利用泽尼塔尔 rgb 图像进行田间作物耳计数
February 2nd, 2019
我们提出了一种计算硬质合金小麦和大麦耳朵的协议, 使用自然颜色 (rgb) 数码照片在自然阳光下在野外条件下拍摄。该技术只需对相机参数进行最小的调整, 并存在一些环境条件限制, 可在一系列生长阶段提供精确、一致的结果。
我们想向您展示我们在田间条件下的谷物耳计数方法。本研究的目的是演示一种快速有效的计算田间条件下小麦耳朵的方法。杜鲁姆小麦和大麦是地中海盆地南部和东部地区种植最多的谷物。
在这些地区，由于气候变化，环境条件将发生变化。我们必须努力增加产量。从这个意义上说，遥感和近位传感图像已成为使用不同传感器子级进行场高通量表型的重要工具。
提高谷物产量的一个基本点是更有效地评估产量。由以下三个产量成分决定:耳密度、每耳颗粒数和千核重量。我们将尝试开发一个自动计数耳朵单位作物面积，换句话说，耳朵密度。
我们开发的协议是使用 2000 万像素的摄像头，在距离作物树冠顶部约 80 厘米的距离下向下拍摄照片或完全 xenapho 或 natur。出于验证目的，我们同时在田间小麦耳计数或大麦耳计数以及图像的手动计数，以验证技术和微调算法。拍摄现场照片时也很重要，拍摄照片是在太阳中午两个小时内拍摄的。
这一点很重要，因为它避免了阴影效应，使协议第二阶段的图像分析复杂化。在这部分，我们想向您展示我们在田间条件下进行谷物耳计数的方法。这项工作是与伊塔西尔、INIA和先正达合作进行的。
我们开始吧我们协议的第一步是选择适当的作物生长阶段。在我们的案例中，我们使用谷物填充和近色谱学之间的阶段，在东南案例中对应于 60 到 87 之间的数字。
在图 A:小麦和图 B:大麦中，我们选择了数据集的卫星图像示例。图像捕获有3个参数:传感器宽度、照片镜头以及相机与顶篷之间的距离。有了这些信息，我们可以计算图像的平方米。
算法实现和调整，这些是 pa-blan-y 步骤。作为输入，我们有一个 RGB 图像。拉拉西亚频率过滤器，我们用它来去除部分土壤，离开和不需要的亮度。
介质滤波器检查噪声，最后找到最大值确定局部选择。输出图像显示检测到的耳朵。算法实现和调整。
如果图像是使用不同的相机规格或顶篷和相机之间的距离拍摄的，我们可以调整一些算法参数。拉拉西亚过滤器仍然相同。在中滤波器和查找最大值中，我们可以更改直径和噪声参数。
算法验证。对于验证步骤，我们在原始图像中标记了每个耳朵，然后使用简单的算法计算图像中的标记数。结果用于计算成功率。
我们还包括一个圆，在图像中具有物理引用。使用图像实现算法。这是麦片扫描仪插件。
您将在中央选项卡数据计数中找到。在选项中，您可以选择输入图像以及要保存结果的位置。我想向您展示使用一个图像的宏的工作原理。
我们将选择此图像，现在我们将运行第一步。这是图像的频率形成，在这里我们有结果。第二步是介质过滤器。
我们将运行此步骤，这就是结果。最后，我们将运行切割的最后一部分，这些都是结果，这些最终数字是检测到的耳朵数量。另一种方式是点击这里，我们处理，查找最大值，并点击这里。
这是使用耳朵计数算法的另一种方式。您可以访问我们的网站综合杂技物理组。com 和这里在软件开发， 你会发现麦片扫描仪。
要获得访问权限，请直接写入此电子邮件。请按照步骤安装插件。安装插头后请直接去插上，麦片扫描仪，打开麦片扫描仪。
现在，我们将使用两个图像。直接转到麦片扫描仪、耳朵计数和选项中，选择您的文件。在这里，您可以使用树冠和相机之间的距离。
在我们的情况下，我们使用它80厘米。在这里，您可以选择焦距。最后在结果文件中，你会发现耳朵计数的结果和只是处理。
这是我们的结果。在这里，我们有图像的名称，在前面，我们有检测到的耳朵数量。这些是小麦和大麦的结果。
对于每个图形，X 轴表示手动计数。单击，Y 轴表示算法计数。两个轴在一平方米刻度中。
在小麦的第五图形中，我们获得了等于0.62的确定系数，在第二个大麦图形中，我们获得了等于0.75的确定系数。在小麦的最终图像中，我们获得了等于0.75的确定系数。在品种评估周期和产量预测中，计数是最费力的工作和耗时之一。
因此，需要一种快速友好的技术来改进和扩大其在精确的农业和作物育种以及产量预测中的应用。我们使用我们的麦片扫描仪是公共提供公司合作成果，目的是以更高的效率和时间和资源进行耳朵计数。另一方面，要捕获高质量的数据，最终获得更精确的产品数据库。
虽然还没有得出结论，我想强调类似的方面，你会在这里呈现的误点，一个是本地的，所以这真的是一种技术形式，不需要任何形式的补充，所以人们可以去外地与他们的相机，与手机，在阳光下拍摄图像，这就是所有。第二，一个非常重要的一点是，这只是一种阿松顿方法，与人们以非常不同的方式计算耳朵数量的问题的认知性形成了鲜明的对比。因此，以前有一个前百分之一的当地人很重要，因为你可能在几分钟内完成一对夫妇或三个人可能需要的，也许在几个小时内。
所以算，预算是一个非常重要的点。另一个方面是，该方法对于减少分辨率是最小的。这意味着，你可以安装RGB相机在一个巨型植物在一种自动植物形式，然后你可以做一个自动计数这个事实。
最后，我要说，这不是方法的结束，所以我们有一个百分比方法，可以改善在未来通过结合所有的方法，例如使用不同的RGB颜色和空间，例如与多光谱想象相结合，甚至使用热图像或热图像。就这些，谢谢。
View the full transcript and gain access to thousands of scientific videos
概述
本研究提出了一种使用在自然阳光下拍摄的RGB数字照片来计数硬质小麦和大麦穗的协议。该方法确保了在各种生长阶段中，通过最少的相机调整来获得精确和一致的结果。
关键研究组成部分
科学领域
- 农学
- 遥感
- 田间表型学
背景
- 硬质小麦和大麦在地中海盆地广泛种植。
- 气候变化正在改变影响农作物生产的环境条件。
- 高通量表型学对改进农业实践至关重要。
- 遥感和近距离感应图像在这种情况下是有价值的工具。
研究目的
- 展示在田间条件下计数谷物穗的高效方法。
- 提高作物监测技术的准确性。
- 为在变化的气候中提高产量做出贡献。
使用的方法
- 利用RGB数字摄影。
- 在自然阳光下拍摄照片。
- 田间条件以获取真实数据。
- 对相机参数的调整最少。
主要结果
- 该技术在各个生长阶段提供精确的穗计数。
- 尽管存在环境变化，结果仍然一致。
- 该方法对于田间应用快速且高效。
- 支持高通量表型学努力。
结论
- 所提出的方法对计数谷物穗有效。
- 它可以帮助适应气候变化对农业的影响。
- 进一步的研究可能会增强其在其他作物中的应用。
常见问题
Executive Industry Relevance
Accurate and high-throughput assessment of agronomic traits such as ear density is critical for cereal crop breeding programs aiming to improve yield prediction and selection efficiency. Manual ear counting is labor-intensive, lacks standardization, and creates bottlenecks in variety evaluation cycles. An automated, sunlight-based RGB imaging method enables scalable, reproducible phenotyping that supports data-driven decisions in early-stage breeding pipelines.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Scientific Value: Enables quantitative trait measurement (ear density) to support yield-related hypothesis testing in cereal improvement programs.
