אנו מציגים את פרוטוקול לספירת דורום האוזניים חיטה ושעורה, באמצעות צבע טבעי (RGB) דיגיטלי תמונות שצולמו באור שמש טבעי בתנאי שדה. עם התאמות מינימליות עבור המצלמה פרמטרים, כמה מגבלות תנאי הסביבה, הטכניקה מספק תוצאות מדויק ועקבי במגוון של שלבי הצמיחה.
הרשמה ל-JoVE נדרשת לצפייה בתוכן זה. התחברו או התחילו בגרסת ניסיון בחינם.
מאמר שיטה
האוזן יבול הדגנים ספירה בשדה תנאי שימוש בתמונות RGB זניתי לשעה
במאמר זה
סיכום
תקציר
צפיפות האוזן, או המספר של האוזניים למטר מרובע (אוזניים/m2), היא מוקד מרכזי רבים ביבול הדגנים לגידול תוכניות, כגון חיטה ושעורה, המייצג מרכיב התשואה אגרונומית חשוב עבור הערכת התשואה תבואה. לכן, טכניקה מהיר, יעיל, ו מתוקננים להערכת האוזן צפיפות תסייע בשיפור ניהול חקלאיים, מתן שיפורים התשואה preharvest תחזיות, או יכול אפילו לשמש ככלי חיתוך גידול כשהוגדרה זה כמו תכונה בעלת חשיבות. לא רק הן טכניקות הנוכחי לאוזן ידנית הערכות צפיפות מפרך וצורך, אלא הם גם בלי כל מתוקננת לתקנון, בין אם על ידי מטר ליניארי, אזור רביע, או אקסטרפולציה בהתבסס על צפיפות האוזן צמח וצמח סופרת לאחר הקטיף. אוזן אוטומטית ספירה האלגוריתם מוצג בפירוט עבור הערכת צפיפות האוזן עם רק אור השמש תאורה בתנאי שדה בהתבסס על זניתי לשעה (נדיר) צבע טבעי (אדום, ירוק וכחול [RGB]) תמונות דיגיטליות, מתן אפשרות עבור תפוקה גבוהה מדידות סטנדרטית. ניסויים שונים בשטח של דורום חיטה ושעורה מבוזר גיאוגרפית ברחבי ספרד במהלך של 2014/2015 עד 2015/ריו דה ז'ניירו עונות חיתוך של ניסויים התלויה שימשו כדי לספק תוצאות נציג. פרוטוקול פאזי כולל שלב הצמיחה יבול בשדה תנאי, הנחיות לכידת התמונה, ותכנון באלגוריתם המחשב של שלושה שלבים: (i) # הלפלסיאן הווקטורי תדירות מסנן כדי להסיר לכלוכים נמוך - ו בתדירות גבוהה, (ii) מסנן החציוני כדי להפחית גבוה רעש, פילוח (iii) ו סופר באמצעות הפסגות maxima מקומיים עבור הספירה האחרונה. התאמות קלות לקוד אלגוריתם חייב להיעשות התואם רזולוציית המצלמה, אורך מוקד של המרחק בין המצלמה החופה היבול. התוצאות להדגים שיעור הצלחה גבוה (יותר מ- 90%) והערכים2 R(של 0.62-0.75) בין הסעיפים אלגוריתם וסופרת האוזן מבוססת תמונה ידנית עבור דורום חיטה ושעורה.
מבוא
ניצול הדגנים העולמי ב- 2017/2018 מדווח הרחב ב- 1% מן השנה הקודמת1. מבוסס על הנבואה האחרונה עבור הדגנים ייצור והאוכלוסיה ניצול, הדגנים העולמי מניות צריך להגדיל את התשואות בקצב מהיר יותר על מנת לעמוד בדרישות ההולכות, תוך התאמה גם הגדלת השפעות האקלים שינוי2. לכן, אין מוקד חשוב על שיפור התשואה גידולי גריסים דרך שיפור היבול רבייה טכניקות. שני דגנים שנקטפו והחשוב ביותר באזור הים התיכון נבחרו כדוגמאות עבור מחקר זה, כלומר, חיטה קשים (חיטת הלחם ל' ה-ssp דורום [Desf.]), שעורה (שעורה מצויה ל'). חיטה דורום הוא, לפי סיומת, הדגנים המפותח ביותר בשולי דרום ומזרח אגן הים התיכון, והוא העשירי הכי חשוב לחתוך ברחבי העולם, בשל הייצור השנתי של 37 מיליון טון בשנה3, אמנם שעורה העולמי הרביעי דגן במונחים של ייצור, בהפקה הכללית ב- 144.6 מיליון טון בשנה4.
