Etude des potentialités de la vision artificielle pour la reconnaissance optique des semences immatures de chicorée industrielle (Cichorium intybus L.)
Ooms, David; Destain, Marie-France
2010 • In Biotechnologie, Agronomie, Société et Environnement, 14 (1), p. 253-263
[fr] La production commerciale de semences de chicorée industrielle (Cichorium intybus L.) implique l'élimination des semences (cypsèles) non viables de la récolte à l’aide de méthodes non destructives. Dans ce cadre, deux techniques basées sur la vision artificielle sont étudiées pour reconnaître les semences non viables : la vision couleur et l’imagerie fluorescente. L’analyse de 1500 semences de la variété Nausica en vision en couleur ne permet de détecter que les semences desséchées ou non développées. Ceci est attribué à la très grande variabilité de la couleur, de la forme et de la texture des semences testées. L’imagerie fluorescente est alors envisagée, en vue d’analyser sur les différentes parties des semences (le péricarpe, la zone d’émergence de l’apex radiculaire et les pappi) la répartition de la chlorophylle, qui est un indicateur de la maturité des semences. La faible teneur en chlorophylle et la grande quantité de semences à trier imposent d’utiliser un dispositif de mesure très sensible. Un dispositif d'imagerie de la fluorescence chlorophyllienne de semences est ainsi proposé. Sa particularité consiste à pouvoir modifier le spectre de la source lumineuse (dans le but d’optimiser la sensibilité) et à enregistrer l’évolution de la répartition de la fluorescence en fonction du temps. Le dispositif fournit des images de la répartition de la fluorescence chlorophyllienne sur les cypsèles de chicorée. Il pourrait permettre de réaliser des mesures à plus grande échelle, reliant les attributs de fluorescence avec le pouvoir germinatif et l’état de maturité des semences.
Disciplines :
Agriculture & agronomy
Author, co-author :
Ooms, David ; Université de Liège - ULiège > Gembloux Agro-Bio Tech > Gembloux Agro-Bio Tech
Etude des potentialités de la vision artificielle pour la reconnaissance optique des semences immatures de chicorée industrielle (Cichorium intybus L.)
Alternative titles :
[en] Study of the potentialities of machine vision used for optical selection of immature seeds of industrial chicory (Cichorium intybus L.)
Publication date :
2010
Journal title :
Biotechnologie, Agronomie, Société et Environnement
ISSN :
1370-6233
eISSN :
1780-4507
Publisher :
Presses Agronomiques de Gembloux, Gembloux, Belgium
Volume :
14
Issue :
1
Pages :
253-263
Peer reviewed :
Peer Reviewed verified by ORBi
Funders :
First Europe "Objectif 1" DGTRE - Région wallonne. Direction générale des Technologies, de la Recherche et de l'Énergie [BE]
Bellomo M. & Fallico B., 2007. Anthocyanins, chlorophylls and xanthophylls in pistachio nuts (Pistacia vera) of different geographic origin. J. Food Compos. Anal., 20(3-4), 352-359.
Bidel L.P.R. et al., 2007. Responses of epidermal phenolic compounds to light acclimation: in vivo qualitative and quantitative assessment using chlorophyll fluorescence excitation spectra in leaves of three woody species. J. Photochem. Photobiol. B: Biol., 88, 163-179.
Buschmann C. & Lichtenthaler H., 1998. Principles and characteristics of multi-colour fluorescence imaging of plants. J. Plant Physiol., 152, 297-314.
Cartelat A. et al., 2005. Optically assessed contents of leaf polyphenolics and chlorophyll as indicators of nitrogen deficiency in wheat (Triticum aestivum L.). Field Crop Res., 91, 35-49.
Commeau M.F. & Spire M.L., 1996. Technologie des semences. Paris: INRA.
Corbineau F. & Come D., 1990. Germinability and quality of Cichorium intybus L. seeds. Acta Hortic., 267, 183-189.
Cresswell E. & Grime J., 1981. Induction of light requirement during seed development and its ecological consequences. Nature, 291, 583-585.
Delwiche S., 2003. Classification of scab-and other mold-damaged wheat kernels by near-infrared reflectance spectroscopy. Trans. ASAE, 46(3), 731-738.
