نوع مقاله : مقاله پژوهشی
نویسندگان
1
استادیار، گروه تولیدات گیاهی، دانشکده کشاورزی و منابع طبیعی، دانشگاه گنبد کاووس، گنبد کاووس، ایران.
2
استاد، گروه تولیدات گیاهی، دانشکده کشاورزی و منابع طبیعی، دانشگاه گنبد کاووس، گنبد کاووس، ایران.
3
دانشآموخته کارشناسی ارشد، گروه تولیدات گیاهی، دانشکده کشاورزی و منابع طبیعی، دانشگاه گنبد کاووس، گنبد کاووس، ایران.
چکیده
هدف: این پژوهش با هدف ارزیابی پتانسیل پردازش تصویر دیجیتال و شبکههای عصبی مصنوعی در شناسایی و طبقهبندی ژنوتیپهای برنج بر اساس خصوصیات ریختشناسی دانه و همچنین معرفی یک نرمافزار کاربردی در این زمینه انجام شد. ژنوتیپهای برنج شامل لاینهای Gil3, IR362542/2, Restore50, Domsiah, MusaTarom, GHARIB3, Gharibsiahryhani, IR50maz, Line304, LINE229-2, Nemat, KMP41, DCL, Lebant, IR67017, DomsiahSolymandarab, Dashtisard, Hashemi, Dolar, IR24, IR50, line831, IR3441, AnbarboElam, CY, Mehr, Line213, Fujiminuri, Hasani, Ghasraldashti, TE, Sangtarom, Dasht, line216, Vad, IR662320, Canhopatra, Usen و 17 لاین حاصل از تلاقیAzucina و Bala بود. ارزیابی تنوع ریختشناسی گامی اساسی در برنامههای بهنژادی و حفظ ذخایر ژنتیکی گیاهی محسوب میشود.
مواد و روشها: دانههای برنج مورد استفاده در این پژوهش در مزرعه تحقیقاتی دانشگاه گنبد کاووس کشت شدند. پس از برداشت، تصاویر دیجیتال از دانههای شلتوک با استفاده از یک اتاقک تصویربرداری استاندارد و دوربین دیجیتال تهیه گردید. سپس با استفاده از نرمافزار MATLAB و الگوریتمهای پردازش تصویر، خصوصیاتی نظیر طول، عرض، محیط، مساحت، ضریب گردی و نسبت طول به عرض برای هر دانه استخراج شد. در ادامه، از شبکه عصبی خودسازمانده برای خوشهبندی دانهها بر اساس این خصوصیات در دو شرایط نرمال و تنش خشکی استفاده گردید.
نتایج: نتایج پردازش تصویر نشان داد که این روش قادر به استخراج دقیق خصوصیات هندسی دانههای برنج است. نرمافزار توسعهیافته نیز عملکرد مطلوبی در اندازهگیری این خصوصیات از خود نشان داد. شبکه عصبی خودسازمانده توانست دانهها را بر اساس ویژگیهای ریختشناسی طول و عرض در گروههای مجزا خوشهبندی نماید. نقشههای خودسازمانده تفاوتهای ریختشناسی بین نمونههای مختلف و همچنین تأثیر شرایط تنش خشکی بر این خصوصیات را به تصویر کشیدند.
نتیجهگیری: استفاده از پردازش تصویر بههمراه شبکه عصبی خودسازمانده ابزاری کارآمد و غیرمخرب برای ارزیابی تنوع ریختشناسی و طبقهبندی ژنوتیپهای برنج میباشد. این روش میتواند در برنامههای بهنژادی، مدیریت ژرمپلاسم و کنترل کیفیت بذر مورد استفاده قرار گیرد. این رویکرد پتانسیل بالایی برای استفاده در ارزیابی تنوع ژنتیکی، شناسایی ژنوتیپها، مطالعات مرتبط با تنشهای محیطی و برنامههای بهنژادی برنج دارد. نرمافزار توسعهیافته نیز میتواند بهعنوان یک ابزار کمکی برای محققان در این زمینه مورد استفاده قرار گیرد. پیشنهاد میشود در تحقیقات آینده، تعداد بیشتری از ویژگیهای ریختشناسی و همچنین ویژگیهای رنگی و بافتی در مدلسازی توسط شبکه عصبی خودسازمانده لحاظ شده و ارتباط آنها با خصوصیات ژنتیکی و زراعی ژنوتیپهای مختلف برنج بررسی گردد.
کلیدواژهها
عنوان مقاله [English]
Development of general software for clustering rice cultivars using image processing and a self-organizing map to assess morphological diversity
نویسندگان [English]
-
Sayed Javad Sajadi
1
-
Hossein Sabouri
2
-
Mehdi Tarashi
3
-
Mohsen Rezaei
3
1
Assistant Professor, Department of Plant Production, College of Agriculture Science and Natural Resources, Gonbad Kavous University, Gonbad, Golestan, Iran.
2
Professor, Department of Plant Production, College of Agriculture Science and Natural Resources, Gonbad Kavous University, Gonbad, Golestan, Iran.
3
MSc Graduate, Department of Plant Production, College of Agriculture Science and Natural Resources, Gonbad Kavous University, Gonbad, Golestan, Iran.
چکیده [English]
Objective
This study was conducted to evaluate the potential of digital image processing and artificial neural networks in identifying and classifying rice cultivars based on grain morphological characteristics and also to introduce an applied software in this field. Rice cultivars included Gil3, IR362542/2, Restore50, Domsiah, MusaTarom, GHARIB3, Gharibsiahryhani, IR50maz, Line304, LINE229-2, Nemat, KMP41, DCL, Lebant, IR67017, DomsiahSolymandarab, Dashtisard, Hashemi, Dolar, IR24, IR50, line831, IR3441, AnbarboElam, CY, Mehr, Line213, Fujiminuri, Hasani, Ghasraldashti, TE, Sangtarom, Dasht, line216, Vad, IR662320, Canhopatra and Usen rice lines and 17 lines resulting from crossing Azucin and Bala. Evaluation of morphological diversity is considered an essential step in breeding programs and conservation of plant genetic resources.
Materials and Methods
Rice grains used in this study were cultivated during the 2015–2016 growing season at the research farm of Gonbad Kavous University. After harvest, digital images of paddy grains were captured using a standard imaging chamber equipped with a CCD camera. Using MATLAB R2015a software and image processing algorithms, grain characteristics such as length, width, perimeter, area, roundness, and aspect ratio were extracted. A Self-Organizing Map (SOM) neural network was then applied to cluster the grains based on these morphological features under both normal and drought stress conditions.
Results
The image processing results demonstrated the capability of this method to extract the geometric features of rice grains accurately. The developed software also performed effectively in measuring these characteristics. The SOM neural network successfully clustered grains into distinct groups based on morphological traits, particularly length and width. The SOM visualization maps illustrated both the morphological differences among samples and the influence of drought stress on these traits.
Conclusion
The combination of digital image processing and a Self-Organizing Map neural network provides an efficient, non-destructive approach for assessing morphological diversity and classifying rice cultivars. This method has valuable applications in breeding programs, germplasm management, and seed quality assessment. Moreover, the developed software serves as a valuable tool for researchers in the field. Future studies are recommended to include a broader range of morphological, color, and textural traits in SOM modeling and to explore their relationships with genetic and agronomic characteristics of diverse rice cultivars.
کلیدواژهها [English]
-
Classification
-
Drought stress
-
Machine vision
-
Phenotypic traits
)