Как сделать гербарий из листьев на листе: Как сделать гербарий из листьев деревьев и цветов, быстро высушить растения для аппликации

Узнайте, как сделать гербарий 🌿 Все о садоводстве и дизайне сада

Создать гербарий легко и весело! Наслаждайтесь прогулками, чтобы собирать цветы и красивые листья, сушить их и наклеивать на листы бумаги, отмечая ваши наблюдения. Вот как.

Содержание статьи:

• Что такое гербарий?
• Материал нужен
• Уборка растений
• сушка
• Коллаж и макет гербария

Что такое гербарий?

Гербарий это тетрадь или простые листы бумаги, на которых высохли листья или цветы (между страницами большой книги или под небольшой прессой, чтобы сгладить их). Мы прикрепляем одно растение на страницу и пишем на каждой странице, какое это растение, его научное название, возможно, дату и место сбора урожая, и все наблюдения, которые мы хотим (для чего это растение?, его особенности, его духи…).

Люди, которые увлечены растениями и ботаникой (наукой, изучающей растения), всю свою жизнь тратят на обогащение своего гербария: в природе так много разных растений!

Мы вместе узнаем, как сделать гербарий.

Материал нужен

• листья и цветы
• из листы бумаги белый А4 или большой блокнот
• из скотч
• ручка
• опционально: сортировщик для хранения страниц вашего гербария

Уборка растений

Приятных прогулок для собирать цветы, листья, травы, Выбирайте листья не слишком большие, а цветы не слишком густые: их нужно сплющить путем высыхания, и они стоят на листе бумаги. Обратите внимание на место, где вы их собрали.

сушка

Вернувшись домой, высушите растения: поместите их один за другим между двумя листами газеты или бумажные полотенца на страницах большой книги, чтобы сгладить их.

Положите на книгу что-нибудь тяжелое, чтобы хорошо поддерживать. Вы также можете использовать небольшой специальный пресс для гербарии. Дайте высохнуть в течение нескольких дней.

Коллаж и макет гербария

Как только ваши растения высохнут, вы можете засунуть их в свой гербарий. Для этого используйте небольшие кусочки ленты, размещенные на стеблях и концах, Будьте осторожны при обращении с листьями и сухими цветами, они очень хрупкие.

Использует одну страницу на растение. С ручкой или фломастером, напишите рядом с листом или цветком его имя общее, его научное имя, если вы его знаете (это имя на латыни), место, где вы их выбрали, дата и все, что вы хотите сказать об этом растении (его запах, его цвет, его форма, что он служит…).

Если вам нравится рисовать, вы также можете на втором листе бумаги, расположенном перед другим,

сделать рисунок заводаи напишите название каждой из его частей: черешок, конечность, ребро для листьев, а также для цветов, стебля, лепестка, чашелистика, тычинки, пестика…

Читайте также:

• Создать гербарий
• Сеять семена и наблюдать за съемкой

Детский гербарий

Садовые цветы для гербария

Композиция из цветов на бумаге

Накрыть вторым листом

Сухие цветы для гербария

Видео по теме статьи: КАК СДЕЛАТЬ ВЕЧНЫЙ ТЕРРАРИУМ!.

Как сделать гербарий из осенних листьев?

Детям нравится находить листочки необычных размеров и форм и придумывать различные игры с ними. Поэтому гербарий из осенних листьев станет отличным развлечением для любого ребенка. Хотите помочь своему малышу собрать и сохранить интересную коллекцию листьев? Сегодня мы подскажем, как это сделать лучше всего.

Чтобы сделать гербарий из осенних листьев вам понадобятся:

• листья

• полиэтиленовый пакет

• альбом

• маркер

• двусторонний скотч

Любой гербарий начинается со сбора необходимого материала. Во время прогулки с ребенком подмечайте интересные листья и складывайте их в полиэтиленовый пакет. Выбирайте не слишком хрупкие или засохшие листочки, которые легко крошатся. Старайтесь находить яркие и разноцветные листья, чтобы сделать свою коллекцию более красочной.

Домашние животные и развитие ребёнка — в чём связь?

