Мейзу с двойной камерой: Смартфон Meizu E3 с двойной камерой предстал на изображениях

Содержание

Meizu M6 Note — камера ничего — Анастасия Пашкевич — Хайп

«Ничего так или ничего хорошего?» — спросите вы. Сделайте свои выводы, посмотрев фото и видео ниже, отснятые на Meizu M6 Note. А посмотреть-таки стоит, если вас интересует недорогой девайс с двойной камерой.

О камере и интерфейсе

Тыльная камера Meizu M6 Note — это основной 12-мегапиксельный модуль с апертурой объектива f/1.9 и 5-мегапиксельная дополнительная камера с диафрагмой f/2.0. Она служит для эффекта мягкого боке на фоне, а также для улучшения фокусировки. Только автофокус срабатывает неплохо, а ручной временами хромает, но об этом позже.

В окне камеры Meizu M6 Note режимы съемки расположены в двух местах. Основные: Портрет, Авто и Видео — внизу над кнопкой затвора, а первая верхняя кнопка (4 точки) открывает список из дополнительных: Мейкап, Вручную, Замедленная съемка, Покадрово, Панорама, Сканер, GIF.

Немного непривычно, что кнопка переключения между основной и фронтальной камерой внизу слева, а режимы съемки вынесли на верхнюю панель. В поисках режимов каждый раз наступает легкий ступор.

Помимо режимов, в верхней строке находится вспышка, HDR, эффект размытия — тот самый, что обеспечивается двумя объективами. А также набор цветовых пресетов и малость настроек.

Если два раза тапнуть по экрану, включается квадратный режим съемки. Зум традиционно — разведением пальцев. Долгим нажатием на кнопку затвора запускается серийная съемка.

Режимы съемки

Портрет

Если вы подумали, что портретная съемка — это про боке, ан нет. Здесь это про высокие китайские технологии бьютификации или замыливания лица.

В смарт-режиме можно выбрать уровень сглаживания кожи от 0 до 5. Без эффекта, на тройке и на пятерке фотографии получаются вот так.

Без эффекта, 3, 5

В расширенном режиме, помимо выравнивания, можно сделать себе глаза побольше, подтянуть и отбелить лицо. Проверить на себе эти чудеса цифровой пластики мочи не хватило.

Думаю, что оптимальный вариант из всего перечисленного — это смарт, то есть запускающийся по умолчанию портретный режим. Но, пожалуй, от 1 до 3.

Авто и HDR

Главное огорчение по поводу камер Meizu M6 Note — это переэкспозиция. В автоматическом режиме небо часто и густо получается бесцветным, будто вырезали кусок кадра и подложили обычный А4. И HDR не всегда спасает.

Без HDR/ с HDRБез HDR/ с HDRHDR лучше всего улучшает и без того неплохие фотографии

Экспокоррекция в минус помогает решить вопрос с засветкой, но тогда темные детали уходят в сумрак.

В помещении фотографии получились выше моих ожиданий: без бросающегося в глаза зерна.

В сумерках на фото заметен перешарп, но, если не акцентировать внимание на проводах и простить некоторую неестественность цвета, кадры приятные.

Ночью фото немного шумят. Но для камеры бюджетного смартфона результат совсем не плох.

Эффект размытия

Размытие, действительно, мягкое, цвета приятные. И за счет получения двумя матрицами большего количества света в условиях плохого освещения получаются годные фото.

Вручную лучше не фокусироваться, так как при попытке указать камере пальчиком, куда целиться, часто случаются казусы. Если тапнете по лицу, то только оно и останется в фокусе. А может случиться и полный обратный эффект: и вовсе весь кадр останется расфокусированным. Но это не проблема, так как автофокус срабатывает неплохо. При съемке одного-двоих. Компания же побольше в этом режиме часто получается в дымке, кроме одного счастливчика, которого выделила камера.

Что касается четкости, не ожидайте чего-то сверхидеального: иногда размытие или световые блики заходят на объект съемки. На этом, в том числе сказывается направление освещения, и то, насколько неподвижны ваши руки и ваша «модель». Кадры, которые снимала я, получились лучше, чем вышеприведенные, когда снимали меня. И давайте будем объективны: пока что не выпустили смартфон, который идеально размывает фон. К тому же портретному режиму iPhone X, судя по отзывам, тоже есть претензии.

В целом, несмотря на недоработки, эффект мне понравился.

Видео

Meizu M6 Note поддерживает видеосъемку в форматах 720p, 1080p и 4K. У видео та же проблема, что и у фото: в зависимости от направления света, случается переэкспозиция. Которую может сопровождать шум ветра, записанный микрофоном.

Вот пример более-менее удачного видео.

Макро

Отдельного режима макро здесь нет: нужно либо приближать, либо приближаться со смартфоном к объекту.

Максимальный зум 8х выглядит еще сносно, относительно того, что получается на большинстве смартфонов. Приближение в несколько крат, естественно, дает более четкие фото.

А вот когда подходишь снять какой-то цветочек вблизи, случается упс — девайс расфокусируется.

Мейкап

После режима Портрет неясно зачем нужен режим Мейкап. Особенно, если учесть, что он придает какой-то болезненный загар, проваливает глаза серыми тенями и прямо-таки прорисовывает под ними мешки.

Это лучшее, что получилось из потуг цифрового макияжа.

Ужасы нашего городка. С мыльцем и традиционно загулявшим белым

Замедленная съемка

Пример съемки слоу-моушн 1280х720 пикселей + зум.

Покадрово

Как и о фото в мануальном режиме с большой выдержкой, мысль о съемке ночных таймлапсов приходила, когда снимать уже было нечего. Поэтому вот вам маленький дневной.

Панорама

Снять панораму с первого дубля нужно постараться: неверное движение, и видно склейку кадров.

GIF

Вот такие гифки.

Фронтальная камера

Передняя камера с 16 Мп матрицей и объективом с диафрагмой f/2.0 снимает видео Full HD качества и неплохие фото. Для фронталки доступны те же самые опции и режимы, кроме эффекта размытия и HDR.

Без бьютификации, с немножко и с множко улучшений

И все было бы хорошо в фотографиях, если бы не два но: во-первых, все та же проблема с белым небом на уличных фото. Только еще хуже, чем на основную. И, во-вторых, особенности бьютификации портрета.

Во многих китайских смартфонах этого ценового сегмента украшательство реализовано лучше. Слегка оптимизировали лицо, и ты куколка. Здесь же, при всем арсенале фич, камера подчеркивает и усугубляет асимметрию лица: вместо того, чтобы сглаживать недостатки, она делает их явными. В общем, 2/3 кадров — красиво, аж страшно, и где-то треть — то, что можно людям показать.

Учитывая, что это все та же программа Портрет, что и для основной камеры, возможно, недостатки более заметны из-за съемки вблизи.

Галерея

Галерея как галерея: со всякими фильтрами и опциями редактирования фотографий. Но, благодаря двойной камере, и здесь есть фишка — возможность изменить фокус на фото, снятых с эффектом размытия.

Постфокус и фильтры

Увидела ее и умилилась. Вспомнила, как годы назад я писала заметку об уникальной технологии постфокусировки фото, внедренной одной из компаний-производителей фотоаппаратов. Тогда снимки нужно было грузить на специальный сайт, чтобы их отредактировать. А сегодня в недорогом смартфоне меняй фокус сколько влезет. Как быстро техника растет.

Особенно постфокусировка пригодится при предметной съемке, так как у камеры есть манечка фокусироваться ближе к дальнему плану.

Пахлава с орехами, эффектом размытия и смененным в редакторе фокусом

Что еще нравится в галерее: можно просмотреть детали изображения. Но не нравится, что не указано, какие из фото сняты с HDR.

Особо стоит упомянуть фильтры. На максимуме они делают каку — появляются пятна а-ля инверсия. Чтобы пользоваться эффектами, нужно скручивать ползунок до минимума, но тогда фильтры незначительно меняют цвета кадра.

Плюсы

  • Двойная камера, эффект размытия.
  • Хорошие фото в портретном режиме.
  • Неплохое качество фото при недостаточном освещении.

Минусы

  • Любит переэкспонировать фотографии.
  • HDR не всегда вытягивает кадры.

Итого

При своей цене к Meizu M6 Note грешно придираться. Да и незачем: на этот девайс временами получаются кадры более высокого качества, чем ожидалось. А в прямых руках, думаю, и не временами.

Этот смартфон для вас, если подыскиваете недорогой девайс с хорошей камерой и готовы примириться с озвученными минусами, вылезающими через кадр.

с тонкими рамками и двойной камерой

Сегодня в Китае состоялась премьера Meizu E3 в безрамочном дизайне. Характеристики новинки «утекали» в сеть еще до презентации, поэтому многие из них не стали открытием.

 

 

 

Meizu E3 похож на ранее представленный Meizu M6s и сходство прослеживается в алюминиевом корпусе, пластиковых швах для антенн, вытянутом дисплее и тут тоже сканер отпечатков пальцев перенесли на правую боковую грань. Среди отличий — оформление и месторасположение двойной тыльной камеры, где два объектива объединили в один блок в верхнем левом углу. А еще это второй аппарат, где отказались от функциональной клавиши mTouch, вернув сенсорное кольцо. «Кругляшок» является частью сенсорного дисплея и заменяет собой наэкранные кнопки. Короткий клик имитирует кнопку «Назад», длинным нажатием можно активировать экран, а нажатием с усилием — клавишу «Домой». Горизонтальные свайпы позволяют переключаться между приложениями, а свайп вверх выведет последние приложения.  В продаже будет 3 цветовых варианта: черный, золотистый и синий.

 

 

 

Смартфон получил дисплей с модным соотношением сторон 18:9, его разрешение составляет 2160х1080 точек, размер диагонали 5,99 дюймов. Модель работает на новой аппаратной платформе от Qualcomm Snapdragon 636 с 8-ядерным процессором и 6 Гб оперативной памяти в любой из модификаций. Собственной памяти на выбор 64 Гб или 128 Гб.

 

 

На быстрой зарядке в среднебюджетном ценовом сегменте производители не редко экономят, но отрадно, что Meizu к ним не относится и смартфон заряжается по технологии mCharge мощностью 20  Вт. Емкость аккумулятора составила 3360 мАч и за 30 минут его можно зарядить на 53%.

 

 

 

 

Много хорошего на презентации было сказано про камеры, впрочем, это уже стало традицией практически для всех анонсов устройств. Фотовозможности новинки нужно оценивать на деле, а пока только характеристики. Фронтальный объектив предлагает разрешение 8 Мп, а тыльная камера получила два модуля, где основной сенсор на 12 Мп с апертурой f/1.9 (Sony IMX362) и в помощь дан датчик на 20 Мп с диафрагмой f/2.6 (Sony IMX350). Заявлен 1,8-кратный оптический зум и 2,5-кратный цифровой зум. Прочие характеристики смартфона включают в себя поддержку Bluetooth 5.0, GPS, Wi-Fi, предустановленную операционную систему Android Nougat с оболочкой Flyme 6.3 и есть порт USB Type-C.

 

 

 

В Китае Meizu E3 стоит $284 за младшую версию 6/64Гб и $315 просят за вариант с 6/128 Гб памяти на борту. Прием предзаказов начнется с 26 марта. В дополнение к стандартной версии производитель еще выпустил эксклюзивную ограниченным тиражом вариацию J -20 Custom Limited Edition, названную в честь истребителя, где корпус выполнен из сплава цинка с применением лазерной гравировки, предложен набор специальных тем Flyme, специальный чехол и свой дизайн получила скрепка для открытия лотка для SIM‑карт. Всего в продажу поступит 2000 единиц таких смартфонов и за версию 6/64 Гб запросили $315, а за топовую 6/128 Гб — $394.

 

 

 

Характеристики Meizu E3:

Материалы корпуса: алюминий, 2.5D стекло (фронтальная панель)

  1. Операционная система: Flyme 6.3 (One Mind 2.0), Android Nougat 7.1.2
  2. Сеть: GSM (Band 2, 3, 5, 8), CDMA (BC0), WCDMA (Band 1, 2, 5, 8), TD-SCDMA (Band 34, 39), FDD-LTE (Band 1, 3, 5, 7, 8), TDD-LTE (Band 34, 38, 39, 40, 41)
  3.  Дисплей: IPS 5,99», разрешение 2160×1080 точек (FullHD+), LTPS, In-Cell, 403ppi, соотношение сторон 18:9, 450нит, контрастность 1500:1, 83% NTSC
  4. Процессор: 14-нм, Snapdragon 636 (восемь ядер Kryo 260, 4х1,6 ГГц,4х1,8 ГГц)
  5. Графический ускоритель: Adreno 509
  6. Оперативная память: 6 Гб  LPDDR4X
  7. Флеш-память: 64/128 Гб
  8. Слот под карту памяти: да, microSD до 128 Гб (совмещенный с nanoSIM-слотом)
  9. Интерфейсы: Wi-Fi (ac/b/g/n в диапазонах 5 ГГц и 2,4 ГГц) Dual-Band, Bluetooth 5.0, разъем USB Type-C для заряда/синхронизации, 3.5 мм для гарнитуры
  10. Основная камера: 12 Мп (f/1.9), Sony IMX362, 1,4 мкм и 20 Мп Sony IMX350 (f/2.6), двухцветная LED-вспышка, видео записывается в FullHD
  11. Фронтальная камера: 8 Мп, f/2.0, ArcSoft® Beauty Algorithm Adaptive Skin Technology, Face AE
  12. Навигация: GPS (поддержка A-GPS), ГЛОНАСС
  13. Дополнительно: сканер отпечатков пальцев mTouch с поддержкой Alipay, скорость 0,2 секунды, Super mBack, акселерометр, датчик света, сенсор приближения
  14. Батарея: 3360 мАч, поддержка быстрой зарядки cold mCharge 20W, 10V/2A
  15. Габариты: 156,8х75х7,6 мм
  16. Вес: 160 грамм

 

 

 

 

Автор:
Ирина Кошелева

Дата публикации:
21.03.2018

Последние ролики на YouTube

Meizu Pro 7 Plus — флагман с двумя экранами и двойной камерой

Смартфон китайского производителя Meizu Pro 7 Plus отличается от других моделей бренда дополнительным тыльным экраном и мощным 10-ядерным чипсетом, выполненным по 10- нм технологии. Похожим на него можно считать версию Meizu Pro 7, процессор которого немного слабее, ведь он обладает всего 8 ядрами, что тоже неплохо для современного гаджета. Есть и другие отличия: более емкий аккумулятор, увеличенный объем оперативной памяти.

Комплектация

Рассматривая модель Meizu Pro 7 Plus, начнем обзор с комплектации. Изменения становятся заметными для любителей Мейзу еще с коробки. Она выполнена из твердого пластика, что нечасто встречается среди моделей среднего ценового класса. Внутри находится еще несколько коробочек, в каждой из которых спрятан один из аксессуаров:

  • Мощный сетевой адаптер с напряжением 5/9/12 V и силой тока 2 A
  • Кабель USB
  • Скрепка для извлечения слота с карточками
  • Пластиковый защитный бампер

Последняя деталь не является надежной защитой для экрана и корпуса Мейзу Плюс. Бампер быстро трескается, на нем появляется большое количество царапин. Скорее он предназначен для временного использования, чтобы позволить хозяину телефона выбрать наиболее подходящий чехол. Большинство моделей Мейзу не имеют в комплектации и такого.

Дизайн

По внешнему виду смартфон Meizu Pro 7 версии Plus отличается не только от других моделей бренда, но и от моделей других изготовителей. Особенно, если смотреть на него с тыльной стороны. Сдвоенная тыльная камера расположена в верхнем левом углу. Но находится она не просто в крышке корпуса, а размещена в прямоугольном окошке длиной в половину и шириной в треть крышки. Окошко прикрыто защитным стеклом вместе с камерой и двойной вспышкой, выполненной из светодиодов разного цвета и расположенной вертикально.

