยะยาว และคำนวณ W และ IS และ (7) คำนวณ LWR, CS, DS ที่ใช้ข้อมูลจากขั้นตอนที่ 4-6
แบ่งอัตโนมัติ AS และพล็อตของเมล็ดปริมณฑล
ภาพการประมวลผลในขั้นตอนที่สาม ครั้งแรก ภาพจะถูกแปลงจาก 24 บิต (สีเต็ม Fig. 2A) ไป 1 บิต (ขาวดำ) โดยใช้วิธีแบ่ง (ทะนะบะตะ et al., 2010) เพื่อให้เมล็ดสีขาวบนพื้นหลังสีดำ (Fig. 2B) วิธีการนี้มีประสิทธิภาพระดับแสง และขีดจำกัดไม่จำเป็นต้องได้ชุด
สอง awn หรือ pedicel ใด ๆ จะถูกเอาออก SmartGrain ใช้ OpenCV ฟังก์ชัน "cvErode" และ "cvDilate" ตามการดำเนินงานของ (Fig. 2C) กระบวนการ cvErode pares เก็บขอบเขต AS ลดซึ่งกระบวนการ cvDilate สร้าง (Fig. 2D)
3 ฟังก์ชัน OpenCV "cvFindContour ตามอัลกอริทึมของ Suzuki และอะเบะ (1985), โดยอัตโนมัติตรวจพบขอบเขตของแต่ละเมล็ดในรูป 1 บิต (Fig. 2E OpenCV พัฒนาทีม 2012) จึงได้ฝึกฝนตั้งขอบเขตพิกัดแฟ้มภายนอกที่เก็บรูปภาพ ภาพประกอบ ฯลฯ
ชื่อวัตถุเป็น PP_205120I01_LW.jpg (Fig. 3A):
แฟ้มภายนอกที่เก็บรูปภาพ ภาพประกอบ ฯลฯ
ชื่อวัตถุเป็นจุดเริ่มต้นของ PP_205120E01_LW.jpg
The แฟ้มภายนอกที่เก็บรูปภาพ ภาพประกอบ ฯลฯ
ชื่อวัตถุเป็น PP_205120I02_LWjpg สำหรับแฟ้มภายนอกทั้งหมดที่จัดเก็บรูปภาพ ภาพประกอบ ฯลฯ
ชื่อวัตถุเป็น PP_205120I03_LW.jpg ถูกกำหนดให้เป็นมุมบนซ้ายในรูป (Fig. 3A) จากชุดของขอบเขตพิกัด พื้นที่ภายในขอบเขตคำนวณฟังก์ชัน OpenCV "cvContourArea" และ "cvArcLength" จะ PL (OpenCV พัฒนาทีม 2012) ใช้ฟังก์ชันเหล่านี้ AS และ PL จะคำนวณจากชุดของแฟ้มภายนอกที่เก็บรูปภาพ ภาพประกอบ ฯลฯ
ชื่อวัตถุเป็น PP_205120I04_LW.jpg เครื่องนั้น CG จะคำนวณจากแฟ้มภายนอกที่เก็บรูปภาพ ภาพประกอบ ฯลฯ
วัตถุชื่อคือ PP_205120I05_LW.jpg เป็น:
แฟ้มภายนอกที่เก็บรูปภาพ ภาพประกอบ ฯลฯ
ชื่อวัตถุเป็น PP_205120E02_LW.jpg
Figure 3.
3 รูป
แสดงแผนผังวงจรแสดงการวัดความยาวและความกว้าง ข้อกำหนดของแหล่งกำเนิดและ x / y แกนสำหรับขอบเขตประสานแฟ้มภายนอกที่เก็บรูปภาพ ภาพประกอบ ฯลฯ
ชื่อวัตถุได้ PP_205120I06_LW.jpg B ตรวจแกนระยะยาว ซี ตรวจสอบความกว้างสูงสุด
คำนวณ L, W และ พารามิเตอร์รูปร่างอื่น ๆ
ถัดไป มาจากชุดของขอบเขตจุดแกนระยะยาว และ transverse
การวัด L, SmartGrain ตรวจระยะห่างสูงสุดระหว่างจุดบนขอบเขต (Fig. 3A) โดยการคำนวณทั้งหมดแบ่งส่วนความยาวมากกว่าแฟ้มภายนอกที่เก็บรูปภาพ ภาพประกอบ ฯลฯ
ชื่อวัตถุเป็น PP_205120I07_LW.jpg ระหว่างจุดบนขอบเขตแฟ้มภายนอกที่เก็บรูปภาพคู่ทั้งหมด, ภาพประกอบ ฯลฯ
ชื่อวัตถุเป็น PP_205120I08_LW.jpg:
An แฟ้มภายนอกที่เก็บรูปภาพ ภาพประกอบ ฯลฯ
วัตถุชื่อคือ PP_205120E03_LW.jpg
L เป็นส่วนที่ยาวที่สุด:
แฟ้มภายนอกที่เก็บรูปภาพ ภาพประกอบ ฯลฯ
ชื่อวัตถุวัด PP_205120E04_LW.jpg
To W, SmartGrain ตรวจพบส่วนที่ยาวที่สุดที่ตั้งฉากกับ L เซ็กเมนต์ (Fig. 3B):
ไฟล์ภายนอกที่เก็บรูปภาพ ภาพประกอบ ฯลฯ
ชื่อวัตถุเป็น PP_205120E05_LW.jpg
An แฟ้มภายนอกที่เก็บรูปภาพ ภาพประกอบ ฯลฯ
ชื่อวัตถุ PP_205120E06_LW.jpg
Finally คำนวณพารามิเตอร์รูปร่างอื่น ๆ:
แฟ้มภายนอกที่เก็บรูปภาพ ภาพประกอบ ฯลฯ
ชื่อวัตถุเป็น PP_205120E07_LW.jpg
An แฟ้มภายนอกที่เก็บรูปภาพ ภาพประกอบ ฯลฯ
ชื่อวัตถุเป็น PP_205120E08_LW.jpg
An แฟ้มภายนอกที่เก็บรูปภาพ ภาพประกอบ ฯลฯ
ชื่อวัตถุเป็น PP_205120E09_LW.jpg
An แฟ้มภายนอกที่เก็บรูปภาพ ภาพประกอบ ฯลฯ
ชื่อวัตถุเป็น PP_205120E10_LW.jpg
An แฟ้มภายนอกที่เก็บรูปภาพ ภาพประกอบ ฯลฯ
ชื่อวัตถุเป็น PP_205120E11_LW.jpg
An แฟ้มภายนอกที่เก็บรูปภาพ ภาพประกอบ ฯลฯ
ชื่อวัตถุเป็น PP_205120E12_LW.jpg
Application SmartGrain เพื่อ QTL วิเคราะห์ของข้าวเมล็ดรูปร่างใน BILs
SmartGrain วัดเป็น PL, CS, L, W, LWR, IS, CG และ DS ข้าวญี่ปุ่นพันธุ์ Nipponbare และ Koshihikari มีเมล็ดคล้ายรูปร่าง (Fig. 4A) อย่างไรก็ตาม SmartGrain ชัดเจนระบุความแตกต่างอย่างมีนัยสำคัญระหว่าง PL, L, LRW และ CS (Fig. 4, B – G): cv Nipponbare มีความยาวมากกว่า cv Koshihikari จึงน้อยกว่ารอบ
SmartGrain: ซอฟต์แวร์วิเคราะห์ภาพในอัตราความเร็วสูงวัดของเมล็ดรูป
SmartGrain ชุดวิเคราะห์ภาพทั้งหมดที่เก็บไว้ในโฟลเดอร์ที่ระบุ (ถึง 65,500) มันสามารถตรวจพบโดยอัตโนมัติซ้อนเมล็ด ซึ่งเป็นแล้วละ จากการวิเคราะห์ และโดยอัตโนมัติเอา awns และ pedicels (Figs. 1, A และ B และ and2): 2): มีการตั้งค่าพารามิเตอร์สำหรับวิธีการตรวจหาเมล็ด ระดับของเมล็ดทับซ้อน และความเข้มของ awn และ pedicel เอา แต่ละ 600 dpi (จุดต่อนิ้ว) A4 รูปใช้เวลากี่นาทีในการวิเคราะห์ ผลลัพธ์จะส่งออกเป็นไฟล์ CSV (จุลภาคค่า) ที่สามารถเปิดในกระดาษคำนวณซอฟต์แวร์ (เช่น Microsoft Excel) .