Как только вернетесь домой, разложите собранные листья на столе и внимательно изучите их. Теперь решите, хотите ли вы делать гербарий в порядке убывания размера листьев или возрастания. А может, вам нужна определенная очередность в цветовой гамме? Рассортируйте листья на столе в том порядке, в котором вы собираетесь поместить их в альбом.

Положите на страницу альбома первый лист и оцените, насколько красиво он смотрится. Если вас все устраивает, продолжайте раскладывать листья в установленной очередности. Чтобы гербарий не выпадал из альбома, используйте двухсторонний скотч, который продается в большинстве магазинов канцтоваров. Кстати, для этих целей вместо обычного альбома для рисования можно использовать большой фотоальбом со специальными зажимами для фотографий.

Если у вас есть возможность идентифицировать найденные листья с помощью интернета или книги, сделайте это, после чего напишите маркером под каждым листиком, с какого он дерева, где был найден и когда.

5 способов порадовать ребенка в его День Рождения

Имейте в виду, создание гербария из осенних листьев не терпит суеты. Поэтому не хватайтесь за все листики сразу, а аккуратно размещайте и подписывайте их в альбоме по одному. Когда закончите, у вас будет прекрасная коллекция осенних листьев, которая понравится не только детям, но и взрослым членам семьи.

 

• Круизный туризм – советы путешественникам

• Как персонализировать свой чемодан?

• Когда лучше всего путешествовать по Ирландии?

• Glacier Skywalk – развлечение для смелых!

• Как упаковать платье в чемодане, чтобы оно не помялось?

• Гавайи или Карибы, какие острова выбрать для отдыха?

• Идеи подарков – лучшие аксессуары для смартфона

• 6 лучших городов мира для путешествий с детьми

• Как использовать рунические камни для гаданий?

• Самые необычные алкогольные напитки со всего мира

Автоматическое извлечение фенотипических признаков листьев отдельных неповрежденных листьев гербария из изображений образцов гербария с использованием семантической сегментации на основе глубокого обучения

. 2021 2 июля; 21 (13): 4549.

дои: 10.3390/s21134549.

Бурхан Рашид Хусейн ¹ , Овайс Ахмед Малик ¹ , Ви-Хонг Онг ¹ , Йохан Виллем Фредерик Слик ²

Принадлежности

• ¹ Цифровые науки, Факультет естественных наук, Университет Брунея-Даруссалама, Тунгку Линк, Гадонг BE1410, Бруней.
• ² Факультет естественных наук об окружающей среде, Факультет естественных наук, Университет Брунея-Даруссалама, Тунгку Линк, Гадонг BE1410, Бруней.

• PMID: 34283110
• PMCID: PMC8271859
• DOI: 10. 3390/с21134549

Бесплатная статья ЧВК

Бурхан Рашид Хусейн и др. Датчики (Базель). 2021 .

Бесплатная статья ЧВК

. 2021 2 июля; 21 (13): 4549.

дои: 10.3390/s21134549.

Авторы

Бурхан Рашид Хусейн ¹ , Овайс Ахмед Малик ¹ , Ви-Хонг Онг ¹ , Йохан Виллем Фредерик Слик ²

Принадлежности

• ¹ Цифровые науки, Факультет естественных наук, Университет Брунея-Даруссалама, Тунгку Линк, Гадонг BE1410, Бруней.
• ² Факультет естественных наук об окружающей среде, Факультет естественных наук, Университет Брунея-Даруссалама, Тунгку Линк, Гадонг BE1410, Бруней.

• PMID: 34283110
• PMCID: PMC8271859
• DOI: 10.3390/с21134549

Абстрактный

С ростом усилий по оцифровке коллекций гербариев по всему миру в репозиториях наборов данных, таких как iDigBio и GBIF, теперь есть сотни тысяч изображений гербарных листов, готовых к исследованию. Хотя это служит новым источником данных о листьях растений, у наборов данных гербария есть неотъемлемая проблема работы с листами, содержащими другие объекты, не относящиеся к растениям, такие как цветовые диаграммы, штрих-коды и этикетки.