Сразу под камерой расположен дополнительный тыльный экран, которым прославилась модель. Он тоже сенсорный, как и основной, реагирует на жесты с такой же чувствительностью. На дисплее выводится информация о дне недели, время и погода. Он выполняет роль расширенной версии индикатора событий. Здесь можете увидеть информацию о входящих звонках и сообщениях.

Дополнительный экран Meizu Pro 7 Plus обладает рядом полезных функций. В него можно смотреть при выполнении селфи основной камерой, здесь появляются кнопки управления плеером при прослушивании музыки или другими приложениями. Если посчитаете дополнительный экран ненужным, он легко отключается.

Крупный корпус смартфона выглядит массивно не только благодаря размерам, но и из-за того, что его углы скошены значительно меньше, чем у многих моделей. Выглядит он богато, но поверхность крышки оказалась очень скользкой. Задняя крышка и торцы покрыты лаком. Это придает смартфону нарядный вид, но делает неудобным для удержания в руках. Невзирая на наличие заднего экрана, светодиодный индикатор событий на передней панели тоже присутствует. Он сообщает о пропущенных сообщениях и звонках.

Под дисплеем расположена кнопка mTouch, совмещенная со сканером отпечатков пальцев. Она имеет несколько функций, которые выполняются в зависимости от силы нажатия или прикосновения к ее площадке и количества нажатий. Можете пользоваться набором экранных кнопок, выполняющих те же функции, кроме сканера. Сканер Meizu Pro 7 Plus распознает отпечатки в диапазоне 360 градусов, считывает и обрабатывает их за 0,15 с.

На правом торце традиционно расположены кнопки включения и регулировки громкости. Недостатком является то, что они сидят слишком глубоко в плоскости панели. Поэтому нащупать их будет значительно сложнее, чем в большинстве телефонов.

Разъем для слота с карточками находится вверху левой торцевой плоскости. Там можете разместить две карточки nano-SIM. Карты памяти смартфон не поддерживает. На верхнем торце расположено только отверстие дополнительного микрофона, отвечающее за подавление шумов. На нижнем торце есть разъем USB Type-C, решетка основного динамика, разъем 3,5 мм для гарнитуры, от которого Мейзу, в отличие от многих брендов, не решается отказаться.

Цвета корпуса смартфона бывают:

  • Черные
  • Серебристые
  • Золотистые
  • «Черный космос»

Последнюю из расцветок имеет небольшое количество смартфонов. А версия Meizu Pro 7, кроме указанных, может иметь и красный цвет.

Дисплей

Экран смартфона Meizu Pro 7 Plus обладает такими характеристиками:

  • Матрица Super AMOLED
  • Защитное стекло 2,5D
  • Диагональ 5,7»
  • Разрешение дисплея 2560×1440
  • Плотность пикселей 518ppi
  • Физические параметры 21,6×7 мм
  • Боковые рамки 3 мм
  • Верхняя и нижняя рамки 16 мм

Дисплей обладает ярким и красочным изображением. Яркость регулируется автоматически, основываясь на показаниях соответствующего сенсора, или вручную. Тесты мультитач показывают, что экран может поддерживать 10 одновременных касаний.

Характеристики дополнительного экрана:

  • Матрица AMOLED
  • Диагональ 1,9»
  • Разрешение 240×536 р
  • Плотность пикселей 307ppi
  • Физические размеры 45×20 мм

Поверхность обеих экранов имеют олеофобное покрытие высокого качества. Благодаря этому следы от прикосновения пальцев появляются не очень быстро, а стираются легко.

Максимальная яркость составляет 415 кд/м², минимальная – 4 кд/м². Таких значений будет достаточно для комфортной работы под прямыми солнечными лучами или в темном помещении. Углы обзора основного экрана большие. При наклоне от перпендикулярного к линии взгляда положения изображение теряет яркость, но цвета не инвертируются, изображение не искажается. Белые и серые участки получают красноватый оттенки.

Дисплей Meizu Pro 7 Plus имеет 4 режима передачи цвета:

  • Стандартный
  • Адаптивный
  • Фото
  • Полноцветный

Наиболее естественное изображение получается на экране при установке стандартного режима. В адаптивном режиме цвета оказываются неестественно яркими и сочными. Цветовая температура белого и серого равна 7500 К, ее можете понизить в настройках при помощи ползунка регулировки. На экране люди с повышенной чувствительностью глаз могут заметить колебания яркости, что присуще AMOLED-экранам.

Камеры

Камера для селфи имеет разрешение 16 Мп, объектив, состоящий из 5 элементов, со светосилой f/2,0. Камера не снабжена вспышкой и не имеет автофокуса. Красивое селфи помогут получить приложения ArcSoft и Face After Effect, убирающие ненужные морщинки и синяки под глазами. Камера делает снимки приличного качества. Селфи со вспышкой можно выполнить основной камерой, используя вместо видоискателя дополнительный экран.

Основная сдвоенная камера состоит из модулей 12 Мп (сенсор Sony IMX386) и 2 Мп. Первый из них цветной, второй черно-белый. Объектив состоит из 6 элементов, имеет светосилу f/2,0.

Съемку можете проводить как в автоматическом, так ив ручном режиме. В приложении есть все стандартные режимы выполнения фото. Есть шкала экспокоррекции, настройки контрастности и насыщенности. Вручную можете изменять выдержку, диафрагму, способы фокусировки, баланс белого. Благодаря дополнительному сенсору осуществляется легкое размытие заднего плана, так называемый эффект боке. Есть режим черно-белой съемки. Нет возможности сохранять снимки в RAW.

Основная камера Meizu Pro 7 Plus снимает видео разрешением 4k и 1080p с частотой 30 fps. Стабилизация работает только при съемке в разрешении 1080р. Поэтому ролики 4k в движении лучше не снимать, они окажутся смазанными и рваными. Часто автофокус перестраивается по своему усмотрению, что снижает качество видео. Яркость и детализация при хорошем освещении высокие. Звук качественный, система шумоподавления отлично справляется со своей задачей.

Программное обеспечение и производительность

Технические характеристики смартфона Meizu Pro 7 Plus собраны в таблице:

ОС Android 7.0
Оболочка Flyme 6.1
Процессор MediaTek Helio X30 (MT6799 Deca Core)
Ядра 10
Кластеров 3
Архитектура 2х 2,6 ГГц (Cortex-A73), 4×2,2 Гц (Cortex-A53), 4×1,9 ГГц (Cortex-A35)
Графический процессор PowerVR 7XTP-MP4
Тактовая частота         800 МГц
Оперативной памяти 6 ГБ
Встроенной памяти 32/64 ГБ

Чипсет, установленный в смартфоне и разрекламированный производителем, на самом деле оказался не таким и мощным. Он отстает по многим показателям от основных топовых процессоров. Но для основных повседневных задач мощности будет достаточно. Можете открывать любое количество приложений, смотреть видео, выполнять съемку, играть в самые требовательные трехмерные игры. В тестах АнТуТу смартфон набирает около 115 тыс. баллов.

Связь

Благодаря встроенному в чипсет модему LTE WorldMode Cat.10 смартфон Мейзу про 7 плюс работает в сетях 4G LTE Category 10. Максимальная скорость загрузки данных 450 Мбит/с, передачи – 150 Мбит/с. Телефон поддерживает работу в сетях Band 3 и 7, но не работает с Band 20.

Встроены интерфейсы:

  • Двухдиапазонный Wi-Fi (2,4 и 5 ГГц)
  • Bluetooth 4.2

Чипа NFC по-прежнему нет, хотя упорство, с каким китайские производители отказываются его устанавливать, вызывает недоумение. Разъем Type-C позволяет подключать смартфон к внешним устройствам в режиме USB OTG. Есть режим USB 3.1 Type-C, позволяющий увеличить скорость передачи информации по кабелю до 30 МБ/с.

Навигация осуществляется всеми возможными способами:

  • GPS (с A-GPS),
  • Глонасс,
  • Beidou.

Скорость обнаружения первых спутников высокая во всех случаях даже с холодного старта. Есть магнитный компас, обеспечивающий работу систем навигации.

При наборе номера происходит поиск по первым буквам в контактах. Осуществляется активное ожидание обеих сим-карт в частотах 3/ 4G одновременно. Выбор карточки происходит в момент разговора. Карточки в смартфоне работают по стандарту Dual SIM Dual Standby. Можете записывать телефонные разговоры с линии.

Автономность

Смартфон работает от аккумуляторной батареи емкостью 3500 мАч. Тесты показывают, что этого заряда оказывается недостаточно для продолжительной работы. Можете читать на протяжении 14 часов, смотреть видео 10 часов. Играть в трехмерные игры всего 3 часа. Это значительно меньше, чем друге смартфоны того же ценового сегмента. При самых больших нагрузках телефон нагревается до температуры 41 градус.

Затем смартфон нужно заряжать. Сделать это за меньший период времени поможет режим быстрой зарядки. С разряженного состояния до половины заряда он набирает за полчаса. При использовании напряжения 9 V для полной зарядки нужно 1,5 часа. Смартфон не поддерживает режим беспроводной зарядки.

Итоги

Смартфон Meizu Pro 7 Plus имеет преимущества:

  • Дополнительный дисплей
  • 10-ядерный чипсет
  • Двойная основная камера неплохого качества
  • Наличие Type-C и 3,5 разъема

Недостатки:

  • Процессор недостаточно мощный
  • Емкости аккумулятора недостаточно для длительной автономной работы
  • Нет чипа NFC

Видеообзор

новые просочившиеся фотографии телефона с двойной камерой

Il prossimo 23 августа будет проходить официальная презентация из Meizu M6 Примечания, В отличие от предыдущей заметки M5, новый средний диапазон должен предлагать интересные новости. Прежде всего двухкамерный назад, здесь иммортализовать в этих просочившиеся выстрелы В прямом эфире. Два датчика будут расположены вертикально, подобно тому, что видно с помощью Live Xplay 6, Этот аспект уже официально подтвержден самой Мэйдзу, которая выпустила один новый тизер онлайн. Обратите внимание на Светодиодная вспышка встроенный в пластиковую ленту для антенн, с дизайном, взятым из предыдущего Meizu E2.

Согласно тому, что было пропущено до настоящего времени, Meizu M6 Примечания он должен основываться на недавнем Helio P25 (MT6757T) от MediaTek, сделал 16 нм, Это будет связано с наличием процессора окта-ядро с архитектурой ARM Cortex-A53 и часами до 2.6 ГГц, Затем графическая часть будет доверена графическому процессору ARM Mali-T880 MP2 до 1 ГГц, тогда как на стороне памяти мы можем выдвинуть гипотезу 3 / 4 Гб двухканальной RAM-памяти LPDDR4X и 32 / 64 Гб встроенной памяти.

Продолжая, дисплей Meizu M6 Примечания это должно быть единица из 5.5 дюймов диагональ с разрешением Full HD 1920 x 1080 пикселей. В дополнение к классическому сенсору mTouch на передней панели мы должны найти фотодатчик от XUUMX мегапиксели, Однако на обратной стороне мы найдем один двухкамерный da XUUMX мегапиксели, возможно, с датчиками Sony IMX258. Мы заключаем с батареей блок от 4000 мАч, Ожидаемая цена равна 1599 юаней или приблизительно 200 евро по текущему обменному курсу.


Не пропустите любые новости, предложения или отзывы, опубликованные на нашем сайте! Следуйте за нами в социальных сетях, чтобы оставаться в курсе событий в реальном времени благодаря:

 Канал предложений , Канал новостей, Группа Telegram, Facebook страницу, Канал YouTube и Форум.

все-таки Helio X30 и двойная камера

Авторитетный ресурс GizChina сегодня опубликовал последние новости, касающиеся будущего флагмана Meizu Pro 7. Согласно утечке в лог-файлах на неком сайте, имеющем отношение к компании Meizu, смартфон все-таки будет основан на чипсете MediaTek Helio X30 (МТ6799).

Некоторое время назад появились предположения, что новый Meizu Pro 7 получит более мощный Qualcomm Snapdragon 835, однако, по всей видимости, они были плодом исключительно завышенных ожиданий поклонников. Да и в целом десятиядерный Helio X30 (МТ6799) далеко не так плох.

Вторая важная новость от GizChina: смартфон Meizu Pro 7 станет первым аппаратом этой компании с двойной основной камерой. Причем известно, что будет использоваться пара сенсоров от Sony IMX386 и IMX286. Каждый из них обладает разрешением по 12 Mp.

Такая конфигурация наводит на мысль, что дополнительный модуль планируется использовать исключительно для измерения глубины резкости и корректировки динамического диапазона. То есть принцип работы основной камеры Meizu позаимствовует у Huawei.

Та самая утечка от GizChina

Третья важная новость заключается в наличии у Meizu Pro 7 отличной фронтальной камеры на базе хорошо зарекомендовавшего себя сенсора Samsung S5K3P8. Именно такой используется для основной камеры в Samsung Galaxy A5 (2017) и «фронталки» флагманского OnePlus 3T.

Четвертая новость от GizChina, пожалуй, является самой интересной утечкой из всех, что публиковались до этого дня включительно: Meizu Pro 7 будет иметь два экрана (указан параметр BOARD_USES_DUAL_DISPLAY=true).

До сих пор среди смартфонов встречалось только три варианта подобных решений:

  1. Дополнительный экран у «раскладушек» наподобие не так давно анонсированного Samsung W2017. Точно не случай Meizu Pro 7.
  2. Специальный E-Ink дисплей на тыльной стороне смартфона, известный прежде всего по YotaPhone.
  3. Настраиваемый сенсорный дисплей сверху от основного — как у LG V10 и V20.

Ходят слухи, что второй экран Meizu Pro 7 будет совмещен с сенсорной клавишей «Домой» mTouch, причем пользователь сможет также настраивать его функционал под себя.

А вот основной дисплей нового флагмана Meizu так и останется с «прошлогодним» разрешением FullHD 1080×1920 пикселей. Так что никаких QHD и тем более — 4K UltraHD.

Остальные характеристики Meizu Pro 7 (объем оперативной и постоянной памяти, емкость аккумулятора, версия установленной ОС) авторы новостной публикации на GizChina пока не комментируют.

Загрузка…

Флагманские смартфоны Meizu Pro 7 и Pro 7 Plus с двумя дисплеями и двойной камерой представлены официально

Компания Meizu официально анонсировала свои новые флагманские смартфоны — Pro 7 и Pro 7 Plus, главной особенностью которых стали двойная камера и ещё один вспомогательный сенсорный цветной экран, расположенный на задней стороне устройства.

Этот 1.9-дюймовый экран выполнен по технологии AMOLED, его разрешение составляет 240 х 536 точек. С помощью него пользователь может получать информацию о вызовах, SMS сообщениях и прочих событиях, а также управлять Мp3-плеером и основной камерой (для любителей делать на неё селфи). По мнению разработчиков, подобное техническое решение позволит пользователю перейти на качественно новый уровень взаимодействия с устройством.

В основе Meizu Pro 7 лежит 8-ядерный процессор Mediatek Helio P25, в работе которому помогают 4 Гб RAM памяти. Почти всю лицевую панель занимает 5.2-дюймовый Super AMOLED-экран с разрешением Full HD (1920 х 1080 точек). Энергией гаджет питает аккумулятор ёмкостью 3000 мАч (технология быстрой зарядки). Под контент разработчики отвели 64/128 Гб flash памяти.

Основная камера состоит из двух 12-мегаппиксельных модулей (Sony IMX386, f/2.0), один из которых цветной, а второй – монохромный. Что же касается фронтальной камеры, то она получила датчик с разрешением в 16 Мп. 

