Fоtо: Publicitātes foto
Augļaugu selekcija ir darbietilpīgs process, kas ir saistīts ar liela apjoma selekcijas materiāla izvērtēšanu un aprakstīšanu jeb fenotipēšanu, kā arī prasa lielus darbaspēka un laika resursus. Parasti vērtējamo paraugu skaits ir 1000–5000 genotipu, bet raksturojamo pazīmju skaits katram vērtējamajam genotipam atkarībā no vērtēšanas stadijas sasniedz 10–20. Līdz ar to selekcija prasa lielu laika un darbaspēka ieguldījumu. Turklāt, aprakstot vizuālās pazīmes vai pēc ballu sistēmas vērtējot parametrus, piemēram, ražu, liela ietekme ir subjektīvajam faktoram, kas padara vērtēšanas rezultātus atkarīgus no vērtētāja personīgās pieejas, lai gan vērtēšanā tiek izmantotas vispārpieņemtās metodikas. Lai paātrinātu un precizētu šo procesu, selekcijā, tāpat kā citās lauksaimniecības jomās, arvien plašāk tiek ieviestas precīzās vērtēšanas tehnoloģijas, t. sk. datorredze, hiperspektrālās un infrasarkanās kameras.

Līdz šim precīzas lauksaimniecības metodes izmantotas galvenokārt tam, lai noteiktu stādījumu veselīgumu pēc stādījumu zaļuma indeksa (NDVI – Normalized Difference Vegetation Index). Tas saistīts ar hlorofila satura izmaiņām un raksturo augu nodrošinājumu ar barības vielām, ūdeni, izturību pret slimībām un kaitēkļiem. Bieži šim nolūkam tiek izmantoti ar speciālām kamerām aprīkoti droni vai pašgājējas platformas. Iestrādes ir arī precīzās fenotipēšanas metožu izmantošanai, piemēram, gurķu ražas automatizētā vākšanā, pamatojoties uz augļu raksturojumu ražas vākšanas laikā, tiem sasniedzot noteiktus izmērus. Precīzās metodes tiek izstrādātas un pielietotas augļu šķirošanā, balstoties uz augļu bojājumu datorizētu atpazīšanu. Pētījumi veikti arī atsevišķu augu slimību, piemēram, ābeļu kraupja precīzai datorizētai identificēšanai.

Atšķirībā no atsevišķu pazīmju vērtēšanas vienveidīgā stādījumā selekcijā vērtēšana jāveic katram indivīdam atsevišķi, kas krietni palielina darba apjomu un sarežģītību. Lai maksimāli automatizētu selekcijas materiāla jeb atsevišķo genotipu aprakstīšanu un raksturošanu, izmantojot ar speciāliem rīkiem aprīkotus dronus vai platformas, iepriekš nepieciešams apmācīt mākslīgo intelektu pazīmju un objektu (augļu, ogu, ziedu, lapu utt.) atpazīšanā. Tā kā katrai augļaugu kultūrai šie raksturojumi ir atšķirīgi, tad šāda apmācība jāveic katrai sugai atsevišķi. Tas ir darbietilpīgs process, un visu raksturojamo pazīmju aptveršanai nepieciešams gan laiks, gan resursi.

Līdz šim Latvijā augļaugu selekcijas materiāla vērtēšanā lauka apstākļos izmantotas tikai tradicionālās vērtēšanas metodes, t. sk. vērtējot pazīmes vizuāli ballēs, sverot un mērot augu parametrus: ražu, augļu masu. Latvijā valsts atbalstīta selekcija tiek veikta vairākām augļaugu sugām, t. sk. avenēm un krūmcidonijām. Turklāt Latvija ir viena no pirmajām un nedaudzajām valstīm pasaulē, kur sākta un turpinās krūmcidonijas kā augļauga selekcija. Lai izstrādātu šo augļaugu genotipu vērtēšanai atbilstošas precīzās fenotipēšanas metodes, 2021.–2023. gadā tika īstenots projekts Nr. lzp-2020/1-0353 "Aveņu un krūmcidoniju vieda bezkontakta fenotipēšana, izmantojot mašīnmācīšanās metodes, hiperspektrālos un 3D attēlus" ar mērķi izstrādāt metodoloģiju un rīkus augsti efektīvai un precīzai neinvazīvai aveņu un krūmcidoniju ražas komponentu fenotipēšanai.

Pirmajā precīzās fenotipēšanas metožu un rīku izstrādes posmā no raksturojamo pazīmju klāsta tika izvēlēti ražu un ražību raksturojošie elementi: ziedpumpuri, ziedi, augļi. Dārzkopības institūta selekcijas stādījumos tika veikta aveņu un krūmcidoniju ražas elementu – ziedpumpuru, ziedu, ogu un augļu aizmetņu, kā arī gatavu ogu un augļu fotografēšana ar mobilā telefona kameru. Pēc tam attēlus marķēja Labellmg programmā, lai apmācītu mākslīgo intelektu ražas elementu atpazīšanā. Attēlu atpazīšanai tika izmantots apmācīts YOLOv5 detektors (1., 2. att.). Mākslīgā intelekta apmācīšanu veica Elektronikas un datorzinātņu institūts.

1. attēls. Aveņu attēlu detektēšanas rezultāti, kas iegūti ar apmācītu YOLOVv5 detektoru.

2. attēls. Krūmcidoniju attēlu detektēšanas rezultāti, kas iegūti ar apmācītu YOLOv5 detektoru.

