Содержание к диссертации
Введение
Глава 1. Анализ проблемы сортосопровождения семенного картофеля 9
1.1. Практическое значение контроля за сортовым семенным картофелем 9
1.2. Применение систем технического зрения в различных отраслях производства 15
1.3. Анализ применения цифровых электронных систем в агротехнологиях 23
1.4. Использование оптического цифрового технического зрения в растениеводстве 25
1.5. Цель и задачи исследования 42
Глава 2. Теоретическое исследование способа компьютерной оценки морфологических параметров листьев картофеля 45
2.1. Схема информационного управления производством семенного картофеля 45
2.2. Операция получения цифровых цветных изображений листьев картофеля 56
2.3. Операция обработки изображений и оценки морфологических параметров листьев картофеля по изображениям 63
2.3.1. Последовательность шагов обработки изображений для оценки структурных параметров листьев картофеля 68
2.3.2. Последовательность шагов обработки изображений для определения цветовых параметров листьев картофеля 76
Глава 3. Разработка алгоритмов способа компьютерной оценки морфологических параметров листьев картофеля по изображениям 81
3.1. Порядок выборки и обработки образцов листьев картофеля 81
3.2. Алгоритм операции получения цифровых цветных изображений 82
3.3. Алгоритмы операции обработки изображений и оценки морфологических параметров листьев картофеля по изображениям 83
3.3.1. Алгоритмы оценки структурных параметров листьев картофеля 83
3.3.2. Алгоритм оценки цветовых параметров листьев 103
3.4. Визуализация и представление результатов обработки и оценки морфологических параметров листьев картофеля 123
Глава 4. Практическая реализация электронно-оптического способа компьютерной оценки морфологических параметров листьев картофеля 124
4.1. Инфраструктура оптического сканирующего устройства для оценки морфологических параметров листьев картофеля 124
4.2. Экспериментальное исследование способа компьютерной оценки морфологических параметров листьев картофеля 131
4.3. Расчет надежности оптического сканирующего устройства компьютерной оценки морфологических параметров листьев картофеля 140
4.4 Оценка эффективности компьютерного способа оценки морфологических параметров листьев картофеля с помощью оптического сканирующего устройства 142
4.5. Оценка экономической эффективности 145
Основные результаты и выводы 155
Список литературы 157
Приложения
- Применение систем технического зрения в различных отраслях производства
- Операция получения цифровых цветных изображений листьев картофеля
- Алгоритм операции получения цифровых цветных изображений
- Экспериментальное исследование способа компьютерной оценки морфологических параметров листьев картофеля
Введение к работе
Актуальность работы.
Наша страна занимает лидирующее положение в ежегодном производстве и потреблении картофеля. Россия стоит на втором месте по количеству посевных площадей, задействованных для выращивания данной культуры. Средний уровень урожайности в 9 - 10 т/га, против средней урожайности в 34,6 т/га в странах ЕС, характерен для всех категорий хозяйств и регионов как с благоприятными, так и с неблагоприятными условиями возделывания [8], [61]. Практика показывает, что одной из причин низкой урожайности картофеля является использование на посадку несертифицированного семенного материала низкого качества. [61]. Это обусловлено тем, что при многолетней вегетации в сортовом картофеле накапливается вирусная инфекция, приводящая к вырождению сорта, снижению качественных характеристик семенного материала и, как следствие, к уменьшению урожайности на 30 - 40% [70], [93].
Своевременное выявление вырождения сорта и проведение сортообновления способно предотвратить снижение урожая. Служба агромониторинга, в состав которой входят государственные сортоиспытательные станции, семенные инспекции и другие организации, имеющие аккредитацию для проведения инспекции сортов, осуществляют в течение вегетационного периода контроль за состоянием растений, степенью инфицирования возбудителями болезней, проводят полевые обследования с целью взятия листовых проб для определения сортовой чистоты выращиваемой культуры, визуально оценивают их морфологические параметры и полученные данные сравнивают с данными о морфологических параметрах листьев элиты возделываемого сорта, которые получают при сортоиспытании по методике испытаний на отличимость, однородность и стабильность (ООС), разработанной международным союзом по охране новых сортов (UPOV) [62].
