Автоматизированная система научных исследований в сфере микроклонального размножения растений тема диссертации и автореферата по ВАК РФ 05.13.06, кандидат наук Бережной Владислав Александрович

• Бережной Владислав Александрович
• кандидат наук
• 2021

Оглавление диссертации кандидат наук Бережной Владислав Александрович

ВВЕДЕНИЕ

ГЛАВА 1. АНАЛИЗ СУЩЕСТВУЮЩИХ ПОДХОДОВ И ПРОБЛЕМ ПРИ ПРОВЕДЕНИИ НАУЧНЫХ ИССЛЕДОВАНИЙ В СФЕРЕ МИКРОКЛОНАЛЬНОГО РАЗМНОЖЕНИЯ РАСТЕНИЙ

1.1 Анализ и обоснование значимых морфометрических параметров для оценки динамики роста растений

1.2 Исследование существующих подходов к фенотипированию растений

1.3 Анализ методов построения моделей растений

1.4 Анализ существующих автоматизированных комплексов для сбора и оценки параметров роста и состояния растений

Заключение к главе

ГЛАВА 2. РАЗРАБОТКА МОДЕЛЕЙ, МЕТОДА И АЛГОРИТМОВ АВТОМАТИЗИРОВАННОЙ СИСТЕМЫ НАУЧНЫХ ИССЛЕДОВАНИЙ В СФЕРЕ МИКРОКЛОНАЛЬНОГО РАЗМНОЖЕНИЯ РАСТЕНИЙ

2.1 Модернизация схемы процесса научных исследований в сфере микроклонального размножения растений

2.2 Формирование функциональных требований к автоматизированной системе научных исследований в сфере микроклонального размножения растений

2.3 Разработка структурной схемы автоматизированной системы научных исследований в сфере микроклонального размножения растений

2.4 Разработка схемы взаимодействия между элементами автоматизированной системы научных исследований в сфере микроклонального размножения растений

2.5 Разработка математической модели позиционирования камеры

Заключение к главе

37

ГЛАВА 3. РАЗРАБОТКА СПЕЦИАЛЬНОГО МАТЕМАТИЧЕСКОГО И АЛГОРИТМИЧЕСКОГО ОБЕСПЕЧЕНИЯ АВТОМАТИЗИРОВАННОЙ СИСТЕМЫ НАУЧНЫХ ИССЛЕДОВАНИЙ В СФЕРЕ МИКРОКЛОНАЛЬНОГО

РАЗМНОЖЕНИЯ РАСТЕНИЙ

3.1 Метод сегментации растений на изображениях

3.2 Экспресс оценка наличия заражений и болезней на поверхности растений

3.3 Метод построения 3D моделей растений

3.4 Метод сегментация растения на органы

3.5 Метод определения параметров роста и развития растений

3.6 Разработка правил базы знаний для оценки текущего состояния растения

3.7 Разработка базы данных для хранения параметров растений

Заключение к главе

ГЛАВА 4. ПРАКТИЧЕСКАЯ РЕАЛИЗАЦИЯ И АПРОБАЦИЯ АВТОМАТИЗИРОВАННОЙ СИСТЕМЫ НАУЧНЫХ ИССЛЕДОВАНИЙ В СФЕРЕ МИКРОКЛОНАЛЬНОГО РАЗМНОЖЕНИЯ РАСТЕНИЙ

4.1 Разработка прототипа установки АСНИ

4.1.1 Разработка модели и прототипа установки АСНИ в сфере микроклонального размножения растений

4.1.2 Выбор модели оптического сенсора

4.1.3 Виды креплений для фиксации опытного образца

4.1.4 Разработка системы освещения

4.2 Методика проведения эксперимента по управлению выращиванием растений в условиях in vitro с использованием разработанной АСНИ

4.3 Анализ и тестирование работы прототипа установки фенотипирования растений

4.4 Результаты тестирования разработанных методов

4.4.1 Анализ качества сегментации растений на изображениях

4.4.2 Анализ качества поиска заражений и болезней на поверхности растений

4.4.3 Метрики моделирования и их анализ

4.4.4 Анализ качества сегментирования моделей

4.4.5 Метрики фенотипирования

Заключение к главе

ЗАКЛЮЧЕНИЕ

СПИСОК ЛИТЕРАТУРЫ

Приложение А. Перечень рассмотренных автоматизированных систем научных исследований растений

Приложение Б. Фотографии исследуемого растения в различных спектрах, снятых EVS камерой

Приложение В. Фотографии исследуемого растения в различных спектрах с 4 ракурсов, снятых GigE камерой

Приложение Г. Демонстрация склеек динамики роста растения по дням

Приложение Д. Полученные экспериментальные данные

Приложение Ж. Результаты сегментации растений для этапов роста T1-Tn

Приложение И. Патент на изобретение

Приложение К. Акты о внедрении результатов исследования

Введение диссертации (часть автореферата) на тему «Автоматизированная система научных исследований в сфере микроклонального размножения растений»

ВВЕДЕНИЕ

Актуальность темы. Настоящее время характеризуется глубоким проникновением цифровых технологий и средств автоматизации для получения новых знаний об исследуемых процессах, объектах или явлениях, в том числе с использованием автоматизированных систем научных исследований (АСНИ). Особенно это актуально для быстроразвивающихся областей науки, таких как биотехнология, где получение новых научных результатов тесно связано с необходимостью сбора и обработки широкого перечня разнородных параметров, с повышением точности оценок и прогнозов.

Так, перспективный биотехнологический процесс - микроклональное размножение растений (вегетативный способ размножения растений с использованием технологии in vitro, от лат. в пробирке) обеспечивает возможность получения генетически однородного посадочного материала без бактериальных и грибных инфекций; сокращает продолжительность селекционного процесса; делает возможным размножение редких и трудно культивируемых традиционными способами растений, обеспечивает его высокий коэффициент. При этом, для ускоренного размножения и получения качественного посадочного материала в условиях in vitro необходимо осуществлять подбор оптимального состава питательных сред и параметров окружающей среды на каждой стадии развития растений индивидуально для каждой культуры и даже для отдельных сортов. Это требует точной регистрации морфометрических показателей прироста отдельных частей, органов растений и растений в целом, культивируемых на разных питательных средах, что связано с необходимостью объективной регистрации и обработкой одновременно большого количества данных, снижения влияния человеческого фактора. Данное проблемное противоречие может быть решено на основе внедрения цифрового фенотипирования с использованием средств автоматизации, интеллектуальных методов моделирования, 3D технологий.

Значительный вклад в разработку методов, моделей и алгоритмов для автоматизации процесса научных исследований в сфере биотехнологии, в том числе при изучении процессов в условиях in vitro, внесли как отечественные исследователи Арсенина С.И., Афонников Д.А., Генаев М.А., Гончаров Н.П., Дорошков А.В., Заварзин Е.А., Иващук О.А., Комышев Е.Г., Кручинина Ю.В., Паулиш А.А., Приходько А.Ю., Пронозин А.Ю., Прохошин Н.М., Пшеничникова Т.А., Цаценко Л.В. и др., так и зарубежные ученые Arora A., Chaki J., Hosoi F., Itakura K., Kadir A., Knight D., Mohtar I. A., Painter J., Parekh R., Pornpanomchai C., Potter M., Saad P., Shi W., Wu S. G., Zhang S., Zulkifli Z и др. Разработкой интеллектуальных комплексов цифрового фенотипирования, в том числе АСНИ, занимались Abdelsamea M.M., Bach L., Balasse H., Berry S., Caffier V., Chéné Y., Dayoub F., Dieleman A., Gasco E.D., Glasbey C., Horgan G., Kang S.B., Lou L., Morel P., Muller B., Polder G., Pound M.P., Rousseau D., Serrand Y., Sinha N., Slaughter D. C., Song Y., Tan P., Vile D., Walter A., Wang J., Zeng G. и др.

Однако для цифрового фенотипирования растений в условиях in vitro на сегодняшний день не разработаны методы, модели и алгоритмы, обеспечивающие возможность функционирования АСНИ для точной и объективной регистрации, оценки, прогнозирования и исследования роста растений и отдельных их частей на различных по составу питательных средах и на разных стадиях развития.

Вышесказанное обуславливает актуальность темы исследования, выбор объекта, предмета и цели исследования.

Объектом исследования является процесс научных исследований в сфере микроклонального размножения растений.

Предметом исследования являются методы, модели, программно-алгоритмические средства, обеспечивающие функционирование АСНИ в сфере микроклонального размножения растений.

Целью исследования является совершенствование процесса научных исследований в сфере микроклонального размножения растений за счет разработки АСНИ с использованием интеллектуального моделирования и BD технологий.

Для достижения поставленной цели необходимо решить следующие задачи:

- анализ проблем проведения научных исследований и изучения их результатов при выращивании растений в условиях in vitro и существующих подходов к их решению;

- разработка функциональной и структурной моделей АСНИ в сфере микроклонального размножения растений;

- разработка методов и алгоритмов автоматизированного определения морфометрических признаков на основе трехмерной реконструкции исследуемого образца;

- построение комплекса 3D моделей растений и создание базы знаний АСНИ в сфере микроклонального размножения растений;

- разработка программно-алгоритмических средств и прототипа АСНИ в сфере микроклонального размножения растений, практических рекомендация для выбора необходимых параметров эксперимента;

- разработка методики проведения эксперимента по автоматизации проведения научных исследований при выращивании растений в условиях in vitro с использованием разработанных методов, моделей, программно-алгоритмических средств АСНИ.

Методы исследования. При проведении исследований в работе использовались методы математического моделирования, имитационного моделирования, системного анализа, построения экспертных и диалоговых подсистем АСУТП, 3D технологий, представления знаний, оптимизации, теории графов, теории искусственных нейронных сетей, численные методы.