Даже для самой части растения существует комбинация различных перекрывающихся, поврежденных и неповрежденных отдельных листьев вместе с другими органами растения, такими как стебли и плоды, что усложняет выделение и анализ признаков листьев. Сосредоточив внимание на сегментации и извлечении признаков на отдельных неповрежденных листьях гербария, в этом исследовании предлагается конвейер, состоящий из модели семантической сегментации с глубоким обучением (DeepLabv3+), анализа связанных компонентов и однолистного классификатора, обученного на двоичных изображениях, для автоматизации извлечения неповрежденных особей. лист с фенотипическими признаками. Предложенный метод позволил получить более высокий балл F1 как для собственного набора данных (96%) и на общедоступном наборе данных гербария (93%) по сравнению с подходами на основе обнаружения объектов, включая Faster R-CNN и YOLOv5. Кроме того, при использовании предложенного подхода фенотипические измерения, полученные из сегментированных отдельных листьев, были ближе к реальным измерениям, что свидетельствует о важности процесса сегментации при обработке фонового шума. По сравнению с подходами, основанными на обнаружении объектов, предложенный метод показал многообещающее направление к автономному инструменту для извлечения отдельных листьев вместе с данными об их признаках непосредственно из изображений гербарных образцов.

Ключевые слова: анализ связанных компонентов; глубокое обучение; набор данных листьев гербария; экстракция листьев; размеры листьев; обнаружение объекта; фенотипические особенности; идентификация видов растений; семантическая сегментация.

Заявление о конфликте интересов

Авторы заявляют об отсутствии конфликта интересов.

Цифры

Рисунок 1

Графическое представление…

Рисунок 1

Графическое изображение процесса экстракции одного листа. На первом этапе…

фигура 1

Графическое изображение процесса экстракции одного листа. На первом этапе изображение гербария проходит через обученную модель семантической сегментации с глубоким обучением. Сгенерированная маска затем улучшается с помощью различных методов предварительной обработки изображения перед передачей изображения в подключенный компонент для извлечения всех потенциальных листьев. Обученный классификатор глубокого обучения, основанный на бинарном изображении, затем используется в качестве фильтра для фильтрации отдельных листьев от остальных обнаруженных потенциальных листьев. Наконец, фенотипические измерения затем извлекаются из отфильтрованных отдельных неповрежденных листьев.

Рисунок 2

Принципиальная схема…

Рисунок 2

Схематическая диаграмма полностью сверточной нейронной сети для семантической сегментации. В…

фигура 2

Схематическая диаграмма полностью сверточной нейронной сети для семантической сегментации. Сеть состоит из части кодировщика, где модель извлекает потенциально полезные функции, и части декодера, которая повышает дискретизацию извлеченной карты характеристик для получения окончательных результатов сегментации.

Рисунок 3

Образец изображений гербария…

Рисунок 3

Образец изображений гербария ( верхний ряд ) и соответствующая им аннотация (…

Рисунок 3

Образец изображений гербария ( верхняя строка) и соответствующая им аннотация ( , нижний ряд ), используемый для обучения модели сегментации из набора данных UBDH. Этот набор данных состоял из 500 гербарных изображений вместе с их аннотацией истинности для обучающей модели сегментации.

Рисунок 4

Отрицательные образцы, извлеченные вручную из…

Рисунок 4

Отрицательные образцы, извлеченные вручную из результатов модели сегментации для обучения однолистного…

Рисунок 4

Отрицательные образцы, извлеченные вручную из результатов модели сегментации для обучения однолистового классификатора. Набор данных состоял из 881 интактного листа в качестве положительных обучающих образцов и 1015 отрицательных образцов.

Рисунок 5

Этап постобработки маски, ( a…

Рисунок 5

Этап постобработки маски, ( a ) исходное изображение, ( b ) сгенерированная маска…

Рисунок 5

Этап постобработки маски, ( a ) исходное изображение, ( b ) сгенерированная маска из модели сегментации, ( c ) изображение b после установления порога, ( d ) новое изображение после операции маскирования между изображением a и c, ( e ) новая сгенерированная маска для передачи в фазу 2.