חישה מרחוק ודרכי ניתוח התמונה proximal הם כלים יותר ויותר מפתח בקידום שדה תפוקה גבוהה צמח phenotyping (HTPP) כפי שהם מספקים לא רק יותר זריז אך גם, לעיתים קרובות, חיתוך retrievals עקבי ומדויק יותר של המטרה תכונות biophysiological, כגון הערכות של ביומסה, ופעילות פוטוסינתטיים preharvest התשואה הערכות ושיפורים אפילו בתכונה תורשתיות, כגון יעילות משאב ספיגת ושימוש5,6,7 8, ,9. חישה מרחוק התמקדה באופן מסורתי על מולטי ספקטריאליות, היפרספקטרליות ולאחר תרמית הדמיה חיישנים של פלטפורמות אוויריות לחקלאות מדייקת את המשקל שדה או להוראת צמח-phenotyping-microplot קנה המידה של10. מצלמות דיגיטליות משותף, זמינים מסחרית המודדים רק האור משתקף הנראה היו לעתים קרובות התעלמו, למרות שלהם רזולוציה מרחבית גבוהה מאוד, אבל לאחרונה הפך פופולרי כפי אלגוריתמים עיבוד תמונה חדשני מסוגלים יותר ויותר כדי לנצל צבע מפורט ומידע מרחבי אותו הם מספקים. רבים מן החידושים החדשים ביותר בתחום ניתוחי תמונות חקלאי מתקדם יותר ויותר להסתמך על הפרשנות של נתונים שסופקו על-ידי תמונות RGB (VHR) ברזולוציה גבוהה מאוד (למדידת שלהם אדום, ירוק וכחול השתקפות אור גלוי), כולל חיתוך ניטור (מרץ פנולוגיה, הערכות המחלה, זיהוי), פילוח כמת (הופעתה, צפיפות האוזן, פרחים ופירות ספירות) ו שחזורים תלת-ממדי אפילו מלא המבוסס על מבנה חדש של תנועה זרימות עבודה11.
אחת הנקודות החיוניות ביותר לשיפור התפוקה דגנים היא הערכה יעילה יותר של התשואה, הנקבע על-ידי שלושה מרכיבים עיקריים: האוזן צפיפות או המספר של האוזניים למטר מרובע (אוזניים/m2), מספר הגרגרים לכל אוזן, ו המשקל אלף-ליבה. צפיפות האוזן ניתן להשיג באופן ידני בשדה, אך שיטה זו היא מייגעת, זמן רב, חסר פרוטוקול מתוקננת יחיד, אשר ביחד עלול לגרום מקור משמעותי של שגיאה. שילוב ספירת אוטומטי אוזניים היא משימה מאתגרת המבנה חיתוך מורכבים, צמח קרוב מרווח, במידה גבוהה של חפיפה, רכיבי רקע הנוכחות של מלענים. עבודה כולל מתקדמת בכיוון זה באמצעות מבנה רקע שחור נתמך על ידי חצובה כדי לרכוש תמונות היבול מתאימים, הוכחת תוצאות טובות למדי באוזן סופר12. בדרך זו, שמש מופרזת ואפקטים של צללים היו להימנע, אבל מבנה כזה יהיה מסורבל ולא מגבלה משמעותית ביישום בתנאי שדה. דוגמה נוספת היא אוזן אוטומטית ספירה האלגוריתם שפותח באמצעות מערכת אוטומטית לחלוטין phenotyping עם גנטרי ממונע נוקשה, אשר שימש עם דיוק טוב עבור ספירה האוזן צפיפות פאנל המורכב חמש awnless לחם חיטה (חיטת הלחם ל') זנים גדל תחת תנאים שונים חנקן13. עבודה על-ידי פרננדז-גייגו14 יש אופטימיזציה לכידת נתונים מהיר וקל, באמצעות תמונות צבע VHR RGB ואחריו ניתוח תמונה מתקדם יותר, אך עדיין אוטומטית לחלוטין, תהליך זה. האוסף נתונים יעיל באיכות גבוהה בתנאי שדה מדגיש פרוטוקול מתוקננת מפושט עבור עקביות ושימוש תפוקת לכידת נתונים גבוהים, בעוד אלגוריתם עיבוד תמונה מעסיקה את הרומן של תחום # הלפלסיאן הווקטורי ותדירות מסננים כדי להסיר רכיבי תמונה רצויה לפני החלת של פילוח עבור ספירה מבוססת על מציאת maxima המקומי (בניגוד תיחום מלא כמו מחקרים קודמים אחרים, דבר שעלול לגרום לשגיאות יותר עם אוזניים חופפים).
