RiceGS-AI: Nền tảng đánh giá kích thước hạt lúa dựa trên dữ liệu hình ảnh
Tóm 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 kích thước hạt lúa nhằm thay thế phương pháp đo đạc thủ công vốn tiêu tốn nhiều thời gian và dễ gây sai số chủ quan. Nghiên cứu đã phát triển một hệ thống 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 đối tượng 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 cho thấy 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 (0,31 mm), khẳng định 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 lớn trong việc số hóa dữ liệu kiểu hình. Kết quả này đóng góp một công cụ hữu hiệu cho công tác chọn tạo giống/dòng lúa, giúp tăng năng suất đánh giá, 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 hiện nay.
Tài liệu tham khảo
The goal of the study was to develop an automated process for identifying characteristics associated with rice grain size to replace laborious and subjectively prone to mistakes evaluation techniques. This study developed an image processing system using a smartphone camera, built on the Python programming language and the OpenCV library. It separated rice grain elements from a black background by using Otsu's thresholding and Watershed segmentation techniques. Each image's dimensions were converted from pixels to millimeters (mm) using a reference coin. The method attained the maximum accuracy for the grain width trait (R2 = 0.83) and grain shape classification (R2 = 0.8), according to data across different rice varieties/lines with variable sizes. The algorithm's dependability was confirmed by the low Mean Absolute Error (MAE) of 0.31 mm for grain length. The study indicates tremendous potential for use in digitalizing phenotypic data, even though there are still restrictions for rice varieties with long awns (weedy rice) or discolored husks (pokkali). These findings will provide rice breeding programs a useful tool that improves evaluation throughput and guarantees impartiality in large-scale data analysis. They are especially in line with the current scientific trends of digital transformation.