В практической работе госинспекторов в настоящее время возникают трудности из-за отсутствия современных приспособлений и инструментов,
необходимых для определения качественных характеристик различных категорий и классов семенного картофеля. В связи с этим остро стоит задача в разработке технического документооборота и создании новейшего оборудования, необходимого для проведения полевых инспекций, включающего в себя отбор листовых проб, доставку их в лабораторию, описание морфологии отобранных образцов, анализ и оценку степени выраженности сортовых параметров листьев испытуемого сорта картофеля, документирование проведенного анализа. В частности, для выдачи протокола испытания (результата анализа) листовых проб на соответствие исходного материала требованиям действующих стандартов (ГОСТ 29267-01 [5] и ГОСТ 29268-91 [6]) определение сортовых параметров листьев картофеля осуществляется способом экспертной оценки визуально, оценка выраженности сортовых параметров оценивается в баллах, оперирование полученной информацией проводится в виде бумажного документооборота.
В решении этой проблемы особенно важное значение имеет разработка на базе передовых технических цифровых систем современного информационно-аналитической способа оценки морфологических параметров листьев картофеля при проведении полевых инспекций в период вегетации растений для сортоиспытаний и сортосопровождения семенного материала, который должен гарантировать безусловное соблюдение стандартов, действующих положений и правил, а также повышение оперативности документооборота, создание возмолшости накопления, хранения и обмена информацией. В связи с этим, разработка электронно-оптического способа компьютерной оценки морфологических параметров листьев картофеля является актуальной научной и народнохозяйственной задачей.
В нашей стране и за рубежом уже имеется положительный опыт использования информационных систем в сельскохозяйственной науке и практике [73]. Огромный вклад в развитие и применение видео-цифрового технического зрения в сельском хозяйстве внесли ученые из США штата Калифорния David С. Slaughter, Robert G. Curley, Pictiaw Chen [81], которые
разработали и воплотили в жизнь роботизированный культиватор на базе цифровой видеосистемы для автоматического позиционирования рабочих органов относительно культивируемых рядков растений. Среди российских разработок в области видео-цифрового компьютерного зрения можно выделить работы, проводимые в МГАУ, ВИЭСХе и ЕПИИКХ под руководством Бородина И. Ф., Кирилина Н. И., Пшеченкова К. А., Башилова А. М. по созданию электронно-оптических систем контроля и управлением качества производства картофеля [7], в МичГАУ под руководством А. С. Гордеева по созданию автоматизированных систем по сортированию плодов [87], а также группы ученых (Денисюк С. Г. и др.) из СибФТИ СО РАСХН, которые разработали экспериментальный телевизионно-компьютерный комплекс "Биоспекл" для регистрации и обработки изображений пораженной листовой поверхности растений в видимом диапазоне длин волн [71]. Анализ вышеприведенных работ показал, что перспективным направлением автоматизации сельского хозяйства является использование компьютерных устройств как совместно с существующими технологиями, так и отдельно, заменяя имеющиеся устаревшие технологические операции. Однако проблема совершенствования способа контроля сортовых параметров листьев картофеля при сортоиспытании и сорторазведении в период вегетации растений с помощью электронно-оптического информационно-аналитического способа оценки параметров до настоящего момента не решалась.
Разработка электронно-оптического способа компьютерной оценки
морфологических параметров листьев картофеля проводилась в соответствии с
концепцией развития электрификации сельского хозяйства России, одобренной
Президиумом РАСХН (протокол № 134 от 20 декабря 2001 г.) [1], в которой
одним из перспективных направлений электрификации села является
автоматизация и информатизация электрифицированного
сельскохозяйственного производства. Согласно данной концепции, будут развиваться автоматизированные информационно-управляющие системы контроля режимов и качества продукции, основанные на широком
использовании оптических приборов и баз статистических данных о возделывании, темпах уборки, обработке и хранении продукции.
Работа выполнялась в лаборатории автоматизации электроприводов и поточных линий ГНУ ВИЭСХ в соответствии с планом НИР ВИЭСХ на 2003 год по фундаментальным и приоритетным прикладным исследованиям, этап 03.02.14 «Разработать информационно-аналитический метод анализа и управления автоматизированными сельскохозяйственными технологиями с использованием электронных средств контроля и обработки информации» и с планом НИР ВИЭСХ на 2004 год по фундаментальным и приоритетным прикладным исследованиям, этап 03.02.02 «Разработать методы построения и расчета компьютерных информационно-управляющих систем высокоточного интенсивного ведения животноводства, управления автоматизированными сельскохозяйственными технологиями, процессами и установками».