วางหรือจำนวนเมล็ด SmartGrain สามารถแยกเมล็ดพืชทั้งหมด และวัดรูปร่างของพวกเขา (Fig. 1B), เอาคอขวดอย่างจริงจังในการถ่ายภาพได้
อัลกอริทึมสำหรับการประมวลผลภาพและวัดเมล็ดรูปร่างพารามิเตอร์
SmartGrain สามารถวัดพารามิเตอร์หลายนอกจากที่ตั้งได้ มีการตรวจพบของแต่ละเมล็ด โปรแกรมคำนวณเป็น PL, L, W หมุนเวียน (CS), อัตราส่วนความยาวความกว้าง (LWR) ของความยาวและความกว้าง (IS), ศูนย์ของแรงโน้มถ่วง (CG), และระยะห่างระหว่าง IS และ CG (DS Fig. ที่ 1 C)
ค่าของพารามิเตอร์เหล่านี้จะถูกคำนวณ โดยการจุดตามลำดับตามขอบเขตเมล็ด และเพิ่ม หรือลดค่าในลำดับต่อไปนี้ (Fig. 1D): (1) โหลดรูป (2) แปลงรูป 1 บิต (ขาวเมล็ดพืชบนพื้นหลังสีดำ); (3) วิเคราะห์สัณฐานวิทยาการลบ awns และ pedicel (4) ตรวจพบเค้าร่าง ป้ายชื่อเมล็ดพันธุ์ทั้งหมดในรูปภาพ และคำนวณเป็น PL และ CG จากเค้า (5) ตรวจแกนระยะยาว และคำนวณ L (6) ตรวจสอบแกน transverse จากเค้าร่างและแกนระยะยาว และคำนวณ W และ IS และ (7) คำนวณ LWR, CS, DS ที่ใช้ข้อมูลจากขั้นตอนที่ 4-6
แบ่งอัตโนมัติ AS และพล็อตของเมล็ดปริมณฑล
ภาพการประมวลผลในขั้นตอนที่สาม ครั้งแรก ภาพจะถูกแปลงจาก 24 บิต (สีเต็ม Fig. 2A) ไป 1 บิต (ขาวดำ) โดยใช้วิธีแบ่ง (ทะนะบะตะ et al., 2010) เพื่อให้เมล็ดสีขาวบนพื้นหลังสีดำ (Fig. 2B) วิธีการนี้มีประสิทธิภาพระดับแสง และขีดจำกัดไม่จำเป็นต้องได้ชุด
สอง awn หรือ pedicel ใด ๆ จะถูกเอาออก SmartGrain ใช้ OpenCV ฟังก์ชัน "cvErode" และ "cvDilate" ตามการดำเนินงานของ (Fig. 2C) กระบวนการ cvErode pares เก็บขอบเขต AS ลดซึ่งกระบวนการ cvDilate สร้าง (Fig. 2D)
3 ฟังก์ชัน OpenCV "cvFindContour ตามอัลกอริทึมของ Suzuki และอะเบะ (1985), โดยอัตโนมัติตรวจพบขอบเขตของแต่ละเมล็ดในรูป 1 บิต (Fig. 2E OpenCV พัฒนาทีม 2012) จึงได้ฝึกฝนตั้งขอบเขตพิกัดแฟ้มภายนอกที่เก็บรูปภาพ ภาพประกอบ ฯลฯ
ชื่อวัตถุเป็น PP_205120I01_LW.jpg (Fig. 3A):
แฟ้มภายนอกที่เก็บรูปภาพ ภาพประกอบ ฯลฯ
ชื่อวัตถุเป็นจุดเริ่มต้นของ PP_205120E01_LW.jpg
The แฟ้มภายนอกที่เก็บรูปภาพ ภาพประกอบ ฯลฯ
ชื่อวัตถุเป็น PP_205120I02_LWjpg สำหรับแฟ้มภายนอกทั้งหมดที่จัดเก็บรูปภาพ ภาพประกอบ ฯลฯ
ชื่อวัตถุเป็น PP_205120I03_LW.jpg ถูกกำหนดให้เป็นมุมบนซ้ายในรูป (Fig. 3A) จากชุดของขอบเขตพิกัด พื้นที่ภายในขอบเขตคำนวณฟังก์ชัน OpenCV "cvContourArea" และ "cvArcLength" จะ PL (OpenCV พัฒนาทีม 2012) ใช้ฟังก์ชันเหล่านี้ AS และ PL จะคำนวณจากชุดของแฟ้มภายนอกที่เก็บรูปภาพ ภาพประกอบ ฯลฯ
ชื่อวัตถุเป็น PP_205120I04_LW.jpg เครื่องนั้น CG จะคำนวณจากแฟ้มภายนอกที่เก็บรูปภาพ ภาพประกอบ ฯลฯ
วัตถุชื่อคือ PP_205120I05_LW.jpg เป็น:
แฟ้มภายนอกที่เก็บรูปภาพ ภาพประกอบ ฯลฯ
ชื่อวัตถุเป็น PP_205120E02_LW.jpg
Figure 3.