עבודה זו מציעה מערכת פשוטה עבור כימות אוטומטית של האוזן צפיפות בתנאי שדה, שימוש בתמונות שנרכשה מן המצלמות הדיגיטליות. המערכת מנצלת אור טבעי בשדה תנאים, איפוא, מחייב התחשבות של כמה גורמים סביבתיים קשורים, כגון זמן של יום וענן הכיסוי, אבל נשאר, למעשה, פשוט ליישם. המערכת הוכח על דוגמאות דורום חיטה ושעורה אבל צריך להיות להארכה ביישום כדי לחם חיטה, אשר, מלבד המציגות את האוזניים עם מורפולוגיה דומה, הם לעתים קרובות awnless, אבל לניסויים נוספים יידרשו על מנת לאמת את זה. הנתונים ללכוד את פרוטוקול המובאת כאן, תמונות זניתי לשעה נלקחים על ידי פשוט מחזיק את המצלמה ביד או באמצעות חדרגל לצורך מיקום המצלמה הדיגיטלית מעל היבול. אימות נתונים ניתן לרכוש על ידי ספירת האוזניים באופן ידני עבור subplots בשדה או במהלך postprocessing, על ידי ספירת האוזניים בתמונה עצמה. האלגוריתם עיבוד תמונה מורכבת משלושה תהליכים כי, ראשית, להסיר ביעילות רכיבים לא רצויים של התמונה באופן המאפשר, לאחר מכן, את פילוח עוקבות וספירת האוזניים חיטה בודדים של תמונות נרכשות. ראשית, מסנן תדירות # הלפלסיאן הווקטורי משמש כדי לזהות שינויים בכיוונים מרחביים שונים של התמונה באמצעות הגדרות ברירת המחדל ImageJ מסנן ללא התאמות גודל חלון ליבה (קובעמקסימה למצוא פילוח בטכניקה פסגות המקומי לאחר השלב המסנן ' חציון ' מרחבית, בשלב הפיקסלים הקשורים עם האוזניים יש ערכי פיקסלים גבוהה יותר מאשר קרקע או עלים. לכן, למצוא Maxima משמש כדי לחלק את הערכים גבוהים בתמונה, אזורים אלה מסומנים כמו אוזניים, אשר מזהה את האוזניים תוך כדי הקטנת שגיאות האוזן חופפים. חלקיקים לנתח משמש לאחר מכן על תמונות בינאריות לספור ו/או למדוד פרמטרים מאזורים שנוצרו על-ידי הניגוד בין השטח שחור ולבן שנוצרו על ידי השלב Maxima למצוא. התוצאה מעובד ואז ליצור סגמנטציה בינארית באמצעות ניתוח השונות פיקסל השכן הקרוב ביותר סביב כל המקסימלי המקומי כדי לזהות את הצורות האוזן חיטה בתמונה המסוננת. לבסוף, צפיפות האוזן נספרת באמצעות ניתוח חלקיקים, כפי מיושם פיג'י15. Maxima למצוא והן לנתח חלקיקים הם פונקציות עצמאיות זמין כמו תוספים בפיג'י (https://imagej.nih.gov/ij/plugins/index.html). למרות שאינו מוצג במפורש בפרוטוקול כאן, תוצאות ראשוניות שהוצגו כחומר משלים מראים כי טכניקה זו עשוי להיות לצורכי ביצוע סקרים של הרוזן האוזן מן מאוישים (מל טים), מתן זה הפתרון נשאר מספיק גבוה14.
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.
פרוטוקול
1. prefield שלב הצמיחה יבול ותנאים סביבתיים
- ודא שלב הצמיחה יבול הוא בערך בין מילוי תבואה, ליד חיתוך לבגרות, עם האוזניים כי הם עדיין ירוק גם אם העלים senescent (אשר תואמת במקרה של חיטה לטווח 60-87 Zadoks' מידה16). מסוימים הצהבה של העלים הוא מקובל, אבל לא הכרחי.
- הכנת תוכנית דגימה עבור לכידת תמונה עם משכפל שונים (תמונות לכל מגרש) כדי ללכוד אזור ההתוויה/השתנות; האלגוריתם עיבוד תמונה לספור את האוזניים בתמונה והמר כי האוזניים למטר מרובע (אוזניים/m2) מבוסס על מפרט מצלמה.