Directive 2002/55/CE du Conseil du 13 juin 2002 concernant la commercialisation des semences de légumes. J. Off. Communautés Eur., 20.07.02, 193/33-193/59.
Directive 2006/124/CE de la Commission du 5 décembre 2006 modifiant la directive 92/33/CEE du Conseil concernant la commercialisation des plants de légumes et des matériels de multiplication de légumes autres que les semences ainsi que la directive 2002/55/CE du Conseil concernant la commercialisation des semences de légumes. J. Off. Union Eur., 06.12.06, 339/12-339/15.
Dowell F. et al., 2002. Use of optical sorting to detect wheat kernels infected with Tilletia indica. Plant Dis., 86(9), 1011-1013.
Farineau J. & Morot-Gaudry J., 2006. La photosynthèse: processus physiques, moléculaires et physiologiques. Paris: INRA.
Ghate S.R., Evans M.D., Kvien C.K. & Rucker K.S., 1993. Maturity detection in peanuts (Arachis hypogaea L.) using machine vision. Trans. ASAE, 36(6), 1941-1947.
Goulas Y., Cerovic Z.G., Cartelat A. & Moya I., 2004. Dualex: a new instrument for field measurements of epidermal ultraviolet absorbance by chlorophyll fluorescence. Appl. Opt., 43(23), 4488-4496.
Govindjee & Govindjee R., 1975. Introduction to photosynthesis. In: Buetow D., Cameron I. & Padilla G., eds. Bioenergetics of photosynthesis. London: Academic Press Inc., 1-50.
Harbinson J. & Rosenqvist E., 2003. An introduction to chlorophyll fluorescence. In: DeEll J. & Toivonen P., eds. Practical applications of chlorophyll fluorescence in plant biology. Dordrecht, The Netherlands: Kluwer Academic Publishers, 1-29.
Illipronti R., Langerak C. & Lommen W., 1997. Variation in and relationships between physical and physiological seed attributes within a soybean seed lot. Seed Sci. Technol., 25(2), 215-231.
ISTA, 2005. International rules for seed testing. Bassersdorf, Switzerland: International Seed Testing Association.
Jalink H., Frandas A., Van der Schoor R. & Bino J., 1998. Chlorophyll fluorescence of the testa of Brassica oleracea seeds as an indicator of seed maturity and seed quality. Sci. Agric., numero especial, 88-93.
Jalink H., Van der Schoor R., Birnbaum Y. & Bino R., 1999. Seed chlorophyll content as an indicator for seed maturity and seed quality. Acta Hortic., 504, 219-227.
Kermode A., 2006. Maturation: changes in water status. In: Black M., Bewley J. & Halmer P., eds. The encyclopedia of seeds. Science, technology and uses. Wallingford, UK: CABI, 405-406.
Konstantinova P., Van der Schoor R., Van den Bulk R. & Jalink H., 2002. Chlorophyll fluorescence sorting as a method for improvement of barley (Hordeum vulgare L.) seed health and germination. Seed Sci. Technol., 30(2), 411-421.
Krause G.H. & Weis E., 1991. Chlorophyll fluorescence and photosynthesis: the basics. Annu. Rev. Plant Physiol. Mol. Biol., 42, 313-349.
Lang M., Stober F. & Lichtenthaler H., 1991. Fluorescence emission spectra of plant leaves and plant constituents. Radiat. Environ. Biophys., 30, 333-347.
Liao K., Paulsen M.R. & Reid J.F., 1993. Corn kernel breakage classification by machine vision using a neural network classifier. Trans. ASAE, 36(6), 1949-1953.
Lichtenthaler H. & Miehé J., 1997. Fluorescence imaging as a diagnostic tool for plant stress. Trends Plant Sci., 2(8), 316-320.
Liu J. & Paulsen M.R., 1997. Corn whiteness measurements and classification using machine vision. ASAE Paper n°973045. St Joseph, MI., USA: ASAE.
Luo X., Jayas D.S. & Symons S.J., 1999. Identification of damages kernels in wheat using a colour machine vision system. J. Cereal Sci., 30, 49-59.
Macaire L., Vandenbroucke N. & Postaire J.G., 2006. Color image segmentation by analysis of subset connectedness and color homogeneity properties. Comput. Vision Image Understanding, 102, 105-116.