Научная новизна работы. В диссертации получены следующие основные результаты, характеризующиеся научной новизной:

- Предложена модернизированная схема процесса научных исследований в сфере микроклонального размножения растений путем внедрения АСНИ, обеспечивающая возможность автоматизированного неинвазивного определения морфологических, физиологических и анатомических данных о состоянии исследуемого образца, определения необходимых параметров эксперимента для получения требуемого состояния растений; соответствующая модель АСНИ.

- Разработаны методы и алгоритмы определения морфометрических признаков растений на основе 3D модели исследуемого образца, что впервые позволит автоматизировано получать весь требуемый комплексный перечень параметров вегетативной части растения в условиях in vitro, не нарушая микроклимат внутри пробирки.

- Получен комплекс 3D моделей растений, построенных на основе разработанных методов и алгоритмов. Составлена база знаний АСНИ, обеспечивающая возможность получения новых научных результатов для специалистов предметной области.

Практическая значимость работы:

- Разработаны программно-алгоритмические средства и прототип АСНИ в сфере микроклонального размножения растений, практические рекомендации для выбора необходимых параметров эксперимента.

- Предложена методика проведения эксперимента по автоматизации проведения научных исследований при выращивании растений в условиях in vitro с использованием разработанных методов, моделей, программно-алгоритмических средств АСНИ.

Актами о внедрении результатов диссертационного исследования подтверждается, что результаты исследования приняты к внедрению в ООО «ИНВИТРО ВИЖН», а также в университетах НИУ «БелГУ» и РГАУ-МСХА имени К.А. Тимирязева для организации учебного процесса и научно-исследовательской работы студентов и аспирантов.

Положения, выносимые на защиту:

- модернизированная схема процесса научных исследований в сфере микроклонального размножения.

- модель АСНИ в сфере микроклонального размножения растений.

- методы и алгоритмы АСНИ в сфере микроклонального размножения растений:

- сегментации растений на изображении;

- оценки наличия заражений и болезней на поверхности растений;

- построения 3D моделей, сегментации моделей на органы;

- определения морфометрических признаков исследуемого образца.

- база 3D моделей растений, построенных на основе разработанных методов и алгоритмов.

- программно-алгоритмические средства и прототип АСНИ в сфере микроклонального размножения растений, практические рекомендации для выбора необходимых параметров эксперимента.

- методика проведения эксперимента по управлению выращиванием растений в условиях in vitro с использованием разработанной АСНИ в сфере микроклонального размножения растений.

Достоверность полученных результатов подтверждается применением верифицированного математического аппарата, результатами математического и имитационного моделирования, апробацией на научных конференциях и публикациями в открытой печати, полученным патентом на изобретение и согласованным заключительным научно-техническим отчетом в рамках гранта фонда содействия инновациям «Автоматизированная система анализа показателей и стадий развития растений в условиях in vitro».

Связь с научными и инновационными программами. Результаты диссертационного исследования использовались при выполнении гранта фонда содействия инновациям «Автоматизированная система анализа показателей и стадий развития растений в условиях in vitro», договор 2676ГС/42000 от 26.09.2018.

Апробация работы. Результаты диссертационного исследования использовались при выполнении гранта фонда содействия инновациям «Автоматизированная система анализа показателей и стадий развития растений в условиях in vitro», договор 2676ГС/42000 от 26.09.2018, а также при исследованиях в рамках ГЗ № 40.5084.2017/БЧ «Исследование методов и моделирование процессов биотехнологии и систематике растений».

Публикации. Основные результаты диссертации представлены в 7 работах, в том числе 3 - в изданиях, рекомендованных ВАК РФ, 1 работа - в иноязычном издании, индексируемом в международной библиографической и реферативной

базе данных SCOPUS, а также получен 1 патент на изобретение № 2726257 «Установка для автоматического измерения параметров растений».

Структура и объем диссертации. Диссертационная работа состоит из введения, 4 глав, заключения, списка литературы из 110 источников и 8 приложений. Диссертация содержит 122 страницы основного текста, включая 17 таблиц и 53 рисунка.

В первой главе представлен анализ существующих подходов к организации и проведению научных исследований при выращивании растений в условиях in vitro, проблем исследуемых процессов, проведено обоснование необходимости использования средств автоматизации, современных методов интеллектуального моделирования.

Обоснована актуальность проведения научных исследований в сфере микроклонального размножения растений с использованием цифрового фенотипирования.

Во второй главе предложена модернизация схемы процесса научных исследований в сфере микроклонального размножения растений путем введения АСНИ для проведения цифрового фенотипирования, аналитики и получения новых знаний о влиянии параметров и условий эксперимента на результаты роста и развития растений in vitro. Сформулированы функциональные требования к новой АСНИ. На основании заявленных требований разработаны функциональная и структурная модель АСНИ, математическая модель и алгоритм управления положением камеры.

В третьей главе разработаны методы и алгоритмы новой АСНИ для проведения полного цикла цифрового фенотипирования растений, в частности, сегментации растений на изображении; оценки наличия заражений и болезней; построения 3D моделей; сегментации полученных моделей на органы; определения морфометрических признаков исследуемого образца.

На основании полученных методов и алгоритмов производится оценка роста и состояния растений на основании правил базы знаний. Для хранения информации об исследуемых образцах спроектирована структура база данных.

В четвертой главе разработаны программно-алгоритмические средства и прототип АСНИ. Описан процесс исследования и выбора модели оптического сенсора, креплений для фиксации опытного образца, разработки системы освещения.

Приведена методика проведения научного эксперимента с использованием новой АСНИ в сфере микроклонального размножения растений. В методике описаны все этапы работы с установкой для обеспечения полного цикла фенотипирования реальных и синтетических растений, показана карта экранов и переходов пользовательского интерфейса.

Произведено тестирование разработанной АСНИ. На основе полученных экспериментальных данных рассчитаны метрики качества precision, recall, F1, MAE, MSE, MAPE, MPE и произведена оценка адекватности методов, моделей и алгоритмов.

В заключении сформулированы основные выводы и результаты, полученные в диссертационной работе.

ГЛАВА 1. АНАЛИЗ СУЩЕСТВУЮЩИХ ПОДХОДОВ И ПРОБЛЕМ ПРИ ПРОВЕДЕНИИ НАУЧНЫХ ИССЛЕДОВАНИЙ В СФЕРЕ МИКРОКЛОНАЛЬНОГО РАЗМНОЖЕНИЯ РАСТЕНИЙ

1.1 Анализ и обоснование значимых морфометрических параметров для

оценки динамики роста растений

Оценка динамики роста растения производится на основе морфометрических характеристик. Морфометрические характеристики - это все видимые и измеряемые морфологические и анатомические признаки организма [1]. Основная цель изучения этих признаков - это оценка влияния определенных факторов, веществ, компонентов, условий на рост и развитие растений.

Морфологическая структура растений состоит из побега и корня [1]. Побег в свою очередь можно сегментировать на вегетативную часть, состоящую из стебля, листьев, черешков и генеративную часть, состоящую из цветков. В данной исследовательской работе рассматриваются растения в разных питательных средах в условиях in vitro. В большинстве случаев опалесценция (мутность) питательного раствора не позволяет оценить корневую систему растения, поэтому оценка морфологической структуры производится по вегетативной части побега (рисунок 1).

На основании анализа научных литературных источников, мнений экспертов в сфере микроклонального размножения растений выделены и представлены в таблице 1 наиболее значимые морфометрические признаки оценки роста и развития растения в целом, а также его частей [2-12].

Отклонение выявленных морфометрических характеристик от нормы, характерной для большинства особей данной популяции, является нарушением в развитии растения и являются аномалиями известными, как фенодевиации. Автоматизированный поиск фенодивиаций позволяет оперативно оценить

факторы, влияющие на рост и развитие растений, сделать выводы о причинах отклонений и скорректировать параметры окружающей среды.

Рисунок 1 - Структура растения

Таблица 1 - Морфометрических параметры для оценки роста и развития растений

№ Название Измеряемый элемент Обозначение СИ

1 Объем Р, С, Л V 3 мм3

2 Площадь поверхности Р, С, Л S мм2

3 Длина Р, С, Л l мм

4 Максимальная ширина С, Л Wmax мм

5 Средняя ширина органа С, Л Wavg мм

6 Высота Р, С, Л h мм

7 Координаты точки начала Р, С, Л Pstart (x ^ z)

8 Координаты точки конца Р, С, Л Pend (x ^ z)

9 Азимут С, Л azimuth градусы

10 Наклон С, Л tilt градусы

11 Расстояние между узлами растения С, Л aij мм

где Р - растение целиком, С - стебель, Л - листья

Таким образом, внедрение АСНИ в сфере микроклонального размножения растений с возможностью автоматизированного неинвазивного сбора морфометрических характеристик позволит проводить анализ влияния параметров окружающей среды и состава питательной среды на рост и развитие особей, оптимизировать процесс выбора наиболее благоприятных параметров необходимых для повышения эффективности размножения ценных растений.

1.2 Исследование существующих подходов к фенотипированию растений

Анализ растений может производиться при помощи мануальных измерений или с использованием цифровых методов [13, 14].

При мануальном способе измерения параметров растений возникает ряд проблем, а именно:

- ограниченное количество измеряемых характеристик (невозможно точно измерить объемы, площади частей растения и растения в целом);

- низкая скорость и точность измерений;

- зависимость результата от человеческого фактора;

- при исследовании растения в условиях in vitro необходимо вынимать растение из пробирки, что нарушает микроклимат в пробирке и потенциально может повредить растение;

- отсутствие унификации в критериях оценки;

- слабый контроль динамики развития.

Регистрацией параметров растений цифровыми методами занимается наука на стыке биологии и информатики - феномика, основная задача которой -фенотипирование. Фенотипирование позволяет решить множество проблем, возникающих при мануальных измерениях.

На основании работ [4, 9, 10, 15-17, 19] были проанализированы алгоритмы и методы расчета морфометрических характеристик растений и выявлены наиболее общие этапы фенотипирования растений (рисунок 2).

Рисунок 2 - Обобщенная схема процесса фенотипирования растений

При использовании цифрового подхода первичную информацию о растении получают при помощи датчиков или сенсоров, которые могут быть активными и/или пассивными, далее происходит процесс предобработки полученных данных.

