Przedstawiamy protokół liczenia kłosów pszenicy durum i jęczmienia, wykorzystując cyfrowe zdjęcia w naturalnym kolorze (RGB) wykonane w naturalnym świetle słonecznym w warunkach polowych. Dzięki minimalnym dostosowaniom parametrów kamery i pewnym ograniczeniom warunków środowiskowych, technika ta zapewnia precyzyjne i spójne wyniki na różnych etapach wzrostu.
Subskrypcja JoVE jest wymagana do oglądania tego materiału. Zaloguj się lub rozpocznij bezpłatny okres próbny.
Artykuł metodologiczny
Liczenie kłosów zbóż w warunkach polowych przy użyciu obrazów Zenithal RGB
W tym artykule
Podsumowanie
Streszczenie
Gęstość kłosów, czyli liczba kłosów na metr kwadratowy (kłos/m 2), jest centralnym punktem w wielu programach hodowli roślin zbożowych, takich jak pszenica i jęczmień, stanowiąc ważny składnik agronomiczny plonu dla oszacowania plonu ziarna. Dlatego szybka, wydajna i ustandaryzowana technika oceny gęstości kłosów pomogłaby w poprawie zarządzania rolnictwem, zapewniając poprawę prognoz plonów przed zbiorami, a nawet mogłaby być wykorzystana jako narzędzie do hodowli roślin, gdy zostanie zdefiniowana jako cecha o dużym znaczeniu. Obecne techniki ręcznej oceny gęstości kłosów są nie tylko pracochłonne i czasochłonne, ale także nie mają żadnego oficjalnego znormalizowanego protokołu, czy to za pomocą metra bieżącego, kwadrantu powierzchni, czy ekstrapolacji opartej na gęstości kłosów roślin i liczbie roślin po zbiorach. Szczegółowo przedstawiono algorytm automatycznego zliczania uszu do szacowania gęstości uszu przy samym oświetleniu światłem słonecznym w warunkach polowych w oparciu o zenitalne (nadir) obrazy cyfrowe w kolorze naturalnym (czerwonym, zielonym i niebieskim [RGB]), co pozwala na ustandaryzowane pomiary o wysokiej przepustowości. Aby uzyskać reprezentatywne wyniki, wykorzystano różne próby polowe pszenicy durum i jęczmienia rozmieszczonych geograficznie w Hiszpanii w sezonach upraw 2014/2015 i 2015/2016 w próbach nawadnianych i zasilanych deszczem. Protokół trójfazowy obejmuje planowanie etapu wzrostu upraw i warunków polowych, wytyczne dotyczące przechwytywania obrazu oraz algorytm komputerowy składający się z trzech kroków: (i) filtra częstotliwości Laplace'a do usuwania artefaktów o niskiej i wysokiej częstotliwości, (ii) filtra mediany do redukcji wysokiego szumu oraz (iii) segmentacji i liczenia przy użyciu lokalnych maksimów dla końcowego liczenia. Należy dokonać drobnych korekt w kodzie algorytmu odpowiadających rozdzielczości kamery, ogniskowej i odległości między kamerą a baldachimem uprawy. Wyniki wskazują na wysoki wskaźnik sukcesu (wyższy niż 90%) i wartości R2 (0,62-0,75) między liczeniem algorytmu a ręcznym liczeniem kłosów opartym na obrazie zarówno dla pszenicy durum, jak i jęczmienia.