Старшая модель Meizu Pro 7 Plus, в свою очередь, может похвастаться более продвинутой начинкой, в числе которой: 10-ядерный процессор Mediatek Helio X30, 5.7-дюймовый Super AMOLED экран с Quad HD разрешением (2560 x 1440 точек), 6 Гб RAM и 64/128 flash памяти, а также более ёмкая батарея на 3500 мАч (технология быстрой зарядки). Встроенные в гаджет камеры полностью идентичны тем, что установлены на стандартную версию.

Среди прочих возможностей новинок:

  • Платформа: Android 7.0 Nougat (оболочка Flyme OS 6)
  • Стандарты связи: 4G VoLTE
  • Поддержка двух SIM-карт: есть
  • Коммуникации: Wi-Fi (802.11 ac), Bluetooth 4.2, USB Type-C
  • Навигация: GPS, ГЛОНАСС
  • Прочее: сканер отпечатков пальцев

На домашнем рынке смартфоны Meizu Pro 7 и Meizu Pro 7 Plus появятся пятого августа, где их стоимость составит $426/500 и $530/604, соответственно. В России же флагманы можно будет приобрести в начале осени.

Похожие статьи:

Добавить комментарий

Обзор Meizu 15 — тест смартфона на Prophotos.ru

Содержание:

Знакомство со смартфоном

Компания Meizu недавно отпраздновала своё пятнадцатилетие. За это время бренд прошёл сложный и тернистый путь, выпуская сначала музыкальные плееры, а впоследствии выйдя и на рынок смартфонов. Я узнал компанию Meizu с флагманской модели MX3 2013 года. Тогда это был крайне интересный смартфон с неплохой камерой, а ещё он отлично звучал благодаря выделенному аудиочипу. Последнее позволило называть смартфон одним из первых музыкальных флагманов.

В честь своего юбилея Meizu представила сразу два смартфона, вобравшие в себя всё самое лучшее от бренда: Meizu 15 и 15 Plus. Более того, компания отказалась от прошлогоднего революционного решения с маленьким дополнительным экраном на задней стенке, сделав классические флагманы.

Meizu 15 в Россию попал первым. Интересно, что разница между двумя флагманами невелика: диагональ дисплея, размеры и ёмкость аккумулятора. Но есть и одна более важная деталь — разные процессоры. В обычной «пятнашке» стоит Qualcomm Snapdragon 660, который показал себя отлично, но по мощности он уступает Snapdragon 845, по сути представляя средний класс чипсетов. А вот в Plus-версии установлен процессор Exynos 8895 Octa: чипсет производства Samsung флагманского уровня. До этого он устанавливался в смартфонах Samsung Galaxy S8 и S8+, а также Note 8. Можно, конечно, сказать, что Samsung чистит склады и именно поэтому Meizu 15 Plus получил партию этих процессоров, но чипсеты отлично себя зарекомендовали, построены на 10 нм техпроцессе и всё ещё не устарели.

Технически блоки камеры тоже практически одинаковые, разница лишь в процессах постобработки. Так что модели 15 и 15 Plus всё-таки не идентичны. Поэтому данный тест актуален только для Meizu 15, а Meizu 15 Plus мы надеемся протестировать отдельно чуть позже.

В Meizu 15 стоит блок двойной камеры c широкоугольным и телеобъективами. Основной в таком случае считается широкоугольная камера. Здесь установлен сенсор Sony IMX350 разрешением 20 Мп. Его физический размер составляет 1/2,8 дюйма. Эквивалентное фокусное расстояние объектива — 25 мм, а светосила — F1.8.

Во второй камере расположен сенсор Sony IMX380 разрешением 12 Мп и размером 1/2,3 дюйма. Здесь установлен объектив с эквивалентным фокусным расстоянием 38 мм и светосилой F2.6. Таким образом, за двукратный оптический зум и трёхкратный гибридный отвечает объектив, который физически не может сделать оптический зум 2x. Подобное мы видели в Xiaomi Mi MIX 2S. Здесь немного по-другому, поскольку есть и оптический зум, и большее разрешение в матрице основной камеры.

Кроме того, в камере присутствует фазовый автофокус и лазерный дальномер, а также установлена кольцевая двухцветная вспышка.

Во фронтальной камере используется сенсор разрешением 20 Мп и объектив светосилой F2.0.

Технические характеристики Meizu 15
Экран 5,46 дюйма, Super AMOLED, соотношением сторон 16:9, 1920х1080, 403 ppi
Процессор Восьмиядерный, Qualcomm Snapdragon 660, 2,2 ГГц
Оперативная память 4 ГБ
Встроенная память Не поддерживается
Карта памяти Не поддерживается
SIM Поддержка двух SIM-карт
Сканер отпечатков пальцев Есть, спереди (mTouch)
Аудиоразъём Есть, 3,5 мм
Коммуникации LTE Cat.6, Wi-Fi 802.11ac, Bluetooth 4.2, USB Type-C
Геолокация A-GPS, ГЛОНАСС, Beidou
Дополнительно Клавиша mTouch с линейным приводом
Аккумулятор 3000 мА·ч, несъёмный. Поддерживается быстрая зарядка

Обзор камеры Meizu 15

В данном случае нельзя не сказать несколько слов о приложении камеры. С одной стороны, оно очень дружелюбное в плане интерфейса: все элементы управления на главном экране, всё оказывается под рукой, можно включить уровень и сетку. С другой стороны, по умолчанию включён водяной знак (это вы увидите на большинстве снимков), непонятны размеры фотографий, поскольку в настройках нет разрешения, можно выбрать лишь соотношение сторон. Да и вообще, настроек тут не так много. Разрешение появляется лишь один раз в ручном режиме: иконка с пояснением «Включить HD-разрешение». В общем, нам такой интерфейс показался немного странным.

Днём в условиях хорошей освещённости камера Meizu 15 показала себя отлично. Мы снимали с соотношением сторон 4:3 и получили 12-мегапиксельные снимки и на основную, и на камеру с телеобъективом.

Качество снимков нам понравилось: естественная цветопередача, высокая детализация. Можно отметить разве что излишнюю контурную резкость, более известную как перешарп, но заметна она только на стопроцентном кропе.
Также мы отметили блики, которые могут появляться при съёмке против света: в некоторых случаях их можно использовать как художественный эффект, но вряд ли он понравится всем и каждому.

15 УСТАНОВКИ: ISO 51, F1.8, 1/4630 с, 25.0 мм экв.

15 УСТАНОВКИ: ISO 57, F1.8, 1/2597 с, 25.0 мм экв.
15 УСТАНОВКИ: ISO 50, F1.8, 1/1133 с, 25.0 мм экв.

15 УСТАНОВКИ: ISO 55, F1.8, 1/4255 с, 25.0 мм экв.

15 УСТАНОВКИ: ISO 50, F1.8, 1/237 с, 25.0 мм экв.
15 УСТАНОВКИ: ISO 50, F1.8, 1/224 с, 25.0 мм экв.

15 УСТАНОВКИ: ISO 50, F1.8, 1/4630 с, 25.0 мм экв.

15 УСТАНОВКИ: ISO 50, F1.8, 1/7092 с, 25.0 мм экв.

В камере Meizu 15 есть двукратный оптический зум и трёхкратный гибридный зум. Увеличение в два раза работает уверенно и хорошо выполняет свои функции, а вот гибридный трёхкратный зум слабоват: видно, что перед нами не что иное, как кроп изображения.

15 УСТАНОВКИ: ISO 50, F1.8, 1/2475 с, 25.0 мм экв.
15 УСТАНОВКИ: ISO 50, F2.6, 1/659 с, 39.0 мм экв.
15 УСТАНОВКИ: ISO 50, F2.6, 1/680 с, 39.0 мм экв.

15 УСТАНОВКИ: ISO 69, F1.8, 1/495 с, 25.0 мм экв.
15 УСТАНОВКИ: ISO 85, F2.6, 1/100 с, 39.0 мм экв.

В наличии и привычная для смартфонов функция съёмки с расширенным динамическим диапазоном HDR. Однако её работу можно сравнить с наложением эффекта. На фотографии красной машины в буквальном смысле появились новые детали. Немного ушёл пересвет от закатного солнца, но больше всего изменений на тёмных участках: автомобиле, кирпичной кладке и оконных рамах.

15 УСТАНОВКИ: ISO 126, F1.8, 1/1075 с, 25.0 мм экв.
15 УСТАНОВКИ: ISO 50, F1.8, 1/426 с, 25.0 мм экв.

15 УСТАНОВКИ: ISO 113, F1.8, 1/5076 с, 25.0 мм экв.
15 УСТАНОВКИ: ISO 113, F1.8, 1/5076 с, 25.0 мм экв.

Благодаря использованию двойной камеры в Meizu 15 есть портретный режим, который работает довольно точно. При этом для его корректной работы не обязательно присутствие модели в кадре: устройство распознаёт не только человека, но и контуры других объектов, размывая задний план.

15 УСТАНОВКИ: ISO 85, F1.8, 1/818 с, 4.6 мм экв.

В режиме панорамы Meizu 15 чувствует себя неплохо: склейки практически незаметны, но имеют место небольшие искажения геометрии объектов. Также наблюдаются проблемы при работе со светом: при ярком солнце могут быть пересветы, либо же вся панорама будет излишне тёмной.

В помещении Meizu 15 также показал себя хорошо: правильные цвета и подбор баланса белого, точная работа фокуса.

15 УСТАНОВКИ: ISO 62, F1.8, 1/985 с, 25.0 мм экв.
15 УСТАНОВКИ: ISO 53, F1.8, 1/630 с, 25.0 мм экв.

15 УСТАНОВКИ: ISO 50, F1.8, 1/103 с, 25.0 мм экв.

15 УСТАНОВКИ: ISO 53, F1.8, 1/33 с, 25.0 мм экв.
15 УСТАНОВКИ: ISO 66, F1.8, 1/100 с, 25.0 мм экв.

15 УСТАНОВКИ: ISO 76, F1.8, 1/33 с, 25.0 мм экв.

В условиях недостаточной освещённости камера также чувствует себя неплохо, обеспечивая правильную цветопередачу и хорошую детализацию. Но не всё идеально: могут появляться смазы от увеличившейся выдержки, шумы и артефакты.

15 УСТАНОВКИ: ISO 795, F1.8, 1/33 с, 25.0 мм экв.

15 УСТАНОВКИ: ISO 317, F1.8, 1/33 с, 25.0 мм экв.
15 УСТАНОВКИ: ISO 337, F1.8, 1/33 с, 25.0 мм экв.

15 УСТАНОВКИ: ISO 509, F1.8, 1/33 с, 25.0 мм экв.

Meizu 15 умеет записывать ролики в разрешении 4K. В устройстве есть четырёхосевая стабилизация, но она не спасает от дрожания рук. И при очень хорошем качестве изображения видео страдает от «трясучки». Также необходимо крайне аккуратно держать смартфон, потому что легко закрыть микрофон и получить на выходе приглушённый звук.

Устройство умеет записывать видео с замедлением. Получается очень неплохо. Качество — HD.

Фронтальная камера разрешением 20 мегапикселей хорошо справляется со своей работой: автопортреты получаются качественными и чёткими. Отметим правильные цвета и всего три степени бьютификации — выключено (этим и пользовались), слабо и сильно.

15 УСТАНОВКИ: ISO 50, F2, 1/86 с, Unknown экв.

Выводы

К сожалению, в прошлом году мы не смогли протестировать интересные и инновационные Meizu Pro 7, поэтому слегка подзабыли, насколько качественно умеет делать смартфоны эта китайская компания.

Meizu 15 не только универсален и хорош по камере, он ещё и приятный внешне, хотя некоторые дизайнерские решения удивляют. Мы протестировали синюю версию с задней крышкой из полированного алюминия и с сожалением отмечаем, что смартфон почему-то сильно пачкается. Кроме того, спорными показались антенные вставки, а именно древнегреческий узор на них, не объяснимый ни с практической точки зрения, ни с точки зрения дизайна. Также мы отметили немного выступающий блок камеры.

В 2018 году видеть флагманский смартфон с соотношением сторон 16:9 как минимум странно. При этом боковые рамки очень маленькие. К сожалению, мы заметили ложные срабатывания, когда держишь смартфон — это не очень приятно.

Из плюсов, кроме достойной начинки, стоит отметить и обновлённую фирменную кнопку mTouch, которая получила линейный привод, похожий на тот, что стоит в iPhone. И ощущение от клика очень похожее: виброотклик нам понравился.

Мы отметили хоть и странный по соотношению сторон (16:9), но очень качественный Super AMOLED дисплей. Meizu 15 — редкий представитель смартфонов: им удобно пользоваться одной рукой. Также стоит отметить 3,5 аудиоразъём, что вкупе с ЦАП (по традиции Meizu), позволяет выдать отличный звук на наушники.

Оболочка, привычная для Meizu, — Flyme. Удобная, но почти неизменная внешне уже много лет. Также мы с сожалением отметили сравнительно небольшой аккумулятор в 3000 мАч.

Что же касается камеры, она оказалась универсальной и весьма неплохо справилась со всеми основными задачами. Днём, в помещении, в условиях с недостаточной освещённостью — везде она показала себя хорошо. Можно отметить разве что небольшой перешарп, слабую работу гибридного зума и недостаточную стабилизацию в режиме видео. Также к минусам отнесём приложение камеры: оно настолько простое, что становится непонятно, в каком разрешении снимает камера. Можем отметить и отсутствие RAW-формата, что для флагмана можно считать недоработкой.

При этом стоит сказать комплимент фронтальной камере. Она нам очень понравилась — селфи получились великолепные!

Плюсы:

  • корпус из стекла и металла;

  • хорошие мощности;

  • 4 ГБ оперативной памяти и накопитель на 64/128 ГБ;

  • поддержка двух SIM-карт;

  • Full HD 5,46-дюймовый OLED-дисплей;

  • Клавиша mTouch с правильным виброоткликом;

  • 3,5 мм аудиоразъём и отличный звук;

  • универсальная основная камера;

  • хорошая фронтальная камера.

Минусы:

  • корпус быстро ловит отпечатки;

  • ложные срабатывания из-за безрамочной конструкции;

  • соотношение сторон дисплея 16:9;

  • трехкратный гибридный зум работает слабо;

  • нет поддержки RAW-формата;

  • возможны смазы и шумы при съёмке в темноте;

  • слабая работа стабилизации при съёмке видео;

  • при съёмке видео легко закрыть микрофон и получить глухой звук;

  • малый объём аккумулятора.

Рейтинг Prophotos

Оценка редакции

Оправданность цены

Обнаружение рядов посевов на кукурузных полях на основе визуального восприятия человека

В этом документе предлагается новый метод, ориентированный на обработку изображений в реальном времени, для определения на изображениях рядов культур на кукурузных полях. Система технического зрения предназначена для установки на борту мобильного сельскохозяйственного транспортного средства, то есть подвергается воздействию гироскопов, вибраций и нежелательных движений. Изображения захватываются в перспективе изображения, на которые влияют указанные выше нежелательные эффекты. Обработка изображения состоит из двух основных процессов: сегментация изображения и обнаружение ряда культур.Первый применяет порог для отделения зеленых растений или пикселей (сельскохозяйственных культур и сорняков) от остальных (почвы, камней и т. Д.). Он основан на процессе нечеткой кластеризации, который позволяет получить порог, который будет применяться во время нормального рабочего процесса. Обнаружение ряда обрезки применяет метод, основанный на перспективной проекции изображения, который ищет максимальное скопление сегментированных зеленых пикселей вдоль прямых участков. Они определяют ожидаемые линии обрезки на изображениях. Этот метод достаточно надежен, чтобы работать при вышеупомянутых нежелательных эффектах.Его выгодно сравнивать с хорошо протестированным преобразованием Хафа для обнаружения линий.