Предварительная обработка может заключаться в улучшении качества изображений, фильтрации шумов, коррекции дисторсии, сегментации силуэта растения на фоне и т.д.

На следующем шаге производится построение модели растения, на основании которой измеряются параметры растения и производится их анализ. Методы анализа варьируются исходя из задач исследования и могут включать сравнительный анализ признаков, внутриклассовую классификацию, межклассовую классификацию, поиск выбросов и т.д. По итогам анализа пользователю представляется понятная для человека информация в виде таблиц, графиков, изображений.

Особый интерес представляют методы построения моделей и оценки параметров растений в виду своего алгоритмического и аппаратного разнообразия.

1.3 Анализ методов построения моделей растений

Оценка морфометрических параметров растений может производиться на основе двумерных изображений или на основе объемной реконструкции растений в трехмерном пространстве [21].

Выбор подхода производится на основании параметров растений, которые необходимо получить для конкретного исследования.

Оценка параметров растений на основе двумерных изображений

Оценка параметров растений на основе двумерных изображений многократно производилась различными командами инженеров [3-6, 15-20]. Измерения параметров производятся в плоскости изображения в пикселях, которые далее преобразуются в метрическую систему измерения. Данный подход обладает алгоритмической и вычислительной простотой по сравнению с методами, работающими с 3D моделями растений, и способен производить весьма точную оценку параметров растений с относительно простой анатомической структурой.

Недостатки метода проявляются при усложнении анатомической структуры растения. Так сильная кустистость растений, большое количество листьев или листья с большой листовой пластиной могут скрывать расположенные за ними элементы растения, тем самым, не давая возможности верно оценить структуру растения и как следствие произвести верные расчеты. Для преодоления этой проблемы используется серия фотоснимков с различных ракурсов - вид сверху, серия видов сбоку с фиксированным шагом вращения, на каждом снимке производится расчет параметров, а далее производится анализ полученных значений с целью получения наиболее достоверных [22].

Однако даже при таком подходе невозможно получить множество параметров с высокой точностью, например, углы наклона листьев, площади поверхности и объемы листьев и стебля. Для получения более точных данных и большего количества параметров создают модель растения, на базе которой производят дальнейшие вычисления. Такой подход является более сложной задачей с инженерной и вычислительной точки зрения, но позволяет получить большее количество параметров растений, а также более точные результаты в виду того, что модель растения сохраняет размерность пространства реального объекта [22].

Оценка параметров растений на основе трехмерных моделей

Растения могут иметь достаточно сложную анатомию для моделирования, в виду этого до конца 1960-х годов ботанические рисунки были основным средством представления структуры растений. Развитие цифровой техники дало старт компьютерному моделированию растений, в первую очередь синтетических, создаваемых на основе правил для формального описания развития сложных ветвящихся структур.

Обобщенная схема методов моделирования трехмерных моделей представлена на рисунке 3.

Рисунок 3

- Наиболее популярные методы моделирования трехмерных моделей объектов

Правила для формального описания объектов позволяют зафиксировать знания о структуре и форме растений, которые затем могут быть использованы для генерации моделей, согласующихся с этими знаниями. В 1968 г. венгерский биолог и ботаник Аристид Линденмайер предложил формальный способ описания развития простых многоклеточных организмов, а затем высших растений на базе разработанной им L-системы [23-29]. L-система является формальной грамматикой, состоящей из алфавита и продукционных правил, которые позволяют выразить свойства рекурсивности и самоподобия роста организма (рисунок 4).

Axiom: Allele: Consmnts: Rule 1: Rule 2: Rule 3: Rule 4:

Рисунок 4 - Пример сгенерированного растения на базе правил L-системы

Развитием формального описания объектов L-систем стал метод RGG (от англ. Relational Growth Grammars - грамматики реляционного роста), который расширил нотацию и семантику систем Линденмайера, что позволило специфицировать динамические процессы развития объектов [30].

В 1998 г. Годин и Каральо [31] разработали метод MTG (от англ. Multiscale Tree Graph - многоуровневый древовидный граф), для гибкого и унифицированного описания растений с использованием топологической и геометрической информации на разных масштабах. Метод MTG получил широкое распространение [32-30] и используется в различных специализированных программных продуктах, например, таких как AMAPmod [36] и Open Alea [37]. Open Alea до сих пор является актуальным решением для описания структур растений и используется различными пакетами моделирования в качестве стандарта.

Моделирование растений на основе правил позволяет создать синтетические растения, которые отображают структуру реальных или желаемых растений, но не обязательно отражают детально параметры любого существующего растения. Методы моделирования, основанные на использовании правил могут быть крайне полезны для создания необходимой обучающей и тестовой выборки, а также позволяют имитировать процессы развития растения [38].

Автоматизированное создание точной объемной реконструкции растений, имеющих сложную структуру, состоящую из десятков и сотен листьев произвольной формы, расположенных под разными углами долгое время являлось нерешенной задачей [39]. В настоящее время, используя высокопроизводительные компьютеры, портативные камеры и датчики, стало возможно применять множество подходов для создания точной 3D модели растений.

Методы, использующие информацию с сенсоров, получают реальные данные для разработки детализированных BD-моделей растений. Такие модели используются для получения морфометрических параметров, а также для исследования динамических процессов роста растений. Сенсоры делятся на пассивные, измеряющие отражённый свет или тепловое излучение, и активные, которые используют собственный источник излучения [40].

Моделирование объектов с использованием активных сенсоров

Большинство активных сенсоров для 3D моделирования используют технологию LiDAR или Structured Light [40]. LiDAR - это технология измерения расстояний путем освещения цели лазерным светом и измерения отражения с помощью датчика. Различия во времени возврата лазера и длине отраженной волны можно использовать для оценки расстояния до точки в пространстве. Сенсоры с использованием технологии Structured Light (от англ. структурный свет) проецируют узкую полосу света на поверхность трехмерной формы, тем самым создавая линию освещения, искаженную формой объекта. Для ускорения процесса моделируемый объект сразу освещают множеством параллельных полос света. Смещение полос позволяет точно получить трехмерные координаты точек на поверхности объекта.

В текущей исследовательский работе использование активных сенсоров невозможно в виду того, что растения находятся в пробирке за стеклом и при использовании активных сенсоров излучение будет отражаться от стенок пробирки, а не от самого растения.

Моделирование объектов с использованием пассивных сенсоров

Для исследования растений пассивными сенсорами используют оптическую камеру или несколько оптических камер в связке. Оптические камеры позволяют получить изображения растения за стеклом тем самым не нарушая микроклимат пробирки и не травмируя растение. Полученные изображения могут иметь различные искажения, вызванные запотеванием и дефектами стекла, нелинейностями на границах пробирки, бликами и отражениями окружающих объектов. В процессе создания 3D модели растения необходимо учитывать возможные искажения и по возможности компенсировать их.

Существует множество методов по созданию 3D модели на основе двумерных изображений. Данные методы объединены в зарубежной литературе термином «Shape from X» (от англ. форма на основе Х), где X является указанием того, на чем базируется сам метод [41]. Рассмотрим семейство и принципы работы таких методов.

Shape from Shading: создание 3D модели по одиночному изображению на основе яркостного анализа.

Данный метод создает объемную реконструкцию объекта по одиночному изображению в оттенках серого на основе анализа изменения яркости при помощи модели Ламберта [42]. Модель рассеяния Ламберта задает функцию зависимости яркости точки изображения от интенсивности источника света, коэффициента отражения поверхности - альбедо, и скалярного произведения единичной нормали к поверхности и вектора направленного на источник света [43]. Для ламбертовых поверхностей яркость в каждой точке не зависит от положения наблюдателя и пропорциональна косинусу угла между нормалью к поверхности и направлению на источник освещения [44]. Детальное описание алгоритмов реконструкции на базе Shape from Shading приведено в [45].

Список литературы диссертационного исследования кандидат наук Бережной Владислав Александрович, 2021 год

СПИСОК ЛИТЕРАТУРЫ

1. Лотова, Л. И. Ботаника. Морфология и анатомия высших растений: Учебник / Л. И. Лотова. - М.: Едиториал УРСС, 2007. - 512 с.

2. A survey of computer-based vision systems for automatic identification of plant species / O. H. Babatunde, L. Armstrong, J. Leng, D. Diepeveen // Journal of Agricultural Informatics. - 2015. - Vol. 6, №. 1. - P. 61-71.

3. 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_PlantLeafClas sification.pdf (date of the application 26.06.2021).

4. A leaf recognition algorithm for plant classification using probabilistic neural network / S. G. Wu, F. S. Bao, E. Y. Xu [et al.] // 2007 IEEE international symposium on signal processing and information technology, Giza, Egypt, 15-18 Dec. 2007 / IEEE Systems, Man, and Cybernetics Society, Institute of Electrical and Electronics Engineers. - Piscataway, New Jersey, 2007 : conference proceedings - URL: https://ieeexplore.ieee.org/abstract/document/4458016 (date of the application 26.06.2021).

5. 3D 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 26.06.2021).

6. Plant identification using new geometric features with standard data mining methods / R. Rojas-Hernandez, A. Lopez-Chau, V. Trujillo-Mora, C.A. Rojas-Hernandez // ICNSC 2016 : IEEE 13th International Conference on Networking, Sensing, and Control, Mexico City, Mexico, 28-30 April 2016 : conference proceedings / IEEE Systems, Man, and Cybernetics Society, Institute of Electrical and Electronics Engineers.

- Piscataway, New Jersey, 2016. - URL: https://ieeexplore.ieee.org/document/7479024 (date of the application 26.06.2021).

7. Reshaping plant biology: qualitative and quantitative descriptors for plant morphology / M. Balduzzi, B. M. Binder, C. Pradal [et al.] // Frontiers in Plant Science.

- 2017. - Vol. 8. - P. 117.