Wprowadzenie
Światowe wykorzystanie zbóż w latach 2017/2018 wzrosło o 1% w stosunku do roku poprzedniego1. Opierając się na najnowszych prognozach dotyczących produkcji zbóż i wykorzystania populacji, światowe zapasy zbóż muszą zwiększać plony w szybszym tempie, aby sprostać rosnącemu zapotrzebowaniu, jednocześnie dostosowując się do rosnących skutków zmian klimatycznych2. W związku z tym kładzie się duży nacisk na poprawę plonów w uprawach zbóż poprzez doskonalenie technik hodowli roślin. Jako przykłady do tego badania wybrano dwa najważniejsze i najczęściej zbierane zboża w regionie Morza Śródziemnego, a mianowicie pszenicę durum (Triticum aestivum L. ssp. durum [Desf.]) i jęczmień (Hordeum vulgare L.). Pszenica durum jest najczęściej uprawianym zbożem na południowych i wschodnich obrzeżach basenu Morza Śródziemnego i jest dziesiątą najważniejszą uprawą na świecie, ze względu na roczną produkcję 37 milionów ton rocznie3, podczas gdy jęczmień jest czwartym światowym zbożem pod względem produkcji, z globalną produkcją na poziomie 144,6 miliona ton rocznie4.
Techniki teledetekcji i analizy obrazów proksymalnych są coraz bardziej kluczowymi narzędziami w rozwoju polowego fenotypowania roślin o wysokiej przepustowości (HTPP), ponieważ nie tylko zapewniają bardziej zwinne, ale także, często, bardziej precyzyjne i konsekwentne wyszukiwanie cech biofizjologicznych docelowych upraw, takich jak ocena aktywności fotosyntetycznej i biomasy, szacunki plonów przed zbiorami, a nawet poprawa dziedziczności cech, takie jak efektywność wykorzystania i absorpcji zasobów5,6,7,8,9. Teledetekcja tradycyjnie koncentrowała się na czujnikach wielospektralnych, hiperspektralnych i termowizyjnych z platform powietrznych dla rolnictwa precyzyjnego w skali polowej lub do badań fenotypowania roślin w skali mikrowykresów10. Powszechne, dostępne na rynku aparaty cyfrowe, które mierzą tylko widzialne światło odbite, były często pomijane, pomimo ich bardzo wysokiej rozdzielczości przestrzennej, ale ostatnio stały się popularne, ponieważ nowe innowacyjne algorytmy przetwarzania obrazu są coraz częściej w stanie wykorzystać szczegółowe informacje o kolorach i przestrzeni, które dostarczają. Wiele najnowszych innowacji w zaawansowanych analizach obrazów rolniczych w coraz większym stopniu opiera się na interpretacji danych dostarczanych przez obrazy RGB o bardzo wysokiej rozdzielczości (VHR) (do pomiaru odbicia światła widzialnego czerwonego, zielonego i niebieskiego), w tym na monitorowaniu upraw (wigor, fenologia, ocena i identyfikacja chorób), segmentacji i kwantyfikacji (wschody, gęstość kłosów, liczba kwiatów i owoców), a nawet na pełnych rekonstrukcjach 3D opartych na nowej strukturze z procesów pracy ruchu11.
Jednym z najważniejszych punktów dla poprawy produktywności zbóż jest bardziej efektywna ocena plonów, która jest określana przez trzy główne składniki: gęstość kłosów lub liczbę kłosów na metr kwadratowy (kłosy/m 2), liczbę ziaren na kłos i wagę tysiąca ziaren. Gęstość uszu można uzyskać ręcznie w terenie, ale ta metoda jest pracochłonna, czasochłonna i brakuje jednego ustandaryzowanego protokołu, co razem może skutkować znacznym źródłem błędów. Włączenie automatycznego liczenia kłosów jest trudnym zadaniem ze względu na złożoną strukturę uprawy, bliskie odstępy między roślinami, duże nakładanie się, elementy tła i obecność markiz. Ostatnie prace posunęły się naprzód w tym kierunku, wykorzystując czarną strukturę tła wspartą na statywie w celu uzyskania odpowiednich obrazów kadrowania, wykazując dość dobre wyniki w liczeniu uszu12. W ten sposób uniknięto nadmiernych efektów nasłonecznienia i cienia, ale taka konstrukcja byłaby uciążliwa i stanowiłaby poważne ograniczenie w zastosowaniu do warunków polowych. Innym przykładem jest algorytm automatycznego liczenia kłosów opracowany przy użyciu w pełni zautomatyzowanego systemu fenotypowania ze sztywną zmotoryzowaną suwnicą, który został użyty