Majumdar S. & Jayas D.S., 2000a. Classification of cereal grain using machine vision. IV. Combined morphology, color and texture models. Trans. ASAE, 43(6), 1689-1694.
Majumdar S. & Jayas D.S., 2000b. Classification of cereal grain using machine vision. III. Texture models. Trans. ASAE, 43(6), 1681-1687.
Majumdar S. & Jayas D.S., 2000c. Classification of cereal grain using machine vision. II. Color models. Trans. ASAE, 43(6), 1677-1680.
Majumdar S. & Jayas D.S., 2000d. Classification of cereal grain using machine vision. I. Morphology models. Trans. ASAE, 43(6), 1669-1675.
Maxwell K. & Johnson G., 2000. Chlorophyll fluorescence: a practical guide. J. Exp. Bot., 51, 659-668.
Moniteur belge, 2006. Arrêté du Gouvernement wallon relatif à la production et à la commercialisation des semences de légumes et des semences de chicorée industrielle. Monit. Belg., 14.03.06, éd. 2, 15061-15073.
Moshou D. et al., 2004. Seed germination prediction based on sensor fusion of machine vision and fluorescence. In: Proceedings of the International conference on agricultural engineering, 12-16 September, 2004, Leuven, Belgium. Leuven, Belgium: Technologisch Instituut vzw, 404-405.
Ooms D., 2004. Evaluation of the quality of chicory seeds using machine vision. MSc thesis: Cranfield University (UK).
Oxborough K., 2004. Imaging of chlorophyll a fluorescence: theoretical and practical aspects of an emerging technique for the monitoring of photosynthetic performance. J. Exp. Bot., 400(55), 1195-1205.
Ruan R. et al., 2001. Estimation of weight percentage of scabby wheat kernels using an automatic machine vision and neural network based system. Trans. ASAE, 44(4), 983-988.
Sauer K., 1975. Primary events and the trapping of energy. In: Govindjee, ed. Bioenergietics of photosynthesis. New York, USA: Academic Press, 115-181.
Shatadal P. & Tan J., 2003. Identifying damaged soybeans by color image analysis. Appl. Eng. Agric., 19(1), 65-69.
Steckel J., Gray D. & Rowse H., 1989. Relationships between indices of seed maturity and carrot seed quality. Ann. Appl. Biol., 114, 177-183.
Steenhoek L., Misra C., Hurburgh Jr.C. & Bern C., 2001. Implementing a computer vision system for corn kernel damage evaluation. Appl. Eng. Agric., 17(2), 235-240.
Suhartanto M., 2002. Chlorophyll in tomato seeds: marker for seed performance? PhD thesis: Wageningen Universiteit (The Netherlands).
Throne-Holst M., Offler C. & Patrick J., 2006. Development of seeds. Sources of nutrients and water. In: Black M., Bewley J. & Halmer P., eds. The encyclopedia of seeds. Science, technology and uses. Wallingford, UK: CABI, 168.
Tremeau A. & Colantoni P., 2000. Regions adjacency graph applied to color image segmentation. IEEE Trans. Image, 9(4), 735-744.
Vandenbroucke N., Macaire L. & Postaire J.G., 2003. Color image segmentation by pixel classification in an adapted hybrid color space. Application to soccer image analysis. Comput. Vision Image Understanding, 90, 190-216.
Wan Y., Lin C. & Chiou J., 2002. Rice quality classification using an automatic grain quality inspection system. Trans. ASAE, 45(2), 379-387.
Wang D., Ram M. & Dowell F., 2002. Classification of damaged soybean seeds using near-infrared spectroscopy. Trans. ASAE, 45(6), 1943-1948.
Webb A., 2002. Statistical pattern recognition. Chichester, UK: John Wiley & sons, Ltd.
Wigger W.D., Paulsen M.R., Litchfield J.B. & Sinclair J.B., 1988. Classification of fungal-damaged soybeans using color-image processing. ASAE Paper n°883053. St Joseph, MI, USA: ASAE.
Zayas L., Converse H. & Steele J., 1990. Discrimination of whole from broken corn kernels with image analysis. Trans. ASAE, 33(5), 1642-1645.