8. Leveraging image analysis for high-throughput plant phenotyping / S. Das Choudhury, A. Samal, T. Awada // Frontiers in Plant Science. - 2019. - Vol. 10. - P. 508.

9. Plant-part segmentation using deep learning and multi-view vision / W. Shi, R. van de Zedde, H. Jiang, G. Kootstra // Biosystems Engineering. - 2019. - Vol. 187. - P. 81-95.

10. Automatic leaf segmentation for estimating leaf area and leaf inclination angle in 3D plant images / K. Itakura, F. Hosoi // Sensors. - 2018. - Vol. 18, №. 10. - P. 3576.

11. In-field segmentation and identification of plant structures using 3D imaging / P. Sodhi, S. Vijayarangan, D. Wettergreen // 2017 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), Vancouver, BC, Canada, 24-28 Sept. 2017 : conference proceedings / IEEE Systems, Man, and Cybernetics Society, Institute of Electrical and Electronics Engineers. - Piscataway, New Jersey, 2017. - URL: https://ieeexplore.ieee.org/abstract/document/8206407 (date of the application 26.06.2021).

12. Model-based segmentation of 3D point clouds for phenotyping sunflower plants / W. Gelard, M. Devy, A. Herbulot, P. Burger // International Joint Conference on Computer Vision, Imaging and Computer Graphics Theory and Applications. - 2017. -P. 1-9.

13. Афонников, Д. А. Методы высокопроизводительного фенотипирования растений для массовых селекционно-генетических экспериментов / Д. А. Афонников, М. А. Генаев, А. В. Дорошков [и др.] // Генетика. - 2016. - Т. 52, №. 7.

- С. 788-803.

14. Phenomics-technologies to relieve the phenotyping bottleneck / R. T. Furbank, M. Tester // Trends in plant science. - 2011. - Vol. 16, №. 12. - P. 635-644.

15. Experiments of Zernike moments for leaf identification / A. Kadir, L. E. Nugroho, A. Susanto, P. I. Santosa // Journal of Theoretical and Applied Information Technology (JATIT). - 2012. - Vol. 41, №. 1. - P. 82-93.

16. A Plant Identification System using Shape and Morphological Features on Segmented Leaflets: Team IITK, CLEF 2012 / A. Arora, A. Gupta, N. Bagmar, S. Mishra, A. Bhattacharya // CLEF (Online Working Notes/Labs/Workshop). - 2012. -URL: https://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.635.2019&rep=rep1& type=pdf (date of the application 26.06.2021).

17. Thai herb leaf image recognition system (THLIRS) / C. Pornpanomchai, S. Rimdusit, P. Tanasap, C. Chaiyod // Agriculture and Natural Resources. - 2011. - Vol. 45, №. 3. - P. 551-562.

18. Plant leaf recognition using shape based features and neural network classifiers / J. Chaki, R. Parekh // International Journal of Advanced Computer Science and Applications. - 2011. - Vol. 2, №. 10. - P. 41-47.

19. Plant leaf identification using moment invariants & general regression neural network / Z. Zulkifli, P. Saad, I. A Mohtar // 2011 11th International conference on hybrid intelligent systems (HIS), Melacca, Malaysia, 5-8 Dec. 2011 : conference proceedings / IEEE Systems, Man, and Cybernetics Society, Institute of Electrical and Electronics Engineers. - Piscataway, New Jersey, 2011. - URL: https://ieeexplore.ieee.org/abstract/ document/6122144 (date of the application 26.06.2021).

20. Plant Species Recognition Methods using Leaf Image: Overview / S. Zhang, W. Huang, Y. A. Huang, C. Zhang // Neurocomputing. - 2020. - Vol. 408. - P. 246-272.

21. Бережной, В.А. Обзор методов и алгоритмов автоматизированных систем фенотипирования растений / В.А. Бережной, О.А. Иващук, Д.С. Семенов // Современные наукоемкие технологии. - 2021. - № 4. - С. 111-116.

22. 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.

23. Mathematical models for cellular interactions in development I. Filaments with one-sided inputs / A. Lindenmayer // Journal of Theoretical Biology. - 1968. - Vol. 18, №. 3. - P.280-299.

24. Graphical applications of L-systems / P. Prusinkiewicz // Proceedings of graphics interface. - 1986. - Vol. 86, №. 86. - P. 247-253.

25. Introduction to modeling with L-systems / P. Prusinkiewicz // University of Calgary: Calgary, Canada. - 2003. - URL: http://algorithmicbotany.org/papers/ sigcourse.2003Z1-9-L-fundamentals.pdf (date of the application 26.06.2021).

26. An L-system-based plant modeling language / P. Prusinkiewicz, J. Hanan, R. Mech // International workshop on applications of graph transformations with industrial relevance. - Springer, Berlin, Heidelberg, 1999. - P. 395-410.

27. Design and implementation of the L+ C modeling language / R. Karwowski, P. Prusinkiewicz // Electronic notes in theoretical computer science. - 2003. - Vol. 86, №.

2. - P. 134-152.

28. The modelling platform GroIMP and the programming language XL / O. Kniemeyer, W. Kurth // International Symposium on Applications of Graph Transformations with Industrial Relevance. - Springer, Berlin, Heidelberg, 2007. - P. 570-572.

29. L-Py: an L-system simulation framework for modeling plant architecture development based on a dynamic language / F. Boudon, C. Pradal, T. Cokelaer [et al.] // Frontiers in plant science. - 2012. - Vol. 3. - P. 76.

30. Specification of morphological models with L-systems and relational growth grammars / W. Kurth // Image-Journal of Interdisciplinary Image Science. - 2007. - Vol. 5, №. 1. - P. 50-79.

31. A multiscale model of plant topological structures / C. Godin, Y. Caraglio //Journal of theoretical biology. - 1998. - Vol. 191, №. 1. - P. 1-46.

32. A method for describing plant architecture which integrates topology and geometry / C. Godin, E. Costes, H. Sinoquet // Annals of botany. - 1999. - Vol. 84, №.

3. - P. 343-357.

33. Quantitative modeling of Arabidopsis development / L. Mundermann, Y. Erasmus, B. Lane [et al.] // Plant physiology. - 2005. - Vol. 139, №. 2. - P. 960-968.

34. Building a topological and geometrical model of poplar tree using portable onground scanning LIDAR / M. Teobaldelli, A. D. Puig, T. Zenone [et al.] // Functional Plant Biology. - 2008. - Vol. 35, №. 10. - P. 1080-1090.

35. L-Py: an L-system simulation framework for modeling plant architecture development based on a dynamic language / F. Boudon, C. Pradal, T. Cokelaer [et al.] // Frontiers in plant science. - 2012. - Vol. 3. - P. 76.

36. Exploring plant topological structure with the AMAPmod software: an outline / C. Godin, E. Costes, Y. Caraglio // Silva Fennica. - 1997. - Vol. 31, №. 3. - P. 355-366.

37. OpenAlea: a visual programming and componentbased software platform for plant modeling / C. Pradal, S. Dufour-Kowalski, F. Boudon [et al.] // Functional Plant Biology. - 2008. - Vol. 35, №. 10. - P. 751-760.

38. Functional-structural plant modelling: a new versatile tool in crop science / J. Vos, J. B. Evers, G. H. Buck-Sorlin [et al.] // Journal of Experimental Botany. - 2010. -Vol. 61, №. 8. - P. 2101-2115.

39. Creation and rendering of realistic trees / J. Weber, J. Penn // Proceedings of the 22nd annual conference on Computer graphics and interactive techniques. - ACM Press, 1995. - P. 119-128.

40. 3D building modeling using images and LiDAR: A review / Wang R. // International Journal of Image and Data Fusion. - 2013. - Vol. 4, №. 4. - P. 273-292.

41. 3D 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.

42. Surface reflection: physical and geometrical perspectives [Text] / K. Keuchi, K. Ikeuchi, S. K. Nayar, T. Kanade // IEEE Transactions on Pattern Analysis and Machine Intelligence. - 1991. - Vol. 13. - P. 611-634.

43. Дьяченко, А. В. Задача 3D распознавания лиц: современные методы решения / А.В. Дьяченко // Штучнишнтелект. - 2011. - № 4. - С. 166-171.

44. Гергель, И. А. Анализ методов реконструкции 3D моделей поверхности по изображениям для навигации подвижных объектов / И. А. Гергель // Радюелектронш i комп'ютерш системи. - 2014. - №. 1. - С. 61-68.

45. 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).

46. 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.

47. 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.

48. The visual hull concept for silhouette-based image understanding / A. Laurentini // IEEE Transactions on pattern analysis and machine intelligence / IEEE Systems, Man, and Cybernetics Society, Institute of Electrical and Electronics Engineers. - Piscataway, New Jersey, 1994. - URL: https://ieeexplore.ieee.org/abstract/document/273735 (date of the application 26.06.2021).

49. How far 3D shapes can be understood from 2D silhouettes / A. Laurentini // IEEE Transactions on Pattern Analysis and Machine Intelligence / IEEE Systems, Man, and Cybernetics Society, Institute of Electrical and Electronics Engineers. - Piscataway, New Jersey, 1995. - URL: https://ieeexplore.ieee.org/abstract/document/368170 (date of the application 26.06.2021).

50. The visual hull of curved objects / A. Laurentini // Proceedings of the Seventh IEEE International Conference on Computer Vision, Kerkyra, Greece, 20-27 Sept. 1999 / IEEE Systems, Man, and Cybernetics Society, Institute of Electrical and Electronics Engineers. - Piscataway, New Jersey, 1999. - URL: https://ieeexplore.ieee.org/abstract/ document/791242 (date of the application 26.06.2021).

51. Experiments with a new area-based stereo algorithm / A. Fusiello, V. Roberto,

E. Trucco // Lecture Notes in Computer Science. - 1997. - Vol. 1310. - P. 669-676.

52. A stochastic approach to stereo vision / S. T Barnard // Readings in Computer Vision. - Morgan Kaufmann, 1987. - P. 21-25.