Цель работы.
Исследование и разработка электронно-оптического способа компьютерной оценки морфологических параметров листьев картофеля, обеспечивающего выявление отличимости, однородности и стабильности сорта при сортоиспытании и сортосопровождении в период вегетации растений.
В работе приведен анализ существующих технологий, базирующихся на использовании видео-цифровых оптических систем. Обосновано преимущество применения цифровых оптических систем по сравнению с другими электронными технологиями.
Рассмотрена структурная схема управления производством семенного картофеля, представляющая собой биологический конвейер, который организован таким образом, чтобы поток сертифицированного семенного материала был непрерывным и удовлетворял требованиям ГОСТа для сортового картофеля с целью получения качественных семян на производство продовольственного картофеля.
Представлена схема информационного сортосопровождения для технологии возделывания картофеля в процессах сортоиспытания и при последующем многолетнем репродуктировании семенного картофеля.
Произведены экспериментальные исследования способа компьютерной оценки морфологических параметров листьев картофеля, включившие в себя получение цифровых цветных изображений образцов листьев и разработку алгоритмов и программ обработки полученных изображений.
Электронно-оптический способ компьютерной оценки морфологических параметров листьев картофеля реализован на базе оптического сканирующего устройства. Проведены производственные испытания данного устройства. Рассчитана надежность работы устройства и экономическая эффективность применения его для автоматизированной оценки сортовых параметров листьев картофеля при сортоиспытании и сортосопровождении.
Диссертация состоит из введения, четырех глав, основных результатов и выводов, списка литературы и приложений.
В работе использовались метод цифровой и аналоговой обработки изображений, теории вероятностей и математической статистики, планирования эксперимента, распознавания образов, оптико-электронных приборов, математической обработки и компьютерного моделирования.
На защиту выносятся;
структурная схема информационно-аналитического сопровождения процессов сортоиспытания и сорторазведения при производстве семенного картофеля в период вегетации растений;
электронно-оптический способ компьютерной оценки морфологических параметров листьев сортообразцов картофеля по методике ООС в период вегетации растений;
блок-схемы алгоритмов компьютерной обработки цифровых изображений для определения морфологических параметров листьев картофеля;
результаты производственных испытаний электронно-оптического способа оценки параметров листьев, реализованного на оптическом сканирующем устройстве, подтверждающие эффективность способа компьютерной оценки по отношению к существующему способу экспертных оценок в процессах сортоиспытания и сортосопровождения.
1. Анализ проблемы сортосопровождения семенного картофеля.
Применение систем технического зрения в различных отраслях производства
Технология компьютерного зрения по праву может считаться одной из самых передовых и перспективных на данном этапе развития цифровых компьютерных технологий. На протяжении нескольких десятилетий над проблемой компьютерного зрения работают не только исследователи, но и те, кто связан с современным высокотехнологическим производством. Совершенствование персональной вычислительной техники, увеличение производительности персональных компьютеров и появление на рынке дешевых устройств ввода видеоинформации стимулирует развитие компьютерных технологий. И не случайно многие современные разработки в области компьютерного зрения реализуются в расчете на персональные компьютеры. При этом от успешного решения ряда сложных и неоднозначных задач компьютерного зрения зависит автоматизация множества процессов и операций, которые до этого управлялись и контролировались только человеком. [57]
Термин «компьютерное зрение» имеет много синонимов: машинное зрение, распознавание зрительных образов, анализ изображений и т. д. Однако смысл, скрывающийся за всеми этими определениями, один- это попытка научить компьютер видеть мир глазами человека, воспринимать его как человек и выполнять в связи с этим различные действия так же, как делал бы это человек, тем самым подменяя или полностью исключая последнего. Необходимость в этом возникает в ситуациях, связанных с риском для жизни, и бывает обусловлена особенностями человека как живого организма, которому свойственно быстро утомляться, пропускать через себя ограниченный объем информации, а также обрабатывать данные с относительно низкой скоростью. Процесс компьютерного зрения представляет собой сложную технологическую цепочку, включающую получение цифрового изображения, обработку изображения с целью выделения значимой информации на изображении и анализ этого предобработанного изображения для решения определенной задачи. Конечно, идеальным представляется создание универсальной самообучающейся системы, которая бы «росла» и «зрела» так же, как это с рождения происходит с любым человеком. Руководствуясь столь высокими целями, разработчики в области компьютерного зрения сегодня решают непростые задачи. Можно сказать, что область компьютерного зрения имеет недолгую по меркам фундаментальных наук, но очень бурную историю зарождения и развития. [18]