1. Введение
1.1. Постановка проблемы

Растущая разработка робототехники, оснащенной датчиками машинного зрения, применяемая в точном земледелии, требует решения нескольких проблем. Робот перемещается и действует на определенной территории более крупной фермы [1], где одна важная часть информации предоставляется системой технического зрения.

Важным вопросом, связанным с применением методов машинного зрения, является вопрос о ряду культур и обнаружении сорняков, который привлек многочисленные исследования в этой области [2–6].Это позволит проводить специальные обработки, направленные на уничтожение сорняков и способствовать росту сельскохозяйственных культур.

Робот перемещается по реальной местности с неровностями и неровностями. Это вызывает вибрацию, а также раскачивание по углам тангажа, рыскания и крена. Кроме того, известно расстояние между рядами сельскохозяйственных культур. Из-за вышесказанного ряды обрезки не проецируются в ожидаемых местах изображения. С другой стороны, различение сельскохозяйственных культур и сорняков на изображении является очень сложной задачей, потому что их красные, зеленые и синие спектральные компоненты имеют одинаковые значения.Это означает, что невозможно различать культуры и сорняки на основе спектральных составляющих. Таким образом, проблема заключается в том, чтобы найти на изображении ряды обрезки. Для достижения этой цели в этой статье мы предлагаем новую стратегию, которая использует конкретное расположение сельскохозяйственных культур (кукурузы) на поле, а также применяет знания о перспективной проекции на основе внутренних и внешних параметров камеры. Этот метод основан на человеческом визуальном восприятии и, как и люди, применяет аналогичные рассуждения для определения местоположения рядов культур на изображениях, хотя он использует геометрию системы камеры, поскольку она доступна.Как мы увидим в следующем разделе, расположение ряда культур не ново и уже рассматривалось в литературе; Метод, предложенный в этой статье, имеет преимущество перед существующими подходами, поскольку он был разработан для достижения высокой эффективности в приложениях реального времени. Это составляет основной вклад данной статьи. Этот метод не включает этап сегментации, который присутствует в большинстве других методов обнаружения растений. Это пытается избежать затрат времени по сравнению с другими стратегиями.Шаг сегментации был заменен простым методом определения порога, при котором порог предварительно устанавливается путем применения стратегии нечеткой кластеризации на основе обучения. Центры кластеров для зеленых текстур получаются на этапе автономного обучения, а затем эти знания используются на этапе онлайн-принятия решений. Обнаружение ряда обрезки — это простой шаг, на котором прослеживаются простые прямые линии на основе перспективной проекции в поисках выравнивания определенных пикселей, определяющих ряды обрезки.

Кроме того, он применяет понижающую дискретизацию для уменьшения размеров изображения.Все вышеперечисленные шаги направлены на сокращение времени вычислительного процесса. Предлагаемый подход выгодно отличается от некоторых существующих подходов как по эффективности, так и по сокращению времени.

1.2. Пересмотр методов

Было предложено несколько стратегий для обнаружения рядов сельскохозяйственных культур. Фонтейн и Кроу [7] протестировали возможности алгоритмов обнаружения четвертой линии для определения положения и угла наклона камеры по отношению к набору искусственных рядов с имитацией сорняков и без них.Это были полосовой анализ, блоб-анализ, линейная регрессия и преобразование Хафа.

(1) Методы, основанные на исследовании горизонтальных полос
Согаард и Олсен [8] применяют преобразование цветного изображения RGB к оттенкам серого. Для этого сначала разделяют цветное изображение на его красный, зеленый и синий спектральные каналы, а затем применяют методы, проверенные в лунках , для извлечения живой растительной ткани, описанные в [9]. После этого изображение в градациях серого делится на горизонтальные полосы, где максимальные значения серого указывают на наличие строки-кандидата, каждый максимум определяет сегмент строки, а центр тяжести сегмента отмечается в этом положении полосы.Строки обрезки идентифицируются путем соединения отмеченных точек с помощью метода, аналогичного тому, который используется в преобразовании Хафа, или путем применения линейной регрессии. Сайнс-Коста и др. [6] разработали стратегию, основанную на анализе видеопоследовательностей для определения рядов сельскохозяйственных культур. Ряды обрезки сохраняются в направлениях, определенных перспективной проекцией по отношению к трехмерной сцене в поле. Воспользовавшись этим фактом, они применяют преобразование шкалы серого, а затем изображение преобразуется в двоичную форму с помощью пороговой обработки. Каждое изображение разделено на четыре горизонтальные полосы.Прямоугольные участки нанесены поверх двоичного изображения для обозначения участков посевов и рядов. Центры тяжести этих участков используются в качестве точек, определяющих ряды культур, и линия корректируется с учетом этих точек. Первый кадр в последовательности используется в качестве справочной таблицы, которая направляет весь процесс определения позиций, в которых должны быть идентифицированы следующие фрагменты в последующих кадрах. Hague et al. [10] преобразовать исходное изображение RGB в оттенки серого. Затем преобразованное изображение делится на восемь горизонтальных полос.Интенсивность пикселей на этих полосах периодически меняется из-за параллельных рядов культур. Поскольку характеристики камеры, поза и расстояние между рядами обрезки известны априори, расстояние между рядами в пикселях изображения можно рассчитать для каждой из горизонтальных полос, используя модель точечного отверстия оптики камеры. Затем можно создать полосовой фильтр, который улучшит этот шаблон и будет иметь заданный отклик в частотной области. Иногда горизонтальные узоры трудно выделить, потому что посевы и сорняки образуют уникальный участок.

(2) Методы, основанные на преобразовании Хафа
Согласно Slaughter et al. [11], один из наиболее часто используемых методов машинного зрения для определения рядов сельскохозяйственных культур основан на преобразовании Хафа [12]. Он был предназначен для работы с линиями прерывания, когда древостой неполный с промежутками в рядах культур из-за плохой прорастания или других факторов, которые приводят к отсутствию сельскохозяйственных культур в ряду. Он был предназначен для автоматического наведения сельскохозяйственных машин в режиме реального времени [13–16].Он применяется к двоичным изображениям, которые получены с помощью техники, аналогичной описанной выше, то есть преобразования изображения RGB в оттенки серого и бинзаризации [3, 4, 17]. Gée et al. [18] применяют двойное преобразование Хафа в предположении, что ряды обрезки — это единственные линии изображения, сходящиеся к точке схода, остальные линии отклоняются, дополнительные ограничения, такие как интервалы между междурядьями и концепции перспективной геометрии, помогают идентифицировать ряды сельскохозяйственных культур. Требуется определить порог, требуемый преобразованием Хафа для определения максимальных значений пиков [19, 20] или преобладающих пиков [21].В зависимости от плотности посевов возможно использование нескольких линий, и процесс последующего объединения применяется к линиям с аналогичными параметрами [3, 4, 17]. Джи и Ци [22] сообщают, что преобразование Хафа выполняется медленно из-за огромных вычислений; они предлагают рандомизированное преобразование Хафа для сокращения времени вычислений. Были предложены некоторые модификации для улучшения преобразования Хафа, например, предложенное в Asif et al. [23], которые применяют Хафа только к тем точкам, которые являются краевыми точками вдоль культур.Но это требует применения техники извлечения краев. Также с этой целью было предложено рандомизированное преобразование Хафа [22]. Это сделано для того, чтобы избежать избыточных вычислений в преобразовании Хафа. Он работает итеративно, случайным образом выбирая набор точек для вычисления единственной локализации в пространстве Хафа. Поскольку два пикселя тривиально коллинеарны, можно оценить параметры линии, на которой они лежат. Эти параметры используются для увеличения ячейки аккумулятора в пространстве Хафа.Таким образом, преобразование Хафа требует больших вычислительных ресурсов, а рандомизированное преобразование Хафа требует выбора пар точек, которые будут рассматриваться как уникальная линия, то есть пары точек, принадлежащих ряду урожая. Если мы применим эту технику к изображениям, где были извлечены краевые точки, выбор этих пар станет более сложным. Кроме того, вычислительная стоимость алгоритмов на основе Хафа очень чувствительна к разрешению изображения после понижающей дискретизации, но также, когда сорняки присутствуют и нерегулярно распространяются, в нашем случае это может вызвать обнаружение сбоя.Более того, по мере увеличения плотности сорняков обнаружение рядов сельскохозяйственных культур становится все более трудным.

(3) На основе точки исчезновения
Pla et al. [24] предлагают подход, который идентифицирует регионы (посевы / сорняки и почва) с помощью сегментации цветного изображения. Они используют скелет каждой определенной области как функцию для проработки линий, определяющих урожай. Полученные скелеты каждого региона можно использовать в качестве кривых, которые определяют основную структуру урожая и выделяют прямые линии, где расположены растения и ряды почвы.Сегменты в каркасах определяются как цепочки связанных точек контура, и они должны иметь определенную длину. Это позволяет выбрать линии-кандидаты для обнаружения ряда культур среди всех кандидатов, которые соответствуют точке схода. Точка схода обнаруживается с использованием предыдущей информации о точке схода, найденной на предыдущих изображениях, выполняя отслеживание сортировки по точке схода. Этот процесс сильно зависит от скелетов, которые не всегда легко извлечь и изолировать, особенно с учетом того, что участки культур и сорняков кажутся перекрывающимися между ними.

(4) Методы, основанные на линейной регрессии
Некоторые из вышеперечисленных методов применяют этот подход. Биллингсли и Шенфиш [25] сообщили о системе обнаружения сельскохозяйственных культур, которая относительно нечувствительна к дополнительному визуальному «шуму» от сорняков. Они использовали линейную регрессию в каждом из трех сегментов рядка сельскохозяйственных культур и функцию стоимости, аналогичную моменту линии наилучшего соответствия, для обнаружения линий, подходящих к выбросам (т. Как упоминалось выше, Согаард и Олсен [8] также применяют линейную регрессию, которая является допустимым подходом, если плотность сорняков низкая и пиксели, принадлежащие рядам культур, хорошо разделены.В противном случае на него сильно влияют пиксели, принадлежащие сорнякам, из-за их большого вклада в оценку линии.

(5) Стерео-подход
Kise et al. [26], а также Кисе и Чжан [27] разработали основанную на стереовидении систему отслеживания рядов сельскохозяйственных машин для сельскохозяйственных машин. Обработка стереоизображения используется для определения трехмерных местоположений точек сцены интересующих объектов из полученного стереоизображения. Эти трехмерные положения, определенные посредством вычисления диспаратности стереоизображения, предоставляют базовую информацию для создания карты высот, которая использует двумерный массив с переменной интенсивностью для указания высоты посева.Для этого подхода требуются культуры со значительной высотой по отношению к земле. Поскольку на кукурузных полях на этапе обработки высота не имеет значения, в нашем приложении это становится неэффективным. Ровира-Мас и др. [28] применили и расширили методы стереозрения в других областях точного земледелия. Стерео методы возможны только в том случае, если культуры или сорняки в 3D-сцене имеют соответствующую высоту, а высота различается для обоих видов растений.

(6) Методы, основанные на анализе блобов
Этот метод находит и характеризует области смежных пикселей одного и того же значения в бинаризованном изображении [7].Алгоритм ищет белые капли (промежутки между рядами) размером более 200 пикселей, поскольку более мелкие капли могут представлять шум в рядах обрезки. После того, как капли идентифицированы, алгоритм определяет угол их главных осей и положение их центра тяжести. Для идеально прямой белой полосы центр тяжести капли находился над средней линией белой полосы, а угол представлял угол между промежутками. Алгоритм вернул угол и центр тяжести капли, ближайшей к центру изображения.Идентификация капель на изображениях, зараженных сорняками на кукурузных полях, становится очень сложной задачей, потому что сорняки и посевы при наложении на определенных участках образуют широкие капли.

(7) Методы, основанные на накоплении зеленых растений
Олсен [29] предложил метод, основанный на рассмотрении того, что вдоль ряда культур появляется важное скопление зеленых частей на изображении. Изображение преобразуется в оттенки серого, где зеленые части кажутся более четкими, чем остальные. Суммарная кривая уровней серого получается для данной прямоугольной области, исследуя все столбцы в прямоугольнике.Предполагается, что вертикальные линии следуют этому направлению на изображении. На изображениях отсутствует перспективная проекция, поскольку они получены камерой в ортогональном положении. Синусоидальная кривая аппроксимируется методом наименьших квадратов полученной ранее суммарной кривой. Локальные максимумы синусоиды обеспечивают расположение центров рядов. Это простой и подходящий метод, который можно еще упростить, но он не представляет нашего интереса, поскольку изображения, с которыми мы работаем, взяты с трактора в перспективной проекции, а не ортогональны.В этой статье мы используем идею накопления зеленых растений в рамках более простой стратегии.

(8) Методы, основанные на частотном анализе
Поскольку ряды обрезки вертикальны в трехмерной сцене, они отображаются в перспективной проекции на изображение, отображающее некоторое поведение в частотной области. Vioix et al. [30] используют эту особенность и применяют двумерный фильтр Габора, определенный как модуляция функции Гаусса косинусоидальным сигналом. Частотный параметр, требуемый фильтром Габора, эмпирически выводится из 2D-быстрого преобразования Фурье [31].Bossu et al. [32] применяют вейвлеты для различения рядов сельскохозяйственных культур на основе частотного анализа. Они используют тот факт, что ряды культур хорошо локализованы в частотной области; Таким образом, выбирая материнскую вейвлет-функцию с этой частотой, можно извлекать ряды сельскохозяйственных культур. На кукурузных полях, где проводятся эксперименты, культуры не отображают четкую частотную составляющую в пространстве Фурье, поэтому применение фильтров, основанных на частоте, становится сложной задачей.

1.3. Мотивационное исследование и разработка предлагаемой стратегии

Наша работа сосредоточена на обнаружении рядов культур кукурузы для конкретных обработок, требующих различения культур и сорняков.Это означает, что ряды культур должны быть идентифицированы и удобно расположены на изображении. Некоторые из требований, предложенных Астрандом [33] и изложенных в [11] для систем наведения, могут быть рассмотрены для обнаружения рядов сельскохозяйственных культур; проблема по сути похожа. Таким образом, наша система разработана таким образом, чтобы (i) находить ряды культур с максимальной точностью, (ii) работать в режиме реального времени, (iii) работать с посеянными культурами, а не вручную, что означает что сорняки и посевы растут одновременно, демонстрируя на ранней стадии обработки одинаковые высоты, а также аналогичные спектральные характеристики.Это означает, что различие между культурами и сорняками нельзя проводить только по высоте или спектральным характеристикам, (iv) может работать, когда растения отсутствуют в ряду, (v) может работать при высоком давлении сорняков, (vi) работать в различных погодных (яркостных) условиях, (vii) находить ряды культур с наименьшими допущениями и ограничениями.

Цель этого исследования — представить общий метод определения рядов культур на кукурузных полях по изображениям. Мы используем преимущества существующих методов, представленных выше, извлекая основные идеи, и разрабатываем новую стратегию обнаружения рядов сельскохозяйственных культур, основанную на способностях визуального восприятия человека, которая может работать в режиме реального времени.

Этот метод также предназначен для применения на кукурузе с междурядьями между растениями, а также для работы с междурядьями и без них. Он состоит из двух основных этапов: (a) Сегментация зеленых растений (культур и сорняков). (B) Идентификация рядов посевов.