z dobrą dokładnością do zliczania gęstości kłosów w panelu złożonym z pięciu bezszydłowych odmian pszenicy chlebowej (Triticum aestivum L.) rosnących w różnych warunkach azotowych13. Niedawne prace Fernandez-Gallego14 zoptymalizowały ten proces w celu szybszego i łatwiejszego przechwytywania danych, wykorzystując kolorowe obrazy VHR RGB, a następnie bardziej zaawansowane, ale nadal w pełni zautomatyzowane analizy obrazów. Wydajne i wysokiej jakości gromadzenie danych w warunkach terenowych kładzie nacisk na uproszczony, ustandaryzowany protokół zapewniający spójność i wysoką przepustowość przechwytywania danych, podczas gdy algorytm przetwarzania obrazu wykorzystuje nowatorskie zastosowanie filtrów Laplace'a i filtrów w dziedzinie częstotliwości do usuwania niepożądanych składników obrazu przed zastosowaniem segmentacji do zliczania na podstawie znalezienia lokalnych maksimów (w przeciwieństwie do pełnego rozgraniczenia, jak w innych poprzednich badaniach, co może skutkować większą liczbą błędów z nakładającymi się uszami).
Ta praca proponuje prosty system do automatycznego oznaczania gęstości ucha w warunkach polowych, przy użyciu obrazów uzyskanych z dostępnych na rynku aparatów cyfrowych. System ten wykorzystuje naturalne światło w warunkach polowych i dlatego wymaga uwzględnienia niektórych powiązanych czynników środowiskowych, takich jak pora dnia i zachmurzenie, ale w efekcie pozostaje prosty do wdrożenia. System ten został zademonstrowany na przykładach dla pszenicy durum i jęczmienia, ale powinien być rozszerzony na pszenicę chlebową, która, oprócz tego, że ma kłosy o podobnej morfologii, jest często bezszypułkowa, ale konieczne byłyby dalsze eksperymenty, aby to potwierdzić. W przedstawionym tutaj protokole przechwytywania danych zdjęcia zenitalne są wykonywane po prostu trzymając aparat w ręku lub używając monopodu do ustawiania aparatu cyfrowego nad kadrem. Dane walidacyjne można uzyskać, ręcznie zliczając uszy dla wykresów podrzędnych w terenie lub podczas przetwarzania końcowego, zliczając uszy na samym obrazie. Algorytm przetwarzania obrazu składa się z trzech procesów, które po pierwsze skutecznie usuwają niechciane składowe obrazu w sposób, który następnie pozwala na późniejszą segmentację i zliczenie poszczególnych kłosów pszenicy w pozyskanych obrazach. Po pierwsze, filtr częstotliwości Laplace'a jest używany w celu wykrycia zmian w różnych kierunkach przestrzennych obrazu przy użyciu domyślnych ustawień filtra ImageJ bez regulacji rozmiaru jądra okna (technika segmentacji Find Maxima określa lokalne piki po kroku mediany filtra przestrzennego, na którym to etapie piksele związane z kłosami mają wyższe wartości pikseli niż gleba lub liście. W związku z tym funkcja Znajdź maksima służy do segmentacji wysokich wartości na obrazie, a te obszary są oznaczone jako uszy, co identyfikuje uszy, jednocześnie redukując nakładające się błędy uszu. Analiza cząstek jest następnie używana na obrazach binarnych do zliczania i/lub mierzenia parametrów z obszarów utworzonych przez kontrast między białą i czarną powierzchnią utworzoną przez krok Znajdź maksima. Wynik jest następnie przetwarzany w celu utworzenia binarnej segmentacji obrazu poprzez analizę wariancji pikseli najbliższego sąsiada wokół każdego lokalnego maksimum w celu zidentyfikowania kształtów kłosów pszenicy na przefiltrowanym obrazie. Na koniec gęstość ucha jest zliczana za pomocą funkcji Analizuj cząstki, zgodnie z implementacją w Fiji15. Zarówno Find Maxima, jak i Analyze Particles są samodzielnymi funkcjami i są dostępne jako wtyczki na Fidżi (https://imagej.nih.gov/ij/plugins/index.html). Chociaż nie zostało to wyraźnie przedstawione w protokole, wstępne wyniki przedstawione jako materiał uzupełniający sugerują, że technika ta może być przystosowana do przeprowadzania badań liczby uszu z bezzałogowych statków powietrznych (UAV), pod warunkiem, że rozdzielczość pozostanie wystarczająco wysoka14.