Рисунок 6

Этапы предварительной обработки для обучения…

Рисунок 6

Этапы предварительной обработки для обучения однолистного классификатора. Для каждой обучающей выборки изображение…

Рисунок 6

Этапы предварительной обработки для обучения однолистового классификатора. Для каждой обучающей выборки изображение преобразуется в оттенки серого и бинаризируется с использованием алгоритма Оцу. Наконец, применяется операция заливки, чтобы заполнить отсутствующий пиксель внутри бинарного листа.

Рисунок 7

Подход на основе обнаружения объектов для одиночного…

Рисунок 7

Подход на основе обнаружения объектов для извлечения отдельных листьев и признаков. Такая же установка была…

Рисунок 7

Подход на основе обнаружения объектов для извлечения отдельных листьев и признаков. Была использована та же установка, что и в предлагаемом методе, за исключением того, что процесс сегментации был заменен подходом обнаружения объектов.

Рисунок 8

Матрица путаницы для одностворчатого…

Рисунок 8

Матрица путаницы для однолистового классификатора на отдельном тестовом наборе. Тест…

Рисунок 8

Матрица путаницы для однолистового классификатора в отдельном тестовом наборе. Тестовый набор состоял из 264 отдельных интактных листьев (положительные образцы) и 305 отдельных неповрежденных листьев (отрицательные образцы).

Рисунок 9

Образцы из УБДХ и…

Рисунок 9

Образцы из наборов данных оценки UBDH и HCD ( верхняя строка ) вместе…

Рисунок 9

Выборки из наборов данных оценки UBDH и HCD ( верхняя строка ) вместе с предсказанной маской сегментации с использованием предложенного метода ( средний ряд ). В нижнем ряду представлены неповрежденные отдельные листья, которые удалось извлечь предлагаемым методом. Первые три столбца представляют оценочные образцы из UBDH (состоящие из 54 образцов изображений), а последние три столбца представляют оценочные образцы из HCD (состоящие из 90 образцов изображений).

Рисунок 10

Сравнение точности, отзыва и…

Рисунок 10

Сравнение точности, отзыва и оценки F1 между подходами на отдельном…

Рисунок 10

Сравнение точности, полноты и оценки F1 между подходами в отдельном наборе тестов. Набор данных UBDH состоял из 54 изображений с 190 отдельными неповрежденными листьями. Набор данных HCD состоял из 90 изображений с 260 отдельными листьями.

Рисунок 11

Образцы целых листьев, извлеченных…

Рисунок 11

Образцы целых листьев, извлеченные и использованные для выделения признаков. Первая строка представляет…

Рисунок 11

Образцы интактных листьев извлечены и использованы для выделения признаков. В первой строке представлены исходные листья, сегментированные вручную; второй ряд состоит из листьев, извлеченных предлагаемым способом; третья строка представляет листья, извлеченные на основе модели Faster R-CNN; и последняя строка представляет собой листья, извлеченные при использовании модели YOLOv5s. Первые три столбца для подходов, основанных на обнаружении объектов, показали некоторые артефакты, возникающие при использовании подходов, основанных на обнаружении объектов, в отличие от сегментации. Последние три столбца показали несколько случаев сбоя даже для модели сегментации с небольшими артефактами на границе листьев и отсутствующей вершиной листа.

См. это изображение и информацию об авторских правах в PMC

Похожие статьи

• Полный набор данных о размерах листьев для семи видов растений из оцифрованных изображений гербарных образцов, охватывающих более двух столетий.

  Kommineni VK, Tautenhahn S, Baddam P, Gaikwad J, Wieczorek B, Triki A, Kattge J. Комминени В.К. и др. Biodivers Data J. 2021 13 июля; 9:e69806. дои: 10.3897/BDJ.9.e69806. Электронная коллекция 2021. Данные биодайверов J. 2021. PMID: 34316273 Бесплатная статья ЧВК.

• Углубляясь в автоматическую идентификацию образцов Гербария.

  Карранса-Рохас Дж., Гоо Х., Боннет П., Мата-Монтеро Э., Джоли А. Карранса-Рохас Дж. и соавт. БМС Эвол Биол. 2017 11 августа; 17 (1): 181. doi: 10.1186/s12862-017-1014-z. БМС Эвол Биол. 2017. PMID: 28797242 Бесплатная статья ЧВК.