3 รูป
แสดงแผนผังวงจรแสดงการวัดความยาวและความกว้าง ข้อกำหนดของแหล่งกำเนิดและ x / y แกนสำหรับขอบเขตประสานแฟ้มภายนอกที่เก็บรูปภาพ ภาพประกอบ ฯลฯ
ชื่อวัตถุได้ PP_205120I06_LW.jpg B ตรวจแกนระยะยาว ซี ตรวจสอบความกว้างสูงสุด
คำนวณ L, W และ พารามิเตอร์รูปร่างอื่น ๆ
ถัดไป มาจากชุดของขอบเขตจุดแกนระยะยาว และ transverse
การวัด L, SmartGrain ตรวจระยะห่างสูงสุดระหว่างจุดบนขอบเขต (Fig. 3A) โดยการคำนวณทั้งหมดแบ่งส่วนความยาวมากกว่าแฟ้มภายนอกที่เก็บรูปภาพ ภาพประกอบ ฯลฯ
ชื่อวัตถุเป็น PP_205120I07_LW.jpg ระหว่างจุดบนขอบเขตแฟ้มภายนอกที่เก็บรูปภาพคู่ทั้งหมด, ภาพประกอบ ฯลฯ
ชื่อวัตถุเป็น PP_205120I08_LW.jpg:
An แฟ้มภายนอกที่เก็บรูปภาพ ภาพประกอบ ฯลฯ
วัตถุชื่อคือ PP_205120E03_LW.jpg
L เป็นส่วนที่ยาวที่สุด:
แฟ้มภายนอกที่เก็บรูปภาพ ภาพประกอบ ฯลฯ
ชื่อวัตถุวัด PP_205120E04_LW.jpg
To W, SmartGrain ตรวจพบส่วนที่ยาวที่สุดที่ตั้งฉากกับ L เซ็กเมนต์ (Fig. 3B):
ไฟล์ภายนอกที่เก็บรูปภาพ ภาพประกอบ ฯลฯ
ชื่อวัตถุเป็น PP_205120E05_LW.jpg
An แฟ้มภายนอกที่เก็บรูปภาพ ภาพประกอบ ฯลฯ
ชื่อวัตถุ PP_205120E06_LW.jpg
Finally คำนวณพารามิเตอร์รูปร่างอื่น ๆ:
แฟ้มภายนอกที่เก็บรูปภาพ ภาพประกอบ ฯลฯ
ชื่อวัตถุเป็น PP_205120E07_LW.jpg
An แฟ้มภายนอกที่เก็บรูปภาพ ภาพประกอบ ฯลฯ
ชื่อวัตถุเป็น PP_205120E08_LW.jpg
An แฟ้มภายนอกที่เก็บรูปภาพ ภาพประกอบ ฯลฯ
ชื่อวัตถุเป็น PP_205120E09_LW.jpg
An แฟ้มภายนอกที่เก็บรูปภาพ ภาพประกอบ ฯลฯ
ชื่อวัตถุเป็น PP_205120E10_LW.jpg
An แฟ้มภายนอกที่เก็บรูปภาพ ภาพประกอบ ฯลฯ
ชื่อวัตถุเป็น PP_205120E11_LW.jpg
An แฟ้มภายนอกที่เก็บรูปภาพ ภาพประกอบ ฯลฯ
ชื่อวัตถุเป็น PP_205120E12_LW.jpg
Application SmartGrain เพื่อ QTL วิเคราะห์ของข้าวเมล็ดรูปร่างใน BILs
SmartGrain วัดเป็น PL, CS, L, W, LWR, IS, CG และ DS ข้าวญี่ปุ่นพันธุ์ Nipponbare และ Koshihikari มีเมล็ดคล้ายรูปร่าง (Fig. 4A) อย่างไรก็ตาม SmartGrain ชัดเจนระบุความแตกต่างอย่างมีนัยสำคัญระหว่าง PL, L, LRW และ CS (Fig. 4, B – G): cv Nipponbare มีความยาวมากกว่า cv Koshihikari จึงน้อยกว่ารอบ
การแปล กรุณารอสักครู่..
ผลการ
SmartGrain: ภาพซอฟต์แวร์การวิเคราะห์สำหรับการกลั่นสูงการวัดรูปร่างเมล็ดSmartGrain ชุดวิเคราะห์ภาพทั้งหมดที่เก็บไว้ในโฟลเดอร์ที่ระบุ (สูงสุด 65,500) โดยจะสามารถตรวจสอบการทับซ้อนกันเมล็ดที่ถูกตัดออกแล้วจากการวิเคราะห์และลบโดยอัตโนมัติสนามอาคารและก้านดอก (ภาพที่ 1, A และ B และ and2.) 2): พารามิเตอร์ที่กำหนดไว้สำหรับวิธีการในการตรวจสอบเมล็ดพันธุ์ระดับของเมล็ด ที่ทับซ้อนกันและความรุนแรงของการกำจัดหนามและก้านดอก ภาพแต่ละภาพ A4 600 dpi (จุดต่อนิ้ว) ใช้เวลาไม่กี่นาทีในการวิเคราะห์ ผลที่ได้จะถูกส่งออกเป็น (ค่าที่คั่นด้วยจุลภาค) ไฟล์ CSV ที่สามารถเปิดในซอฟต์แวร์สเปรดชีต (เช่น Microsoft Excel) โดยไม่คำนึงถึงตำแหน่งหรือจำนวนของเมล็ด SmartGrain สามารถแยกเมล็ดและวัดรูปร่างของพวกเขา (รูปที่ 1B.) เอาคอขวดอย่างจริงจังในการถ่ายภาพขั้นตอนวิธีการประมวลผลภาพและการวัดพารามิเตอร์รูปร่างเมล็ดSmartGrain สามารถวัดหลายพารามิเตอร์ที่นอกเหนือไปจากพื้นที่ มีการตรวจพบโครงร่างของแต่ละเมล็ดก็จะคำนวณ AS, PL, L, W, วัฏจักร (CS) ความยาวความกว้างอัตราส่วน (LWR), สี่แยกของความยาวและความกว้าง (IS), ศูนย์ของแรงโน้มถ่วง (CG) และ ระยะห่างระหว่างและ CG. (ดีเอส; รูปที่ 1C) ค่าของพารามิเตอร์เหล่านี้ได้รับการคำนวณโดยการใช้จุดตามลำดับพร้อมปริมณฑลเมล็ดและการเพิ่มหรือลดค่าในลำดับต่อไปนี้ (รูปที่ 1D.) (1) โหลดภาพ; (2) แปลงเป็นภาพ 1 บิต (เมล็ดสีขาวบนพื้นหลังสีดำ); (3) วิเคราะห์ลักษณะทางสัณฐานวิทยาที่จะลบสนามอาคารและก้านดอก; (4) ตรวจสอบการแสดงฉลากเมล็ดทั้งหมดในภาพและคำนวณ AS, PL, และ CG จากโครงร่าง; (5) ตรวจสอบแกนตามยาวและคำนวณ L; (6) ตรวจสอบแกนขวางจากโครงร่างและแกนตามยาวและคำนวณ W และ IS; และ (7) การคำนวณ LWR, CS และ DS โดยใช้ข้อมูลจากขั้นตอนที่ 4-6 การแบ่งกลุ่มอัตโนมัติของ AS และพล็อตของเมล็ดพันธุ์ปริมณฑลภาพจะถูกประมวลผลในสามขั้นตอน ก่อนที่ภาพจะถูกแปลงจาก 24 บิต (สีเต็ม. รูปที่ 2A) ถึง 1 บิต (ขาวดำ) โดยใช้วิธีการแบ่งส่วน. (ทานาบาตะและคณะ, 2010) ที่จะให้เมล็ดสีขาวบนพื้นหลังสีดำ (รูปที่ 2B) วิธีนี้เป็นวิธีที่มีประสิทธิภาพให้อยู่ในระดับแสงและเกณฑ์ไม่จำเป็นต้องมีการตั้งค่าที่สองหนามหรือก้านดอกใด ๆ จะถูกลบออก SmartGrain ใช้ฟังก์ชั่น OpenCV "cvErode" และ "cvDilate" ขึ้นอยู่กับการดำเนินงานทางสัณฐานวิทยา (รูปที่ 2C.) กระบวนการ cvErode pares ห่างปริมณฑลลด AS ซึ่งกระบวนการ cvDilate สร้างใหม่ (รูปที่ 2D). ประการที่สามฟังก์ชั่น OpenCV "cvFindContour" ขึ้นอยู่กับขั้นตอนวิธีของซูซูกิและเอ็บ (1985), โดยอัตโนมัติปริมณฑลของแต่ละ เมล็ดในภาพ 1 บิต (รูปที่ 2E. OpenCV พัฒนาทีม, 2012) มันได้มาชุดของปริมณฑลพิกัดแฟ้มภายนอกที่มีภาพ, ภาพ, ฯลฯชื่อวัตถุ PP_205120I01_LW.jpg (รูปที่ 3A). เช่น: แฟ้มภายนอกที่มีภาพ, ภาพ, ฯลฯชื่อวัตถุเป็น PP_205120E01_LW.jpg ที่มาแฟ้มภายนอกที่มีภาพ, ภาพ, ฯลฯชื่อวัตถุเป็น PP_205120I02_LW.jpg สำหรับทุกแฟ้มภายนอกที่มีภาพ, ภาพ, ฯลฯชื่อวัตถุ PP_205120I03_LW.jpg ถูกกำหนดให้เป็นมุมซ้ายด้านบนในภาพ (รูปที่ 3A). จากชุดของปริมณฑลพิกัดฟังก์ชัน OpenCV "cvContourArea" คำนวณพื้นที่ที่อยู่ในปริมณฑลและ "cvArcLength" คำนวณ PL (OpenCV พัฒนาทีม, 2012) โดยใช้ฟังก์ชั่นเหล่านี้และ PL คำนวณจากชุดของแฟ้มภายนอกที่มีภาพ, ภาพ, ฯลฯชื่อวัตถุเป็น PP_205120I04_LW.jpg CG จะคำนวณจากแฟ้มภายนอกที่มีภาพ, ภาพ, ฯลฯชื่อวัตถุเป็น PP_205120I05_LW.jpg เช่นแฟ้มภายนอกที่มีภาพ, ภาพ, ฯลฯชื่อวัตถุเป็น PP_205120E02_LW.jpg รูปที่ 3 รูปที่ 3 แผนผังแสดง แสดงวัดความยาวและความกว้าง , ความหมายของการกำเนิดและ x / y แกนสำหรับปริมณฑลพิกัดแฟ้มภายนอกที่มีภาพ, ภาพ, ฯลฯชื่อวัตถุเป็น PP_205120I06_LW.jpg B, การตรวจหาแกนตามยาว C, การตรวจจับที่มีความกว้างสูงสุดคำนวณ L, W, และพารามิเตอร์รูปร่างอื่น ๆต่อไปแกนตามยาวและตามขวางจะได้มาจากชุดของจุดปริมณฑลในการวัด L, SmartGrain ตรวจจับระยะห่างสูงสุดระหว่างจุดบนขอบด้านนอก (รูปที่ 3A) โดยการคำนวณระยะทางที่ทุกส่วนแฟ้มภายนอกที่มีภาพ, ภาพ, ฯลฯชื่อวัตถุเป็น PP_205120I07_LW.jpg ระหว่างคู่ของจุดบนปริมณฑลแฟ้มภายนอกที่มีภาพ, ภาพ, ฯลฯชื่อวัตถุเป็น PP_205120I08_LW.jpg : แฟ้มภายนอกที่มีภาพ, ภาพ, ฯลฯชื่อวัตถุเป็น PP_205120E03_LW.jpg L เป็นส่วนที่ยาวที่สุด: แฟ้มภายนอกที่มีภาพ, ภาพ, ฯลฯชื่อวัตถุเป็น PP_205120E04_LW.jpg การวัด W, SmartGrain ตรวจพบ ส่วนที่ยาวที่สุดที่ตั้งฉากกับส่วน L (รูปที่ 3B.) แฟ้มภายนอกที่มีภาพ, ภาพ, ฯลฯชื่อวัตถุเป็น PP_205120E05_LW.jpg แฟ้มภายนอกที่มีภาพ, ภาพ, ฯลฯชื่อวัตถุเป็น PP_205120E06_LW JPG สุดท้ายพารามิเตอร์รูปร่างอื่น ๆ ที่มีการคำนวณ: แฟ้มภายนอกที่มีภาพ, ภาพ, ฯลฯชื่อวัตถุเป็น PP_205120E07_LW.jpg แฟ้มภายนอกที่มีภาพ, ภาพ, ฯลฯชื่อวัตถุเป็น PP_205120E08_LW.jpg ไฟล์ภายนอกที่ ถือภาพ, ภาพ, ฯลฯชื่อวัตถุเป็น PP_205120E09_LW.jpg แฟ้มภายนอกที่มีภาพ, ภาพ, ฯลฯชื่อวัตถุเป็น PP_205120E10_LW.jpg แฟ้มภายนอกที่มีภาพภาพประกอบ ฯลฯชื่อวัตถุเป็น PP_205120E11_LW.jpg แฟ้มภายนอกที่มีภาพ, ภาพ, ฯลฯชื่อวัตถุเป็น PP_205120E12_LW.jpg การประยุกต์ใช้ SmartGrain เพื่อ QTL วิเคราะห์รูปร่างเมล็ดพันธุ์ข้าวใน Bils SmartGrain วัด AS, PL, CS, L, W, LWR, IS, CG, และ DS . พันธุ์ข้าวญี่ปุ่น Nipponbare และ Koshihikari มีรูปร่างคล้ายเมล็ด (รูปที่ 4A). อย่างไรก็ตาม SmartGrain ระบุไว้อย่างชัดเจนที่แตกต่างกันอย่างมีนัยสำคัญระหว่างพวกเขาใน PL, L, LRW และ CS (รูปที่ 4, B-G.) พันธุ์ Nipponbare มีความยาวมากกว่าพันธุ์ Koshihikari และรอบจึงน้อย
SmartGrain: ภาพซอฟต์แวร์การวิเคราะห์สำหรับการกลั่นสูงการวัดรูปร่างเมล็ดSmartGrain ชุดวิเคราะห์ภาพทั้งหมดที่เก็บไว้ในโฟลเดอร์ที่ระบุ (สูงสุด 65,500) โดยจะสามารถตรวจสอบการทับซ้อนกันเมล็ดที่ถูกตัดออกแล้วจากการวิเคราะห์และลบโดยอัตโนมัติสนามอาคารและก้านดอก (ภาพที่ 1, A และ B และ and2.) 2): พารามิเตอร์ที่กำหนดไว้สำหรับวิธีการในการตรวจสอบเมล็ดพันธุ์ระดับของเมล็ด ที่ทับซ้อนกันและความรุนแรงของการกำจัดหนามและก้านดอก ภาพแต่ละภาพ A4 600 dpi (จุดต่อนิ้ว) ใช้เวลาไม่กี่นาทีในการวิเคราะห์ ผลที่ได้จะถูกส่งออกเป็น (ค่าที่คั่นด้วยจุลภาค) ไฟล์ CSV ที่สามารถเปิดในซอฟต์แวร์สเปรดชีต (เช่น Microsoft Excel) โดยไม่คำนึงถึงตำแหน่งหรือจำนวนของเมล็ด SmartGrain สามารถแยกเมล็ดและวัดรูปร่างของพวกเขา (รูปที่ 1B.) เอาคอขวดอย่างจริงจังในการถ่ายภาพขั้นตอนวิธีการประมวลผลภาพและการวัดพารามิเตอร์รูปร่างเมล็ดSmartGrain สามารถวัดหลายพารามิเตอร์ที่นอกเหนือไปจากพื้นที่ มีการตรวจพบโครงร่างของแต่ละเมล็ดก็จะคำนวณ AS, PL, L, W, วัฏจักร (CS) ความยาวความกว้างอัตราส่วน (LWR), สี่แยกของความยาวและความกว้าง (IS), ศูนย์ของแรงโน้มถ่วง (CG) และ ระยะห่างระหว่างและ CG. (ดีเอส; รูปที่ 1C) ค่าของพารามิเตอร์เหล่านี้ได้รับการคำนวณโดยการใช้จุดตามลำดับพร้อมปริมณฑลเมล็ดและการเพิ่มหรือลดค่าในลำดับต่อไปนี้ (รูปที่ 1D.) (1) โหลดภาพ; (2) แปลงเป็นภาพ 1 บิต (เมล็ดสีขาวบนพื้นหลังสีดำ); (3) วิเคราะห์ลักษณะทางสัณฐานวิทยาที่จะลบสนามอาคารและก้านดอก; (4) ตรวจสอบการแสดงฉลากเมล็ดทั้งหมดในภาพและคำนวณ AS, PL, และ CG จากโครงร่าง; (5) ตรวจสอบแกนตามยาวและคำนวณ L; (6) ตรวจสอบแกนขวางจากโครงร่างและแกนตามยาวและคำนวณ W และ IS; และ (7) การคำนวณ LWR, CS และ DS โดยใช้ข้อมูลจากขั้นตอนที่ 4-6 การแบ่งกลุ่มอัตโนมัติของ AS และพล็อตของเมล็ดพันธุ์ปริมณฑลภาพจะถูกประมวลผลในสามขั้นตอน ก่อนที่ภาพจะถูกแปลงจาก 24 บิต (สีเต็ม. รูปที่ 2A) ถึง 1 บิต (ขาวดำ) โดยใช้วิธีการแบ่งส่วน. (ทานาบาตะและคณะ, 2010) ที่จะให้เมล็ดสีขาวบนพื้นหลังสีดำ (รูปที่ 2B) วิธีนี้เป็นวิธีที่มีประสิทธิภาพให้อยู่ในระดับแสงและเกณฑ์ไม่จำเป็นต้องมีการตั้งค่าที่สองหนามหรือก้านดอกใด ๆ จะถูกลบออก SmartGrain ใช้ฟังก์ชั่น OpenCV "cvErode" และ "cvDilate" ขึ้นอยู่กับการดำเนินงานทางสัณฐานวิทยา (รูปที่ 2C.) กระบวนการ cvErode pares ห่างปริมณฑลลด AS ซึ่งกระบวนการ cvDilate สร้างใหม่ (รูปที่ 2D). ประการที่สามฟังก์ชั่น OpenCV "cvFindContour" ขึ้นอยู่กับขั้นตอนวิธีของซูซูกิและเอ็บ (1985), โดยอัตโนมัติปริมณฑลของแต่ละ เมล็ดในภาพ 1 บิต (รูปที่ 2E. OpenCV พัฒนาทีม, 2012) มันได้มาชุดของปริมณฑลพิกัดแฟ้มภายนอกที่มีภาพ, ภาพ, ฯลฯชื่อวัตถุ PP_205120I01_LW.jpg (รูปที่ 3A). เช่น: แฟ้มภายนอกที่มีภาพ, ภาพ, ฯลฯชื่อวัตถุเป็น PP_205120E01_LW.jpg ที่มาแฟ้มภายนอกที่มีภาพ, ภาพ, ฯลฯชื่อวัตถุเป็น PP_205120I02_LW.jpg สำหรับทุกแฟ้มภายนอกที่มีภาพ, ภาพ, ฯลฯชื่อวัตถุ PP_205120I03_LW.jpg ถูกกำหนดให้เป็นมุมซ้ายด้านบนในภาพ (รูปที่ 3A). จากชุดของปริมณฑลพิกัดฟังก์ชัน OpenCV "cvContourArea" คำนวณพื้นที่ที่อยู่ในปริมณฑลและ "cvArcLength" คำนวณ PL (OpenCV พัฒนาทีม, 2012) โดยใช้ฟังก์ชั่นเหล่านี้และ PL คำนวณจากชุดของแฟ้มภายนอกที่มีภาพ, ภาพ, ฯลฯชื่อวัตถุเป็น PP_205120I04_LW.jpg CG จะคำนวณจากแฟ้มภายนอกที่มีภาพ, ภาพ, ฯลฯชื่อวัตถุเป็น PP_205120I05_LW.jpg เช่นแฟ้มภายนอกที่มีภาพ, ภาพ, ฯลฯชื่อวัตถุเป็น PP_205120E02_LW.jpg รูปที่ 3 รูปที่ 3 แผนผังแสดง แสดงวัดความยาวและความกว้าง , ความหมายของการกำเนิดและ x / y แกนสำหรับปริมณฑลพิกัดแฟ้มภายนอกที่มีภาพ, ภาพ, ฯลฯชื่อวัตถุเป็น PP_205120I06_LW.jpg B, การตรวจหาแกนตามยาว C, การตรวจจับที่มีความกว้างสูงสุดคำนวณ L, W, และพารามิเตอร์รูปร่างอื่น ๆต่อไปแกนตามยาวและตามขวางจะได้มาจากชุดของจุดปริมณฑลในการวัด L, SmartGrain ตรวจจับระยะห่างสูงสุดระหว่างจุดบนขอบด้านนอก (รูปที่ 3A) โดยการคำนวณระยะทางที่ทุกส่วนแฟ้มภายนอกที่มีภาพ, ภาพ, ฯลฯชื่อวัตถุเป็น PP_205120I07_LW.jpg ระหว่างคู่ของจุดบนปริมณฑลแฟ้มภายนอกที่มีภาพ, ภาพ, ฯลฯชื่อวัตถุเป็น PP_205120I08_LW.jpg : แฟ้มภายนอกที่มีภาพ, ภาพ, ฯลฯชื่อวัตถุเป็น PP_205120E03_LW.jpg L เป็นส่วนที่ยาวที่สุด: แฟ้มภายนอกที่มีภาพ, ภาพ, ฯลฯชื่อวัตถุเป็น PP_205120E04_LW.jpg การวัด W, SmartGrain ตรวจพบ ส่วนที่ยาวที่สุดที่ตั้งฉากกับส่วน L (รูปที่ 3B.) แฟ้มภายนอกที่มีภาพ, ภาพ, ฯลฯชื่อวัตถุเป็น PP_205120E05_LW.jpg แฟ้มภายนอกที่มีภาพ, ภาพ, ฯลฯชื่อวัตถุเป็น PP_205120E06_LW JPG สุดท้ายพารามิเตอร์รูปร่างอื่น ๆ ที่มีการคำนวณ: แฟ้มภายนอกที่มีภาพ, ภาพ, ฯลฯชื่อวัตถุเป็น PP_205120E07_LW.jpg แฟ้มภายนอกที่มีภาพ, ภาพ, ฯลฯชื่อวัตถุเป็น PP_205120E08_LW.jpg ไฟล์ภายนอกที่ ถือภาพ, ภาพ, ฯลฯชื่อวัตถุเป็น PP_205120E09_LW.jpg แฟ้มภายนอกที่มีภาพ, ภาพ, ฯลฯชื่อวัตถุเป็น PP_205120E10_LW.jpg แฟ้มภายนอกที่มีภาพภาพประกอบ ฯลฯชื่อวัตถุเป็น PP_205120E11_LW.jpg แฟ้มภายนอกที่มีภาพ, ภาพ, ฯลฯชื่อวัตถุเป็น PP_205120E12_LW.jpg การประยุกต์ใช้ SmartGrain เพื่อ QTL วิเคราะห์รูปร่างเมล็ดพันธุ์ข้าวใน Bils SmartGrain วัด AS, PL, CS, L, W, LWR, IS, CG, และ DS . พันธุ์ข้าวญี่ปุ่น Nipponbare และ Koshihikari มีรูปร่างคล้ายเมล็ด (รูปที่ 4A). อย่างไรก็ตาม SmartGrain ระบุไว้อย่างชัดเจนที่แตกต่างกันอย่างมีนัยสำคัญระหว่างพวกเขาใน PL, L, LRW และ CS (รูปที่ 4, B-G.) พันธุ์ Nipponbare มีความยาวมากกว่าพันธุ์ Koshihikari และรอบจึงน้อย
การแปล กรุณารอสักครู่..