История технологии компьютерного зрения как наукоемкой области знаний берет свой отсчет с 50-х годов XX века. Именно в этот период компьютеры постепенно начали становиться общедоступным средством обработки и анализа информации. Однако следует отметить, что первые системы оцифровки визуальной информации были весьма примитивными, а изображения - малоформатными и низкоинформативными. Поэтому первыми задачами, которые решались в то время, стали проблемы, связанные с автоматическим распознаванием печатных буквенно-цифровых символов (знаков). [20]
Исследования в области синтеза систем компьютерного зрения бурно развивались на протяжении 60-х годов по мере того, как расширялось использование вычислительных машин и становилась очевидной потребность в более быстрой и эффективной связи человека с ЭВМ. К началу 60-х годов задачи компьютерного зрения в основном охватывали область космических исследований, требовавших обработки большого количества цифровой информации. Полученные тогда цифровые изображения требовали удаления различного рода искажений, в частности оптических. Позднее, в 70-е годы, наряду с ростом разрешающей способности изображений в видимом спектре информация стала пополняться полученной в тепловизионном и других спектральных диапазонах частот, что позволяло проводить более глубокий анализ данных. Начали развиваться различные подходы к распознаванию объектов на изображении, например структурные, признаковые и текстурные. [21] 80-е и 90-е годы ознаменовались появлением нового поколения датчиков двухмерных цифровых информационных полей различной физической природы. К ним можно отнести датчики, построенные на матрицах ПЗС (прибор зарядовой связи) и КМОП (комплементарный металл-оксид-полупроводник), датчики ночного видения, тепловизоры (датчики, воспринимающие инфракрасное излучение), лазерные локаторы и др. Развитие новых измерительных систем и методов регистрации двухмерных цифровых информационных полей в реальном масштабе времени позволило получать для анализа устойчивые во времени изображения, генерируемые этими датчиками. Совершенствование же технологий производства этих датчиков позволило существенным образом снизить их стоимость, а значит, значительно расширить область их применения. Рост быстродействия микропроцессоров, снижение цен на камеры и десятикратное увеличение полосы пропускания при передаче видео с помощью таких технологий, как USB 2.0, позволяют реализовать действующие в режиме реального времени алгоритмы машинного зрения на стандартных компьютерах. Использование машинного зрения на персональных компьютерах в сочетании с качественными средствами визуализации способно коренным образом изменить способ взаимодействия человека с компьютером и окружающим миром. Машинное зрение уже привлекает внимание исследователей, занимающихся разработкой передовых приложений для домашнего использования. [18]
Что касается непосредственно теории компьютерного зрения и ее приложений, то в настоящее время существует четкая граница между так называемым монокулярным и бинокулярным компьютерным зрением. [32] К первой области относятся исследования и разработки в области компьютерного зрения, связанные с информацией, поступающей от одной камеры или от каждой камеры отдельно. Ко второй области относятся исследования и разработки, имеющие дело с информацией, одновременно поступающей от двух и более камер. Несколько камер в таких системах используются для измерения глубины наблюдения. Эти системы называются стереосистемами. Безусловно, информацию о глубине можно получить за счет использования специальных, так называемых активных, датчиков (то есть одновременно излучающих и принимающих сигнал), например таких, как локатор. Однако на практике все оказывается намного сложнее. Такие устройства могут применяться для оценки глубины лишь на небольших дальностях ввиду того, что на больших расстояниях их сигнал обладает свойством рассеивания. В этом плане гораздо надежнее и проще использовать так называемые пассивные датчики, способные только принимать излучаемый сигнал. В частности, к таким датчикам относят видеокамеры. Важно подчеркнуть тот факт, что камеры в стереосистемах должны быть специальным образом ориентированы в пространстве, чтобы полученные кадры можно было поставить во взаимооднозначное соответствие и сформировать объемное представление об объекте. Примерно то же самое происходит у человека. Наши глаза воспринимают объекты под разными углами, два независимых изображения анализируются мозгом, и в результате их сопоставления формируются образ предмета, его признаки и глубина изображения.