2. Материалы и методы
2.1. Изображения

Изображения, использованные в данном исследовании, соответствуют культурам кукурузы. Они были сняты камерой Canon EOS 400D в апреле / ​​мае 2011 года на экспериментальном поле кукурузы площадью 1,7 га на исследовательской станции Ла Поведа, Арганда-дель-Рей, Мадрид.Все снимки были разделены на пять / шесть дней, то есть они были получены при разных условиях освещения и на разных стадиях роста. Цифровые изображения были сняты при перспективной проекции и сохранены в виде 24-битных цветных изображений с разрешением 5 МП, сохраненных в цветовом пространстве RGB (красный, зеленый и синий) в формате JPG. Изображения обрабатывались с помощью MATLAB R2009 a [34] под Windows 7 и процессором Intel Core 2 Duo, 2,4 ГГц, 2,87 ГБ ОЗУ. Для обработки был доступен набор из 350 изображений.

С целью тестирования надежности и производительности предлагаемого подхода мы работали с изображениями, полученными в различных условиях, включая разное количество рядов культур; эти условия были определены как возможные в реальных полях, а также те, которые могут вызвать проблемы во время процесса обнаружения при нормальной работе. Ниже приводится список репрезентативных изображений из набора доступных изображений, иллюстрирующих некоторые из таких условий: (а) разная яркость из-за разных погодных условий, рисунки 1 (а) и 1 (б); (б) разные стадии роста, Рисунки 2 (a) и 2 (b); (c) разные ориентации камеры, то есть разные углы рыскания, тангажа и крена, а также высота от земли, Рисунки 3 (a) и 3 (b); (d) разные плотности сорняков, рисунки 4 (а) и 4 (б).

2.2. Сегментация изображений: идентификация зеленых растений

Для приложений реального времени очень важно максимально упростить этот процесс. Вместо использования индексов растительности [9, 35], которые требуют преобразования изображения из цветового пространства RGB в шкалу серого, мы использовали подход, основанный на обучении, с целью получения процента зеленой спектральной компоненты по отношению к остатку, который позволил нам рассмотреть пиксель, принадлежащий зеленому растению. Этот относительный процент предназначен для учета изменчивости освещения, чтобы определять относительные значения среди трех спектральных компонентов RGB, которые идентифицируют зеленые растения.Это выполняется путем применения подхода нечеткой кластеризации . Согласно этому подходу существует фаза обучения, которая применяется во время автономной работы для вычисления относительного процента или порога, и фаза принятия решения, на которой порог применяется без дополнительных вычислений.

Фаза обучения была разработана следующим образом. Из набора доступных изображений мы случайным образом извлекли 𝑛 обучающих выборок, хранящихся в 𝑋, то есть 𝑋 = {𝐱1, 𝐱2,…, 𝐱𝑛} ∈ℜ𝑑, где 𝑑 — размерность данных.Каждый вектор выборки 𝐱𝑖 представляет пиксель изображения, где его компонентами являются три спектральных компонента RGB этого пикселя в исходном местоположении изображения (𝑥, 𝑦). Это означает, что в наших экспериментах размерность данных 𝑑 = 3. Каждая выборка должна быть отнесена к данному кластеру 𝑤𝑗, где количество возможных кластеров равно 𝑐, то есть 𝑗 = 1,2,…, 𝑐. В предлагаемом подходе 𝑐 установлено на 2, потому что нас интересовали только два типа текстур, то есть зеленые растения (урожай / сорняки) и остальные (почва, мусор, камни).

Выборки в 𝑋 должны быть классифицированы на основе хорошо известного подхода нечеткой кластеризации, который получает входные обучающие выборки 𝐱𝑖 и устанавливает раздел, предполагая, что количество кластеров 𝑐 известно. Процесс вычисляет для каждого 𝐱𝑖 на итерации 𝑡 его степень принадлежности к кластеру 𝑤𝑗 (𝜇𝑗𝑖) и обновляет центры кластеров 𝐯𝑗 следующим образом [36]: 𝜇𝑗𝑖1 (𝑡 + 1) = ∑𝑐𝑟 = 1𝑑𝑖𝑗 (𝑡) /𝑑𝑖𝑟(𝑡)2/(𝑏−1);𝐯𝑗∑(𝑡+1)=𝑛𝑖=1𝜇𝑗𝑖(𝑡)𝑏𝐱𝑖∑𝑛𝑖=1𝜇𝑗𝑖(𝑡)𝑏.(1)𝑑2𝑖𝑗≡𝑑2 (𝐱𝑖, 𝐯𝑗) — квадрат евклидова расстояния.Число 𝑏 называется экспоненциальным весом [37, 38],> 1. Критерий остановки итерационного процесса достигается, когда (𝑡 + 1) −𝜇𝑗𝑖 (𝑡) ‖

Метод требует инициализации центров кластеров, так что (1) может быть применено на итерации 𝑡 = 1. Для этого мы применили псевдослучайную процедуру, описанную в Balasko et al. [39]. (1) Выполните линейное преобразование 𝑌 = 𝑓 (𝑋) значений обучающей выборки, чтобы они располагались в интервале [0,1].(2) Инициализировать 𝐯 = 2𝐷𝐌∘𝐑 + 𝐷𝐦, где 𝐦 — средний вектор для преобразованных значений обучающих выборок в 𝑌 и 𝐌 = max (abs (𝑌 − 𝐦)), оба размера 1 × 𝑑; 𝐷 = [1… .1] 𝑇 размером 𝑐 × 1; — матрица случайных чисел размером 𝑐 × в [0,1]; операция ∘ обозначает элемент путем умножения элементов.

После завершения процесса обучения мы получаем два центра кластеров 𝐯1 и 𝐯2, связанные с кластерами 𝑤1 и 2. Без ограничения общности, пусть 𝐯1≡ {𝑣1𝑅, 𝑣1𝐺, 𝑣1𝐵} ассоциируется с зелеными растениями. Это трехмерный вектор, компоненты которого 𝑣1𝑅, 𝑣1𝐺 и 𝑣1𝐵 представляют собой усредненные значения для соответствующих спектральных компонентов RGB; таким образом, пороговое значение для различения зеленых растений и остальных наконец устанавливается на 𝑇𝐺 = 𝑣1𝐺 / (𝑣1𝑅 + 𝑣1𝐺 + 𝑣1𝐵).

Когда становится доступным, зеленые части на изображениях идентифицируются, предполагая, что соответствующие пиксели RGB содержат спектральное значение G больше. Следовательно, в процессе онлайн-идентификации требуется только логическое сравнение.

2.3. Идентификация ряда культур

После того, как на изображении были извлечены зеленые части, следующим шагом была идентификация ряда культур. Для этой цели мы используем следующие ограничения, основанные на перспективной проекции изображения и общих знаниях о кукурузном поле.(i) Известно количество обнаруживаемых линий обрезки (𝐿), а также приблизительное положение 𝑥 или столбец изображения в нижней части изображения, где начинается каждая линия обрезки. Это предположение основано на геометрии системы и перспективной проекции изображения. (Ii) Мы собираемся обнаружить линии обрезки, которые начинаются снизу изображения и заканчиваются вверху изображения. Линии, начинающиеся как с левой, так и с правой стороны изображения и исчезающие вверху, отклоняются. Это потому, что геометрия изображения позволяет учитывать эту ситуацию.Расширение этого алгоритма может быть выполнено для обнаружения этих линий с соответствующими затратами времени на вычисление. (Iii) Все изображения были получены камерой на борту трактора и указывающей в том же направлении, что и линии обрезки, поэтому изображения отображаются под в перспективной проекции и линии обрезки сходятся в хорошо известной точке схода. Это ограничение основано на методах, основанных на точке схода, как описано во введении. Хотя линии обрезки параллельны, расстояние между линиями обрезки кажется больше внизу изображения, чем вверху из-за перспективы.Этот алгоритм работает с учетом того, что линии обрезки будут иметь такой вид на изображении с диапазоном допуска, который можно регулировать в зависимости от устойчивости трактора и ровности почвы. Мы предполагаем, что линии обрезки, начинающиеся с левого нижнего края изображения, имеют наклон по часовой стрелке, а линии, начинающиеся с правого нижнего края изображения, имеют наклон против часовой стрелки. Чем больше диапазон допуска, тем больше время вычисления. В этой статье мы использовали допуск 15%, что означает, что линии обрезки могут варьироваться от одного изображения к другому на 15% ширины изображения.

Алгоритм работает следующим образом. (1) Из каждого пикселя в нижнем ряду мы отслеживаем все возможные линии, начиная с этого пикселя и заканчивая каждым пикселем верхней строки, то есть, если изображение имеет N -столбцов. , мы отследим 2 строки из каждого пикселя нижней строки, что означает, что мы, наконец, отследим 2 строки. Это количество рассчитанных строк является наибольшим количеством строк, если мы не налагаем ограничений. Тем не менее, как мы увидим на шагах 4 и 5, можно применить важные ограничения, чтобы уменьшить это число.На рисунке 5 показан ряд линий, начерченных для двух пикселей, помещенных в нижнюю строку изображения. В целях иллюстрации мы начертили широкие пучки линий, но количество линий, чтобы справиться со всеми возможными ситуациями, но это количество можно значительно уменьшить, применяя предыдущие знания, такие как наклон. Это применяется в этой работе, как описано ниже, что снижает вычислительные затраты. (2) Для каждой отслеживаемой линии, начинающейся с пикселя нижней строки, мы подсчитываем количество «зеленых» пикселей, принадлежащих этой строке.Это возможно, потому что изображение уже сегментировано и пиксели, принадлежащие зеленым частям, идентифицированы. Теперь линия с наибольшим количеством зеленых пикселей является строкой-кандидатом для представления строки обрезки для этого пикселя нижней строки. (3) Мы повторяем ту же процедуру для всех пикселей нижней строки и, наконец, получаем c -candidates строки, то есть по одной на каждый пиксель нижней строки. Как мы видим на рисунке 6, каждое местоположение пикселя в нижней строке изображения имеет значение своей лучшей линии.Эти значения становятся выше по мере приближения представленной линии к реальной линии урожая. Это пики в нижней части рисунка 6. (4) Так как мы знаем количество линий обрезки, которые необходимо обнаружить, а также то, где они примерно начинаются в нижнем ряду, мы можем выбрать самые близкие и самые высокие значения, которые идентифицируются как пики в аккумуляторе. Имея такую ​​цифру, предположим, что количество обнаруживаемых рядов культур равно четырем; поэтому мы ищем четыре пика, которые удобно разнесены из-за расположения рядов культур на кукурузных полях, а также на основе геометрии системы камеры.Эта идея вдохновлена ​​методами, основанными на накоплении зеленых растений, описанными во введении.


Следующие три соображения могут быть применены для ускорения вычислительного процесса с точки зрения приложения реального времени. (1) Для каждой выбранной строки мы сохраняем начальную и конечную точки, получая соответствующее уравнение для прямой линии. (2) Из-за перспективы изображения необязательно проводить все линии до верхнего ряда (как упомянуто в шаге 1), а только те, наклон которых соответствует ожидаемому.То есть, если мы имеем дело с левыми пикселями изображения, мы будем обводить только линии с наклоном по часовой стрелке и не доходя до конца правой стороны изображения. Для правых пикселей мы будем искать наклоны против часовой стрелки, начиная с правой стороны и не доходя до левой части изображения. Эта идея основана на концепции точки схода, применяемой в некоторых подходах, описанных во введении. (3) В дополнение к этому нет необходимости отслеживать линии пиксель за пикселем. В зависимости от разрешения изображения можно использовать «шаг пикселя», не влияя на конечный результат и значительно снижая вычислительные затраты.(4) Обратите внимание, что перед запуском алгоритма необходимо настроить некоторые значения. Эти значения зависят от изображений, с которыми мы имеем дело, и от стабильности камеры. Чем выше разрешение изображения, тем выше «шаг пикселей» для расчета линий. Кроме того, чем выше устойчивость трактора, тем тоньше диапазон пикселей верхнего ряда для прорисовки линий.

3. Результаты

Предлагаемый нами метод обнаружения рядов (CRD) состоит из первого этапа или этапа обучения, на котором пороговое значение 𝑇𝐺 получается для сегментации зеленых растений.С этой целью мы обработали 200 изображений, выбранных из набора из 350 доступных изображений, из которых случайным образом извлекли 40 000 обучающих выборок. Выбранные изображения охватывают широкий спектр ситуаций, то есть различное количество рядов, погодные условия, концентрации сорняков и состояния роста в соответствии с рисунками 1-4.

С этими обучающими выборками мы применяем процедуру нечеткой кластеризации, описанную в разделе 2.2. , из которого мы вычисляем два кластерных центра, идентифицируя как зеленые растения (1), так и почву или другие компоненты (2).Наш интерес сосредоточен только на сегментировании зеленых растений, поэтому из 1 мы вычисляем пороговое значение 𝑇𝐺, определенное в разделе 2.2 как процентное содержание зеленого компонента в 𝐯1, то есть 𝑇𝐺 = 0,37. Это порог, который в конечном итоге используется для сегментации изображения.

В таблице 1 показаны центры кластеров 𝐯1 и 𝐯2, а также процент наивысшего значения в спектральных компонентах, связанных с каждым центром кластера. Как мы видим, зеленые и почвенные пиксели можно идентифицировать по соответствующим процентным значениям, каждый из которых применяется к зеленой и красной спектральным компонентам.Это было общее поведение, наблюдаемое для анализируемого набора изображений.


Значения спектральной составляющей Процент наивысшей спектральной составляющей

𝐯1 (зеленые растения)
)
𝐯2 (почва и другие компоненты) {188.49177.71153.53} 0,36 (красный)

Как упоминалось во введении, преобразование H несколько методов обнаружения рядов сельскохозяйственных культур, поэтому мы сравниваем эффективность нашего подхода CRD с преобразованием Хафа (HOU).Мы применили к преобразованию Хафа те же условия, что и в нашем подходе CRD, поэтому он работает с точки зрения сопоставимости; они синтезируются следующим образом. (a) Поиск линий, отходящих от нижней части изображения и заканчивающихся вверху, то есть подозрительные бесполезные линии не исследуются. (b) Допускаются только линии с уклоном, близким к ожидаемым на каждую сторону изображения. Горизонтальные линии и многие другие линии, которые не соответствуют вышеуказанному, отклоняются. (C) Преобразование Хафа реализовано для работы в нормальном представлении, полярных координатах [40], с единичными приращениями в параметре, представляющем угол.

Сравнение проводится с точки зрения эффективности и времени обработки. Эффективность измеряется на основе критерия эксперта-человека, когда обнаруженная линия считается правильной, если она перекрывается с реальным выравниванием рядов сельскохозяйственных культур. По набору из 350 проанализированных изображений мы вычислили средний процент совпадений как для CRD, так и для HOU. Кроме того, поскольку основной целью предлагаемого подхода является его получение прибыли для приложений реального времени, мы измеряем время вычислений.Кроме того, в режиме реального времени мы протестировали эти характеристики для различных разрешений изображений. Поскольку мы видим, что разрешения изображений отличаются от разрешений в исходных изображениях, эти разрешения были получены путем применения процесса понижающей дискретизации к исходному изображению.

Это сделано для того, чтобы уменьшить размер изображения, сохранив основную информацию, без снижения эффективности и сокращения времени обработки. В таблице 2 представлены результаты. Первый столбец содержит различные разрешения изображения, которые получаются путем выбора больших областей интереса в каждом изображении с горизонтальным и вертикальным размерами 1940 × 2590 пикселей, и эти области содержат разное количество строк обрезки в разных конфигурациях, предоставляемых изображениями, отображаемыми в Рисунки с 1 по 4.Эти большие области разделены на 10, 8, 6 и 4, соответственно, представленные в таблице 2. Мы выбрали этот набор значений, потому что с ними мы получаем аналогичные характеристики с точки зрения эффективности с приемлемым временем обработки. Эффективность для более высоких разрешений аналогична, но время обработки значительно увеличивается. Ниже более низкого разрешения эффективность значительно снижается.