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Protokół
1. Stadium wzrostu uprawy przed wejściem w pole i warunki środowiskowe
- Upewnij się, że etap wzrostu uprawy znajduje się w przybliżeniu między napełnianiem ziarna a okresem bliskim dojrzałości, z kłosami, które są nadal zielone, nawet jeśli liście ulegają starzeniu (co w przypadku pszenicy odpowiada zakresowi 60-87 w skali Zadoksa16). Nieznaczne żółknięcie liści jest dopuszczalne, ale nie jest wymagane.
- Przygotuj plan pobierania próbek do akwizycji obrazów z różnymi powtórzeniami (liczba zdjęć na pole próbne), aby uchwycić zmienność w obrębie pola/obszaru; algorytm przetwarzania obrazu policzy liczbę kłosów na zdjęciu i przeliczy ją na liczbę kłosów na metr kwadratowy (kłosy/m2) na podstawie specyfikacji kamery.
- Zaplanuj wyjścia w teren tak, aby wykonywać zdjęcia w ciągu dwóch godzin od południa słonecznego lub alternatywnie w pochmurny dzień przy rozproszonym oświetleniu, aby uniknąć negatywnego wpływu cieniowania kłosów na algorytm liczenia.
- Po przybyciu w teren sprawdź wierzchołki okalecznika uprawy, aby upewnić się, że są suche, co pozwoli uniknąć zwierciadlannego odbicia światła od wilgoci.
UWAGA: Biorąc pod uwagę cele niniejszego protokołu, należy w pierwszej kolejności rozważyć, czy etap wzrostu uprawy jest odpowiedni do przeprowadzania obliczeń liczby kłosów. Wykonywanie zdjęć poza zalecanym etapem wzrostu doprowadzi do uzyskania wyników suboptymalnych lub bez znaczenia (jeśli kłosy nie są obecne lub nie wyłoniły się w pełni). Jakość obrazu, w tym rozdzielczość i rozmiar sensora, ma również znaczący wpływ na przetwarzanie wyników, a niektóre warunki środowiskowe, takie jak pora dnia i zachmurzenie, muszą zostać starannie rozważone przed przystąpieniem do akwizycji obrazów.
2. Przechwytywanie obrazów w warunkach terenowych przy świetle naturalnym
- Przygotować „fenopol” (phenopole), zgodnie z przedstawionym na Rysunku 1, lub podobny system akwizycji (nawet przenośny), aby szybko, a jednocześnie w zestandaryzowany i spójny sposób, rejestrować obrazy w każdej działce lub wyznaczonym punkcie pomiarowym.
Rysunek 1System liczenia uszu. System zliczania kłosów z wykorzystaniem urządzenia „phenopole” przedstawionego w polu po lewej stronie, wyposażony w zdalnie sterowany czujnik o dużym zakresie w kolorach naturalnych (RGB) oraz wysokorozdzielczy system cyfrowej kamery z regulacją nachylenia i wysokości, wskazujący parametry niezbędne do dostosowania algorytmu przetwarzania obrazu. Rozdzielczość czujnika i obrazu jest wykrywana automatycznie na podstawie właściwości obrazu, natomiast użytkownik powinien wprowadzić dane dotyczące ogniskowej obiektywu oraz odległości od baldachimu roślin. Dane te są niezbędne do dostosowania algorytmu pod kątem szacowanej liczby pikseli na kłos, a także do przeliczenia całkowitej liczby kłosów na obrazie na gęstość kłosowania (kłosy/m²)2). Z tego powodu zaleca się stosowanie tej samej kamery i tej samej ogniskowej obiektywu dla wszystkich obrazów terenowych. Proszę kliknąć tutaj, aby wyświetlić powiększoną wersję tej ryciny.
