HỆ THỐNG PHÂN TÍCH KÍCH THƯỚC HẠT THÓC  PHỤC VỤ CHỌN TẠO GIỐNG

Hà Quang Hưng; Phùng Trường Trinh; Lê Hoàng Vũ; Nguyễn Minh Quân; Nguyễn Thị Kim Cúc; Nguyễn Văn Quyết; Chu Đức Hà; Nguyễn Thị Hồng; Phạm Minh Triển

doi:10.34238/tnu-jst.12049

HỆ THỐNG PHÂN TÍCH KÍCH THƯỚC HẠT THÓC PHỤC VỤ CHỌN TẠO GIỐNG

Thông tin bài báo

Ngày nhận bài: 14/02/25 Ngày hoàn thiện: 06/03/25 Ngày đăng: 07/03/25

Các tác giả

1. Hà Quang Hưng, Trường Đại học Công nghệ - Đại học Quốc gia Hà Nội
2. Phùng Trường Trinh, Trường Đại học Công nghệ - Đại học Quốc gia Hà Nội
3. Lê Hoàng Vũ, Trường Đại học Công nghệ - Đại học Quốc gia Hà Nội
4. Nguyễn Minh Quân, Trường Đại học Công nghệ - Đại học Quốc gia Hà Nội
5. Nguyễn Thị Kim Cúc, Trường Đại học Công nghệ - Đại học Quốc gia Hà Nội
6. Nguyễn Văn Quyết, Trường Đại học Công nghệ - Đại học Quốc gia Hà Nội
7. Chu Đức Hà, Trường Đại học Công nghệ - Đại học Quốc gia Hà Nội
8. Nguyễn Thị Hồng, Viện Di truyền Nông nghiệp - Viện Khoa học Nông nghiệp Việt Nam
9. Phạm Minh Triển , Trường Đại học Công nghệ - Đại học Quốc gia Hà Nội

Tóm tắt

Trong chọn tạo giống lúa, kích thước và hình dạng hạt thóc là tiêu chí quan trọng trong đánh giá năng suất, nhưng việc đo đạc thủ công số lượng hạt lớn từ hàng chục đến hàng trăm cặp lại rất tốn thời gian, do đó tự động hóa quá trình đo đạc là rất cần thiết. Nghiên cứu này phát triển hệ thống phân tích kích thước hạt gồm ba thành phần: (1) máy tính công nghiệp; (2) hệ chụp ảnh cố định và (3) phần mềm chạy trên hệ điều hành Linux. Trong số các mô hình nhận diện hạt được huấn luyện bao gồm U-Net, U-Net++, ResNet và YOLOv8, mô hình YOLOv8 cho kết quả tốt nhất với mAP50 và mAP50:95, trung bình hệ số Dice đạt 0,99, 0,91 và 0,98. Hai phương pháp trích xuất kích thước đã được áp dụng để ước tính kích thước, trong đó cách tính chiều rộng theo khoảng cách từ tâm đến điểm gần nhất theo hướng vuông góc cho sai số nhỏ hơn với MAE = 0,38. Thời gian trung bình để hệ thống xử lý một ảnh là 3,4 giây, ổn định với số lượng lên đến 500 ảnh (16.489 hạt). Với hiệu suất cao và khả năng mở rộng tốt, hệ thống có thể ứng dụng rộng rãi tại các viện nghiên cứu, công ty chọn tạo giống và tổ chức đào tạo, góp phần tự động hóa quy trình phân tích hạt và nâng cao chất lượng sản xuất lúa gạo.

Từ khóa

Hạt thóc; Kích thước hạt; Chọn tạo giống; Học máy; Hệ thống tự động

Toàn văn:

PDF PDF

Tài liệu tham khảo

[1] N. Childs and P. Jarrell, “Rice Outlook: January 2025,” USDA’s World Agricultural Outlook Board, Jan. 2025.

[2] M. S. Alam, M. A. Wazed, S. M. K. Hasan, M. Ahmed, M. S. Alam, and M. S. H. Sarker, “Quality aspects of paddy grain and seed dried in HSTU mobile grain and seed dryer integrated with a dual heating system,” Heliyon, vol. 10, no. 23, Dec. 2024, doi: 10.1016/j.heliyon.2024.e40835.