- תוכנית הטיולים שדה כדי ללכוד התמונות תוך שעתיים בצהריים השמש או, לחילופין, על יום מעונן בתנאי תאורה ' מאטום לשקוף ' כדי למנוע את ההשפעות השליליות של האוזן צל על האוזן ספירת אלגוריתם.
- פעם בשדה, בדוק העליון של החופה החיתוך כדי לוודא כי הוא יבש על מנת להימנע סימונים השתקפות אור מפני לחות.
הערה: בהתחשב המטרות של פרוטוקול זה, חשוב לשקול קודם אם בשלב הצמיחה של היבול מתאים החלת סעיפים האוזן. לכידת תמונות מחוץ שלב הצמיחה מומלץ גם תגרום שיוצרת או בתוצאות חסר משמעות (אם האוזניים הם לא קיים או המתגלים באופן מלא). איכות התמונה יש גם ניכר להשפיע על עיבוד התוצאות, כולל רזולוציה, גודל חיישן, כמה תנאים סביבתיים, כגון זמן של יום וענן לכסות, צריך לשקול בזהירות לפני שתמשיך עם לכידת התמונה.
2. תמונת לכידת בתנאי שדה עם אור טבעי
- להכין "phenopole", כפי שמוצג באיור 1 או רכישת מערכת דומה (אפילו כף יד) כדי ללכוד תמונות במהירות, עדיין ב סטנדרטית ועקבית על כל מגרש או דרך מיקום המטרה.
איור 1 : אוזניים ספירת המערכת. האוזן ספירת המערכת באמצעות "phenopole" שמוצג בשדה משמאל, עם חיישן גדול וטלמכניים טבעי צבע (RGB) ומערכת מצלמה דיגיטלית ברזולוציה גבוהה עם המצלמה הטיה וגובה, המציינת את הפרמטרים הנחוצים עבור התאמת אלגוריתם עיבוד תמונה. חיישן רזולוציית תמונה מזוהים באופן אוטומטי לפי המאפיינים תמונה, בזמן שהמשתמש צריך קלט את הפרטים את אורך המוקד של העדשה, המרחק בין החופה. אלה נחוצים להתאים את האלגוריתם עבור המספר המשוער של פיקסלים לכל אוזן, וגם את ההמרה של הרוזן מבוססת תמונה האוזן סך צפיפות האוזן (אוזניים/ז2). מסיבה זו, מומלץ להשתמש באורך מוקד זהה המצלמה ואת העדשה עבור כל שדה תמונות. אנא לחץ כאן כדי להציג גירסה גדולה יותר של הדמות הזאת.
- מקם את המצלמה על חדרגל מתאימים או "selfie" הקוטב כך זה יכול להיות מתוחזק ברמה, גם באמצעות רמת בועות או מערכת ייצוב במצלמה, כדי להשיג תמונות זניתי לשעה.
- להשתמש בטלפון נייד, מחשב לוח או התקן אחר כדי לחבר את המצלמה להמחשת שתי שלט תמונת לכידת ותמונה לקבלת התוצאות הטובות ביותר עם תמונות ממוקדות כראוי. התוכנית המצלמה פוקוס אוטומטי על מנת להפחית שגיאות במקרה שהמשתמש אינו מוכר מספיק עם טכניקות מצלמה או צילום שלהם כדי להגדיר מיקוד ידני, נכון כפי שמתואר על ידי הדוגמאות של תמונות זניתי לשעה מיקוד נכונה, חשיפה ב- איור 2.
איור 2 : זניתי לשעה לחתוך תמונות. דורום חיטה ושעורה האוזן זניתי לשעה תמונות לאוזן ספירת דוגמאות ערכת נתונים עם שלב מקובל של צמיחה ושל הזדקנות ביולוגית מתוך כ 61 עד 87 בהתאם המידה של Zadoks. (משמאל) דוגמה ערכת נתונים של תמונה זניתי לשעה חיטה דורום. (מימין) דוגמה ערכת נתונים של תמונה זניתי לשעה שעורה. אנא לחץ כאן כדי להציג גירסה גדולה יותר של הדמות הזאת.
- שימו מספר התמונה לפני לכידת תמונה כדי להתאים את התמונות בצורה נכונה עם החלקות שדה. שיא תמונה אחת של אזור שדה כללי בתחילת ותמונה אחת של השדה/הקרקע בין בלוקים postprocessing פקדים.
- מיקום המצלמה על-80 ס מ מעל החלק העליון של החופה חיתוך, שימוש במחרוזת הסרגל או מדידה לבדוק מעת לעת את גובה המצלמה מעל החופה. ודא שהמצלמה נמצאת רמת וללכוד את התמונה. טכניקה זו עשויה לדרוש researcher(s) 1-2.