- Umieść aparat na odpowiednim monopodzie lub wysięgniku typu „selfie”, aby mógł być utrzymany w poziomie, korzystając z poziomic lub wbudowanego systemu stabilizacji obrazu, w celu uzyskania zdjęć zenitalnych.
- Użyj telefonu komórkowego, tabletu lub innego urządzenia, aby połączyć się z aparatem w celu zdalnego wyzwalania migawki oraz podglądu obrazu, co pozwoli uzyskać najlepsze rezultaty i prawidłowo ustawioną ostrość. Skonfiguruj aparat w trybie autofokusa, aby zminimalizować ryzyko błędów w przypadku, gdy użytkownik nie posiada wystarczającego doświadczenia w obsłudze aparatu lub technikach fotograficznych, by poprawnie ustawić ostrość ręcznie, co przedstawiają przykłady zdjęć zenitalnych z prawidłowym ustawieniem ostrości i ekspozycją na Rysunku 2.
Rysunek 2Zdjęcia wycinkowe z widoku zenitalnego. Przykłady zbioru danych obrazów zenitalnych kłosów pszenicy twardej i jęczmienia do zliczania kłosów, obejmujące akceptowalny etap wzrostu i starzenia się od około 61 do 87 według skali Zadoksa. (Lewo) Przykład zbioru danych obrazów zenitalnych pszenicy twardej. (Prawo) Przykład zbioru danych obrazów zenitalnych jęczmienia. Kliknij tutaj, aby wyświetlić powiększoną wersję tej figury.
- Zanotuj numer obrazu przed wykonaniem zdjęcia, aby prawidłowo dopasować obrazy do poletek doświadczalnych. Wykonaj jedno zdjęcie ogólnego obszaru pola na początku oraz jedno zdjęcie gruntu/pola pomiędzy blokami w celu przeprowadzenia kontroli podczas postprocessingu.
- Ustaw aparat na wysokości około 80 cm nad wierzchołkami roślin, używając linijki lub sznurka pomiarowego do okresowej kontroli wysokości aparatu nad baldachimem roślin. Upewnij się, że aparat znajduje się w poziomie i wykonaj zdjęcie. Ta technika może wymagać udziału 1-2 badaczy.
- Jeśli poza manualną walidacją zliczeń na obrazach pożądana jest dodatkowa walidacja liczby kolb w polu, zamontuj do ramy ramię rozszerzające (np. mały okrąg) i ustaw je na środku obrazu, aby przeprowadzić manualne zliczenia w polu dla precyzyjnego podzbioru obrazu; wdrożenie tej techniki może wymagać 2-3 osób.
UWAGA: W związku z tym trzy główne kwestie przy wyborze aparatu obejmują: (1) specyfikację aparatu; w tym przypadku fizyczny rozmiar matrycy; (2) ogniskową obiektywu; (3) odległość między baldachimem a aparatem: mniejsze odległości lub obiektywy z większym przybliżeniem pozwolą uchwycić mniejszy obszar, podczas gdy zdjęcia wykonane z większej odległości obejmą większy obszar uprawy. Szczegóły dotyczące odpowiednich specyfikacji aparatu znajdują się na Rysunku 1.
3. Implementacja i dostrojenie algorytmu
UWAGA: Przedstawiamy tutaj implementację algorytmu oraz dostosowania dla różnych specyfikacji kamer (rozmiar sensora, liczba megapikseli, ogniskowa, odległość od uprawy) oraz rodzaju uprawy (pszenica twarda lub jęczmień) do automatycznego liczenia kłosów. Przegląd algorytmu przedstawiono graficznie na Rysunku 3.