К настоящему моменту теория компьютерного зрения полностью сложилась как самостоятельный раздел кибернетики, опирающийся на солидную научную и практическую базу знаний. Существует ряд научно-общественных организаций, поддерживающих и освещающих исследования в области современных технологий, в том числе технологии компьютерного зрения. К ним, в частности, относятся SPIE (Международное сообщество по оптической инженерии), IEEE Computer Society (Institute of Electrical and Electronics Engineers), РОФДЗ (Общество содействия развитию фотограмметрии и дистанционного зондирования) и ряд других организаций. [90]
Операция получения цифровых цветных изображений листьев картофеля
Листья картофеля относятся к классу неоднородных сложных объектов для распознавания. По своей природе они относительно плоские, т. е. их можно рассматривать как двумерные. Морфологическое строение листа (рисунок 2.9) позволяет использовать для получения его цифрового изображения сканер — устройство регистрации двумерных изображений. Из-за своих конструктивных особенностей сканер практически исключает появление оптических искажений на изображениях, что ставит его на первое место при выборе устройства получения цифровых цветных изображений листьев картофеля. Технические особенности оптической системы сканера подробно рассмотрены в главе 4.
Схема сканирования листа картофеля приведена на рисунке 2.10. Лист располагается на верхней части прозрачного рабочего планшета сканера. Работа сканера осуществляется с помощью кнопок управления сканером и программного обеспечения, установленного в компьютерной системе. Скорость перемещения сканирующей каретки с источником света и линейкой ПЗС датчиков V и соответственно время выполнения операции Ох, а также качество получаемых изображений зависит от выбора параметров сканирования (шаг /2): - разрешения сканирования; - глубины цветопередачи; - метода компрессии полученного изображения.
Чем выше разрешение сканирования объекта и глубина цветопередачи, тем медленнее происходит сканирования. Однако при высоком разрешении сканирования и глубокой цветопередачи получаются изображения более высокого качества. Таким образом, необходимо подобрать оптимальное сочетание скорости сканирования и качества получаемого изображения исходя из приоритета получения результата.
Оптимальный метод компрессии изображения - сохранение полноформатного изображения в минимальном объеме памяти компьютера без потери информативных признаков.
В программном приложении (TWAIN-модуле) большинства сканеров по умолчанию установлено сохранение получаемых цифровых изображений в формате компрессии JPEG (Joint Photographic Experts Group - группа экспертов по фотографии) [30]. Данный стандарт компрессии выбран по причине того, что он основан на дискретном косинусном преобразовании (ДКП), наиболее часто используемом на практике для сжатия и восстановления цифровых сигналов. На рисунке 2.11 показаны ключевые шаги обработки изображений, которые являются основой метода кодирования с ДКП. На рисунке 2.11 приведен случай компрессии однокомпонентного полутонового изображения. Компрессия многокомпонентного цветного изображения в целом соответствует поочередной компрессии нескольких полутоновых изображений - цветовых компонентов.
Этот метод является наиболее практичным и удобным по следующему ряду причин: 1) достигается наилучшее соотношение коэффициента сжатия и точности восстановления изображения для широкого диапазона уровней качества изображений; 2) наличие управляющего параметра, позволяющего выбрать желаемый компромисс между степенью сжатия и качеством восстановленного изображения; 3) отсутствие ограничений на размерность изображений, количество цветовых пространств, а также на содержимое изображения: сложность, цветовой диапазон и т. д.; Получение цифрового изображения (шаг /3) выполняется сканером под управлением компьютерной системы в автоматическом режиме с учетом выбора оператором вышеописанных параметров. Из структурной схемы (рис. 2.8) подробно рассмотрим схему операции получения цифровых цветных изображений при помощи сканера (рисунок 2.12).
Таким образом, изображение - это ограниченная функция двух пространственных переменных хиу, заданных на ограниченной прямоугольной области. Изображение, получаемое сканером, строится на основе точек, называемых пикселями, которые представляют собой значение уровней света, получаемых при помощи специальных светочувствительных датчиков, называемых приборами с зарядовой связью (ПЗС) [10]. ПЗС имеет клеточную структуру, где каждая клетка в отдельности и есть пиксель изображения. Математическая модель аналогового изображения f(x, у), спроецированного на ПЗС матрицу, исходя из его конструкции, выглядит [29].
