Ручной подсчёт семян на корзинке подсолнечника остаётся одной из самых трудоёмких операций в селекционном фенотипировании: на одну корзинку специалист тратит около часа, а при плотном расположении семян результаты подсчёта у разных исполнителей могут расходиться. Большинство существующих подходов к анализу изображений семян либо требуют лабораторного оборудования, либо предполагают предварительное отделение семян от корзинки, что делает их малопригодными для быстрой полевой или тепличной оценки интактных, неповреждённых соцветий. В работе предложена система HARCHOC — конвейер на основе компьютерного зрения для быстрой неразрушающей оценки числа развитых и абортированных семян прямо на высушенных корзинках подсолнечника. Для обучения и проверки модели была собрана и вручную размечена в CVAT коллекция более чем из тысячи изображений корзинок, снятых в стандартизированных условиях освещения; каждое отдельное семя аннотировано как «развитое» либо «абортированное». На этой основе обучен детектор объектов YOLOv8m. Помимо базовой модели, авторы сравнили несколько более новых версий YOLO и различные стратегии аугментации данных, однако ни одна из них не превзошла по точности подсчёта исходную конфигурацию. На тестовой выборке средняя абсолютная ошибка подсчёта составила около 61 семени на изображение (относительная ошибка — порядка 12%). Разбор ошибок показал, что основной их источник — пропущенные и задвоенные детекции в местах плотного скопления семян, а не путаница между классами «развитое» и «абортированное» семя. Обученная модель разворачивается в виде MAX-бота: пользователь загружает фотографию корзинки и получает изображение с размеченными семенами (зелёным цветом — развитые, красным — абортированные) и итоговую сводку по их числу; полное время обработки одного снимка занимает порядка 15–30 секунд. Авторы отмечают, что в текущем виде система лучше всего подходит как инструмент предварительного скрининга при контролируемой лабораторной съёмке, тогда как для работы с полевыми условиями, свежими (невысушенными) корзинками и другими типами камер потребуется дополнительная адаптация модели. Аннотированный набор данных и веса обученной модели опубликованы в открытом доступе для воспроизводимости исследований.

Полученные результаты опубликованы: Mume F.A., Ulyanov D.S., Muratov T.R., Blinkov A.O., Kocheshkova A.A., Avdeev S.M., Kroupin P.Yu., Karlov G.I., Divashuk M.G. Rapid Classification and Deep Learning-Based Development Estimation of the Seeds of Helianthus annuus // Plants. – 2026. – Vol. 15. – No. 13. – Art. 1930. – DOI: 10.3390/plants15131930 С публикацией можно ознакомиться по ссылке: https://www.mdpi.com/2223-7747/15/13/1930

Новость об этом исследовании опубликовало ведущее государственное информационное агентство России - ТАСС: https://tass.ru/nauka/27921075