53. Towards real-time stereo employing parallel algorithms for edge-based and dense stereo matching / A. Koschan, V. Rodehorst // Proceedings of Conference on Computer Architectures for Machine Perception, Como, Italy, 18-20 Sept. 1995 / IEEE Systems, Man, and Cybernetics Society, Institute of Electrical and Electronics Engineers. - Piscataway, New Jersey, 1995. - URL: https://ieeexplore.ieee.org/abstract/document/ 521045 (date of the application 26.06.2021).

54. A maximum-flow formulation of the n-camera stereo correspondence problem / S. Roy, I. J. Cox // Sixth International Conference on Computer Vision (IEEE Cat. No. 98CH36271), Bombay, India, 7-7 Jan. 1998 / IEEE Systems, Man, and Cybernetics Society, Institute of Electrical and Electronics Engineers. - Piscataway, New Jersey, 1998. - URL: https://ieeexplore.ieee.org/abstract/document/710763 (date of the application 26.06.2021).

55. Чепрасов Д. Е. Построение 3D модели по неупорядоченной коллекции изображений: магист. дисс. // Д. Е. Чепрасов. - Фундаментальная информатика и информационные технологии СПбГУ, 2016. - С. 1-47.

56. 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%20 Obrabotki%20Izobrajeniy/Doklad%202/h4.pdf (date of the application 26.06.2021).

57. 3d structure from 2d motion / A. Azarbayejani, T. Jebara, A. Pentland // IEEE Signal processing magazine. - 1999. - Vol. 16, №. 3. - P. 66-84.

58. Bestor, G. S. Recovering Feature and Observer Position by Projected Error Refinement: PhD thesis // G. S. Bestor. - Computer Scince Department, University of Wisconsin, 1998. - P. 1-143.

59. Visual detection of occluded crop: For automated harvesting / C. McCool, I. Sa,

F. Dayoub, C. Lehnert, T. Perez, B. Upcroft // 2016 IEEE International Conference on

Robotics and Automation (ICRA), Stockholm, Sweden, 16-21 May 2016 / IEEE Systems, Man, and Cybernetics Society, Institute of Electrical and Electronics Engineers. -Piscataway, New Jersey, 2016. - URL: https://ieeexplore.ieee.org/abstract/document/ 7487405 (date of the application 26.06.2021).

60. Improving obstacle awareness for robotic harvesting of sweet-pepper / C. Bac /

- Wageningen University, 2015. - P. 185.

61. Peduncle detection of sweet pepper for autonomous crop harvesting - combined color and 3-D information / I. Sa, C. Lehnert, A. English [et al.] // IEEE Robotics and Automation Letters. - IEEE, 2017. - Vol. 2, №. 2. - P. 765-772.

62. PHENOPSIS, an automated platform for reproducible phenotyping of plant responses to soil water deficit in Arabidopsis thaliana permitted the identification of an accession with low sensitivity to soil water deficit / C. Granier, L. Aguirrezabal, K. Chenu [et al.] // New Phytologist. - 2006. - Vol. 169, №. 3. - P. 623-635.

63. HTPheno: an image analysis pipeline for high-throughput plant phenotyping / A. Hartmann, T. Czauderna, R. Hoffmann [et al.] // BMC bioinformatics. - 2011. - Vol. 12, №. 1. - P. 1-9.

64. Simultaneous phenotyping of leaf growth and chlorophyll fluorescence via GROWSCREEN FLUORO allows detection of stress tolerance in Arabidopsis thaliana and other rosette plants / M. Jansen, F. Gilmer, B. Biskup [et al.] // Functional Plant Biology. - 2009. - Vol. 36, №. 11. - P. 902-914.

65. Dynamics of seedling growth acclimation towards altered light conditions can be quantified via GROWSCREEN: a setup and procedure designed for rapid optical phenotyping of different plant species / A. Walter, H. Scharr, F. Gilmer [et al.] // New Phytologist. - 2007. - Vol. 174, №. 2. - P. 447-455.

66. Phenoscope: an automated large-scale phenotyping platform offering high spatial homogeneity / S. Tisné, Y. Serrand, L. Bach [et al.] // The Plant Journal. - 2013.

- Vol. 74, №. 3. - P. 534-544.

67. A high throughput robot system for machine vision based plant phenotype studies / R. Subramanian, E. Spalding, N. Ferrier // Machine Vision and Applications. -2013. - Vol. 24, №. 3. - P. 619-636.

68. Image-based plant phenotyping with incremental learning and active contours / M. Minervini, M. M. Abdelsamea, S. A. Tsaftaris // Ecological Informatics. - 2014. -Vol. 23. - P. 35-48.

69. GlyPh: a low-cost platform for phenotyping plant growth and water use / G. A. Pereyra-Irujo, E. D. Gasco, L. S. Peirone, L. A. Aguirrezabal // Functional Plant Biology.

- 2012. - Vol. 39, №. 11. - P. 905-913.

70. Measuring the diurnal pattern of leaf hyponasty and growth in Arabidopsis - a novel phenotyping approach using laser scanning / T. Dornbusch, S. Lorrain, D. Kuznetsov [et al.] // Functional Plant Biology. - 2012. - Vol. 39, №. 11. - P. 860-869.

71. SPICY: towards automated phenotyping of large pepper plants in the greenhouse/ G. van der Heijden, Y. Song, G. Horgan [et al.] // Functional Plant Biology.

- 2012. - Vol. 39, №. 11. - P. 870-877.

72. 3D modelling of leaves from color and ToF data for robotized plant measuring /

G. Alenya, B. Dellen, C. Torras // 2011 IEEE International Conference on Robotics and Automation (ICRA), Shanghai, China, 9-13 May 2011 : conference proceedings / IEEE Systems, Man, and Cybernetics Society, Institute of Electrical and Electronics Engineers.

- Piscataway, New Jersey, 2011. - URL: https://ieeexplore.ieee.org/abstract/document/ 5980092 (date of the application 26.06.2021).

73. On the use of depth camera for 3D phenotyping of entire plants / Y. Chene, D. Rousseau, P. Lucidarme [et al.] // Computers and Electronics in Agriculture. - 2012. -Vol. 82. - P. 122-127.

74. Usability study of 3D time-of-flight cameras for automatic plant phenotyping / R. Klose, J. Penlington, A. Ruckelshausen // Bornimer Agrartechnische Berichte. - 2009.

- Vol. 69, №. 93-105. - P. 12.

75. A stereo imaging system for measuring structural parameters of plant canopies / B. Biskup, H. Scharr, U. Schurr, U. W. E. Rascher // Plant, cell & environment. - 2007.

- Vol. 30, №. 10. - P. 1299-1308.

76. Geometric plant properties by relaxed stereo vision using simulated annealing /

H. J.Andersen, L. Reng, K. Kirk // Computers and electronics in agriculture. - 2005. -Vol. 49, №. 2. - P. 219-232.

77. A novel mesh processing based technique for 3D plant analysis / A. Paproki, X. Sirault, S. Berry [et al.] // BMC plant biology. - 2012. - Vol. 12, №. 1. - P. 1-13.

78. Low-cost 3D systems: suitable tools for plant phenotyping / S. Paulus, J. Behmann, A. K. Mahlein [et al.] // Sensors. - 2014. - Vol. 14, №. 2. - P. 3001-3018.

79. Automated recovery of three-dimensional models of plant shoots from multiple color images / M. P. Pound, A. P. French, E. H Murchie, T. P. Pridmore // Plant physiology. - 2014. - Vol. 166, №. 4. - P. 1688-1698.

80. Image-based plant modeling / L. Quan, P. Tan, G. Zeng [et al.] //ACM Trans. Graph. - 2006. - Vol. 25, №. 3. - P. 599-604

81. Accurate, dense, and robust multiview stereopsis / Y. Furukawa, J. Ponce // IEEE transactions on pattern analysis and machine intelligence. - 2009. - Vol. 32, №. 8. - P. 1362-1376.

82. Diel growth cycle of isolated leaf discs analyzed with a novel, high-throughput three-dimensional imaging method is identical to that of intact leaves / B. Biskup, H. Scharr, A. Fischbach [et al.] // Plant physiology. - 2009. - Vol. 149,№. 3. - P. 1452-1461.

83. Тимофеева О. А. Клональное микроразмножение растений: учебно-методическое пособие / О. А. Тимофеева, Ю. Ю. Невмержицкая. - Казань: Казанский университет, 2012. - 56 с.

84. Вдовин, В. М. Теория систем и системный анализ: Учебник для бакалавров / В. М. Вдовин, Л. Е. Суркова, В. А. Валентинов. - М.: Дашков и К, 2013. - 644 c.

85. Козлов, В. Н. Системный анализ, оптимизация и принятие решений / В. Н. Козлов. - М.: Проспект, 2010. - 176 с.

86. Тимченко, Т. Н. Системный анализ в управлении: Учебное пособие / Т. Н. Тимченко. - М.: ИД РИОР, 2013. - 161 c.

87. Гвоздева, В. А. Информатика, автоматизированные информационные техно-логии и системы: Учебник / В. А. Гвоздева. - М.: ИД ФОРУМ, НИЦ ИНФРА-М, 2013. - 544 c.

88. Забежайло, М. И. Интеллектуальные информационные системы / М. И. Забежайло, В. К. Финн // Междунар. форум по инф. и док. - 1996. - №2. - С. 11-17.

89. Пирогов, В. Ю. Информационные системы и базы данных: организация и проектирование: Учебное пособие / В. Ю. Пирогов. - СПб.: БХВ-Петербург, 2009.

- 528 с.

90. Различные цветовые модели и их использование [Электронный ресурс]. -Режим доступа: http://tm.spbstu.ru/%D0%A0%D0%B0%D0%B7%D0%BB%D0%B8%D1%87%D0% BD%D 1 %8B%D0%B5_%D 1 %86%D0%B2%D0%B5%D 1 %82%D0%BE%D0%B2% D1%8B%D0%B5_%D0%BC%D0%BE%D0%B4%D0%B5%D0%BB%D0%B8_%D0 %B8_%D0%B8%D 1 %85_%D0%B8%D 1 %81 %D0%BF%D0%BE%D0%BB%D 1 %8 C%D0%B7%D0%BE%D0%B2%D0%B0%D0%BD%D0%B8%D0%B5 (дата обращения: 26.06.2021).