- אם שדה נוסף האוזן סופר אימות רצוי מלבד אימות ספירת תמונה ידנית, התקנת הרחבה זרוע למסגרת (למשל, עיגול קטן) ומקם אותה באמצע התמונה על מנת לנהל שדה ידנית סעיפי משנה תמונה מדויקת; טכניקה זו עשויה לדרוש 2-3 אנשים ליישם.
הערה: שלושה שיקולים עיקריים בבחירת מצלמה, לכן, כוללים: מפרט מצלמה (1); במקרה זה, גודל פיזי של החיישן; (2) אורך המוקד של העדשה תמונה; (3) המרחק בין החופה ואת המצלמה: מרחקים קטן יותר או גדול יותר עדשות זום ללכוד אזור קטן יותר בעוד תמונות שנלכדו ממרחק גדול יותר ללכוד אזור חיתוך גדול יותר. לקבלת הפרטים על מפרט מצלמה רלוונטי, ראה איור 1 .
3. אלגוריתם יישום והתאמות
הערה: כאן אנו מציגים אלגוריתם יישום והתאמות עבור מפרט מצלמה שונים (גודל חיישן מגה פיקסל, אורך מוקד, מרחק כדי לחתוך) חיתוך (דורום חיטה או שעורה) לספירת האוזן אוטומטית. סקירה כללית של האלגוריתם מוצג בצורה גרפית באיור3.
איור 3 : עיבוד תמונה צינור לספירת האוזן שתי שורות שעורה. צינור עיבוד תמונה עבור שתי שורות שעורה האוזן ספירה כמו מיושמת באמצעות קוד מחשב ספציפי או באמצעות התוכנה CerealScanner , אשר שניהם פועלים במסגרת פיג'י (ImageJ). החלונית ' 1 מציגה את התמונה המקורית. לוח 2 מציג את התוצאות של היישומים של המסנן # הלפלסיאן הווקטורי. לוח 3 מציג את היישום של המסנן החציוני, לוח 4 מציגה את התוצאות של למצוא Maxima הסופי ואת פילוח להפקת הרוזן האוזן הסופי. לאחר מכן, החישובים נעשים כדי להמיר את ספירת התמונה האוזן צפיפות, כפי שמוצג באיור1. התמונות האלו הן דוגמה נלקח מתוך אתר שדה Arazuri (צפון מזרח ספרד, 42 ° 48'33.9 "N 1 ° 43'37.9" W), לפזר לתנאי תאורה. אנא לחץ כאן כדי להציג גירסה גדולה יותר של הדמות הזאת.
- הורד והתקן פיג'י, Java 8, ואת הקוד עיבוד או קניינית CerealScanner התוסף האוניברסיטה של ברצלונה (https://fiji.sc/, https://www.java.com/en/download/, ו https://integrativecropecophysiology.com/software-development/cerealscanner/ [מידע] או https://gitlab/sckefauver/CerealScanner [מאגר קוד]); צור קשר עם המחברים המתאימים עבור הרשאות גישה. התוסף מותקן בתוך פיג'י על-ידי העתקת אותו לתוך תיקיית התוספים.
- פתח את התוסף מתוך התפריט העליון דרך תוספים > CerealScanner > סורק דגנים פתוח.
הערה: מלבד העבודה המוצגת כאן, התוסף CerealScanner כולל מספר מדדי צמחיה מבוסס-RGB שונים הקשורים חיתוך מרץ, מתח או כלורופיל17,18. החלק CerealScanner ספציפית כולל אלגוריתמים מסוימת בתחילת מרץ (פרננדז-גייגו, בסקירה), האוזן לספור14של הזדקנות ביולוגית חיתוך19, כפי שמוצג באיור4. - הזן את ההתאמות של מפרט מצלמה, התמונה ללכוד פרטים אם הם שונים מן הערכים המוגדרים כברירת מחדל (ראה איור 1 , איור 4 לפרטים).
- להתאים את הפרמטר אלגוריתם עבור אורך המוקד של המצלמה.
- להתאים את הפרמטר אלגוריתם עבור המרחק בין החופה היבול.