901 901

9020 2

125

9011 9011 9011 9011

9011 9011 9011 и третий столбец содержит процент эффективности, а четвертый и пятый столбцы — время обработки, измеренное в секундах.Все эти измерения представляют собой средние значения по набору из 350 обработанных изображений. Для ясности на Рисунке 7 показано время обработки в Таблице 2 для четырех исследованных разрешений.

Из результатов в таблице 2 мы можем сделать вывод, что CRD превосходит HOU с точки зрения эффективности, с почти постоянным значением независимо от разрешения изображения. При более низком разрешении, то есть при разделении изображения выше 12, этот процент резко уменьшается, достигая значений ниже 85%. Это связано с тем, что при низком разрешении некоторая важная информация в изображениях теряется.Таким образом, исходя из значений в Таблице 2 и поскольку время обработки меньше при малых разрешениях изображения, с точки зрения реального времени, подходящее разрешение с приемлемой производительностью является самым низким, то есть для 162 × 216. Из рисунка 7 видно, что время увеличивается нелинейно. Для разрешений выше 243 × 324 разница во времени более заметна.

Наихудшие характеристики, полученные для HOU, можно объяснить тем, что концентрация культур и сорняков дает высокую плотность значений, представляющих пики, в аккумуляторе клеток.Эти значения не отображают высокое четкое значение, теоретически представляя уникальную линию урожая. Более того, абсолютное максимальное значение около ожидаемой линии обрезки в большинстве случаев не соответствует правильной линии. Таким образом, необходимо определить патч, выбирающий различные высокие пиковые значения для каждой ожидаемой линии, которые усредняются, чтобы получить окончательное значение. Поскольку этот патч не имеет четких границ, его выбор становится сложной задачей, а ошибки в выборе приводят к ошибкам в локализации ряда культур, которые объясняют худшие характеристики HOU против CRD.

4. Выводы

Мы разработали новый метод определения рядов сельскохозяйственных культур, который улучшает методы на основе Хафа с точки зрения эффективности и времени вычислений. Целью является его применение к реализациям в реальном времени.

Более того, наш подход оказался достаточно устойчивым к различным типологиям изображений.

Предлагаемый метод достаточно надежен для работы с изображениями в перспективной проекции. Он может обнаруживать любое количество линий обрезки с любым наклоном, сходящихся в точке схода.Он работает как с высоким, так и с низким разрешением изображения.

Дальнейшие работы должны быть ориентированы на обнаружение сорняков путем создания ячеек вокруг линий сельскохозяйственных культур и расчета процента зелени каждой ячейки. Это должно быть предназначено для задних срабатываний для уничтожения сорняков.

Благодарности

Исследование, приведшее к этим результатам, финансировалось Седьмой рамочной программой Европейского Союза [FP7 / 2007–2013] в рамках Соглашения о гранте №. 245986 в теме NMP-2009-3.4-1 (Автоматизация и робототехника для устойчивого управления земледелием и лесным хозяйством). Авторы также выражают признательность за проект AGL-2008-04670-C03-02, поддержанный Министерством науки и технологий Испании в рамках Национального плана I + D + i.

DeepSort: глубокие сверточные сети для сортировки гаплоидных семян кукурузы | BMC Bioinformatics

Классификация глубокой сверточной сети

Мы используем 4021 случайно выбранный образ семян кукурузы (809 гаплоидов и 3212 диплоидов) для обучения и 710 изображений (143 гаплоида и 567 диплоидов) для тестирования.Наборы обучающих и тестовых данных содержали 20% гаплоидов. Набор обучающих данных был дополнительно разделен на 5 частей для оценки производительности различных сетевых архитектур (обсуждаемых в разделе «Архитектуры глубоких сверточных сетей»).

Мы также сравнили производительность сверточной сети с конвейером анализа изображений, который использует извлечение признаков с последующей классификацией, подход, аналогичный тому, который использовался в [21] для классификации изображений семян перца. Мы извлекли признаки текстуры Haralick [22], локальные бинарные паттерны, моменты Зернике и особенности формы, используя MATLAB «regionprops» (всего 84 объекта).

Используя эти возможности, мы экспериментировали с несколькими классификаторами: Support Vector Machine (SVM), Random Forest (RF) и Logistic Regression (LR) [23]. В наших экспериментах было обнаружено, что особенности текстуры Харалика лучше позволяют отличить гаплоиды от диплоидов по сравнению с особенностями морфологии, цвета и формы. Поэтому мы также сообщаем о производительности классификаторов, используя только 13 функций Haralick в дополнение к использованию всех функций (см. Таблицу 1). Обработка изображений и извлечение признаков выполнялись с помощью Mahotas 1.4 [24] и MATLAB, а классификаторы были реализованы с использованием библиотеки scikit-learn [25]. Для каждого классификатора соответствующие параметры в терминологии scikit-learn ( gamma и C для SVM с радиальным базисным ядром; n _ оценки, минимум _ выборки _ разделенные, минимум _ выборки _ лист для RF; параметр регуляризации C для LR), были выбраны с использованием поиска по сетке с 5-кратной перекрестной проверкой (CV).

Таблица 1 Сравнение точности классификации DeepSort и других классификаторов. Другие классификаторы были протестированы со всеми функциями, описанными в тексте (значения в скобках), и с использованием только функций текстуры Haralick (значения вне скобок). CV указывает на пятикратную перекрестную проверку

Результаты производительности приведены в таблице 1. Мы наблюдаем, что DeepSort может идеально классифицировать обучающие образы, что демонстрирует достаточную гибкость в его архитектуре для изучения неоднородности выборок в наборе обучающих данных.В наших экспериментах с использованием тестового набора данных мы наблюдали, что DeepSort превосходит все другие классификаторы машинного обучения и достигла точности классификации 0,968. Среди других сравниваемых методов SVM достиг наивысшей точности классификации (0,876) с использованием функций Haralick; 9,2 % меньше, чем DeepSort. В следующих разделах мы обсудим только этот сравнительный метод. Мы наблюдаем отсутствие точности тестов и перекрестной проверки сравниваемых методов, несмотря на высокую точность их обучения (RF Haralick, все функции; SVM все функции), что свидетельствует об их неспособности к обобщению.Кроме того, мы также наблюдали, что классификатор SVM имеет большое количество опорных векторов (1390 с полным набором обучающих данных и функциями Haralick).

Мы исследовали матрицу путаницы DeepSort и наиболее эффективный классификатор машинного обучения (SVM с функциями Haralick), чтобы понять производительность этих методов в каждой категории индивидуально с использованием набора тестовых данных (см. Таблицу 2). Диагональные значения матрицы неточностей представляют правильную классификацию гаплоидов и диплоидов по соответствующим категориям, а недиагонали представляют неправильную классификацию.DeepSort неверно классифицировал 11 диплоидных изображений как гаплоиды и 12 гаплоидных изображений как диплоиды, в то время как SVM неверно классифицировал 22 диплоидных изображения как гаплоиды и 66 гаплоидных изображений как диплоиды. Мы наблюдаем, что SVM склоняется к классификации гаплоидных изображений как диплоидов, что, возможно, представляет собой распределение диплоидных изображений в наборе данных. Наши попытки компенсировать это смещение класса в SVM (используя «сбалансированную» настройку для параметра class_weight в Scikit-learn) уменьшили ошибку обучения, но привели к большей ошибке перекрестной проверки (результаты не показаны).

Таблица 2 Матрица неточностей для DeepSort и SVM

Визуализация нейронов сверточной сети

Мы провели визуализацию ядер и нейронных активаций двух сверточных слоев, чтобы понять особенности, усвоенные сетью для достижения превосходных характеристик классификации. Понимание особенностей, извлеченных глубокими нейронными сетями, и того, как эти функции эффективно комбинируются для достижения превосходной классификации, является сложным (поскольку эти сети часто имеют несколько сотен тысяч параметров) и является активной областью текущих исследований [26, 27].Визуализация нейронных активаций в сверточном слое, весовых тензоров и параметров смещения; области изображения / особенности, которые приводят к максимальной активации нейронов; и рецептивные поля отдельных нейронов являются одними из современных методов, используемых для достижения этой цели [27]. В нашей работе мы решили сосредоточиться на визуализации нейронных активаций первых двух сверточных слоев, так как структура входных изображений в некоторой степени сохраняется в этих двух слоях. Мы показываем, что эти визуализации помогают получить ключевое представление о функциях, выполняемых сверточными слоями при извлечении дискриминационных исходных признаков.

На рисунке 3 показаны активации нейронов в первых двух сверточных слоях на входе 30 случайно выбранных гаплоидных и диплоидных семян из нашего тестового набора данных (то есть 15 из каждой категории и обозначены столбцами с номерами 1-15). Активация нейронов первого сверточного слоя до диплоидных и гаплоидных семян показана на рис. 3а и 3б соответственно. Изображение ( i , j ) в сетке каждой подфигуры ad на фиг.3 обозначает активацию всех нейронов, которые совместно используют ядро ​​ i , на входе из исходного изображения в столбце j , показанном вверху. .Визуальное сравнение изображений в гаплоидных и диплоидных категориях в строке на рис. 3 (a и b или c и d) позволяет идентифицировать ядра, которые являются дискриминационными, и операции, выполняемые ими. 16 ядер в первом сверточном слое, каждое из которых смотрит на сегмент 5 × 5 × 3 входного изображения RGB, показаны на фиг. 3e. Ядра во втором слое, если смотреть на входной тензор 5 × 5 × 16 с глубиной больше трех, не показаны.

Рис. 3

На рисунке ( a , b ) показаны активации всех нейронов в сверточном слое 1 (каждая строка соответствует активациям, которые имеют общее ядро) на изображениях 15 случайных диплоидов ( a ) и гаплоидных ( b ) семян (каждый столбец для семян показан в верхнем ряду) из набора тестовых данных.Подобно рисункам ( a , b ), рисунки ( c , d ) показывают активацию нейронов в сверточном слое 2 в одном и том же наборе семян. Ядра в сверточных слоях 1 и 2 выполняют извлечение различных признаков и их сложные композиции. Например, ядра 3 первого слоя отделяют семя от фона, а ядро ​​5 второго слоя обеспечивает отличительные признаки (другие примеры см. В тексте). На рисунке ( e ) показаны визуализации 16 ядер из сверточного слоя 1

.

Мы наблюдаем несколько интересных закономерностей.Нейроны в первом слое выполняют операции предварительной обработки изображения, в то время как во втором слое синтезируются функции более высокого уровня. Глядя на активацию нейронов в первом сверточном слое на рис. На фиг.3а и 3b мы наблюдаем ядра 2, 3, 8, 11, 12, 14, 15 для широкого сегментации семян от фона, однако с различиями вблизи границ семян и интенсивности выхода. Мы также рассмотрели соответствующие тензоры ядра этих нейронов и заметили, что они различаются по величине, паттернам внутри данного канала и по разным каналам RGB (см.рис.3e), что, возможно, способствует устойчивости работы гетерогенных семян. Хотя некоторые ядра видны как темные участки на рис. 3e, они не равны нулю, как видно из необработанных значений. Несколько других ядер в первом сверточном слое (ядра 4-7,9-10) извлекают особенности, связанные с текстурой семян, в то время как ядро ​​1 извлекает текстуру в области эндосперма, но не в эмбрионе. Ядро 13 служит для выполнения сегментации на основе интенсивности, в то время как ядро ​​10 подчеркивает области зародыша — диплоидные семена (и в некоторых гаплоидах).

Ядра второго сверточного слоя извлекают сложные признаки, которые не отражают точную форму семян или признаков зародыша. Скорее, эти функции кодируют более абстрактные концепции ввода, объединяющие функции, извлеченные из максимальных объединенных и нормализованных выходных данных первого сверточного слоя. Мы замечаем, что меньше нейронов во втором сверточном слое активны, что видно по меньшему количеству белых пикселей на рис. 3c и 3d. Поразительно, что активации ядер 5 и 9 уже являются дискриминационными для большинства диплоидных и гаплоидных семян, грубо выделяя пурпурные темные области в диплоидных семенах.Ядра 12 и в некоторой степени 15 обозначают более яркие области зародыша в диплоидных семенах двумя вертикальными пятнами. Информация от этих активаций дополнительно нелинейно объединяется полностью подключенными слоями для достижения надежной работы.

Архитектуры глубоких сверточных сетей

Мы исследовали влияние архитектуры на производительность сверточной сети при классификации гаплоидных семян от диплоидов путем изменения количества ядер в сверточном слое, нейронов в полностью связном слое и глубины ( я.e — количество слоев) сети (см. Таблицу 3). Мы рассмотрели две разные архитектуры («Arch-2» и «Arch-3») с тем же количеством слоев, что и «Arch-1», но с уменьшенным количеством ядер и нейронов в полностью подключенном слое. «Arch-2» имел восемь ядер в первом и втором сверточных слоях, а «Arch-3» имел четыре ядра в сверточных слоях (количество ядер / нейронов см. В разделе «Сверточная сеть», а в Таблице 3 — количество параметров в каждом слое). При переходе от «Arch-1» к «Arch-3» количество параметров уменьшается примерно в четыре раза на каждом шаге.Мы также рассмотрели более мелкую архитектуру («Arch-4») с одним сверточным и полностью связанным слоем.

Таблица 3 Влияние архитектуры CNN на точность классификации (столбцы 2,3) и количество параметров на уровень (столбцы 4-9) в каждой архитектуре

Мы видим, что производительность «Arch-2» (0,968 на тестовой выборке) аналогична производительности «Arch-1», тогда как в «Arch-3» точность снижается на 0,027 (или примерно на 15 дополнительных тестовых изображений. были неправильно классифицированы). Мы также видим, что точность обучения снижается на 0.008 (еще примерно 32 обучающих образа были ошибочно классифицированы). Мы дополнительно сократили сверточный и полностью связанный слои и получили «Arch-4», чтобы оценить влияние более мелкой сети. Производительность на тестовых данных упала до 0,935 в «Arch-4» (небольшое снижение по сравнению с «Arch-3», но меньше, чем «Arch-2» на 0,033), хотя общее количество параметров больше « Arch-3 »(поскольку« Conv1 »из« Arch-4 »имеет больше нейронов, чем« Conv2 »из« Arch-3 »). Хотя «Arch-1» продемонстрировал такую ​​же точность классификации, как «Arch-2» (с в четыре раза большим количеством параметров, чем «Arch-2»), будущие эксперименты должны быть выполнены, чтобы изучить, позволяют ли более обучаемые параметры «Arch-1» быть более устойчивый к невидимым вариациям и большей неоднородности.

Высокопроизводительный метод фенотипирования початков и оценки веса зерен кукурузы с использованием цифровых изображений початков | Растительные методы

Гермоплазма и эксперименты

Исследование проводилось на исследовательской станции CIMMYT (17 ° 43′37.21 ′ ′ ю.ш., 31 ° 01′00.60 ′ ′ восточной долготы и высота 1489 м над уровнем моря) в Хараре, Зимбабве.

Разработка моделей подсчета и веса ядер Для разработки этих моделей 3 декабря 2015 года было проведено одно испытание, состоящее из 10 гибридов, в двух повторностях с использованием конструкции альфа-решетки.Каждый гибрид представлял собой двухрядные делянки длиной 4 м с междурядьями 0,75 м и междурядьями 0,25 м (рис. 1). На каждом участке было около 34 растений. После физиологического созревания початки собирали с каждого участка отдельно и сушили до содержания влаги в ядрах примерно 10–12%.

