Software for the detection of individual beet cyst nematodes in the root system of in vitro-grown sugar beet plants.

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F61989592%3A15310%2F24%3A73627093" target="_blank" >RIV/61989592:15310/24:73627093 - isvavai.cz</a>

Výsledek na webu

<a href="https://github.com/PalackyUniversity/root-worm-detector" target="_blank" >https://github.com/PalackyUniversity/root-worm-detector</a>

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Software for the detection of individual beet cyst nematodes in the root system of in vitro-grown sugar beet plants.

Popis výsledku v původním jazyce

The aim of this software is to automatically detect individuals of the parasitic nematode Heterodera schachtii in the roots of young sugar beet seedlings grown in vitro on nutrient media. The plants are regularly photographed throughout the experiment, and the acquired images are then analyzed using the proposed algorithm. This algorithm utilizes a neural network built on the TensorFlow platform, trained on user-provided training datasets. The trained model allows for accurate identification of nematode individuals in the root system of five-week-old plants, enabling the quantification of infestation levels. This technology iscrucial for assessing the sensitivity, tolerance, and resistance of various sugar beet genotypes to the beet cyst nematode.

Název v anglickém jazyce

Software for the detection of individual beet cyst nematodes in the root system of in vitro-grown sugar beet plants.

Popis výsledku anglicky

The aim of this software is to automatically detect individuals of the parasitic nematode Heterodera schachtii in the roots of young sugar beet seedlings grown in vitro on nutrient media. The plants are regularly photographed throughout the experiment, and the acquired images are then analyzed using the proposed algorithm. This algorithm utilizes a neural network built on the TensorFlow platform, trained on user-provided training datasets. The trained model allows for accurate identification of nematode individuals in the root system of five-week-old plants, enabling the quantification of infestation levels. This technology iscrucial for assessing the sensitivity, tolerance, and resistance of various sugar beet genotypes to the beet cyst nematode.

Druh

R - Software

CEP obor

—

OECD FORD obor

40106 - Agronomy, plant breeding and plant protection; (Agricultural biotechnology to be 4.4)

Projekt

<a href="/cs/project/TQ03000647" target="_blank" >TQ03000647: Metodika hodnocení rezistence rostlin vůči napadení háďátkem řepným a pilotní test ochranných technologií v rostlinné výrobě</a><br>

Návaznosti

P - Projekt vyzkumu a vyvoje financovany z verejnych zdroju (s odkazem do CEP)

Rok uplatnění

2024

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Interní identifikační kód produktu

Root Worm Detector

Technické parametry

Software založený na strojovém učení, využívající uživatelem vytvořené trénovací datové sady. Software je volně dostupný v nejaktuálnější verzi na této adrese: https://github.com/PalackyUniversity/root-worm-detector

Ekonomické parametry

Výstup má potenciál umožnit rutinní testování odrůd cukrovky v rámci ČR, které se až dosud provádělo v zahraničí, což povede k úspoře nákladů a zvýšení ziskovosti uživatelů.

IČO vlastníka výsledku

61989592

Název vlastníka

Univerzita Palackého v Olomouci