איור 4 : CerealScanner 2.12 בטא המרכזית tab בשני מפלסים, סימון הפונקציה ספירת האוזן בתוך האוסף האלגוריתם CerealScanner. המשתמש חייב לבחור. כפתור בצד ימין של תשומות אצווה כדי לבחור את התיקיה שבה מאוחסנות את קובצי התמונה, לשנות את ערכי ברירת המחדל של מרחק H (מרחק מן המצלמה אל הפסגה של החופה חיתוך), אורך מוקד, אם שונה המוגדר כברירת מחדל ערכי t, ולאחר מכן בחר. כפתור בצד ימין של קובץ תוצאות כדי לבחור את השם והמיקום של קובץ התוצאות הסופיות. הכרטיסיות האחרות של CerealScanner מספקים אלגוריתמים מבוססי תכונה phenotyping בתחילת מרץ , תחילת הבגרות כחלק מחבילת קוד CerealScanner. תחת הלשונית ביומסה , ישנם אלגוריתמים כמה הערכות של יבול כללי יותר מרץ וביומסה חישובים, גם עבור תמונות דיגיטליות RGB. הדוגמה מתייחס שעורה שתי שורות, כמו זה הודגם בפירוט באיור3. אנא לחץ כאן כדי להציג גירסה גדולה יותר של הדמות הזאת.
איור 5 : אלגוריתם התאמות. התאמות הנדרשות בעיבוד התמונה צינור כדי למנות בהצלחה את שניהם חיטה, שעורה האוזניים משתמש באותו האלגוריתם ינוהלו באופן אוטומטי כחלק התאמות המצלמה ספציפיים של מרחק H (המרחק בין המצלמה את היבול החופה), אורך מוקד ומגישים כדי להבטיח מספר הפיקסלים לכל אוזן יישאר קבוע פחות או יותר בין יישומים שונים. אנא לחץ כאן כדי להציג גירסה גדולה יותר של הדמות הזאת.
- בחר את מרכז CerealScanner ובכרטיסיה עוקבות המרכזית האוזן סומך על מנת לחשב את מספר האוזניים כל תמונה של ערכת נתונים בשדה.
- תחת אפשרויות, הזן, תשומות אצווה, המיקום של התמונות כדי לנתח.
- קבצי התוצאות, לבחור היכן לשמור את הקובץ תוצאות. קובץ התוצאות תכלול שתי עמודות עם שם קובץ התמונה, האוזן ספירת תוצאות.
- לבסוף, לחץ על התהליך, וקובץ תוצאות עם צפיפות האוזן במטרים רבועים (אוזניים/m2), באמצעות יחס פשוט באמצעות את הגדרות המצלמה, המרחק בין חופה מצלמה כדי להמיר לאזור התמונה לאזור החופה בפועל בכיכר מטר בעקבות איור 1, יופק באופן אוטומטי תוך כמה דקות, בהתאם למהירות המחשב.
- לערוך אימות עיבוד דפוס לאחר איסוף הנתונים על-ידי ספירת מספר חיטה או שעורה האוזניים בתמונה באופן ידני ולאחר מכן המרת זה למספר של האוזניים לכל מטר מרובע (אוזניים/m2), כפי שמוצג ב איור 1, כדי להשוות תוצאות עם אלה בהתבסס על הערכים אלגוריתם.
- השתמש בכלי מיקום נקודת פשוט בנוי בתוך פיג'י, המספק תמיכה נוחה עבור תהליך זה, והפונקציה פיג'י חלקיקים לנתח להפקת הסעיפים באופן אוטומטי; זה מוצג באופן גרפי איור 6.
- לחלופין, לבצע אימות באמצעות מעגל שטח קטן במהלך רכישת נתונים שדות כפי שמתואר בשלב 2.6; מדריך סופרת בשטח וכן תמונה ידנית ספירות במעבדה, לאחר מכן, ניתן להשתמש עבור אלגוריתם אימות, כפי שמוצג באיור 7.
איור 6 : אלגוריתם אימות באמצעות ספירת ידנית בהתמונה האוזן. ידנית בהתמונה אוזן נחשב דורום (שמאל) חיטה ושעורה (מימין). נקודות קטנות נוצרו פיג'י הכלי נקודת וספרתי ואז באמצעות הפונקציה חלקיקים לנתח 0.90-1.00 מעגליות אילוץ לאחר החלת צבע הסף מן גוון רוויה עוצמת מרחב של הצבע שצוין על-ידי הכלי נקודתצבעים. שיטה זו מבטיחה ספירות האוזן ידנית המבוססת על תמונה מדויקת יותר. אנא לחץ כאן כדי להציג גירסה גדולה יותר של הדמות הזאת.