91. Солонин, С. И. Метод гистограмм: Учебное пособие / С. И. Солонин. М.Берлин: Directmedia, 2016. - 99 с.

92. Full width at half maximum [Электронный ресурс]. - Режим доступа: https://en.wikipedia.org/wiki/Full_width_at_half_maximum (дата обращения: 26.06.2021).

93. Глек, П. U-Net: нейросеть для сегментации изображений [Электронный ресурс] / П. Глек. - Режим доступа: https://neurohive.io/ru/vidy-nejrosetej/u-net-image-segmentation/ (дата обращения: 26.06.2021).

94. Plants disease identification and classification through leaf images: A survey / S. Kaur, S. Pandey, S. Goel // Archives of Computational Methods in Engineering. -2019. - Vol. 26, №. 2. - P. 507-530.

95. Analysis of distance metrics in content-based image retrieval using statistical quantized histogram texture features in the DCT domain / F. Malik, B. Baharudin // Journal of king saud university-computer and information sciences. - 2013. - Vol. 25, №. 2. - P. 207-218.

96. Analysis and comparison of texture features for content based image retrieval / S. Selvarajah, S. R. Kodituwakku// International Journal of Latest Trends in Computing.

- 2011. - Vol. 2. - P. 108-113.

97. Color histogram features based image classification in content-based image retrieval systems / S. Sergyan // 6th international symposium on applied machine intelligence and informatics, Herlany, Slovakia, 21-22 Jan. 2008 : conference proceedings / IEEE Systems, Man, and Cybernetics Society, Institute of Electrical and Electronics Engineers. - Piscataway, New Jersey, 2008. - URL: https://ieeexplore.ieee.org/abstract /document/4469170 (date of the application 26.06.2021).

98. A theory of shape by space carving / K. N. Kutulakos, S. M. Seitz // International journal of computer vision. - 2000. - Vol. 38, №. 3. - P. 199-218.

99. Shape from silhouette: Image pixels for marching cubes / B. Mercier, D. Meneveaux // Journal of WSCG. - 2005. - Vol. 13, №. 3. - P. 112-118.

100. Dealing with textureless regions and specular highlights-a progressive space carving scheme using a novel photo-consistency measure / R. Yang // Proceedings Ninth IEEE International Conference on Computer Vision, Nice, France, 13-16 Oct. 2003 : conference proceedings / IEEE Systems, Man, and Cybernetics Society, Institute of Electrical and Electronics Engineers. - Piscataway, New Jersey, 2003. - URL: https://ieeexplore.ieee.org/abstract/document/1238399 (date of the application 26.06.2021).

101. Воксель [Электронный ресурс]. - Режим доступа: https://ru.wikipedia.org/wiki/%D0%92%D0%BE%D0%BA%D1%81%D0%B5%D0% BB (дата обращения: 26.06.2021).

102. Бережной, В.А. Разработка метода сегментации 3D моделей вегетативной части побега / В.А. Бережной, О.А. Иващук, Ю.Н. Маслаков // Научно-технический вестник Поволжья. - 2021. - № 5. - С. 30-34.

103. A note on two problems in connexion with graphs / E. W. Dijkstra // Numerische mathematik. - 1959. - Vol. 1, №. 1. - P. 269-271.

104. Патент № 2726257 Рос. Федерация, МПК G01B 21/20 (2006.01). Установка для автоматического измерения параметров растений : № 2019128171 : заявл. 18.09.2019 : опубл. 10.07.2020. / В.М. Яценко, Ю.Н. Маслаков, Е.В. Маслова, В.А. Бережной ; патентообладатель ООО «ИНВИТРО ВИЖН». - Бюл. № 19.

105. Multispectral imaging for presymptomatic analysis of light leaf spot in oilseed rape / C. Veys, F. Chatziavgerinos, A. AlSuwaidi [et al.] // Plant methods. . - 2019. -Vol. 15, №. 1. - P. 1-12.

106. Recent advances in sensing plant diseases for precision crop protection / A. K. Mahlein, E. C Oerke., U. Steiner, H. W.Dehne // European Journal of Plant Pathology. -2012. - Vol. 133, №. 1. - P. 197-209.

107. Early detection of Fusarium infection in wheat using hyper-spectral imaging / E. Bauriegel, A. Giebel, M. Geyer [et al.]// Computers and Electronics in Agriculture. -2011. - Vol. 75, №. 2. - P. 304-312.

108. Разработка мультиспектрального модуля освещения для выявления признаков заражения растений / В.А. Бережной, О.А. Иващук, Ю.Н. Маслаков, В.М. Яценко // Информационные технологии в науке, образовании и производстве (ИТНОП-2020) : материалы VIII междунар. науч.-техн. конф., Белгород, 24-25 сент. 2020 г. / НИУ «БелГУ», Орловский гос. ун-т им. И.С. Тургенева, ФИЦ «Информатика и управление» РАН [и др.] ; отв. ред. Е.В. Болгова. - Белгород, 2020. - С. 142-147.

109. Ковалевский А. Синтетические данные: что под капотом? [Электронный ресурс] / А. Ковалевский. - Режим доступа: https://medium. com/@antonkw/%D 1 %81 %D0%B8%D0%BD%D 1 %82%D0%B5%D 1 %82%D0%B8%D 1 %87%D0%B5%D 1 %81 %D0%BA%D0%B8%D0%B5-%D0%B4%D0%B0%D0%BD%D0%BD%D 1 %8B%D0%B5-

%D 1 %87%D 1 %82%D0%BE-%D0%BF%D0%BE%D0%B4-%D0%BA%D0%B0%D0%BF%D0%BE%D1%82%D0%BE%D0%BC-926689f4fee8 (дата обращения: 26.06.2021).

110. PlantVillage-Dataset [Электронный ресурс]. - Режим доступа: https://github.com/spMohanty/PlantVillage-Dataset (дата обращения: 26.06.2021).

Приложение А. Перечень рассмотренных автоматизированных систем

научных исследований растений

Таблица А.1 - Перечень рассмотренных автоматизированных систем исследования растений

№ Ссылка Расположен] камер Результат исследования

Работы, использующие для расчета параметров 2Б изображения

1 [57] Вид сверху Автоматизированная система «PHENOPSIS» строит прогностические модели развития растений на основе показателей температуры, освещенности, состояния воды в почве, влажности воздуха, внешнего вида и состояния растений по 2Б-изображениям

2 [58] Вид сверху Вид сбоку Автоматизированная система анализа изображений «PHENOPSIS» позволяет анализировать цветные изображения растений для расчета параметров как высоты, ширина и площади побегов двух сортов ячменя.

3 [59] Вид сверху Автоматизированная система анализа изображений «GROWSCREEN FLUORO» позволяет анализировать влияние параметров окружающей среды на динамику роста растений при помощи расчета площади поверхности растений.

4 [60] Вид сверху Автоматизированная система «GROWSCREEN» рассчитывает площадь листьев, относительную скорость роста

5 [61] Вид сверху Автоматизированная система «Phemscope» рассчитывает площадь розетки ростков и степени ее расширения во время вегетативной стадии, автоматическое регулирование полива

6 [62] Вид сверху Авторы разработали 3-х осевую роботизированную портальную систему, использующую визуальное управление позиционированием камеры высокого разрешения, для точной оценки гравитроных реакций проростков

7 [63] Вид сверху Разработан подход одновременной сегментации множества растений на изображении, основанный на анализе интенсивности цветовой палитры, текстур на изображении и априорных знаний, которые включают информацию о виде растений и данные предыдущих сканирований.

8 [64] Вид сверху Вид сбоку Автоматизированная система «^уРЬ» моделирует режимы полива растений на основе показателей влаги в почве и оценки изображений растений

Работы, использующие для расчета параметров 2,5D модели растений

9 [65] ИК камера сверху Оптическая камера под углом сверху-сбоку Расчет площади розетки ростков и степени ее расширения во время вегетативной стадии как в [62]. Преимуществом работы является независимость результатов от освещения растения

10 [66] Серия камер, расположенны х на одной вертикали: вид сбоку Авторы разработали систему автоматического измерения характеристик растений высотой до 3 метров. Система, оснащенная несколькими камерами, производит анализ цветовой палитры растительного покрова и измеряет высоту растения, площадь листьев и их углы наклона.

11 [67] Манипулятор перемещает закрепленные на нем камеры: свободный ракурс Разработан оригинальный метод сегментирования путем сопоставления данных цветовой палитры изображения с оптической камеры и данных глубин ТоБ камеры.

12 [68] Оптическая и ToF камера: вид сверху Разработана система сегментирования растений по одному изображению сверху с использованием сравнительно не дорогих камер.

№ Ссылка Расположен] камер Результат исследования

13 [69] Свободный ракурс Авторы провели сравнительный анализ ToF и оптической камер для фенотипирования растений в полевых условиях с учетом факторов освещенности, влажности и пыли.

14 [70] Свободный ракурс Авторы используют стереосистему для сегментирования изображений растений в полевых условиях и расчета положения и углов листьев в пространстве в ночное и дневное время.

15 [71] Под углом сверху-сбоку Авторы используют стереосистему для оценки высоты растений и площадь листьев в лабораторных условиях.

Работы, основанные на создании 3D моделей растений

16 [72] Свободный ракурс На базе серии изображений с оптической камеры производится объемная реконструкция растения и расчет параметров высоты стебля, ширины и длины листьев.

17 [73] Свободный ракурс Произведен сравнительный анализ недорогих систем трехмерной визуализации (David, Microsoft Kinect) и высокоточного лазерного сканера. Доказано, что недорогие устройства трехмерной визуализации обладают высокой надежностью для требований фенотипирования растений.

