Creation and Research of 3D Models for Digital Plant Phenotyping

Cover Page

Cite item

Full Text

Abstract

In the article, the authors present the results of the development and research of methods for creating 3D models of plants grown in vitro, which provide the ability to accurately record the morphometric indicators of the growth of individual parts, organs of plants and plants as a whole, cultivated on different nutrient media. The presented methods and algorithms in a complex solve the problems arising in the process of studying plants in a test tube, related to the complexity of the plant structure, the occurrence of distortions at the borders of the test tube, its possible fogging, as well as the influence of the human factor. A bank of 792 3D models for plants of 6 species has been created, which allows conducting simulation experiments to identify cause-and-effect relationships, forecasting and gaining new knowledge. The developed methods were checked for adequacy, an example of use for a specific plant was presented. The presented methods and algorithms can become the basis for the implementation of the process of digital phenotyping of plants.

About the authors

Olga A. Ivaschuk

Russian State Agrarian University – Moscow Timiryazev Agricultural Academy

Author for correspondence.
Email: o.ivashchuk@rgau-msha.ru

Doctor of Technical Sciences, Professor, Senior Researcher

Russian Federation, Moscow

Vladislav A. Berezhnoy

Belgorod State National Research University

Email: berezhnoy_v@bsu.edu.ru

Candidate of Engineering Sciences, Senior Lecturer

Russian Federation, Belgorod

Yuri N. Maslakov

Russian State Agrarian University – Moscow Timiryazev Agricultural Academy

Email: u.maslakov@rgau-msha.ru

Junior Researcher of the Agrotechnologies for the Future World-Class Scientific Center

Russian Federation, Moscow

Vyacheslav I. Fedorov

Russian State Agrarian University – Moscow Timiryazev Agricultural Academy

Email: v.fedorov@rgau-msha.ru

Candidate of Engineering Sciences, Researcher of the Agrotechnologies for the Future World-Class Scientific Center

Russian Federation, Moscow

References

  1. Chéné Y. On the use of depth camera for 3D phenotyping of entire plants / Y. Chéné, D. Rousseau, P. Lucidarme, J. Bertheloot, V. Caffier, P. Morel, F. Chapeau-Blondeau // Computers and Electronics in Agriculture, 2012. – Vol. 82. – P. 122-127.
  2. Chaudhury A. Machine vision system for 3D plant phenotyping / A. Chaudhury, C. Ward, A. Talasaz, A.G. Ivanov, M. Brophy, B. Grodzinski, J.L. Barron // IEEE/ACM transactions on computational biology and bioinformatics, 2018. – Vol. 16. – №. 6. – P. 2009-2022.
  3. Berezhnoy V.A. Approaches for Automated Monitoring and Evaluation of In Vitro Plant’s Morphometric Parameters / V.A. Berezhnoy, O.A. Ivashchuk, Y.N. Maslakov,
  4. V.I. Fedorov, V.M. Yacenko // Journal of Computational and Theoretical Nanoscience, 2020. – Vol. 17. – № 9-10. – P. 4725-4732.
  5. Berezhnoi V A Obzor metodov i algoritmov avtomatizirovannykh system fenotipirovaniia rastenii V A Berezhnoi O A Ivashchuk D S Semenov // Sovremennye naukoemkie tekhnologii. –2021. – 4. – Р. 111-116.
  6. Automatic plant leaf classification for a mobile field guide / D. Knight, J. Painter, M. Potter // Rapport technique. Université de Stanford, 2010. – URL: https://stacks.stanford.edu/file/druid:bj600br8916/Knight_ Painter_Potter_PlantLeafClassification.pdf (date of the application 20.10.2021).
  7. D leaf tracking for plant growth monitoring / W. Gélard, A. Herbulot, M. Devy, P. Casadebaig // 2018 25th IEEE International Conference on Image Processing (ICIP, Athens, Greece, 7-10 Oct. 2018 / IEEE Systems, Man, and Cybernetics Society, Institute of Electrical and Electronics Engineers. – Piscataway, New Jersey, 2018: conference proceedings – URL: https://ieeexplore.ieee.org/abstract/document/8451553 (date of the application 20.10.2021).
  8. Plant Species Recognition Methods using Leaf Image: Overview / S. Zhang, W. Huang, Y. A. Approaches to three-dimensional reconstruction of plant shoot topology and geometry / J. A. Gibbs, M. Pound, A. P. French [et al.] // Functional Plant Biology. – 2017. – Vol. 44, №. 1. – P. 62-75.
  9. Huang, C. Zhang // Neurocomputing. – 2020. – Vol. 408. – P. 246-272.
  10. D reconstruction methods for digital preservation of cultural heritage: A survey / L. Gomes, O. R. P. Bellon, L. Silva // Pattern Recognition Letters. – 2014. – Vol. 50. – P. 3-14.
  11. Shape-from-shading: A survey [Text] / R. Zhang, P. S. Tsai, J. E. Cryer, M. Shah // IEEE Transactions on Pattern Analysis and Machine Intelligence/ IEEE Systems, Man, and Cybernetics Society, Institute of Electrical and Electronics Engineers. – Piscataway, New Jersey, 1999. – URL: https://ieeexplore.ieee.org/abstract/document/784284 (date of the application 26.06.2021).
  12. Shape-from-silhouette across time part i: Theory and algorithms / S. Baker, T. Kanade // International Journal of Computer Vision. – 2005. – Vol. 62, №. 3. – P. 221247.
  13. The visual hull: A new tool for contour-based image understanding / A. Laurentini // In Proceedings of the Seventh Scandinavian Conference on Image Analysis. – 1991. – Vol. 993. – P. 1002.
  14. A stochastic approach to stereo vision / S. T Barnard // Readings in Computer Vision. – Morgan Kaufmann, 1987. – P. 21-25.
  15. Cheprasov, D. E. Postroenie 3D modeli po neuporiadochennoi kollektsii izobrazhenii / D. E. Cheprasov // Fundamentalnaia informatika i informatsionnye tekhnologii: SPbGU. 2016. – P. 1-47.
  16. Scene reconstruction from multiple uncalibrated views / T. Kanade, M. Han // Carnegie Mellon University: Pittsburgh, USA. – 2000. – URL: http://www.tka4.org/materials/study/5%20sem/%23Spec%20Sem/Mat%20Metody%20Obrabotki%20Izobrajeniy/Doklad%202/h4.pdf (date of the application 26.06.2021).

Supplementary files

Supplementary Files
Action
1. JATS XML
Download

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».