איור 7 : אלגוריתם אימות באמצעות מדריך נחשב השטח, סעיפים ידנית בהתמונה האוזן של חיטה ושעורה, באמצעות עיגול. (משמאל) חיטה התמונה ספירת אימות דוגמה באמצעות מעגל. (מימין) שעורה התמונה ספירת אימות דוגמה באמצעות מעגל. הסעיפים תת-קבוצה של האוזניים בתוך העיגול הלבן נספרו תוך שימוש באותה השיטה כפי שמתואר באיור 6 עם הכלי נקודת, צבע הסף, לאחר מכן, הפונקציה חלקיקים לנתח עם מעגליות אילוצים ובחירת צבע באמצעות הגוון. אנא לחץ כאן כדי להציג גירסה גדולה יותר של הדמות הזאת.
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.
תוצאות
באיור 8, התוצאות מציגות את המקדם בנחישות בין צפיפות האוזן (מספר האוזניים לכל מטר מרובע) באמצעות ספירה ידנית את האוזן לספור אלגוריתם עבור חיטה ושעורה שלושה שלבי הצמיחה חיתוך שונות. הראשון הוא חיטה קשים עם קנה המידה של Zadoks בין 61-65 (R2 = 0.62). הדרך השנייה היא שעורה שתי שורות עם קנה המידה של Zadoks בין 71 77 (R2 = 0.75), האחרון הוא חיטה קשים עם קנה המידה של Zadoks בין 81-87 (R2 = 0.75).
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.
דיון
זריזות מוגברת, עקביות ודיוק, הם המפתח בפיתוח כלים שימושיים phenotyping חדשים כדי לסייע לקהילה חיתוך מטלטלין את מאמציהם כדי להגדיל את תפוקת התבואה למרות לחצים שליליים הקשורים שינוי האקלים הגלובלי. הערכות יעילה ומדויקת של דגנים האוזן צפיפות, כפי אגרונומית מרכיב עיקרי של התשואה של מצרך חשוב גידולי, תסייע לספק את הכלים הנחוצים האכלה הדורות. התמקדות שיפור והתמיכה של חיתוך מטלטלין מאמצים בתנאי שדה, מסייע בשמירה על המחקר הזה, טכניקות המובאת כאן יותר קשור קשר הדוק האקלים בעולם האמיתי לשנות תרחישים ואת הצרכים של הקהילה הרבייה אלא...
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.
גילויים
המחברים אין לחשוף.
תודות
המחברים של המחקר הזה רוצה להודות הצוות ניהול שדה בתחנות ניסיוני של Oreja de Colmenar (ארנחואס) של y אינסטיטוטו נאסיונאל דה Investigación Tecnología Agraria y Alimentaria (INIA), Zamadueñas (ויאדוליד) של אינסטיטוטו Tecnología דה Agraria דה ולאון (ITACyL) על תמיכתם שדה מחקר מחקר הגידולים בשימוש. מחקר זה נתמך על ידי הפרויקט מחקר AGL2016-76527-R MINECO, ספרד, חלק מפרויקט שיתוף פעולה עם הפריבט, ספרד. המשפחה BPIN 2013000100103 מן "Formación דה Talento אלטו דה Humano 刀, הממשל דל Tolima - למד דל Tolima, קולומביה" היה הבלעדית מימון תמיכה המחבר הראשון חוזה ארמנדו פרננדז-גייגו.... מקור המימון העיקרי המחבר המקביל, שון ג קיפאובר, הגיעה התוכנית אקדמיה ICREA באמצעות מענק מוענק פרופסור חוסה לואיס Araus.
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.
חומרים
| שם | חברה | מספר קטלוג | הערות |
|---|---|---|---|
| מצלמת ILCE-QX1 | Sony | WW024382 | מצלמה דיגיטלית קומפקטית עם חיישן גדול עם גודל חיישן 23.2 x 15.4 מ"מ. |
| מצלמת E-M10 | אולימפוס | E-M10 | מצלמה דיגיטלית קומפקטית עם חיישן גדול עם גודל חיישן 17.3 x 13.0 מ"מ. |
| Multipod Monpod | Sony | VCT MP1 | "Phenopole" במאמר JoVE |
| מחשב | כל PC/Mac/Linux | - | ניתוח נתונים ותמונה |
| ImageJ/FIJI (FIJI is just Image J) | NIH | http://fiji.sc | תוסף ואלגוריתמים לניתוח נתונים ותמונה |
| טבעת מעגל/מתכת | גנרית | גנרית לאימות בשטח | |
| סרטן קליפ צבת | חדש יותר | 90087340 | מעגל תמיכה וזרוע הארכה |
מקורות
- Food and Agriculture Organization (FAO). Food outlook: Biannual report on global food markets. , Food and Agriculture Organization of the United Nations. (2017).
- Araus, J. L., Kefauver, S. C. Breeding to adapt agriculture to climate change: affordable phenotyping solutions. Current Opinion in Plant Biology. , (2018).