Darba rezultātā tika izstrādāts rīks, ar kura palīdzību iespējams veikt ražas elementu uzskaiti (reģistrāciju) dažādos to attīstības posmos, izmantojot vienkāršu fotokameru, kā tas ir redzams šajos video – aveņu un krūmcidoniju fenotipēšanā.

Izmantojot apmācītu attēlu detektoru, iespējams veikt ražas elementu uzskaiti, kā arī ražas prognozēšanu gan augļaizmetņu stadijā, gan tuvojoties ražas vākšanai. Veicot hibrīdu ražības vērtēšanu un labāko hibrīdu atlasi ar apmācītu attēlu detektoru, iespējams ievērojami uzlabot vērtēšanas objektivitāti un saīsināt tam nepieciešamo laiku. Atšķirībā no lauka kultūrām, kuru vērtēšanai izmanto ar sensoriem un attēlu uzņemšanas kamerām aprīkotas platformas, aveņu un citu augļaugu vērtēšanai ērtāk būtu pielietot vienkāršas pārnēsājamās fotokameras, bet liela auguma augļaugiem, piemēram, ābelēm – ar kamerām aprīkotus dronus.

Augļu raksturošanai pēc atsevišķām pazīmēm tiek izmantoti arī 3D attēli. Gan avenēm, gan krūmcidonijām tika izstrādāta uz 3D attēliem balstīta ogu/augļu fenotipēšanas metode. Izmantojot 3D punktu mākoni, tiek noteiktas ogu atrašanās pozīcijas un ar to izmēriem saistītie parametri, piemēram, augļu augstums, platums, forma, citi fenotipēšanas indeksi (3. att.).

3. attēls. Krūmcidoniju skenēšana ar 3D skeneri (attēlā pa kreisi) un iegūtie 3D dati (attēlā pa labi).

3D skenēšanas un fenotipēšanas tehnoloģijas lauksaimniecībā piedāvā revolucionārus risinājumus augu selekcijā un ražības prognozēšanā. Šīs tehnoloģijas ļauj detalizēti un precīzi izpētīt augu morfoloģiskās īpašības – augu augstumu, lapu laukumu, ziedu un augļu skaitu, kā arī izmēru. Izmantojot 3D skenēšanu, zinātnieki var efektīvi analizēt un reģistrēt augu fenotipiskās atšķirības, kas ir būtiski augu selekcijas procesā un ļauj labāk saprast, kā genotips ietekmē fenotipu. Tādējādi 3D skenēšana veicina tādu augu šķirņu izveidi, kuras ir pielāgotas specifiskiem vides apstākļiem un atbilst lauksaimnieku un patērētāju vajadzībām.

Strukturētās gaismas tehnoloģija ir svarīga metode 3D skenēšanā, kas tiek izmantota augu fenotipēšanā. Šī metode darbojas, projicējot regulāru gaismas modeli uz objekta, un analizējot, kā šis modelis deformējas, kad to atspoguļo no objekta virsmas. Izmantojot strukturēto gaismu, var precīzi noteikt objekta trīsdimensiju formu un izmērus. Šīs tehnoloģijas efektivitāte augu fenotipēšanā ir augsta, jo ar tās palīdzību iespējams iegūt detalizētus un precīzus datus par augu morfoloģiju. 4. attēlā var redzēt, kā darbā ar dažādiem krūmcidoniju genotipiem manuālu (klasisku) mērīšanas metožu dati atšķiras no datiem, kas iegūti ar 3D skenera palīdzību.

4. attēls. Manuālas un uz 3D datiem balstītas mērīšanas metodes salīdzinājums (mm) krūmcidoniju augļiem.

Augļu krāsas, gatavības un citu kvalitatīvo īpašību raksturošanai tiek izstrādāta dziļa neironu tīkla sistēma hiperspektrālo attēlu apstrādei. Augļu spektrālā analīze būs noderīga fenotipēšanas procesā, lai noteiktu augļu gatavību, kā arī citu faktoru ietekmi uz augļu kvalitāti.

Projektā izstrādātās metodes ražas elementu raksturošanai un uzskaitei nākotnē būs noderīgas arī praktiskajā augļkopībā, lai ātri veiktu ražas prognozēšanu. Turklāt ražas prognozēšanai izmantojot parasto fotokameru, izmaksas būs salīdzinoši zemas, toties tiks ievērojami samazināts izvērtēšanai nepieciešamais laiks un uzlabota veikto prognožu precizitāte. Dronu iesaiste ļaus ātri izvērtēt arī lielākas dārzu platības.

Sarmīte Strautiņa1, Edīte Kaufmane1, Edgars Edelmers2, Kaspars Sudars2, Ivars Namatēvs2, Artūrs Nikuļins2, Ieva Kalniņa1

1 Dārzkopības institūts

2 Elektronikas un datorzinātņu institūts

Atslēgas vārdi: avenes, krūmcidonijas, mākslīgais intelekts, mašīnmācīšanās metodes

Kopsavilkums

Lai paātrinātu un efektivizētu aveņu un krūmcidoniju selekcijas procesu, augļu aprakstīšanai un ražas prognozēšanai Dārzkopības institūtā sadarbībā ar Elektronikas un datorzinātņu institūtu izstrādāts rīks datorizētai ražas elementu uzskaitei un 3D attēlu metode augļu raksturošanai. Rezultāti būs izmantojami arī praktiskajā augļkopībā.

lzp-2020/1-0353, Aveņu un krūmcidoniju vieda bezkontakta fenotipēšana, izmantojot mašīnmācīšanās metodes, hiperspektrālos un 3D attēlus

Читайте нас там, где удобно: Facebook Telegram Instagram !