ผล
smartgrain : ภาพซอฟต์แวร์การวิเคราะห์ระบบการวัดสูง เมล็ดรูปร่าง
smartgrain ชุดวิเคราะห์ภาพทั้งหมดเก็บไว้ในโฟลเดอร์ที่ระบุ ( สูงสุดไม่เกิน 10 , 000 ) โดยจะสามารถตรวจสอบเมล็ดที่ทับซ้อนกัน ซึ่งจะถูกตัดออกจากการวิเคราะห์ และลบโดยอัตโนมัติและ awns pedicels ( Figs 1 A และ B , และ 2 ) : 2 ) : พารามิเตอร์ถูกตั้งค่าสำหรับวิธีการของการตรวจสอบเมล็ดพันธุ์ระดับ ซ้อน เมล็ด และความเข้มของหนามและเอาก้านดอกไม้ . แต่ละ 600 dpi ( จุดต่อนิ้ว ) รูป A4 ใช้เวลาไม่กี่นาทีเพื่อทำการวิเคราะห์ ผลการส่งออกเป็น CSV ( ค่าที่คั่นด้วยเครื่องหมายจุลภาค ) ไฟล์ที่สามารถเปิดได้ในโปรแกรมสเปรดชีต ( เช่น Microsoft Excel ) .
ไม่ว่าตำแหน่ง หรือจำนวนของเมล็ด smartgrain สามารถแยกเมล็ดทั้งหมดและวัดรูปร่างของตน ( รูปที่ 1A )การเอาคอขวดที่ร้ายแรงในการถ่ายภาพ
ขั้นตอนวิธีการประมวลผลภาพและการวัด เมล็ดรูปร่างค่า
smartgrain สามารถวัดได้หลายค่านอกเหนือไปจากพื้นที่ มีการตรวจพบร่างของแต่ละเมล็ด มันคำนวณเป็น pl , L , W , circularity ( CS ) , ความยาวต่อความกว้าง ( lwr ) , แยกของความยาวและความกว้าง ( ) , จุดศูนย์ถ่วง ( CG )และระยะทางระหว่างและ CG ( DS ; ภาพที่ 1c ) .
ค่าของพารามิเตอร์เหล่านี้จะถูกคำนวณโดยการใช้จุดลำดับตามเมล็ด ขอบเขต และ เพิ่ม หรือลดคุณค่าในลำดับต่อไป ( ภาพดี ) : ( 1 ) โหลดภาพ ( 2 ) แปลง 1 บิต ( เมล็ดสีขาวบนพื้นหลังภาพ สีดำ ) ; ( 3 ) วิเคราะห์สัณฐานวิทยาและลบ awns ก้านดอกไม้ ; ( 4 ) ตรวจสอบโครงร่างฉลากเมล็ดพืชในรูป และคำนวณเป็น pl และ CG จากร่างนั้น และ ( 5 ) ตรวจสอบแกนตามยาวและคำนวณ l ; ( 6 ) ตรวจสอบแกนตามขวางจากร่างและแกนตามยาวและการคำนวณน้ำหนักและ ; และ ( 7 ) คำนวณ lwr , CS และ DS ที่ใช้ข้อมูลจาก ขั้นตอนที่ 4 - 6
อัตโนมัติแบ่งเป็น และวางแผนของเมล็ดปริมณฑล
ภาพที่ประมวลผลใน 3 ขั้นตอน ครั้งแรกภาพที่ถูกแปลงจาก 24 บิต ( สีเต็ม ; รูปที่ 2A ) 1 บิต ( สีดำและสีขาว ) โดยใช้วิธีการ ( ทานาบาตะ et al . , 2010 ) เพื่อให้เมล็ดสีขาวบนพื้นหลังสีดำ ( รูปที่ 2B ) วิธีนี้เป็นวิธีที่คงทนระดับแสง และเกณฑ์ ไม่ต้องตั้งค่า
2 มีหนามหรือก้านดอกไม้จะถูกเอาออกsmartgrain ใช้ฟังก์ชัน " เป็นการ cverode " และ " cvdilate " ตามปฏิบัติการสัณฐานวิทยา ( รูปที่ 2 ) กระบวนการ cverode หยุดนะออกไปรอบนอก ลดเป็น ซึ่งกระบวนการ cvdilate สร้าง ( ภาพที่ 2 ) .
3 ฟังก์ชัน " เป็นการ cvfindcontour " ขึ้นอยู่กับวิธีของซูซูกิและอาเบะ ( 1985 ) โดยอัตโนมัติตรวจจับปริมณฑลของแต่ละเมล็ด ในรูป 1 บิต ( รูปที่ 2 ;เป็นการพัฒนาทีม , 2012 ) มันมีชุดของปริมณฑลพิกัดภายนอกไฟล์ที่มีรูปภาพ , ภาพ , ฯลฯ
วัตถุชื่อ pp_205120i01_lw.jpg ( รูปที่ 3 ) :
ภายนอกไฟล์ที่มีรูปภาพ , ภาพ , ฯลฯ
วัตถุชื่อ pp_205120e01_lw . jpg
ที่มาภายนอกไฟล์ที่มีรูปภาพ , ภาพ , ฯลฯ
วัตถุชื่อ pp_205120i02_lw .ผลการทั้งหมดภายนอกไฟล์ที่มีรูปภาพ , ภาพ , ฯลฯ
วัตถุชื่อ pp_205120i03_lw.jpg หมายถึงมุมบนซ้ายในรูป ( รูปที่ 3 ) จากชุดของปริมณฑล พิกัดฟังก์ชัน " เป็นการ cvcontourarea " คำนวณพื้นที่ในปริมณฑล และ " cvarclength " คำนวณ PL ( ทีม เป็นการพัฒนา 2012 ) การใช้ฟังก์ชันเหล่านี้ในฐานะที่คุณเป็นและที่คำนวณจากชุดของแฟ้มภายนอกนั้นยังคงภาพ , ภาพประกอบ ฯลฯ
วัตถุชื่อ pp_205120i04_lw.jpg . CG จะถูกคำนวณจากภายนอกแฟ้มที่เก็บภาพ , ภาพประกอบ ฯลฯ
วัตถุชื่อ pp_205120i05_lw.jpg :
ภายนอกไฟล์ที่มีรูปภาพ , ภาพ , ฯลฯ
วัตถุชื่อ pp_205120e02_lw . jpg
รูป 3 .
รูปที่ 3แผนผังการเป็นตัวแทนแสดงการวัดความยาวและความกว้าง เป็นนิยามของกำเนิดและ X / Y แกนบริเวณพิกัดภายนอกไฟล์ที่มีรูปภาพ , ภาพ , ฯลฯ
วัตถุชื่อ pp_205120i06_lw.jpg . บี ตรวจหาแกนตามยาว C , ตรวจจับความกว้างสูงสุด .