Rysunek 3Potok przetwarzania obrazów do zliczania kłosów jęczmienia dwurzędowego. Potok przetwarzania obrazów do zliczania kłosów jęczmienia dwurzędnego zaimplementowany przy użyciu określonego kodu komputerowego lub za pomocą CerealScanner oprogramowania, z których oba działają w środowisku Fiji (ImageJ). Panel 1 przedstawia obraz oryginalny. Panel 2 pokazuje wyniki zastosowania filtru Laplace'a. Panel 3 przedstawia zastosowanie filtru medianowego, a Panel 4 pokazuje wyniki końcowej funkcji Find Maxima oraz segmentacji w celu uzyskania ostatecznej liczby kłosów. Następnie wykonuje się obliczenia w celu przeliczenia liczby obiektów na obrazie na gęstość kłosowania, co przedstawiono w Rycina 1Obrazy te stanowią przykład pobrany z obszaru badawczego Arazuri (północno-wschodnia Hiszpania, 42°48'33,9"N 1°43'37,9"W) w warunkach światła rozproszonego. Prosimy o kliknięcie tutaj, aby wyświetlić powiększoną wersję tego rysunku.
- Pobierz i zainstaluj program Fiji, Java 8 oraz kod przetwarzający lub zastrzeżoną przez Uniwersytet w Barcelonie wtyczkę CerealScanner (https://fiji.sc/, https://www.java.com/en/download/ oraz https://integrativecropecophysiology.com/software-development/cerealscanner/ [informacje] lub https://gitlab/sckefauver/CerealScanner [repozytorium kodu]); skontaktuj się z autorami korespondencyjnymi w celu uzyskania uprawnień dostępu. Wtyczkę instaluje się w programie Fiji, po prostu kopiując ją do folderu plugins.
- Otwórz wtyczkę z górnego menu, wybierając Plugins > CerealScanner > Open Cereal Scanner.
UWAGA: Poza zaprezentowaną tutaj pracą, wtyczka CerealScanner zawiera kilka różnych indeksów wegetacyjnych opartych na modelu RGB, związanych z wigorem roślin, stresem lub chlorofilem17,18. Specyficzna część CerealScanner obejmuje algorytmy dla Early Vigor (Fernandez-Gallego, w recenzji), Ear Counting14 oraz Crop Senescence19, jak pokazano na Rysunku 4. - Wprowadź korekty specyfikacji kamery i szczegółów przechwytywania obrazu, jeśli różnią się one od wartości domyślnych (szczegóły znajdują się na Rysunku 1 i Rysunku 4).
- Dostosuj parametr algorytmu dla ogniskowej kamery.
- Dostosuj parametr algorytmu dla odległości od baldachimu uprawy.
Rycina 4Karta centralna CerealScanner 2.12 Beta na obu poziomach, wskazująca funkcję liczenia kłosów w obrębie zbioru algorytmów CerealScanner. Użytkownik musi wybrać przycisk … znajdujący się po prawej stronie Wejścia seryjne należy wybrać folder, w którym przechowywane są pliki obrazów, zmienić domyślne wartości odległości H (odległość od kamery do górnej części okapy roślin) oraz ogniskowej, jeżeli różnią się one od wartości domyślnych, a następnie wybrać przycisk … znajdujący się po prawej stronie Plik z wynikami wyboru nazwy i lokalizacji pliku z końcowymi wynikami. Pozostałe karty programu CerealScanner zawierają algorytmy fenotypowania oparte na cechach dla Wczesna wigorystyczność oraz wystąpienie Dojrzałość jako część pakietu kodu CerealScanner. Pod Biomasa istnieje kilka algorytmów służących do szacowania ogólnej żywotności upraw oraz obliczeń biomasy, również dla cyfrowych obrazów RGB. Przykład odnosi się do jęczmienia dwurzędowego, ponieważ został on szczegółowo przedstawiony w Rycina 3.Proszę kliknąć tutaj, aby wyświetlić powiększoną wersję tego rysunku.