• GinJinn: конвейер обнаружения объектов для автоматического извлечения признаков из гербарных образцов.

  Отт Т., Палм К., Фогт Р., Оберприлер К. Отт Т. и др. заявл. завод науч. 26 июня 2020 г.; 8(6):e11351. doi: 10.1002/aps3.11351. электронная коллекция 2020 июнь. заявл. завод науч. 2020. PMID: 32626606 Бесплатная статья ЧВК.

• Применение компьютерного зрения к гербарным образцам немецких деревьев: проверка будущей полезности миллионов изображений гербарных образцов для автоматической идентификации.

  Унгер Дж., Мерхоф Д., Реннер С. Унгер Дж. и соавт. БМС Эвол Биол. 2016 16 ноября; 16 (1): 248. doi: 10.1186/s12862-016-0827-5. БМС Эвол Биол. 2016. PMID: 27852219 Бесплатная статья ЧВК.

• Автоматическая сегментация нескольких органов на трехмерных КТ-изображениях с использованием подходов глубокого обучения.

  Чжоу С. Чжоу С. Adv Exp Med Biol. 2020;1213:135-147. doi: 10.1007/978-3-030-33128-3_9. Adv Exp Med Biol. 2020. PMID: 32030668 Обзор.

Посмотреть все похожие статьи

Цитируется

• Набор изображений расчищенных, рентгеновских и ископаемых листьев, проверенных для семейства растений для человеческого и машинного обучения.

  Уилф П. , Винг С.Л., Мейер Х.В., Роуз Дж.А., Саха Р., Серре Т., Кунео Н.Р., Донован М.П., ​​Эрвин Д.М., Гандольфо М.А., Гонсалес-Акре Э., Эррера Ф., Ху С., Иглесиас А., Джонсон К.Р., Карим ТС, Цзоу С. Уилф П. и др. Фитоключи. 2021 16 декабря; 187:93-128. doi: 10.3897/phytokeys.187.72350. Электронная коллекция 2021. Фитоключи. 2021. PMID: 35068970 Бесплатная статья ЧВК.

использованная литература

1. 1. Беббер Д.П., Карин М.А., Вуд Дж.Р.И., Уортли А.Х., Харрис Д.Дж., Пранс Г.Т., Дэвидс Г., Пейдж Дж., Пеннингтон Т.Д., Робсон Н.К.Б. и др. Гербарии являются важным рубежом для открытия видов. проц. Натл. акад. науч. США. 2010;107:22169–22171. doi: 10.1073/pnas.1011841108. — DOI — ЧВК — пабмед
2. 1. Уиллис К. Г., Эллвуд Э.Р., Примак Р.Б., Дэвис К.С., Пирсон К.Д., Галлинат А.С., Йост Дж.М., Нельсон Г., Мазер С.Дж., Россингтон Н.Л. и др. Старые растения, новые приемы: фенологические исследования с использованием гербарных образцов. Тенденции Экол. Эвол. 2017; 32: 531–546. doi: 10.1016/j.tree.2017.03.015. — DOI — пабмед
3. 1. Мейнеке Э.К., Дэвис К.С., Дэвис Т.Дж. Нереализованный потенциал гербариев для биологии глобальных изменений. Экол. моногр. 2018; 88: 505–525. doi: 10.1002/ecm.1307. — DOI
4. 1. Томашевский Д. , Гуржковска А. Форма свежего и сушеного листа одинакова? ПЛОС ОДИН. 2016;11:e0153071. doi: 10.1371/journal.pone.0153071. — DOI — ЧВК — пабмед
5. 1. Хусейн Б.Р., Малик О.А., Онг В.-Х.Х., Слик Дж.В.Ф. Вычислительные науки и технологии, Материалы 6-го ICCST 2019, Кота-Кинабалу, Малайзия, 29–30 августа 2019 г. Springer; Берлин/Гейдельберг, Германия: 2020. Автоматизированная классификация данных о видах тропических растений на основе методов машинного обучения и измерений характеристик листьев; стр.