- Ranieri, R. Geography of the Durum Wheat Crop. Pastaria International. 6, (2015).
- Food Agriculture Organization (FAO). The State of Food Insecurity in the World. , Food and Agriculture Organization of the United Nations. (2014).
- Araus, J. L., Cairns, J. E. Field high-throughput phenotyping: the new crop breeding frontier. Trends in Plant Science. 19 (1), 52-61 (2014).
- Fiorani, F., Schurr, U. Future Scenarios for Plant Phenotyping. Annual Review of Plant Biology. 64 (1), 267-291 (2013).
- Cabrera-Bosquet, L., Crossa, J., von Zitzewitz, J., Serret, M. D., Luis Araus, J. High-throughput Phenotyping and Genomic Selection: The Frontiers of Crop Breeding ConvergeF. Journal of Integrative Plant Biology. 54 (5), 312-320 (2012).
- Araus, J. L., Ferrio, J. P., Voltas, J., Aguilera, M., Buxó, R. Agronomic conditions and crop evolution in ancient Near East agriculture. Nature Communications. 5 (1), 3953(2014).
- Furbank, R. T., Tester, M. Phenomics – technologies to relieve the phenotyping bottleneck. Trends in Plant Science. 16 (12), 635-644 (2011).
- Araus, J. L., Kefauver, S. C., Zaman-Allah, M., Olsen, M. S., Cairns, J. E. Translating High-Throughput Phenotyping into Genetic Gain. Trends in Plant Science. 23 (5), P451-P466 (2018).
- Duan, T., et al. Dynamic quantification of canopy structure to characterize early plant vigour in wheat genotypes. Journal of Experimental Botany. 67 (15), 4523-4534 (2016).
- Cointault, F., Guerin, D., Guillemin, J., Chopinet, B. In-field Triticum aestivum ear counting using colour-texture image analysis. New Zealand Journal of Crop and Horticultural Science. 36 (2), 117-130 (2008).
- Dornbusch, T., et al. Digital Field Phenotyping by LemnaTec. , (2015).
- Fernandez-Gallego, J. A., Kefauver, S. C., Gutiérrez, N. A., Nieto-Taladriz, M. T., Araus, J. L. Wheat ear counting in-field conditions: high throughput and low-cost approach using RGB images. Plant Methods. 14 (1), 22(2018).
- Schneider, C. A., Rasband, W. S., Eliceiri, K. W. NIH Image to ImageJ: 25 years of image analysis. Nature Methods. 9 (7), 671-675 (2012).
- Zadoks, J., Chang, T., Konzak, C. A decimal growth code for the growth stages of cereals. Weed Research. 14 (14), 415-421 (1974).
- Casadesús, J., et al. Using vegetation indices derived from conventional digital cameras as selection criteria for wheat breeding in water-limited environments. Annals of Applied Biology. 150 (2), 227-236 (2007).
- Hunt, E. R., et al. A visible band index for remote sensing leaf chlorophyll content at the canopy scale. International Journal of Applied Earth Observation and Geoinformation. 21 (1), 103-112 (2013).
- Zaman-Allah, M., et al. Unmanned aerial platform-based multi-spectral imaging for field phenotyping of maize. Plant Methods. 11 (1), 35(2015).
- Slafer, G. A., Savin, R., Sadras, V. O. Coarse and fine regulation of wheat yield components in response to genotype and environment. Field Crops Research. 157, 71-83 (2014).
- Liu, T., et al. In-field wheatear counting based on image processing technology. Nongye Jixie Xuebao/Transactions of the Chinese Society for Agricultural Machinery. 45 (2), 282-290 (2014).
- Cointault, F., et al. Color and Frequential Proxy-Detection Image Processing for Crop Characterization in a Context of Precision Agriculture. Agricultural Science. , 49-70 (2012).
- Abbad, H., El Jaafari, S., Bort, J., Araus, J. L. Comparative relationship of the flag leaf and the ear photosynthesis with the biomass and grain yield of durum wheat under a range of water conditions and different genotypes. Agronomie. 24, 19-28 (2004).
- Ko, S. J., Lee, Y. H. Center weighted median filters and their applications to image enhancement. IEEE Transactions on Circuits and Systems. 38 (9), 984-993 (1991).
- Smołka, B. Nonlinear techniques of noise reduction in digital color images. Wydawnictwo Politechniki Śląskiej. , (2004).
הגישה מוגבלת. התחברו או התחילו תקופת ניסיון כדי לצפות בתוכן זה.
הדפסות חוזרות והרשאות