Rysunek 5Korekty algorytmu. Korekty wymagane w procesie przetwarzania obrazu w celu prawidłowego zliczenia kłosów pszenicy i jęczmienia przy użyciu tego samego algorytmu są zarządzane automatycznie w ramach dostosowań specyficznych dla kamery w zakresie H Distance (odległości między kamerą a okapem roślinności) oraz Focal Length (ogniskowej), co służy zapewnieniu, aby liczba pikseli przypadająca na jeden kłos pozostawała w miarę stała w różnych zastosowaniach. Kliknij tutaj, aby wyświetlić powiększoną wersję tej ryciny.
- Wybierz środkową zakładkę CerealScanner, a następnie kolejną środkową zakładkę Ear Counting, aby obliczyć liczbę kłosów na każdym zdjęciu z zestawu danych polowych.
- W sekcji Options, w polu Batch Inputs, wprowadź lokalizację zdjęć do analizy.
- W polu Results Files wybierz miejsce zapisu pliku z wynikami. Plik wyników będzie zawierał dwie kolumny z nazwą pliku obrazu oraz wynikami liczenia kłosów.
- Na koniec kliknij Process. Po kilku minutach, w zależności od prędkości komputera, zostanie automatycznie wygenerowany plik wyników z gęstością kłosów na metr kwadratowy (ears/m2), obliczoną za pomocą prostego przelicznika uwzględniającego ustawienia kamery oraz odległość między baldachimem a kamerą w celu przeliczenia powierzchni obrazu na rzeczywistą powierzchnię baldachimu w metrach kwadratowych, zgodnie z Rysunkiem 1.
- Po zebraniu danych przeprowadź walidację post-processingu, ręcznie licząc liczbę kłosów pszenicy lub jęczmienia na zdjęciu, a następnie przeliczając tę wartość na liczbę kłosów na metr kwadratowy (ears/m2), jak pokazano na Rysunku 1, aby porównać wyniki z wartościami uzyskanymi za pomocą algorytmu.
- Użyj wbudowanego w Fiji prostego narzędzia do rozmieszczania punktów, które ułatwia ten proces, oraz funkcji Fiji Analyze Particles do automatycznego generowania zliczeń; zostało to przedstawione graficznie na Rysunku 6.
- Opcjonalnie przeprowadź walidację przy użyciu małego okręgu obszarowego podczas pozyskiwania danych polowych, zgodnie z opisem w kroku 2.6; ręczne zliczenia w polu oraz ręczne zliczenia obrazów w laboratorium mogą następnie służyć do walidacji algorytmu, jak pokazano na Rysunku 7.
Rysunek 6Walidacja algorytmu przy użyciu ręcznego liczenia kłosów na obrazach. Ręczne liczenie kłosów na obrazach dla (po lewej) pszenicy twardej i (po prawej) jęczmienia. Małe kropki zostały utworzone przy użyciu programu Fiji Narzędzie punktowe a następnie policzono przy użyciu Funkcja analizy cząstek z wartością 0,90-1,0 Ograniczenie kolistości po zastosowaniu Próg kolorystyczny z Barwa, nasycenie, intensywność przestrzeń barwna dla koloru określonego przez Narzędzie punktoweMetoda ta zapewnia dokładniejsze ręczne liczenie uszu na podstawie obrazów. Prosimy kliknąć tutaj, aby wyświetlić powiększoną wersję tej figury.
Rysunek 7Walidacja algorytmu przy użyciu ręcznego liczenia w polu oraz ręcznego liczenia kłosów pszenicy i jęczmienia na zdjęciach, z wykorzystaniem okręgu. (Lewo) Przykład walidacji liczby obrazów pszenicy z wykorzystaniem okręgu. (Prawo) Przykład walidacji liczby obrazów jęczmienia z wykorzystaniem okręgu. Podzbiory kłosów wewnątrz białego okręgu policzono przy użyciu tej samej techniki, która została opisana w Rysunek 6 z użyciem Narzędzie wyznaczania punktów, Próg kolorystycznya następnie, Funkcja analizy cząstek z Więzy cyrkularności or wybór koloru za pomocą odcienia (Hue). Proszę kliknąć tutaj, aby wyświetlić powiększoną wersję tej ryciny.