- Operational Value: Provides a standardized, non-destructive method for ear counting that reduces variability across field trials and evaluators.
Screening & Assay Development
- Scientific Value: Generates reproducible numerical outputs (ears/m²) suitable for correlation with genetic markers or environmental variables in screening workflows.
- Operational Value: Supports high-throughput image-based phenotyping with minimal sample preparation, allowing rapid evaluation of large breeding populations.
Translational & Preclinical Research
- Scientific Value: Facilitates early-generation yield estimation, enabling translational continuity from phenotypic screening to advanced breeding stages.
- Operational Value: Reduces time and labor in yield component assessment, accelerating breeding cycle timelines.
Pipeline & Workflow Integration
The method integrates into the discovery continuum by providing standardized ear density measurements that inform genetic selection and hybrid development decisions in cereal breeding programs.
- Discovery Biology: Supports hypothesis testing related to yield component traits through quantifiable, image-based ear counting under field conditions.
- Screening: Enables reproducible, high-throughput assessment of ear density across genotypes using zenithal RGB imaging and automated peak detection.
- Analytics: Delivers count-based outputs with reported R² values (0.62–0.75) against manual counts, supporting trait validation and selection accuracy.
- Translational Research: Connects early phenotypic data to yield prediction models, aiding in the advancement of promising lines to later-stage evaluation.
- Enterprise Reuse: Represents a reusable imaging and algorithmic framework adaptable to different cereal crops and field conditions with minimal parameter tuning.
Operational & Enterprise Impact
- Scientific Value: Improves predictive confidence in yield-related trait assessment by reducing subjectivity and increasing measurement consistency.
- Operational Value: Standardizes ear density measurement across locations, seasons, and evaluators, enhancing data comparability in multi-site trials.
- Strategic Value: Enables faster go/no-go decisions in breeding programs by accelerating yield component evaluation.
- Portfolio Impact: Supports risk-adjusted advancement of breeding lines through reliable, high-throughput phenotyping of a key yield determinant.
Implementation Considerations
- Requires expertise in image processing and phenotypic data analysis to implement and adapt the counting algorithm.
- Needs a calibrated RGB camera (e.g., 20 MP) and controlled imaging conditions (e.g., within two hours of solar noon, ~80 cm canopy distance).
- Demands standardization of imaging protocols across teams and sites to ensure algorithmic consistency and reproducibility.
- Involves adjustment of algorithm parameters (e.g., filter diameters, noise thresholds) based on camera resolution, focal length, and imaging height.
- Limited to clear, shadow-minimized field conditions; performance may vary under complex backgrounds or non-ideal lighting.
