Imagerie et analyse pour la quantification des phénotypes de stress abiotique du maïs (Zea mays)

Notre recherche est axée sur le développement et l’application d’outils de phénotypage des plantes à haut débit. Notre objectif est d’effectuer des mesures rapidement, à moindre coût et sans tuer les plantes. Les développements récents dans le domaine du phénotypage des plantes ont étendu l’analyse d’images à différents types de caméras, telles que les satellites et les drones, et appliqué de nouvelles techniques d’apprentissage automatique.

Les défis expérimentaux actuels comprennent la grande portée et le travail important requis pour capturer des mesures à de nombreux points temporels, des traitements environnementaux et des génotypes afin de réaliser des progrès significatifs sur les questions biologiques. Notre protocole fournit une méthode simple pour capturer et analyser des images d’usine avec rapidité et flexibilité sans avoir besoin d’équipement coûteux. Pour commencer, allumez la multiprise à l’aide de l’interrupteur et appuyez sur le bouton pour allumer le moniteur.

Placez l’appareil photo sur un trépied ou une table et alimentez l’appareil photo via le cordon d’alimentation ou les piles. Allumez l’appareil photo à l’aide du bouton d’alimentation de l’appareil photo. Connectez l’appareil photo au port USB du SBC à l’aide du câble de transfert de données fourni et à l’appareil photo.

Ensuite, placez un morceau de ruban adhésif de couleur foncée sur le tissu de qualité photographie où le pot sera placé. Positionnez maintenant le pot sur le ruban adhésif. Pour les plantes qui poussent dans un avion, comme le maïs et le sorgho, positionnez l’angle le plus large de la plante vers la caméra.

Ajustez la carte de couleurs pour qu’elle soit alignée avec le pot, mais séparée de la plante pour ne pas se chevaucher. Cliquez sur le bouton Terminal pour ouvrir le terminal sur le SBC. Entrez la ligne de code pour ouvrir la fenêtre de capture d’image.

Tapez ensuite le nom de l’image manuellement ou scannez un code-barres ou un code QR de l’installation à l’aide d’un lecteur de codes-barres. Après avoir pris la photo, sélectionnez une option pour enregistrer l’image localement ou sur un serveur monté ou un stockage en nuage. Cliquez sur le bouton cliquez ici pour prendre une photo" pour capturer l’image.

Si le stockage local a été choisi, ouvrez le dossier Photos sur le bureau pour examiner l’image. Si un serveur ou un stockage cloud a été utilisé, ouvrez l’image à cet emplacement. Après avoir capturé toutes les images, utilisez la méthode préférée, telle qu’un stockage USB, un navigateur Internet ou un transfert SSH pour copier toutes les images du SBC vers un ordinateur local ou un stockage en nuage.

Téléchargez les fichiers requis sur un ordinateur ou un serveur local. Installez plantcv à l’aide de la ligne de commande ou du gestionnaire de paquets. Ouvrez photo-studio-SV-notebook.

ipynb à l’aide d’un éditeur de code préféré tel que JupyterLab ou Visual Studio Code. Exécutez chaque bloc de code, en apportant les modifications nécessaires en fonction des paramètres décrits dans le code pour obtenir un masque propre de l’usine. Lorsque vous êtes satisfait de l’analyse de l’image d’exemple, ouvrez le flux de travail.

py dans l’éditeur de code préféré. Modifier le flux de travail. py pour inclure toutes les modifications de paramètres effectuées dans le photo-studio-SV-notebook.

ipynb et enregistrez le fichier. Ouvrez photo-studio-SV-config. json pour mettre à jour les chemins d’accès aux fichiers.

Modifiez les chemins d’accès au dossier d’entrée contenant les images de l’usine et au dossier de sortie où les images traitées et les résultats seront stockés. Ouvrez un terminal et activez plantcv avec la commande conda activate plantcv et appuyez sur Entrée sur le clavier. Modifiez la ligne de code spécifiée pour qu’elle pointe vers la configuration photo-studio-SV mise à jour.

fichier json. Dans le terminal, tapez le code modifié et appuyez sur la touche Entrée du clavier. Assurez-vous que plantcv est activé dans le terminal.

Exécutez ensuite la commande pour convertir results-photo-studio. json en csv, en mettant à jour le chemin du fichier en conséquence. L’analyse d’images dans plantcv a réussi à segmenter les plants de maïs de l’arrière-plan à l’aide d’un seuil à double canal.

L’analyse plantcv a fourni 16 caractères à valeur unique, y compris la surface des feuilles, la hauteur, la largeur et la moyenne circulaire de la teinte, avec des traits à valeurs multiples tracés sous forme d’histogrammes. La surface, la hauteur, la largeur et la teinte des feuilles expliquent plus de 50 % des variantes dues au traitement, ce qui en fait des indicateurs clés pour l’analyse en aval. La plante avec la plus grande surface foliaire avait la teinte moyenne la plus élevée et était un génotype B73, une plante bien arrosée et stressée par la chaleur.

La plus petite surface foliaire avait également la plus petite teinte moyenne et était un génotype B73, une plante stressée par la sécheresse et la chaleur. Le traitement de l’eau a affecté de manière significative la surface, la hauteur, la largeur et la teinte des feuilles, tandis que le traitement thermique n’a affecté que de manière significative la hauteur. Le stress hydrique a considérablement réduit la surface foliaire, la hauteur de la plante, la largeur de la plante et la moyenne circulaire de la teinte dans les deux conditions de température.

La réduction de la teinte moyenne due à la sécheresse était due à un passage des pixels verts aux pixels jaunes. Le stress thermique a provoqué à la fois le jaunissement et l’assombrissement de la couleur verte. La surface foliaire mesurée par analyse d’image est fortement corrélée à la biomasse végétale, validant la méthode de phénotypage basée sur l’image.