การคำนวณ L , W , และรูปร่างอื่น ๆ ค่า
ต่อไปแกนตามยาวและตามขวางจะมาจากชุดของจุดปริมณฑล
วัด L , smartgrain ตรวจจับระยะห่างสูงสุดระหว่างจุดบนเส้นรอบวง ( รูปที่ 3 ) โดยการคำนวณทั้งหมดส่วนระยะทางภายนอกไฟล์ที่มีรูปภาพ , ภาพ , ฯลฯ
วัตถุชื่อ pp_205120i07_lw.jpg ระหว่างคู่ของจุดบนเส้นรอบวงภายนอกไฟล์ที่เก็บรูปภาพประกอบ ฯลฯ
วัตถุชื่อ pp_205120i08_lw . jpg :
ภายนอกไฟล์ที่มีรูปภาพ , ภาพ , ฯลฯ
วัตถุชื่อ pp_205120e03_lw . jpg
L เป็นส่วนที่ยาวที่สุด :
ภายนอกไฟล์ที่มีรูปภาพ , ภาพ , ฯลฯ
วัตถุชื่อ pp_205120e04_lw . jpg
w smartgrain วัด , ตรวจพบส่วนที่ยาวที่สุดคือตั้งฉากกับ L ส่วน ( รูปที่ 3B ) :
ภายนอกไฟล์ที่มีรูปภาพ , ภาพ , ฯลฯ
วัตถุชื่อ pp_205120e05_lw . jpg
ภายนอกไฟล์ที่มีรูปภาพ , ภาพ , ฯลฯ
วัตถุชื่อ pp_205120e06_lw . jpg
ในที่สุด พารามิเตอร์ที่รูปร่างอื่น ๆ ค่า :
ภายนอกไฟล์ที่มีรูปภาพ , ภาพ , ฯลฯ
วัตถุชื่อ pp_205120e07_lw . jpg
ภายนอกไฟล์ที่มีรูปภาพ , ภาพ , ฯลฯ
ชื่อวัตถุ pp_205120e08_lw . jpg
ภายนอกไฟล์ที่มีรูปภาพ , ภาพ , ฯลฯ
วัตถุชื่อ pp_205120e09_lw . jpg
ภายนอกไฟล์ที่มีรูปภาพ , ภาพ , ฯลฯ
วัตถุชื่อ pp_205120e10_lw . jpg
ภายนอกไฟล์ที่มีรูปภาพ , ภาพประกอบ ฯลฯ วัตถุชื่อ
pp_205120e11_lw . jpg ภายนอกไฟล์ที่มีรูปภาพ , ภาพ , ฯลฯ
ชื่อวัตถุ pp_205120e12_lw . jpg
ประยุกต์เพื่อความ smartgrain การวิเคราะห์รูปร่างเมล็ดพันธุ์ข้าวใน bils
smartgrain วัดเป็น pl , CS , L , W , lwr เป็น CG และ DS ข้าวญี่ปุ่น nipponbare และมีรูปร่างคล้ายเมล็ดพันธุ์โคชิฮิคาริ ( รูปที่ 4 ) อย่างไรก็ตาม smartgrain อย่างชัดเจนระบุความแตกต่างระหว่างพวกเขาใน PL , L , lrw และ CS ( ภาพที่ 4 B ( G )พันธุ์ nipponbare ยาวกว่าพันธุ์โคชิฮิคาริและจึงน้อยรอบ
smartgrain : ภาพซอฟต์แวร์การวิเคราะห์ระบบการวัดสูง เมล็ดรูปร่าง
smartgrain ชุดวิเคราะห์ภาพทั้งหมดเก็บไว้ในโฟลเดอร์ที่ระบุ ( สูงสุดไม่เกิน 10 , 000 ) โดยจะสามารถตรวจสอบเมล็ดที่ทับซ้อนกัน ซึ่งจะถูกตัดออกจากการวิเคราะห์ และลบโดยอัตโนมัติและ awns pedicels ( Figs 1 A และ B , และ 2 ) : 2 ) : พารามิเตอร์ถูกตั้งค่าสำหรับวิธีการของการตรวจสอบเมล็ดพันธุ์ระดับ ซ้อน เมล็ด และความเข้มของหนามและเอาก้านดอกไม้ . แต่ละ 600 dpi ( จุดต่อนิ้ว ) รูป A4 ใช้เวลาไม่กี่นาทีเพื่อทำการวิเคราะห์ ผลการส่งออกเป็น CSV ( ค่าที่คั่นด้วยเครื่องหมายจุลภาค ) ไฟล์ที่สามารถเปิดได้ในโปรแกรมสเปรดชีต ( เช่น Microsoft Excel ) .
ไม่ว่าตำแหน่ง หรือจำนวนของเมล็ด smartgrain สามารถแยกเมล็ดทั้งหมดและวัดรูปร่างของตน ( รูปที่ 1A )การเอาคอขวดที่ร้ายแรงในการถ่ายภาพ
ขั้นตอนวิธีการประมวลผลภาพและการวัด เมล็ดรูปร่างค่า
smartgrain สามารถวัดได้หลายค่านอกเหนือไปจากพื้นที่ มีการตรวจพบร่างของแต่ละเมล็ด มันคำนวณเป็น pl , L , W , circularity ( CS ) , ความยาวต่อความกว้าง ( lwr ) , แยกของความยาวและความกว้าง ( ) , จุดศูนย์ถ่วง ( CG )และระยะทางระหว่างและ CG ( DS ; ภาพที่ 1c ) .
ค่าของพารามิเตอร์เหล่านี้จะถูกคำนวณโดยการใช้จุดลำดับตามเมล็ด ขอบเขต และ เพิ่ม หรือลดคุณค่าในลำดับต่อไป ( ภาพดี ) : ( 1 ) โหลดภาพ ( 2 ) แปลง 1 บิต ( เมล็ดสีขาวบนพื้นหลังภาพ สีดำ ) ; ( 3 ) วิเคราะห์สัณฐานวิทยาและลบ awns ก้านดอกไม้ ; ( 4 ) ตรวจสอบโครงร่างฉลากเมล็ดพืชในรูป และคำนวณเป็น pl และ CG จากร่างนั้น และ ( 5 ) ตรวจสอบแกนตามยาวและคำนวณ l ; ( 6 ) ตรวจสอบแกนตามขวางจากร่างและแกนตามยาวและการคำนวณน้ำหนักและ ; และ ( 7 ) คำนวณ lwr , CS และ DS ที่ใช้ข้อมูลจาก ขั้นตอนที่ 4 - 6
อัตโนมัติแบ่งเป็น และวางแผนของเมล็ดปริมณฑล
ภาพที่ประมวลผลใน 3 ขั้นตอน ครั้งแรกภาพที่ถูกแปลงจาก 24 บิต ( สีเต็ม ; รูปที่ 2A ) 1 บิต ( สีดำและสีขาว ) โดยใช้วิธีการ ( ทานาบาตะ et al . , 2010 ) เพื่อให้เมล็ดสีขาวบนพื้นหลังสีดำ ( รูปที่ 2B ) วิธีนี้เป็นวิธีที่คงทนระดับแสง และเกณฑ์ ไม่ต้องตั้งค่า
2 มีหนามหรือก้านดอกไม้จะถูกเอาออกsmartgrain ใช้ฟังก์ชัน " เป็นการ cverode " และ " cvdilate " ตามปฏิบัติการสัณฐานวิทยา ( รูปที่ 2 ) กระบวนการ cverode หยุดนะออกไปรอบนอก ลดเป็น ซึ่งกระบวนการ cvdilate สร้าง ( ภาพที่ 2 ) .
3 ฟังก์ชัน " เป็นการ cvfindcontour " ขึ้นอยู่กับวิธีของซูซูกิและอาเบะ ( 1985 ) โดยอัตโนมัติตรวจจับปริมณฑลของแต่ละเมล็ด ในรูป 1 บิต ( รูปที่ 2 ;เป็นการพัฒนาทีม , 2012 ) มันมีชุดของปริมณฑลพิกัดภายนอกไฟล์ที่มีรูปภาพ , ภาพ , ฯลฯ
วัตถุชื่อ pp_205120i01_lw.jpg ( รูปที่ 3 ) :
ภายนอกไฟล์ที่มีรูปภาพ , ภาพ , ฯลฯ
วัตถุชื่อ pp_205120e01_lw . jpg
ที่มาภายนอกไฟล์ที่มีรูปภาพ , ภาพ , ฯลฯ
วัตถุชื่อ pp_205120i02_lw .ผลการทั้งหมดภายนอกไฟล์ที่มีรูปภาพ , ภาพ , ฯลฯ
วัตถุชื่อ pp_205120i03_lw.jpg หมายถึงมุมบนซ้ายในรูป ( รูปที่ 3 ) จากชุดของปริมณฑล พิกัดฟังก์ชัน " เป็นการ cvcontourarea " คำนวณพื้นที่ในปริมณฑล และ " cvarclength " คำนวณ PL ( ทีม เป็นการพัฒนา 2012 ) การใช้ฟังก์ชันเหล่านี้ในฐานะที่คุณเป็นและที่คำนวณจากชุดของแฟ้มภายนอกนั้นยังคงภาพ , ภาพประกอบ ฯลฯ
วัตถุชื่อ pp_205120i04_lw.jpg . CG จะถูกคำนวณจากภายนอกแฟ้มที่เก็บภาพ , ภาพประกอบ ฯลฯ
วัตถุชื่อ pp_205120i05_lw.jpg :
ภายนอกไฟล์ที่มีรูปภาพ , ภาพ , ฯลฯ
วัตถุชื่อ pp_205120e02_lw . jpg
รูป 3 .