Рис. 1

Общий вид экспериментальной установки и детали отдельных участков

Валидация метода EDI для подсчета колосов и ядер и размера Валидация была проведена с использованием одного испытания, состоящего из 50 гибридов, которые были посажены в трех повторностях 15 декабря 2016 г. с использованием конструкции альфа-решетки, всего 150 делянок.Характеристики участков были такими же, как описано выше. При сборе ушей отбирали уши разных размеров, чтобы охватить как можно больший диапазон размеров.

Проверка модели веса ядра и наследуемости признаков Для проверки модели веса ядра и оценки наследуемости в широком смысле черт уха, полученных с помощью EDI, 15 декабря 2016 года было проведено шесть селекционных испытаний с использованием дизайна альфа-решетки. . Они состояли из продвинутых элитных и докоммерческих субтропических гибридов кукурузы, которые были разделены на три группы спелости; ранние, средние и поздние, в зависимости от количества дней до цветения.В четырех испытаниях было по 50 гибридов в каждом, а в двух оставшихся было по 55 гибридов. Все испытания проходили при низком азотном стрессе. Характеристики участка были такими же, как описано выше. Таким образом, каждое испытание с 50 гибридами имело в общей сложности 150 участков, в то время как испытания с 55 гибридами имели 165 участков. Для каждого участка собирали колосья со всех растений, достигших физиологической зрелости.

Получение фотографий

Уши были собраны в ходе полевых испытаний, очищены от шелухи и сохранены на каждом участке. Они были расположены на черном куске ткани рядом друг с другом так, чтобы не сильно соприкасаться друг с другом.Цифровые фотографии всех ушей, принадлежащих участку, были сделаны камерой Sony (Cyber-shot DSC-WX80, 16,2 мегапикселя), установленной в автоматическом режиме. Камера устанавливалась на штатив на высоте 80 см от объектива камеры до поверхности земли и располагалась в надире. Для получения фотографий в контролируемых условиях установка проводилась в комнате с рассеянным освещением (рис. 2а). На той же высоте было снято изображение с линейкой для преобразования размеров пиксельной шкалы в сантиметры.Аналогичным образом, изображения для проверки были также сделаны для каждого участка в полевых условиях с использованием аналогичной установки (рис. 2b).

Рис. 2

Получение фотографий при a условиях диффузного освещения и b полевых условиях

Обработка изображений

Анализ изображений проводился в imageJ [18], программном обеспечении с открытым исходным кодом. На рисунке 3 показан ряд шагов, которые были выполнены для сегментации и извлечения параметров компонентов доходности (т. Е. Атрибутов уха и ядра).Эти шаги были выполнены с использованием плагинов ImageJ. Сначала был проведен этап предварительной обработки изображения, чтобы отчетливо отделить передний план (уши) от фоновых объектов. Хотя было много разных способов добиться этого, использовался метод вычитания одного пикселя изображения, который вычитает постоянное значение пикселя из изображения. Порог вычитания пикселей был установлен на 100 на основе тестов, проведенных с 20 выбранными изображениями, контрастирующими по градиенту освещения фона, чтобы предотвратить потерю информации переднего плана.В результате было получено изображение с равномерно более темной интенсивностью фона (рис. 4б). Таким образом, фоновые пиксели с той же интенсивностью цвета, что и ядра, подавлялись, сводя к минимуму возможность значительного шума во время сегментации. Ядра отделены друг от друга линиями между ними на узких цветовых градиентах с нечеткими границами. Степень размытости границ и другие поверхностные артефакты различной природы могут привести к искажению краев ядра из-за проблем сегментации.Сегментация ядер в первую очередь основана на четком определении этих краев при минимальном влиянии артефактов на их поверхности. Следовательно, был реализован метод адаптивного выравнивания гистограммы с ограничением контраста (CLAHE) для улучшения краев ядра при подавлении поверхностного шума [19]. В отличие от обычного адаптивного выравнивания гистограммы (AHE), который отображает узкий диапазон значений входной интенсивности на более широкий диапазон значений выходной интенсивности, приводящий к чрезмерному усилению шума, с CLAHE можно принудительно установить максимальное количество интенсивностей, чтобы ограничить тем самым улучшение. снижение шума [19].Хотя при значении интенсивности, равном 1, усиления нет, увеличение уровней интенсивности впоследствии увеличивает усиление. CLAHE — это хорошо известная блочная обработка, которая может преодолеть проблему чрезмерного усиления шума в однородной области изображения с помощью стандартной коррекции гистограммы.

Рис. 3

Схема последовательности операций процедуры обработки изображения

Рис. 4

Пример изображений, разворачивающих ключевые этапы обработки изображения и извлечения данных. a исходное изображение, b этап предварительной обработки, c преобразование в 8-битное, d бинаризация, e анализ частиц, f извлечение атрибутов уха, г извлечение атрибутов ядра. Изображение a представляет 1 график в полевых условиях

Плагин CLAHE имеет три параметра. (i) Размер блока, который определяет размер локальной области вокруг пикселя, для которого выравнивается гистограмма, был установлен на 29, (ii) количество бинов гистограммы, используемых для выравнивания гистограммы, установлено на 256.Внутренняя реализация работает с байтовым разрешением, поэтому значения больше 256 не имеют смысла. Затем максимальный наклон, ограничивающий растяжение контраста в функции передачи интенсивности, был установлен на 5 (значение 1 не приведет к каким-либо изменениям в исходном изображении). {{- q.m \ left ({x, y} \ right)}} + k \ left ({\ frac {{s \ left ({x, y} \ right)}} {R}} \ right) — 1} \ right ] $$

(1)

В плагине Phansalkar k и r обозначаются как параметры 1 и 2 соответственно. Для них были сохранены значения по умолчанию k = 0,25 и r = 0,5, которые очень хорошо работали для разных типов ушей.

Радиус локального домена, по которому будет вычисляться порог, был установлен на 15. Параметр «Белый объект на черном фоне» был выбран, чтобы установить белые пиксели со значениями выше порогового значения (в противном случае он устанавливает белые значения. меньше или равно порогу).

Затем изображения были преобразованы в двоичную форму с заполнением отверстий для получения твердой формы ядра, которая предотвращает расщепление во время этапа водораздела (рис. 4c, d). Плагин регулируемого водораздела, который обеспечивает гибкость благодаря широкому диапазону уровней допуска для соответствия различной гладкости и форм краев ядра, был применен с допуском 3. Значение допуска определяет разницу радиуса между меньшим из самых больших вписанных кругов и вписанным кругом. на перешейке между частицами.Чем выше это значение, тем меньше линий сегментации и низкие значения приводят к ложным сегментам, вызванным квантованием пикселей. Таким образом, сегментация ядра прошла успешно с минимальным количеством ошибок. Вычислительный рабочий процесс может оценивать параметры компонентов урожая (количество ушей, размер, количество ядер и размер) примерно на основе шести изображений или участков в минуту.

Счетчики и атрибуты ядра

Сегментированные изображения затем использовались для анализа частиц после установки минимального и максимального размера области пикселя (0.03–1,0 пикселя 2 ), чтобы исключить из изображения все, что не является интересующим объектом. Кроме того, значения округлости были установлены в интервале 0,15–1,00, чтобы помочь исключить нежелательные объекты со значением 1,0, указывающим на идеальный круг. Окружность — это дескриптор формы (https://imagej.nih.gov/ij/docs/guide/146-30.html). Когда значение приближается к 0,0, это указывает на все более вытянутую форму. Под длиной и шириной ядра здесь понимается наибольшее расстояние между двумя точками вдоль большой и малой оси на одном ядре на ухе, соответственно (рис.4г). Кроме того, общая площадь ядра как сумма всех отдельных областей ядра на изображении и средняя площадь ядра были получены с использованием анализа частиц. Средний периметр представляет собой среднюю длину внешней границы всех ядер, которые находятся на анализируемом изображении. Качественные атрибуты, такие как цвет ядра и текстура уха, не были включены, поскольку их можно легко идентифицировать при визуальном наблюдении.

Количество ушей и атрибуты

Для подсчета ушей ядра были отфильтрованы с помощью метода размытия по Гауссу.Этот фильтр использует свертку с функцией Гаусса для сглаживания (https://imagej.nih.gov/ij/docs/guide/146-29.html#sub:Gaussian-Blur). Параметр sigma был установлен на 10. Sigma — это радиус распада до exp (-0,5), (≈ 61%), то есть стандартное отклонение (σ) гауссианы. Затем последовал этап бинаризации с заполнением отверстий, чтобы избежать раскалывания колосьев во время процесса водораздела, который был выполнен с допуском 40 (рис. 4f). Затем количество ушей было вычислено на основе анализа частиц после установки минимального и максимального размера пиксельной области (> 10 пикселей 2 ), чтобы исключить все, что не является объектом интереса в изображении (https: // imagej.nih.gov/ij/docs/guide/146-30.html#toc-Subsection-30.2). Длина и ширина уха здесь рассматриваются как наибольшее расстояние между двумя точками вдоль большой и малой оси на одном ухе, соответственно (рис. 4f).

Модели количества ядер и веса ядра

Разработка модели для оценки общего количества ядер по фотографиям очищенных от шелушения ушей проводилась в два этапа:

  • Чтобы сравнить метод подсчета ядер на основе изображений с подсчетом ядер вручную, 50 случайно выбранных початков были обмолочены, а их ядра помещены отдельно в бумажные пакеты.Ядра каждого уха сначала подсчитывали вручную, а затем выкладывали на темный фон и фотографировали с помощью камеры (такая же установка, как и выше). Эти изображения имели многочисленные ядра в кластерах (рис. 5а, б). Они были обработаны с помощью плагинов imageJ, т.е. преобразование в 8-битное, бинаризация, регулируемый водораздел с допуском 3 и анализ частиц (рис. 5c, d). Корреляция между двумя методами составила r = 0,99 (рис. 5e). Поэтому подсчет ядер на основе изображений считался эквивалентным методу ручного подсчета ядер для ядер, удаленных из ушей.

    Рис. 5

    Пример количества ядер на основе изображений: — исходное изображение , b участок изображения с множеством ядер в кластерах, c преобразование в 8-битное и бинаризация, d после регулируемого водораздела и e корреляция между количеством ядер на основе изображений и ручным подсчетом ядер для 50 случайно выбранных ушей

  • Чтобы оценить общее количество ядер на данном ухе по количеству ядер, которые видны на фотографии того же самого уха, было сфотографировано 340 ушей индивидуально с использованием той же установки, описанной ранее.Затем те же колосья были обмолочены, чтобы удалить их ядра, которые были помещены отдельно в бумажные пакеты и подсчитаны с использованием метода подсчета ядер на основе изображений, описанного выше.

Модель линейной регрессии для прогнозирования общего количества ядер на отдельных ушах была разработана на основе количества ядер, которые видны на изображении ( kn ) (уравнение 2, r = 0,98 ***). Коэффициент корреляции Пирсона r использовался для оценки взаимосвязи между оцененными и измеренными параметрами ядра.

$$ {\ text {Total}} \, {\ text {kernel}} \, {\ text {number}} = 2.4051 * kn — 6.7334 $$

(2)

где кн — количество ядер, видимых на фото.

Модель веса ядра была разработана с использованием модели линейной регрессии между средней длиной ядра (\ (\ overline {kl} \)) и средним весом ядра (общий вес ядра, деленный на общее количество ядер), измеренный вручную с помощью цифрового баланс (Mettler Toledo) с точностью до 0.01 г. Вес ядра измеряли при содержании влаги от 11 до 13%. Это было сделано с использованием 200 ушей с контрастным размером ядра. Среднюю длину ядра извлекали из видимой части сегментированного уха. \ (\ overline {kl} \) был нанесен на график зависимости от среднего измеренного веса ядра для каждого отдельного уха, измеренного вручную, для разработки модели, которая переводит длину ядра в вес ядра (рис. 6a). Затем модель была протестирована и показала довольно точную оценку веса ядра (рис.6б).

$$ {\ text {Среднее}} \, {\ text {ядро}} \, {\ text {weight}} \, \ left (g \ right) = \ left ({\ overline {kl} * 0,7435 } \ right) — 0,155 $$

(3)

где \ (\ overline {kl} \) — средняя длина ядра.

Рис.6

a Модель регрессии для прогнозирования веса ядер по длине ядра и b проверка весовой модели ядер (CCC = коэффициент корреляции согласованности; RMSE = среднеквадратичная ошибка и r = ρ = коэффициент Пирсона). коэффициент корреляции).(n = 200). Средний вес ядра (общий вес ядра, деленный на общее количество ядер) был измерен вручную с помощью цифровых весов, в то время как средняя длина ядра была извлечена из видимой части сегментированного уха

Оценка веса ядра

Учитывая, что уравнение. 2 обеспечивает общее количество ядер и уравнение. 3 средний вес ядра, общий вес ядра (уравнение 4) был вычислен как произведение этих двух уравнений:

$$ {\ text {Total}} \, {\ text {Kernel}} \, {\ text {Вес}} \, \ left ({\ text {g}} \ right) = (2.4051 * kn — 6,7334) * ((\ overline {kl} * 0,7435) — 0,155) $$

(4)

Расчетный общий вес ядра был подтвержден с использованием изображений на уровне участка (2 ряда растений, 34 растения), полученных в полевых условиях в результате шести различных селекционных испытаний.

Тест надежности данных

Коэффициент корреляции согласованности Лина (CCC = ρ c ) [22] использовался для проверки надежности данных. {2} \)].

c ) измеряет как точность (ρ), так и точность (C b ).

(ρ) = коэффициент корреляции Пирсона, мера того, насколько данные близки к линии наилучшего соответствия.

(C b ) = коэффициент коррекции смещения, мера того, как далеко линия наилучшего соответствия (т. Е. Линия идеального соответствия) находится от угла 45 градусов через начало координат.

Коэффициент Лина равен 1, когда все точки лежат точно на линии под углом 45 градусов, проведенной через начало координат, и уменьшается по мере удаления точек от этой линии и по мере того, как линия наилучшего соответствия отходит от линии под углом 45 градусов [23].{2} = {\ text {V}} _ {\ text {G}} / {\ text {V}} _ {\ text {P}} $$

(6)

Наследственность в широком смысле была вычислена с использованием Meta-R (пробный анализ в нескольких средах с R для Windows) версии 6.01 01 [24] и сравнивалась между признаками для нескольких полевых экспериментов. {\ prime}} \ right)}}} \) — это Среднее арифметическое всех попарных геометрических средних среди компонентов генотипической дисперсии признаков.

Отношения между переменными изображения и эталонными измерениями были проверены на значительную корреляцию с использованием коэффициента корреляции Пирсона.