18 [74] Свободный ракурс Авторы разработали автоматический подход к трехмерной реконструкции растений на основе изображений, который может быть достигнут с помощью одной недорогой камеры. В исследовании используется метод фиксации уровней (LSM), задание ограничений кривизны элементов и учет положения соседних поверхностей для уточнения границ растения и получения наиболее точной модели.

19 [75] Свободный ракурс В статье демонстрируется оригинальная реализация Structure from Motion подхода для трехмерной реконструкции растений

20 [77] Вид сверху Автоматизированная система «GROWSCREEN 3D» представляет собой стереопару, которая перемещается над чашами с питательным раствором и растениями в них. Система строит 3D модель растений, на основании которой количественно определяется динамика роста поверхности листьев.

Приложение Б. Фотографии исследуемого растения в различных спектрах,

снятых EVS камерой

Таблица Б.1 - Фотографии исследуемого растения в различных спектрах, снятых БУ8 камерой

Г

М

ш

Приложение В. Фотографии исследуемого растения в различных спектрах с 4

ракурсов, снятых GigE камерой

Таблица В.1 - Фотографии исследуемого растения в различных спектрах с 4 ракурсов, снятых GigE камерой

Образец: Plant 009

0° 90° 180° 275°

Канал 4 (660 нм, Crimson)

ш# -J lA /

Приложение Г. Демонстрация склеек динамики роста растения по дням

Таблица Г.1 - Демонстрация склеек динамики роста растения по дням (примеры реальных растений)

Таблица Г.2 - Демонстрация склеек динамики роста растения по дням (примеры синтетических растений)

Ficus Lyrata

Anubias Congensis

f ^f

v v ^h sh sh r

t1 12 13 14 t5

tG

17

ta

t9

110

111

112

Erysimum asperum

Secale Cereale

Pisum Sativum

Campanula Persicifolia

Приложение Д. Полученные экспериментальные данные

Таблица Д.1 - Данные моделей растения Anubias Congensis для этапов роста T1-T12 по параметру thresh-

Ti № thresh 3D Объем исходной модели Объем текущей модели FN TP FP Precision Recall F1 score

0 0 47863 41782 271 41511 6352 0.867288 0.993514 0.9261197

1 1 47863 42318 203 42115 5748 0.879907 0.995203 0.9340105

2 2 47863 43914 692 43222 4641 0.903036 0.984242 0.9418918

3 3 47863 46068 1613 44455 3408 0.928797 0.964987 0.9465459

4 4 47863 47691 2693 44998 2865 0.940142 0.943532 0.9418339

н 5 5 47863 50251 4030 46221 1642 0.965694 0.919803 0.9421897

6 6 47863 52313 5584 46729 1134 0.976307 0.893258 0.932938

7 7 47863 54742 7453 47289 574 0.988007 0.863852 0.9217679

8 8 47863 57306 9830 47476 387 0.991914 0.828465 0.9028516

9 9 47863 58949 11401 47548 315 0.993419 0.806596 0.8903119

10 10 47863 60672 13087 47585 278 0.994192 0.784299 0.87686

11 0 159505 150339 14426 135913 23592 0.852092 0.904044 0.8772995

12 1 159505 153522 10798 142724 16781 0.894793 0.929665 0.9118958

13 2 159505 149498 6046 143452 16053 0.899357 0.959558 0.9284829

14 3 159505 161211 9756 151455 8050 0.949531 0.939483 0.9444805

15 4 159505 168309 13773 154536 4969 0.968847 0.918168 0.9428273

^ н 16 5 159505 171879 16342 155537 3968 0.975123 0.904921 0.9387116

17 6 159505 176901 20168 156733 2772 0.982621 0.885993 0.9318086

18 7 159505 181655 24292 157363 2142 0.986571 0.866274 0.9225173

19 8 159505 185889 28073 157816 1689 0.989411 0.84898 0.9138317

20 9 159505 190616 32770 157846 1659 0.989599 0.828084 0.9016654

21 10 159505 197143 40995 156148 3357 0.978954 0.792054 0.8756421

22 0 348684 328364 40233 288131 60553 0.826338 0.877474 0.8511391

23 1 367351 350461 36780 313681 53670 0.8539 0.895053 0.8739921

24 2 365684 354679 31951 322728 42956 0.882532 0.909916 0.8960149

25 3 370685 378756 39296 339460 31225 0.915764 0.89625 0.9059019

26 4 370211 393441 44196 349245 20966 0.943367 0.887668 0.9146706

н 27 5 372411 407778 51838 355940 16471 0.955772 0.872877 0.9124456

28 6 372711 415438 56080 359358 13353 0.964173 0.86501 0.9119037

29 7 362611 416629 62273 354356 8255 0.977235 0.850531 0.9094913

30 8 362411 427953 71853 356100 6311 0.982586 0.832101 0.9011038

31 9 363411 446479 87516 358963 4448 0.98776 0.803986 0.8864488

32 10 365411 462463 102153 360310 5101 0.98604 0.779111 0.8704465

33 0 551795 489336 21922 467414 84381 0.847079 0.955201 0.8978966

34 1 551795 506020 19264 486756 65039 0.882132 0.96193 0.9203046

^ н 35 2 551795 528909 26318 502591 49204 0.910829 0.950241 0.9301178

36 3 551795 555344 38549 516795 35000 0.936571 0.930585 0.9335684

37 4 551795 576333 51448 524885 26910 0.951232 0.910732 0.9305416

т, № ШгезИ 3Б Объем исходной модели Объем текущей модели ТР БР РгеаБюп ЯесаИ Бсоге

38 5 551795 596491 63870 532621 19174 0.965252 0.892924 0.92768

39 6 551795 617982 81105 536877 14918 0.972965 0.868758 0.9179134

40 7 551795 637228 97409 539819 11976 0.978296 0.847136 0.9080043

н 41 8 551795 657254 117018 540236 11559 0.979052 0.821959 0.8936544

42 9 551795 678340 135999 542341 9454 0.982867 0.799512 0.8817585

43 10 551795 709114 164328 544786 7009 0.987298 0.768263 0.8641163

44 0 1081598 968589 52407 916182 165416 0.847063 0.945893 0.8937546

45 1 1081598 1023779 76814 946965 134633 0.875524 0.92497 0.8995681

46 2 1081598 1045886 77379 968507 113091 0.895441 0.926016 0.9104717

47 3 1081598 1127088 118481 1008607 72991 0.932516 0.894879 0.9133095

48 4 1081598 1166353 145201 1021152 60446 0.944114 0.875509 0.908518

н 49 5 1081598 1206985 176829 1030156 51442 0.952439 0.853495 0.9002566

50 6 1081598 1257165 203858 1053307 28291 0.973843 0.837843 0.9007386

51 7 1081598 1299047 239132 1059915 21683 0.979953 0.815917 0.8904436

52 8 1081598 1360853 290760 1070093 11505 0.989363 0.78634 0.8762452

53 9 1081598 1378746 312196 1066550 15048 0.986087 0.773565 0.8669926

54 10 1081598 1445728 373652 1072076 9522 0.991196 0.741548 0.8483876

55 0 3324102 3024649 203990 2820659 503443 0.848548 0.932557 0.8885713

56 1 3324102 3492005 503321 2988684 335418 0.899095 0.855865 0.8769475

57 2 3324102 3698294 620918 3077376 246726 0.925777 0.832107 0.8764462

58 3 3324102 3849009 718154 3130855 193247 0.941865 0.813418 0.872942

59 4 3324102 3986959 804654 3182305 141797 0.957343 0.798179 0.8705453

н 60 5 3324102 4119660 906575 3213085 111017 0.966602 0.779939 0.863296

61 6 3324102 4266968 1014591 3252377 71725 0.978423 0.762222 0.8568955

62 7 3324102 4358375 1090702 3267673 56429 0.983024 0.749746 0.8506821

63 8 3324102 4535132 1252273 3282859 41243 0.987593 0.723873 0.8354145

64 9 3324102 4700554 1409716 3290838 33264 0.989993 0.700096 0.8201817

65 10 3324102 4896163 1594473 3301690 22412 0.993258 0.674342 0.803305

66 0 4711844 4383458 430136 3953322 758522 0.839018 0.901873 0.8693108

67 1 4711844 4680881 572550 4108331 603513 0.871916 0.877683 0.87479

68 2 4711844 4994444 607034 4387410 324434 0.931145 0.878458 0.9040346

69 3 4711844 5270721 794429 4476292 235552 0.950009 0.849275 0.896822

70 4 4711844 5560227 1002854 4557373 154471 0.967216 0.819638 0.8873328

н 71 5 4711844 5877243 1271586 4605657 106187 0.977464 0.783642 0.8698875

72 6 4711844 6340789 1709854 4630935 80909 0.982829 0.73034 0.8379786

73 7 4711844 6800144 2142506 4657638 54206 0.988496 0.684932 0.8091805

74 8 4711844 7215026 2545960 4669066 42778 0.990921 0.647131 0.7829491

75 9 4711844 7572143 2879719 4692424 19420 0.995878 0.619696 0.7639904

76 10 4711844 8200177 3511218 4688959 22885 0.995143 0.571812 0.7262936

т, № ШгезИ 3Б Объем исходной модели Объем текущей модели ТР БР РгеаБюп ЯесаИ Бсоге