รูปที่ 3แผนผังการเป็นตัวแทนแสดงการวัดความยาวและความกว้าง เป็นนิยามของกำเนิดและ X / Y แกนบริเวณพิกัดภายนอกไฟล์ที่มีรูปภาพ , ภาพ , ฯลฯ
วัตถุชื่อ pp_205120i06_lw.jpg . บี ตรวจหาแกนตามยาว C , ตรวจจับความกว้างสูงสุด .
การคำนวณ L , W , และรูปร่างอื่น ๆ ค่า
ต่อไปแกนตามยาวและตามขวางจะมาจากชุดของจุดปริมณฑล
วัด L , smartgrain ตรวจจับระยะห่างสูงสุดระหว่างจุดบนเส้นรอบวง ( รูปที่ 3 ) โดยการคำนวณทั้งหมดส่วนระยะทางภายนอกไฟล์ที่มีรูปภาพ , ภาพ , ฯลฯ
วัตถุชื่อ pp_205120i07_lw.jpg ระหว่างคู่ของจุดบนเส้นรอบวงภายนอกไฟล์ที่เก็บรูปภาพประกอบ ฯลฯ
วัตถุชื่อ pp_205120i08_lw . jpg :
ภายนอกไฟล์ที่มีรูปภาพ , ภาพ , ฯลฯ
วัตถุชื่อ pp_205120e03_lw . jpg
L เป็นส่วนที่ยาวที่สุด :
ภายนอกไฟล์ที่มีรูปภาพ , ภาพ , ฯลฯ
วัตถุชื่อ pp_205120e04_lw . jpg
w smartgrain วัด , ตรวจพบส่วนที่ยาวที่สุดคือตั้งฉากกับ L ส่วน ( รูปที่ 3B ) :
ภายนอกไฟล์ที่มีรูปภาพ , ภาพ , ฯลฯ
วัตถุชื่อ pp_205120e05_lw . jpg
ภายนอกไฟล์ที่มีรูปภาพ , ภาพ , ฯลฯ
วัตถุชื่อ pp_205120e06_lw . jpg
ในที่สุด พารามิเตอร์ที่รูปร่างอื่น ๆ ค่า :
ภายนอกไฟล์ที่มีรูปภาพ , ภาพ , ฯลฯ
วัตถุชื่อ pp_205120e07_lw . jpg
ภายนอกไฟล์ที่มีรูปภาพ , ภาพ , ฯลฯ
ชื่อวัตถุ pp_205120e08_lw . jpg
ภายนอกไฟล์ที่มีรูปภาพ , ภาพ , ฯลฯ
วัตถุชื่อ pp_205120e09_lw . jpg
ภายนอกไฟล์ที่มีรูปภาพ , ภาพ , ฯลฯ
วัตถุชื่อ pp_205120e10_lw . jpg
ภายนอกไฟล์ที่มีรูปภาพ , ภาพประกอบ ฯลฯ วัตถุชื่อ
pp_205120e11_lw . jpg ภายนอกไฟล์ที่มีรูปภาพ , ภาพ , ฯลฯ
ชื่อวัตถุ pp_205120e12_lw . jpg
ประยุกต์เพื่อความ smartgrain การวิเคราะห์รูปร่างเมล็ดพันธุ์ข้าวใน bils
smartgrain วัดเป็น pl , CS , L , W , lwr เป็น CG และ DS ข้าวญี่ปุ่น nipponbare และมีรูปร่างคล้ายเมล็ดพันธุ์โคชิฮิคาริ ( รูปที่ 4 ) อย่างไรก็ตาม smartgrain อย่างชัดเจนระบุความแตกต่างระหว่างพวกเขาใน PL , L , lrw และ CS ( ภาพที่ 4 B ( G )พันธุ์ nipponbare ยาวกว่าพันธุ์โคชิฮิคาริและจึงน้อยรอบ
การแปล กรุณารอสักครู่..
ภาษาอื่น ๆ
การสนับสนุนเครื่องมือแปลภาษา: กรีก, กันนาดา, กาลิเชียน, คลิงออน, คอร์สิกา, คาซัค, คาตาลัน, คินยารวันดา, คีร์กิซ, คุชราต, จอร์เจีย, จีน, จีนดั้งเดิม, ชวา, ชิเชวา, ซามัว, ซีบัวโน, ซุนดา, ซูลู, ญี่ปุ่น, ดัตช์, ตรวจหาภาษา, ตุรกี, ทมิฬ, ทาจิก, ทาทาร์, นอร์เวย์, บอสเนีย, บัลแกเรีย, บาสก์, ปัญจาป, ฝรั่งเศส, พาชตู, ฟริเชียน, ฟินแลนด์, ฟิลิปปินส์, ภาษาอินโดนีเซี, มองโกเลีย, มัลทีส, มาซีโดเนีย, มาราฐี, มาลากาซี, มาลายาลัม, มาเลย์, ม้ง, ยิดดิช, ยูเครน, รัสเซีย, ละติน, ลักเซมเบิร์ก, ลัตเวีย, ลาว, ลิทัวเนีย, สวาฮิลี, สวีเดน, สิงหล, สินธี, สเปน, สโลวัก, สโลวีเนีย, อังกฤษ, อัมฮาริก, อาร์เซอร์ไบจัน, อาร์เมเนีย, อาหรับ, อิกโบ, อิตาลี, อุยกูร์, อุสเบกิสถาน, อูรดู, ฮังการี, ฮัวซา, ฮาวาย, ฮินดี, ฮีบรู, เกลิกสกอต, เกาหลี, เขมร, เคิร์ด, เช็ก, เซอร์เบียน, เซโซโท, เดนมาร์ก, เตลูกู, เติร์กเมน, เนปาล, เบงกอล, เบลารุส, เปอร์เซีย, เมารี, เมียนมา (พม่า), เยอรมัน, เวลส์, เวียดนาม, เอสเปอแรนโต, เอสโทเนีย, เฮติครีโอล, แอฟริกา, แอลเบเนีย, โคซา, โครเอเชีย, โชนา, โซมาลี, โปรตุเกส, โปแลนด์, โยรูบา, โรมาเนีย, โอเดีย (โอริยา), ไทย, ไอซ์แลนด์, ไอร์แลนด์, การแปลภาษา.
- ขอบคุณที่แนะนำ
- คุณกำลังจะออกไปทำงานหรอ
- ฉันเป็นห่วงคุณ
- Text
- ระบำดอกบัวไทย
- 2. Regarding promotions Do not organise
- คุณช่วยฉันได้มั้ย
- got crazy feeling licking you all over i
- สีดอกลิลลี่
- Item U
- Item
- Its not my fault he likes me haha. Every
- marketers routinrly work with tracking f
- ทหารราชวัลลภ รักษาพระองค์
- ปัญหานี้เกิดขึ้นในประเทศไทย
- Authorized | Produced
- ผมคิดว่าจะทำธุรกิจเป็นของตัวเอง
- 難しかったです。
- if customer repayment within limits will
- การศึกษาของตัวเอง
- ทำให้พร้อมสำหรับการเรียนในแต่ละวัน
- ไปเจอที่ไหนละ ผมอยู่ กรุงเทพ
- เชื่อใจกันได้
- if u prove tht i m tlking wth her then i