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Wyniki
Na Rysunku 8 przedstawiono współczynnik determinacji między gęstością kłosów (liczbą kłosów na metr kwadratowy) wyznaczoną poprzez ręczne liczenie a algorytmem liczenia kłosów dla pszenicy i jęczmienia w trzech różnych stadiach wzrostu roślin. Pierwszym z nich jest pszenica twarda w skali Zadoksa od 61 do 65 (R2 = 0,62). Drugim jest jęczmień dwurzędowy w skali Zadoksa od 71 do 7 (R2 = 0,75), a ostatnim pszenica twarda w...
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Dyskusja
Zwiększona zwinność, konsekwencja i precyzja są kluczem do opracowania nowych, użytecznych narzędzi do fenotypowania, które pomogą społeczności hodowców roślin w ich wysiłkach na rzecz zwiększenia plonów ziarna pomimo negatywnej presji związanej z globalnymi zmianami klimatycznymi. Skuteczna i dokładna ocena gęstości kłosów zbóż, jako głównego składnika agronomicznego plonów ważnych podstawowych upraw, pomoże zapewnić narzędzia potrzebne do wyżywienia przyszłych pokoleń. Skupienie się na poprawie i wsparciu wysiłków zwią...
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Oświadczenia
Autorzy nie mają nic do ujawnienia.
Podziękowania
Autorzy tego badania chcieliby podziękować personelowi zarządzającemu terenem w stacjach doświadczalnych Colmenar de Oreja (Aranjuez) z Instituto Nacional de Investigación y Tecnología Agraria y Alimentaria (INIA) i Zamadueñas (Valladolid) z Instituto de Tecnología Agraria y León (ITACyL) za wsparcie terenowe dla wykorzystywanych w badaniach naukowych upraw. Badanie to było wspierane przez projekt badawczy AGL2016-76527-R z MINECO w Hiszpanii i było częścią projektu realizowanego we współpracy z firmą Syngenta w Hiszpanii. Stypendium BPIN 2013000100103 z "Formación de Talento Humano de Alto Nivel, Gobernación del Tolima - Universidad del Tolima, Kolumbia" było jedynym wsparciem finansowym dla pierwszego autora Jose Armando Fernandeza-Gallego. Główne źródło finansowania autora korespondencyjnego, Shawna C. Kefauvera, pochodziło z programu ICREA Academia w postaci grantu przyznanego prof. Jose Luisowi Arausowi.
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Materiały
| Nazwa | Firma | Numer katalogowy | Komentarze |
|---|---|---|---|
| Aparat ILCE-QX1 | Sony | WW024382 | Kompaktowy aparat cyfrowy z dużą matrycą i rozmiarem matrycy 23,2 x 15,4 mm. |
| Aparat E-M10 | Olympus | E-M10 | Kompaktowy aparat cyfrowy z dużą matrycą i rozmiarem matrycy 17,3 x 13,0 mm. |
| Multipod Monpod | Sony | VCT MP1 | "Phenopole" w artykule JoVE |
| Komputer | Dowolny komputer PC / Mac / Linux | - | analiza danych i obrazów |
| ImageJ/FIJI (FIJI to po prostu Image J) | NIH | http://fiji.sc | Wtyczka i algorytmy do analizy danych i obrazu |
| Okrąg/metalowy pierścień | Ogólny | Ogólny | metalowy pierścień do walidacji w terenie |
| Krab Szczypce Clip | Nowsza | 90087340 | Okrągła podpora i wysięgnik |
Bibliografia
- 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).
Dostęp ograniczony. Zaloguj się lub rozpocznij wersję próbną, aby wyświetlić tę treść.
Przedruki i uprawnienia