Алгоритм операции получения цифровых цветных изображений
После отбора листья картофеля подвергаются процедуре сканирования. Выбранные образцы последовательно по одному укладываются лицевой стороной листа (поверхность листа, обращенная к солнцу) на рабочий планшет сканера. С помощью кнопок управления сканером (рисунок 2.10) запускается предварительное сканирование исследуемого листа и одновременно с этим в компьютерной системе открывается прикладное программное обеспечение устройства сканирования. С помощью этой программы необходимо вручную установить параметры сканирования (шаг /2 (рисунок 2.7)). Далее проводится сканирование. Получаем цветное изображение в формате RGB, сохраняемое в памяти компьютера.
Существует ряд универсальных программных оболочек для анализа изображений [89], [90]. К ним относятся графические оболочки (Adobe Photoshop, Corel Draw, Paint Brash и т. д.), в которых обработка изображения производится вручную (при помощи манипулятора «мыши») благодаря встроенным неперепрограммируемым инструментальным модулям и специализированные программные оболочки по обработке изображений (Matlab, PiSoft Image Framework, National Instruments и т. д.), в которых алгоритмы обработки изображений строятся на основе встроенного математического аппарата. Так как каждый объект имеет свои персональные особенности (по форме, цвету и т. д.), то и алгоритмы по обработке изображении в выше перечисленных программах будут индивидуальными.
Алгоритмы операции обработки изображений и оценки морфологических параметров листьев картофеля по изображениям разрабатывались и проверялись в программе по обработке изображений Adobe Photoshop CS [38], [39]. В алгоритмах предусмотрена строго индивидуальная последовательность операций для выделения каждого параметра из числа параметров объекта. Каждый шаг обработки изображения и полученные результаты в виде изображений листа представлены на примере изображения листа картофеля сорта «Сатурна».
В общем случае к структурным параметрам листа картофеля можно отнести геометрические параметры - геометрические размеры, периметр и площадь изображенного листа; топологические параметры - тип силуэта листа; текстурные параметры - размер центральной жилки листа и жилок боковых листочков, срастаемость листочков верхушечной розетки. Все эти признаки можно выделить только на предварительно обработанном изображении листа картофеля.
Для достоверной идентификации всех сортовых параметров листа картофеля необходимо разработать отдельные алгоритмы предварительной обработки изображений для каждой группы параметров. Один алгоритм - один параметр. Алгоритм обработки исходного изображения для определения геометрических параметров представлен на рисунке 3.1. Далее поясним последовательность операций.
На первом этапе исследуемое изображение загружалось в программу обработки. Затем исходное RGB изображение разделялось на три составляющих его цветовых канала R, G и В. Изображения листа картофеля в R, G и В каналах и гистограммы распределения яркости по каждому каналу представлены на рисунке 3.2. Канал В выбран на основе анализа гистограмм и визуального анализа исходного RGB изображения по каждому цветовому каналу в отдельности. Проведенный анализ показал, что значение спектральной отражательной способности синей составляющей цвета выше, чем значения спектральной отражательной способности зеленой и красной составляющей, сам объект, его контур и текстура визуально просматриваются наиболее четко, слабо подвержены помехам. Анализ гистограмм также показал, что в зеленом цвете листовой поверхности присутствие синего цвета минимально, т. е. численное значение канала В стремиться к нулю и, следовательно, полутоновое изображение канала В в отдельности наиболее темное.
Поскольку выделение из полноцветного трехканального изображения одного канала приводит к преобразованию исходного изображения в полутоновое, то далее необходимо провести процедуры повышения качества изображения и определения границ исследуемого объекта на изображении. Процедура повышения качества изображения является основой обработки изображений листьев картофеля, т. к. от степени улучшения изображения зависти достоверность выделения границ объекта и дальнейшее качественное распознавание его характеристических признаков. Первый шаг процедуры повышения качества изображения - это повышение контраста.
Экспериментальное исследование способа компьютерной оценки морфологических параметров листьев картофеля
На практике порядок определения сортовой принадлежности того или иного растения к определенному классу при сортоиспытании и определение степени вырождения сорта при сортосопровождении строится на взаимном анализе всех его сортовых признаков, регламентируемых методикой ООС. В настоящее время на сортоиспытательных станциях и в семеноводческих хозяйствах весь объем работ по определению сорта специалистами проводится визуально и вручную, информация о сортовых параметрах испытуемого растения накапливается в период его вегетации и сохраняется только на бумаге в виде текстовой информации, которая, в конечном счете по мере накопления и дает общую картину возделываемого сорта. Такой процесс мало информативен, так как при возникновении спорных вопросов о проведенных испытаниях и о выведении нового сорта или обнаружении гибрида уже известного сорта при сортоиспытаниях или о вырождении и дальнейшем использовании сорта при сортосопровождении, разрешение этих вопросов остается крайне проблематичным из-за отсутствия наглядных картинок самих параметров испытываемого сорта. Это в свою очередь влечет материальные издержки при повторных сортоиспытаниях или потери от недополучения урожая при производстве семенного картофеля.
