Phát triển công cụ RiceGS-AI xử lý hình ảnh tự động xác định kích thước và hình dạng hạt lúa
DOI:
https://doi.org/10.55250/Jo.vnuf.15.6.2026.003-012Từ khóa:
Chiều dài hạt lúa, chiều rộng hạt lúa, RiceGS-AI, thị giác máy tínhTóm tắt
Nghiên cứu này được thực hiện với mục tiêu xây dựng quy trình tự động hóa việc xác định các tính trạng liên quan đến kích thước hạt lúa để thay thế phương pháp đo đạc thủ công vốn tiêu tốn nhiều thời gian và dễ gây sai số. Nghiên cứu đã phát triển một công cụ xử lý ảnh từ camera điện thoại dựa trên ngôn ngữ lập trình Python và thư viện OpenCV, kết hợp các thuật toán phân ngưỡng Otsu và phân đoạn Watershed để tách lọc hạt lúa từ nền ảnh màu đen. Một đồng xu đối chứng được sử dụng trong mỗi khung hình để quy đổi kích thước từ đơn vị pixel sang mm. Kết quả thu được trên các nhóm giống/dòng lúa có kích thước khác nhau cho thấy phương pháp có độ chính xác cao nhất ở tính trạng chiều rộng hạt (R2 = 0,83) và phân loại hình dạng hạt (R2 = 0,8). Sai số tuyệt đối trung bình (MAE) đối với chiều dài hạt đạt mức thấp (1,08 mm), cho thấy độ tin cậy của thuật toán. Tuy nhiên, vẫn còn hạn chế đối với các giống/dòng lúa có râu dài như lúa cỏ hoặc vỏ trấu bị lem như Pokkali. Nghiên cứu đã chứng minh tiềm năng ứng dụng trong việc số hóa dữ liệu kiểu hình. Kết quả sẽ đóng góp một công cụ đánh giá hữu hiệu cho công tác chọn tạo giống/dòng lúa, giúp tăng năng suất, đảm bảo tính khách quan trong phân tích dữ liệu quy mô lớn, đặc biệt theo xu hướng chuyển đổi số trong lĩnh vực khoa học nông nghiệp hiện nay.
Tài liệu tham khảo
[1]. Zuo J & Li J (2014). Molecular genetic dissection of quantitative trait loci regulating rice grain size. Annu. Rev. Genet. 48: 99-118. DOI: 10.1146/annurev-genet-120213-092138.
[2]. Ren D.Y, Ding C.Q & Qian Q (2023). Molecular bases of rice grain size and quality for optimized productivity. Sci. Bull. 68: 314-350.
[3]. Ramya P, Chaubal A, Kulkarni K, Gupta L, Kadoo N, Dhaliwal H. S & Gupt V (2010). QTL mapping of 1000-kernel weight, kernel length, and kernel width in bread wheat (Triticum aestivum L.). Journal of Applied Genetics. 51(4): 421-429. DOI:10.1007/bf03208872.
[4]. Yabe S, Yoshida H, Kajiya-Kanegae H, Yamasaki M, Iwata H, Ebana K & Nakagawa H (2018). Description of grain weight distribution leading to genomic selection for grain-filling characteristics in rice. Plos One. 13(11): e0207627.
DOI:10.1371/journal.pone.0207627.
[5]. Martin C. R, Rousser R & Brabec D. L (1993). Development of a single-kernel wheat characterization system. Transactions of the ASAE. 36(5): 1399-1404. DOI: 10.13031/2013.28477.
[6]. Standard Evaluation System for Rice (SES) (2013). International Rice Research Institute (IRRI).
http://www.knowledgebank.irri.org/images/docs/rice-standard-evaluation-system.pdf
[7]. Liu ZY, Cheng F, Ying YB & Rao XQ (2005). Identification of rice seed varieties using neural network. J Zhejiang Univ Sci B. 6(11): 1095-100.
DOI: 10.1631/jzus.2005.B1095.
[8]. Singh S. K, Vidyarthi S. K & Tiwari R (2020). Machine learnt image processing to predict weight and size of rice kernels. Journal of Food Engineering. 274: 109828. DOI: 10.1016/j.jfoodeng.2019.109828.
[9]. Tyagi A, Motwani D, Dabhi V & Prajapati H (2025). Rice Grain Size Measurement using Image Processing. arXiv preprint arXiv:2503.03214. Accepted for the 1st International Conference on AIML-Applications for Engineering & Technology (IEEE ICAET-2025).