Дистанционное зондирование | Бесплатный полнотекстовый | Фенотипирование растений кукурузы: сравнение результатов трехмерного лазерного сканирования, многооконной стереореконструкции и трехмерной оцифровки оценок

1. Введение

Технологии генотипирования и фенотипирования растений имеют большое значение для ускорения селекционных программ, призванных накормить несколько миллиардов человек во всем мире [1] .Однако, по сравнению с быстрым развитием технологий генотипирования, неспособность эффективно и точно достичь сложных фенотипических признаков стала узким местом, ограничивающим генетический выигрыш в программах селекции [2,3]. Существенные изменения и улучшения в технологиях фенотипирования сельскохозяйственных культур необходимы в долгосрочной перспективе [1,4]. Морфология растений — один из важнейших типов фенотипических признаков. Морфологические признаки обеспечивают реальный способ оценки роста растений, физиологии, стресса, урожайности и каждого развития растения [5].Эти черты также имеют фундаментальное значение для улучшения характеристик, отбора и различения растений [6]. Следовательно, разработка высокоточных и эффективных подходов к сбору и обработке морфологических данных имеет большое значение для фенотипирования растений и дальнейшей селекции растений [7]. Признаки фенотипирования, связанные с морфологией растений, можно разделить на три категории от большого до малого: (1) масштаб участка и растительного покрова в поле, (2) масштаб отдельных растений и органов в помещении и (3) микромасштаб в лабораториях.Для самых крупных масштабов беспилотные летательные аппараты (БПЛА) [8] и платформы для фенотипирования на базе транспортных средств [9] обычно использовались в полевых условиях для получения признаков фенотипирования в масштабах участка и полога [10]. Параметры, полученные с помощью этих платформ, такие как высота растений, индекс площади листьев (LAI), покрытие растительного покрова и надземная биомасса [11], были удовлетворительными, чтобы показать морфологические различия полога, вызванные сортом или стратегиями обработки. Из-за окклюзии соседних растений большинство платформ полевого фенотипирования не было способно вывести более тонкие фенотипические признаки отдельных растений [12].За последние несколько лет появились большие (и очень дорогие) полевые устройства, которые могут приобретать те же (или почти такие же) характеристики точности на уровне отдельного предприятия, что и комнатные [13]; однако они недоступны для большинства исследователей в применении. В самом маленьком масштабе внутренняя структура органов растений была захвачена с помощью микрокомпьютерной томографии (КТ) и аналогичных устройств визуализации с высоким разрешением [14,15]. Однако это зависит от дорогостоящего оборудования и нецелесообразно для высокопроизводительного фенотипирования растений.Кукуруза (Zea mays) — одна из наиболее широко выращиваемых культур во всем мире. Было предсказано, что более половины повышенного спроса на зерновые в пище приходится на кукурузу [16]. Таким образом, необходимы существенные изменения в технологиях фенотипирования для селекции и улучшения сельскохозяйственных культур [17]. Тонкие фенотипические признаки отдельных растений и органов полезны для полногеномного ассоциативного анализа (GWAS) и селекции сельскохозяйственных культур [16,18]; поэтому многие исследователи разработали высокопроизводительные и эффективные платформы и методы фенотипирования для получения признаков растений кукурузы [19].Для получения высокопроизводительного фенотипирования растений были разработаны горшечные растения на конвейерном транспорте [20], конвейер с роботизированной визуализацией [21,22] и поворотный стол в сочетании с платформами для обнаружения и визуализации света (LiDAR) [23]. Морфологические параметры, полученные с помощью двумерных (2D) изображений, снятых под соответствующими углами, удовлетворяли многим требованиям [21]. Однако одномерная параметризация не всегда выполнялась должным образом. Это привело к дополнительной калибровке, например, азимутального угла листа, длины листа и площади листа.Трехмерная реконструкция растений — альтернативный способ решения этой проблемы [24]. Обычно применяемые подходы к трехмерной реконструкции включают синтез 2D-LiDAR [23], реконструкцию с помощью времяпролетной камеры [25,26,27], реконструкцию мультиракурсного стерео (MVS) [28,29], трехмерную оцифровку [30,31] и 3D лазерное сканирование [32,33]. Эти подходы показали различную эффективность на разных стадиях роста растений кукурузы по точности, эффективности и производительности. Поэтому для новых исследователей и разработчиков стало довольно сложно сделать правильный выбор для фенотипирования растений кукурузы.

В этом исследовании эффективность трех репрезентативных подходов к сбору морфологических данных была всесторонне оценена при трехмерном фенотипировании различных стадий роста растений кукурузы, включая трехмерное лазерное сканирование, реконструкцию MVS и трехмерную оцифровку. Систематически оценивались эффективность, точность, автоматизация и затраты. Целью сравнения является предоставление разумных справочных материалов для выбора сенсоров на платформах фенотипирования для полевых растений кукурузы.

Воздушные датчики и датчики уровня земли для мониторинга состояния азота в кукурузе

https: // doi.org / 10.1016 / j.biosystemseng.2017.06.003Получить права и контент

Основные моменты

Проксимальные и воздушные датчики сравнивались с полевым статусом азота кукурузы.

Оценка внесения азотных удобрений кукурузы может быть улучшена с помощью проксимальных и воздушных датчиков.

Сочетание хлорофилла со структурой купола или полифенолов снижает насыщение индекса.

Состояние N культуры было связано с индексами пигмента (TCARI), но не со структурой (NDVI).

Пространственное разрешение изображения (SR) влияет больше на пигмент, чем на структурные показатели.

Дистанционное зондирование может улучшить удобрение путем мониторинга состояния азота (N) сельскохозяйственных культур с использованием неинвазивных методов. Основная цель этого эксперимента состояла в том, чтобы проверить способность проксимальных датчиков и датчиков, находящихся в воздухе, определять пищевой статус азота кукурузы. Мы сравнили различные индексы и комбинации индексов, чтобы выбрать те, которые дали наилучшую оценку.Поскольку изображения с воздуха были получены с разных датчиков и платформ (дрон и самолет), мы сравнили влияние пространственного разрешения (SR) на рассчитанные показатели. Исследование проводилось в рамках полевого эксперимента с кукурузой в Аранхуэсе (Мадрид, Испания) в течение 2015 года. Эксперимент состоял из полностью рандомизированного плана с пятью дозами удобрений в диапазоне от 0 до 220 кг N га -1 и в шести повторностях. Показания на уровне земли были получены с помощью проксимальных датчиков (SPAD ® и Dualex ® ), а данные с воздуха были получены с помощью мультиспектральной камеры и гиперспектрального датчика на высоте 80 и 330 м над уровнем земли соответственно.Аэрофотоснимки были использованы для расчета N показателей статуса для каждого участка. Проксимальные и воздушные датчики предоставили полезную информацию для оценки статуса питания азота кукурузы. Более высокая точность была получена с индексами, объединяющими оценку хлорофилла со структурой полога или с индексами полифенолов. Комбинированные индексы улучшили оценку по сравнению с индивидуальным индексом и смягчили его насыщение при высоких значениях концентрации азота. Концентрация азота в растениях была сильно связана с TCARI / OSAVI, полученными из аэроснимков, но не с NDVI.SR не влиял на характеристики структурных показателей, тогда как сильно влиял на показатели пигментации.

Ключевые слова

Норма удобрений

Высота изображения

Индекс питания

Дистанционный датчик

Пространственное разрешение

Беспилотный летательный аппарат

Рекомендуемые статьиЦитирующие статьи (0)

© 2017 Авторы. Опубликовано Elsevier Ltd от имени IAgrE.

Рекомендуемые статьи

Цитирующие статьи

% PDF-1.7
%
686 0 объект
>
эндобдж

xref
686 157
0000000016 00000 н.
0000004489 00000 н.
0000004717 00000 н.
0000004759 00000 н.
0000004795 00000 н.
0000005213 00000 н.
0000005328 00000 н.
0000005443 00000 н.
0000005558 00000 н.
0000005673 00000 п.
0000005787 00000 н.
0000005892 00000 н.
0000005999 00000 н.
0000006107 00000 н.
0000006215 00000 н.
0000006323 00000 н.
0000006431 00000 н.
0000006536 00000 н.
0000006616 00000 н.
0000006696 00000 н.
0000006777 00000 н.
0000006857 00000 н.
0000006937 00000 н.
0000007016 00000 н.
0000007096 00000 п.
0000007175 00000 н.
0000007255 00000 н.
0000007335 00000 н.
0000007414 00000 н.
0000007495 00000 н.
0000007576 00000 н.
0000007656 00000 н.
0000007736 00000 н.
0000007816 00000 н.
0000007895 00000 н.
0000007975 00000 п.
0000008056 00000 н.
0000008135 00000 н.
0000008215 00000 н.
0000008295 00000 н.
0000008375 00000 н.
0000008455 00000 н.
0000008534 00000 н.
0000008614 00000 н.
0000008692 00000 п.
0000008771 00000 п.
0000008849 00000 н.
0000008926 00000 н.
0000009006 00000 н.
0000009086 00000 н.
0000009167 00000 н.
0000009247 00000 н.
0000009328 00000 п.
0000009408 00000 п.
0000009488 00000 н.
0000009568 00000 н.
0000009648 00000 н.
0000009778 00000 п.
0000009824 00000 н.
0000009858 00000 н.
0000010039 00000 п.
0000010109 00000 п.
0000010155 00000 п.
0000010377 00000 п.
0000010712 00000 п.
0000011327 00000 п.
0000011405 00000 п.
0000011608 00000 п.
0000012124 00000 п.
0000012869 00000 п.
0000013278 00000 п.
0000013442 00000 п.
0000013901 00000 п.
0000014297 00000 п.
0000014941 00000 п.
0000015156 00000 п.
0000016901 00000 п.
0000018374 00000 п.
0000018478 00000 п.
0000018712 00000 п.
0000019158 00000 п.
0000019465 00000 п.
0000020015 00000 п.
0000020238 00000 п.
0000020865 00000 п.
0000021549 00000 п.
0000021760 00000 п.
0000023241 00000 п.
0000024874 00000 п.
0000026378 00000 п.
0000027876 00000 н.
0000028146 00000 п.
0000028499 00000 н.
0000028777 00000 п.
0000029143 00000 п.
0000029331 00000 п.
0000029492 00000 п.
0000029722 00000 п.
0000030062 00000 п.
0000030269 00000 п.
0000030543 00000 п.
0000032101 00000 п.
0000033553 00000 п.
0000038316 00000 п.
0000042500 00000 н.
0000043300 00000 п.
0000044439 00000 п.
0000045103 00000 п.
0000046622 00000 н.
0000047992 00000 н.
0000049468 00000 п.
0000049848 00000 п.
0000050577 00000 п.
0000054054 00000 п.
0000057240 00000 п.
0000057795 00000 п.
0000129547 00000 н.
0000168010 00000 н.
0000168404 00000 н.
0000168493 00000 н.
0000168602 00000 н.
0000169143 00000 н.
0000169266 00000 н.
0000194839 00000 н.
0000194878 00000 н.
0000195427 00000 н.
0000195563 00000 н.
0000218329 00000 н.
0000218368 00000 н.
0000218445 00000 н.
0000218500 00000 н.
0000218622 00000 н.
0000218693 00000 п.
0000218764 00000 н.
0000218849 00000 н.
0000218934 00000 п.
0000219019 00000 п.
0000219077 00000 н.
0000219441 00000 п.
0000219552 00000 п.
0000219653 00000 п.
0000219781 00000 н.
0000219903 00000 н.
0000220023 00000 н.
0000220172 00000 н.
0000220369 00000 н.
0000220548 00000 н.
0000220725 00000 н.
0000220892 00000 н.
0000221039 00000 н.
0000221229 00000 н.
0000221441 00000 н.
0000221581 00000 н.
0000221731 00000 н.
0000221953 00000 н.
0000222123 00000 н.
0000003436 00000 н.
трейлер
] >>
startxref
0
%% EOF

842 0 объект
> поток
x ڬ KlUϘ8 \ uRdH PZc # ծ 6 FV — *] \ ‘1y44 — & — 5P
«hUuQ» uQ.e% $ 6d? .G {?> G

В Боливии выпущены два новых гибрида кукурузы — CIMMYT

Боливийский национальный институт инноваций в сельском, животноводческом и лесном хозяйстве (INIAF) в сотрудничестве с CIMMYT выпустил два новых гибрида кукурузы, INIAF h2 и INIAF HQ2, нацеленные на засухоустойчивые районы с высоким производственным потенциалом. О выпуске было объявлено на мероприятии, состоявшемся 13-14 июня 2013 года в Вилла Монтес и Якуиба.

Новые выпуски представляют собой гибриды одинарного скрещивания, полученные от линий CIMMYT.INIAF h2 — гибрид желтого кремня с хорошей устойчивостью к полеганию и отличным покровом лузги; INIAF HQ2 — желтый полувзубчатый гибрид с высоким содержанием протеина (качественная протеиновая кукуруза, QPM) и умеренной засухоустойчивостью. Оба были протестированы на Вилле Монтес, где они успешно конкурировали с двумя широко засеянными коммерческими чеками, давая урожай 7 т / га, несмотря на низкое (352 мм) количество осадков в течение вегетационного периода.

Боливия самодостаточна в производстве кукурузы: под кукурузу засеяно около 300 000 га, а средняя урожайность составляет 3 гектара.3 т / га, изменение климата начинает сказываться на сельскохозяйственном секторе, как и в других странах Латинской Америки. Погодные условия в течение текущего сезона урожая были неблагоприятными для производства из-за непрекращающейся засухи, и на прошлой неделе правительство объявило регион Чако, где выращивается 80% кукурузы в стране, зоной стихийного бедствия.

Феликс Сан-Висенте получает награду от министра энергетики.

В свете проблем Рубен Вака, руководитель сектора Villa Montes, который руководил мероприятием в первый день, поздравил INIAF с его достижениями и отметил их потенциал для повышения рентабельности производства кукурузы.Аналогичное мнение выразили Немезия Ачаколло, министр земельных ресурсов и развития сельских районов, и Хосе Соса, министр энергетики и углеводородов, которые присутствовали на мероприятии в Якуибе во второй день. Ачаколло приветствовал выпуск гибридов и объявил, что «Министерство выделяет 2 миллиона долларов США INIAF для поддержки их программы по кукурузе». Поскольку Министерство энергетики и углеводородов также занимается сельским хозяйством, Соса заявил, что завод по производству карбамида, строящийся в Кочабамбе, будет поддерживать развитие Чако Тариеньо и страны в целом.Марсиаль Ренгифо, руководитель сектора развития Chaco Tarijeño в Якуибе, затем подчеркнул важность гибридов для фермеров Чако, а Джеми Гонсалес, менеджер Национальной семенной компании, взял на себя обязательство в будущем размножить все гибриды, выпущенные INIAF, чтобы обеспечить такой высокий уровень. качественные семена доступны фермерам своевременно и по разумной цене.

После того, как Ачаколло вручил сертификат выпуска гибридов генеральному директору INIAF Габриэлю Рене Ойосу Бонильясу, координатор программы INIAF по кукурузе, Тито Клауре, поблагодарил всех присутствующих и попросил, чтобы сотрудничество INIAF с CIMMYT было продолжено, добавив, что он «объединит усилия со всеми национальные учреждения, занимающиеся производством кукурузы.”

«Мы должны продвигать QPM, который — благодаря своим превосходным питательным качествам — приносит пользу как людям, напрямую потребляющим его, так и свиноводам», — сказал Луис Нарро, заводчик кукурузы CIMMYT и координатор по Южной Америке. Затем Нарро призвал INIAF внедрить технологию двойных гаплоидов, чтобы сократить время, необходимое для создания новых гибридов, и указал, что портативный датчик GreenSeeker может использоваться для оптимизации внесения азотных удобрений в посевы кукурузы.

Луис Нарро объясняет преимущества гибрида INIAF h2.

«Сотрудничество CIMMYT-INIAF, которое привело к выпуску гибридов, является частью региональных усилий CIMMYT, проводимых совместно с улучшенной сетью оценки гермоплазмы в низинных тропиках Латинской Америки», — сказал Феликс Сан-Висенте, селекционер кукурузы CIMMYT в Латинской Америке. «Мы готовы укреплять эти связи в будущем, чтобы справиться с негативным воздействием изменения климата на регион Чако в Боливии», — добавил он.

В конце мероприятия Нарро и Сан-Висенте получили награды от властей Боливии в знак признания их межведомственного сотрудничества и совместных успехов.

.

Оставьте комментарий

Ваш адрес email не будет опубликован. Обязательные поля помечены *


Разрешение изображения (в пикселях) Процент эффективности Время обработки (в секундах)
HOU CRD12
CRDOU
162 × 216 86.3 97,1 1,088 0,580
194 × 259 89,4 97,3 1,305 0,737
243 × 321 9020 2

243 × 324
324 × 432 90,9 97,4 4,752 1,667
486 × 648 91,1 97,5 8,153