Мобильный вариант удобно использовать в передвижных лабораториях непосредственно на месте проведения выборки листьев картофеля с испытуемых сортов. Как видно из рисунка 4.6, его отличает компактность и возможность работы без дополнительных источников электропитания от прилагаемой к ноутбуку аккумуляторной батареи продолжительное время (до 4 часов).
Порядок работы данных установок заключается в следующем: 1. Сорванная с куста картофеля листовая пластинка размещается на рабочей поверхности сканера и сканируется с помощью прикладного программного обеспечения самого устройства (см. рисунок 4.7) [88]. Однако запуск программы сканирования осуществляется непосредственно из программы, в которой будет производиться дальнейшая обработка полученного изображения.
Рабочее окно программы сканирования. Во время сканирования листовой поверхности, получаемое изображение сразу пересылается из программы сканера в программу по обработке изображений Adobe Photoshop CS (см. рисунок 4.8) [92] и по завершению данной процедуры полученное изображение готово для сохранения в памяти компьютера и дальнейшей его обработки.
Были проведены ряд экспериментов, направленных на то, чтобы показать, какие факторы и каким образом оказывают практическое воздействие на качество получения видео-цифровых изображений листовой поверхности картофеля и какими способами влияние этих факторов можно уменьшить или вовсе исключить. Данными факторами являются: 1) Качество листовых пластинок на кусту картофеля. Основными качественными параметрами данного фактора являются отсутствие или слабая загрязненность листьев на кусту, отсутствие или слабое проявление повреждений, вызванных условиями окружающей среды, болезнями или паразитными насекомыми. 2) Аккуратность взятия пробы листовой пластинки при инспекции полей в период проведения сортоиспытания. Качественными показателями данного фактора являются отсутствие механических повреждений листовой пластинки при отделении его от куста растения, бережная транспортировка его до места проведения исследований по определению сортовых параметров данной выборки. 3) Точность при подготовке к сканированию взятой пробы листа. Показателями фактора являются наиболее типичное позиционирование листовой пластинки в рабочей зоне сканера, т. е. такое положение, какое лист имел в естественных условиях (на кусту), исследуемый лист необходимо располагать лицевой стороной вниз на прозрачную поверхность сканирующего устройства.
Представленные выше факторы являются субъективными по отношению к разработанному электронно-оптическому сканирующему устройству, реализующий способ компьютерной оценки, т. к. данное устройство не имеет возможности контролировать и снижать их вредное воздействие на получение качественных цифровых изображений. 4) Точность в выборе оптимальных параметров сканирования, т. е. согласование качества получаемых изображений листа и размера сохраняемых файлов этих изображений. Под оптимальными параметрами сканирования понимаются параметры, при выборе которых получаемые изображения листьев картофеля наиболее полно и четко передают качественные характеристики реальных листьев и при этом имеют наиболее компактный размер файла. 5) Выбор оптимальных параметров компрессии при сохранении изображений листьев картофеля и дальнейшей их обработки и анализа, а также выбор критериев по оценке качества и достоверности полученных результатов. Первым критерием, определяющим качество и достоверность итоговой информации является информационная надежность изображения объекта. Вторым критерием, определяющим эффективность оценки сортовых параметров листьев по цифровым изображениям, является вероятность принятия правильного решения по результатам анализа морфологических параметров листьев картофеля. Два последних фактора определяют качество работы разработанного компьютерного устройства, реализующего электронно-оптический способ оценки. Основными ключевыми моментами данных факторов являются выбор оптимального разрешения сканирования без потери качества, подбор метода компрессии полученных изображений, отвечающего универсальностью при дальнейшей обработке этих изображений. От их точного выбора зависит достоверность получаемых изображений, а также скорость обработки и анализа этих изображений объектов, поэтому необходимо уделить внимание настройке рабочих параметров устройства. Результаты экспериментов при выборе оптимальных параметров настройки компьютерного устройства отражены на рисунках 4.9, 4.10.