77 0 5245037 5073181 476279 4596902 648135 0.876429 0.906118 0.8910263

78 1 5245037 5460490 637267 4823223 421814 0.919578 0.883295 0.9010716

79 2 5245037 5825783 850764 4975019 270018 0.948519 0.853966 0.8987625

80 3 5245037 6185718 1123389 5062329 182708 0.965166 0.81839 0.8857383

81 4 5245037 7047821 1908985 5138836 106201 0.979752 0.729138 0.8360686

га н 82 5 5245037 7358745 2191009 5167736 77301 0.985262 0.702258 0.8200294

83 6 5245037 7738649 2550444 5188205 56832 0.989165 0.670428 0.7991883

84 7 5245037 8070600 2867576 5203024 42013 0.99199 0.644689 0.7814908

85 8 5245037 8329921 3116324 5213597 31440 0.994006 0.625888 0.7681198

86 9 5245037 8672696 3448024 5224672 20365 0.996117 0.602428 0.7507935

87 10 5245037 9226768 3995487 5231281 13756 0.997377 0.566968 0.7229618

88 0 8658962 8412771 799353 7613418 1045544 0.879253 0.904983 0.8919326

89 1 8658962 8982096 1026165 7955931 703031 0.918809 0.885754 0.9019789

90 2 8658962 9481456 1327546 8153910 505052 0.941673 0.859985 0.8989771

91 3 8658962 10377498 2038150 8339348 319614 0.963089 0.803599 0.8761448

92 4 8658962 11448018 3006768 8441250 217712 0.974857 0.737355 0.8396338

н 93 5 8658962 11935093 3447775 8487318 171644 0.980177 0.711123 0.8242493

94 6 8658962 12444191 3906167 8538024 120938 0.986033 0.686105 0.8091705

95 7 8658962 13004369 4431419 8572950 86012 0.990067 0.659236 0.7914711

96 8 8752692 13771983 5085173 8686810 65882 0.992473 0.63076 0.771315

97 9 8752692 14747454 6035583 8711871 40821 0.995336 0.590737 0.7414312

98 10 8752692 15820067 7091405 8728662 24030 0.997255 0.551746 0.710434

99 0 8989693 8528424 714514 7813910 1175783 0.869208 0.91622 0.8920947

100 1 8989693 9157820 981085 8176735 812958 0.909568 0.892869 0.9011411

101 2 8989693 9687168 1285232 8401936 587757 0.934619 0.867326 0.8997161

102 3 8989693 10177957 1608813 8569144 420549 0.953219 0.841932 0.8941257

103 4 8989693 11312568 2578918 8733650 256043 0.971518 0.772031 0.8603623

о н 104 5 8989693 12168284 3362127 8806157 183536 0.979584 0.723698 0.8324196

105 6 8989693 12708242 3846966 8861276 128417 0.985715 0.697286 0.8167852

106 7 8989693 13292684 4397668 8895016 94677 0.989468 0.669166 0.7983902

107 8 8989693 13733577 4805480 8928097 61596 0.993148 0.650093 0.7858109

108 9 8989693 14360701 5408166 8952535 37158 0.995867 0.623405 0.7667995

109 10 8989693 15183977 6214762 8969215 20478 0.997722 0.590703 0.7420648

110 0 8339364 7717901 661357 7056544 1282820 0.846173 0.914309 0.8789223

111 1 9339364 9378464 922007 8456457 882907 0.905464 0.901689 0.9035725

112 2 9339364 9912543 1193436 8719107 620257 0.933587 0.879603 0.9057915

113 3 9339364 10420756 1522279 8898477 440887 0.952793 0.853919 0.9006501

н 114 4 9339364 11075652 2027552 9048100 291264 0.968813 0.816936 0.8864162

115 5 9339364 11974436 2843788 9130648 208716 0.977652 0.762512 0.8567827

116 6 9339364 12800939 3595278 9205661 133703 0.985684 0.71914 0.831575

117 7 9339364 13690647 4448445 9242202 97162 0.989597 0.675074 0.8026225

118 8 9339364 14296016 5029870 9266146 73218 0.99216 0.648163 0.7840911

т, № 3Б Объем исходной модели Объем текущей модели ТР БР РгеаБюп ЯесаИ Бсоге

119 9 9339364 14937968 5639229 9298739 40625 0.99565 0.62249 0.7660429

н 120 10 9339364 15711693 6396822 9314871 24493 0.997377 0.592862 0.7436709

121 0 9948314 9258667 666023 8592644 1355670 0.863729 0.928065 0.8947418

122 1 9948314 9955459 924293 9031166 917148 0.907809 0.907157 0.9074828

123 2 9948314 10478730 1200712 9278018 670296 0.932622 0.885414 0.9084053

124 3 9948314 10968831 1461618 9507213 441101 0.955661 0.866748 0.9090354

125 4 9948314 11534497 1917474 9617023 331291 0.966699 0.833762 0.8953226

н 126 5 9948314 12230703 2518609 9712094 236220 0.976255 0.794075 0.8757912

127 6 9948314 13222594 3430992 9791602 156712 0.984247 0.740521 0.8451634

128 7 9948314 13798627 3958920 9839707 108607 0.989083 0.713093 0.8287136

129 8 9948314 14443118 4553391 9889727 58587 0.994111 0.684736 0.8109181

130 9 9948314 15193572 5273277 9920295 28019 0.997184 0.652927 0.7891449

131 10 9948314 16092337 6152484 9939853 8461 0.99915 0.617676 0.7634105

Таблица Д.2 - Данные моделей растения ЛпиЫаБ Со^еш18 для этапов роста Т1-Т12 по параметру уЬ(

Т № ^Ьа5е_51ге ТР БР РгеаБюп ЯесаД Бсоге

0 128 2080 516 81238 0.006312 0.198767 0.012235

1 64 2080 260 20694 0.012408 0.111111 0.022323

2 32 4034 550 50804 0.01071 0.119983 0.019665

3 16 6519 1713 49641 0.033357 0.20809 0.057497

Н 4 8 15460 18968 28786 0.397202 0.550947 0.46161

5 4 18246 39230 8324 0.824957 0.682546 0.747025

6 2 2985 41020 6534 0.862598 0.932167 0.896034

7 1 1347 37769 10735 0.778678 0.965564 0.862109

8 128 4164 516 144516 0.003558 0.110256 0.006893

9 64 5456 516 144516 0.003558 0.086403 0.006834

10 32 14022 2282 217758 0.010371 0.139966 0.019311

11 16 16478 5122 177414 0.02806 0.23713 0.050182

н 12 8 40426 56622 117162 0.325818 0.583443 0.418134

13 4 51767 149729 14055 0.914186 0.743087 0.819804

14 2 24814 136397 22699 0.857325 0.846078 0.851664

15 1 16026 132615 28825 0.821451 0.892183 0.855357

16 128 6080 544 187754 0.002889 0.082126 0.005582

17 64 7936 576 187722 0.003059 0.067669 0.005853

18 32 12061 2815 313233 0.008907 0.189231 0.017013

19 16 16125 7291 226997 0.03112 0.311368 0.056584

н 20 8 49484 100076 134212 0.427149 0.669136 0.521436

21 4 63140 211828 22460 0.904135 0.770373 0.831912

22 2 36609 201715 22353 0.90024 0.84639 0.872485

23 1 23778 193386 30682 0.863068 0.890507 0.876573

т № ^Ьа5е_51ге ТР БР РгеаБюп ЯесаИ Бсоге

24 128 16492 1028 1300604 0.00079 0.058676 0.001559

25 64 14609 1807 699505 0.002577 0.110076 0.005035

26 32 24860 6936 694376 0.00989 0.218141 0.018922

27 16 38545 19911 531321 0.036121 0.340615 0.065315

н 28 8 94028 204264 346968 0.370559 0.684779 0.48089

29 4 86286 538774 82458 0.867267 0.861956 0.864603

30 2 57412 497932 53300 0.903308 0.896619 0.899951

31 1 28324 488722 62510 0.886599 0.94522 0.914972

32 128 6572 1404 1627569 0.000862 0.176028 0.001715

33 64 17718 2666 1063664 0.0025 0.130789 0.004907

34 32 33658 11694 1178143 0.009828 0.25785 0.018935

^ 35 16 75980 43124 1146713 0.036244 0.36207 0.065891

н 36 8 313192 557384 522669 0.516071 0.640247 0.571492

37 4 318285 981223 98830 0.908495 0.755073 0.824709

38 2 154048 973040 107013 0.900919 0.863322 0.88172

39 1 93188 941668 138385 0.871872 0.909951 0.890505

40 128 16086 3454 5332842 0.000647 0.176766 0.00129

41 64 43731 7869 3753707 0.002092 0.1525 0.004127

42 32 81672 31072 3730504 0.00826 0.275598 0.01604

^ 43 16 161724 110620 3257276 0.032845 0.406177 0.060776

н 44 8 915252 1891200 1427486 0.569864 0.673876 0.617521

45 4 1162441 3141327 177359 0.946557 0.729902 0.82423

46 2 755694 3093315 225371 0.93209 0.803665 0.863127

47 1 605648 3024996 318295 0.904796 0.833184 0.867515

48 128 18470 6474 7264600 0.00089 0.259541 0.001775

49 64 52757 10563 5073055 0.002078 0.166819 0.004105

50 32 92938 41534 5042084 0.00817 0.308867 0.015919

^ 51 16 223909 152747 4486544 0.032925 0.405534 0.060905

н 52 8 1472357 2455835 2183456 0.529356 0.625182 0.573292

53 4 1538888 4467452 206018 0.955918 0.743789 0.836616

54 2 792786 4477935 263893 0.944348 0.849587 0.894465

55 1 487954 4408953 367054 0.923146 0.900355 0.911608

56 128 18186 7026 8127976 0.000864 0.278677 0.001722

57 64 51519 9001 5525937 0.001626 0.148728 0.003217

58 32 115937 47115 5487823 0.008512 0.288957 0.016537

га 59 16 265476 186464 5348474 0.033689 0.412586 0.062291

н 60 8 1615114 2592446 2942492 0.468379 0.61614 0.532193

61 4 2401336 5057984 192572 0.963324 0.678076 0.795914

62 2 1161510 5024208 226348 0.956891 0.812227 0.878644

63 1 777907 4959041 291515 0.944479 0.864404 0.902669

Т № ^Ьа5е_51ге ТР БР РгеаБюп ЯесаИ Бсоге

64 128 17978 6458 8647828 0.000746 0.264282 0.001488

65 64 67251 17233 8637053 0.001991 0.203979 0.003944

66 32 164720 71432 8582854 0.008254 0.302483 0.016069