[3] R. Wimalasekera, “Role of seed quality in improving crop yields,” in Crop Production and Global Environmental Issues, Springer International Publishing, 2015, pp. 153–168, doi: 10.1007/978-3-319-23162-4_6.

[4] S. Chowdhury, M. Chowdhury, S. Bhattacherjee, and K. Ghosh, “Quality assessment of rice seed using different storage techniques,” Journal of the Bangladesh Agricultural University, vol. 12, no. 2, pp. 297-305, Jul. 2016, doi: 10.3329/jbau.v12i2.28688.

[5] D. Ren, C. Ding, and Q. Qian, “Molecular bases of rice grain size and quality for optimized productivity,” Sci Bull (Beijing), vol. 68, no. 3, pp. 314–350, Feb. 2023, doi: 10.1016/j.scib.2023.01.026.

[6] L. Yan et al., “Control of grain size and weight by the RNA-binding protein EOG1 in rice and wheat,” Cell Rep., vol. 43, no. 11, Nov. 2024, doi: 10.1016/j.celrep.2024.114856.

[7] K. Kiratiratanapruk et al., “Development of Paddy Rice Seed Classification Process using Machine Learning Techniques for Automatic Grading Machine,” J. Sens., vol. 2020, 2020, doi: 10.1155/2020/7041310.

[8] A. Feng et al., “Research on a rice counting algorithm based on an improved mcnn and a density map,” Entropy, vol. 23, no. 6, Jun. 2021, doi: 10.3390/e23060721.

[9] J. Peng, Z. Yang, D. Lv, and Z. Yuan, “A dynamic rice seed counting algorithm based on stack elimination,” Measurement, vol. 227, Mar. 2024, Art. no. 114275, doi: 10.1016/ j.measurement.2024.114275.

[10] O. Ronneberger, P. Fischer, and T. Brox, “U-Net: Convolutional Networks for Biomedical Image Segmentation,” Springer, Cham, pp. 234-241, May 2015, doi: 10.1007/978-3-319-24574-4_28.

[11] K. Zhang, L. Zhang, and H. Pan, “UoloNet: based on multi-tasking enhanced small target medical segmentation model,” Artif. Intell. Rev., vol. 57, no. 2, Feb. 2024, doi: 10.1007/s10462-023-10671-5.

[12] S. Liu et al., “High-throughput measurement method for rice seedling based on improved UNet model,” Comput. Electron. Agric., vol. 219, Apr. 2024, doi: 10.1016/j.compag.2024.108770.

[13] Z. Zhou, M. M. R. Siddiquee, N. Tajbakhsh, and J. Liang, “UNet++: Redesigning Skip Connections to Exploit Multiscale Features in Image Segmentation,” IEEE Trans Med Imaging, vol. 39, no. 6, pp. 1856–1867, Jun. 2020, doi: 10.1109/TMI.2019.2959609.

[14] H. Peng, J. Zhong, H. Liu, J. Li, M. Yao, and X. Zhang, “ResDense-focal-DeepLabV3+ enabled litchi branch semantic segmentation for robotic harvesting,” Comput. Electron. Agric., vol. 206, Mar. 2023, doi: 10.1016/j.compag.2023.107691.

[15] B. Yang et al., “FRPNet: An improved Faster-ResNet with PASPP for real-time semantic segmentation in the unstructured field scene,” Comput. Electron. Agric., vol. 217, Feb. 2024, doi: 10.1016/j.compag.2024.108623.

[16] R. Varghese and S. M., “YOLOv8: A Novel Object Detection Algorithm with Enhanced Performance and Robustness,” in 2024 International Conference on Advances in Data Engineering and Intelligent Computing Systems (ADICS), IEEE, Apr. 2024, pp. 1–6, doi: 10.1109/ADICS58448.2024.10533619.

[17] E. Cervantes, J. J. Martín, and E. Saadaoui, “Updated Methods for Seed Shape Analysis,” Scientifica, vol. 2016, 2016, doi: 10.1155/2016/5691825.

DOI: https://doi.org/10.34238/tnu-jst.12049

Các bài báo tham chiếu

Hiện tại không có bài báo tham chiếu



Ghi nhớ