Obrazowanie i analiza w celu ilościowego określenia fenotypów stresu abiotycznego kukurydzy (Zea mays)

Podsumowanie

Przedstawiono metodę taniego obrazowania roślin do pomiaru fenotypów, wraz z najlepszymi praktykami przechwytywania obrazów i potokiem analizy obrazu do ilościowego określania cech roślin. Metody te zastosowano do pomiaru fenotypów kukurydzy (Zea mays) w warunkach upałów, suszy i połączonego stresu abiotycznego.

Streszczenie

Pomiar ilościowych fenotypów lub cech roślin jest niezbędny do zrozumienia reakcji roślin na czynniki środowiskowe, w tym stresy biotyczne i abiotyczne. Jednak tradycyjne metody pomiaru roślin mogą być czasochłonne, niedokładne i destrukcyjne, szczególnie w przypadku indywidualnej oceny cech, takich jak biomasa i wysokość. Analiza oparta na obrazie daje możliwość zmniejszenia nakładu pracy, poprawy dokładności i precyzji oraz umożliwienia powtarzających się pomiarów tego samego zakładu w wielu punktach czasowych. Chociaż wysokowydajne urządzenia do fenotypowania stanowią rozwiązanie, często są one zbyt drogie i mają ograniczoną dostępność na całym świecie. Opisano metodę przechwytywania obrazów roślin przy użyciu tanich komputerów jednopłytkowych i aparatów cyfrowych w konfiguracji studia fotograficznego, której towarzyszy potok analizy obrazu oparty na bezpłatnym pakiecie PlantCV o otwartym kodzie źródłowym. Ta metoda oferuje szybki i dokładny protokół przechwytywania, etykietowania i przesyłania obrazów, a także najlepsze praktyki zapewniające pozyskiwanie obrazów wysokiej jakości. Poprzez analizę obrazu określono ilościowo ponad 10 fenotypów dla wszystkich obrazów w eksperymencie jednocześnie, w tym cechy takie jak wielkość rośliny, wysokość i kolor. Metody te wykorzystano do scharakteryzowania reakcji odmiany B73 wsobnej Zea mays (kukurydza) na upały, suszę oraz warunki stresu abiotycznego związanego z upałami i suszą.

Wprowadzenie

Pomiar cech roślin, czyli fenotypów, jest kluczowy dla odpowiedzi na podstawowe i stosowane pytania w nauce o roślinach. Na przykład badacz chcący zrozumieć wpływ mutacji genetycznej na wielkość rośliny będzie musiał ilościowo zmierzyć wysokość rośliny i powierzchnię liści¹. Badacz stosujący stres biotyczny (taki jak infekcja bakteryjna, wirusowa lub grzybicza) lub stres abiotyczny (taki jak susza, upał, zimno lub wyczerpanie składników odżywczych) będzie musiał zbadać wpływ stresu na kolor roślin lub "zieleń", aby zmierzyć chlorozę^2,3.

Podczas gdy pomiar tych cech jest niezbędny dla podstawowej biologii roślin, jak również dla stosowanej hodowli roślin, pomiary tych cech ręcznie mogą być czasochłonne, nieprecyzyjne i niedokładne^4,5,6,7. Na przykład mierzenie wysokości roślin obejmuje ręczne używanie linijki dla każdej rośliny, często w gorących lub wilgotnych warunkach środowiskowych, i jest obarczone błędem z punktu widzenia osoby mierzącej, a także tego, który punkt jest uważany za "wierzchołek" rośliny. Co więcej, pomiary takie jak zawartość biomasy i pigmentu są destrukcyjne, a ta sama roślina nie może być mierzona pod kątem zmian w czasie ani używana do wielokrotnego pobierania próbek, ponieważ musi zostać zniszczona w procesie dokonywania tych pomiarów^4,5,6,7. Czasochłonny, podatny na błędy charakter tych pomiarów utrudnia postęp w ocenie roślin pod kątem ich fenotypowych i fizjologicznych reakcji na stres.

Przechwytywanie obrazów roślin i mierzenie cech ilościowych na podstawie obrazu dostarcza rozwiązań tych problemów^4,5,6,7. Analiza obrazu poprawia dokładność i precyzję, jednocześnie skracając czas potrzebny badaczowi na wykonanie pomiarów, a ta sama roślina może być wielokrotnie obrazowana lub wykorzystana do innych próbek dzięki nieniszczącej kwantyfikacji cech^4,5,6,7. Co więcej, obrazy mogą być przechowywane i ponownie analizowane długo po zakończeniu eksperymentu i pozbyciu się roślin^4,5,6,7. Analizę obrazu można przeprowadzić indywidualnie za pomocą narzędzi do edycji obrazów o niskiej przepustowości, takich jak ImageJ (Fiji)⁸, lub w przypadku wyższej przepustowości przy użyciu wizji komputerowej i uczenia maszynowego za pomocą platform takich jak PlantCV⁹. PlantCV to bezpłatna platforma do analizy obrazów o otwartym kodzie źródłowym, która umożliwia naukowcom najpierw zamaskowanie (lub oddzielenie) rośliny lub innego obiektu od tła obrazu i dokonanie pomiarów rozmiaru, morfologii, koloru i innych parametrów tej rośliny lub obiektu⁹. Korzystając z modułowego przepływu pracy, badacz najpierw tworzy elastyczny przepływ pracy (lub potok) różnych modułów z przykładowym obrazem, a następnie poddaje pozostałe obrazy przepływowi pracy o wysokiej przepustowości bez interakcji z każdym pojedynczym obrazem⁹. Cechy ilościowe są wyprowadzane i analizowane pod kątem statystycznie istotnych różnic między grupami. Potoki głębokiego uczenia mogą być opracowywane w celu wydajnej, zautomatyzowanej analizy obrazu po przechwyceniu wystarczającej liczby obrazów i oznaczeniu ich odpowiednimi pomiarami cech lub metadanymi¹⁰.

fenotypowanie o wysokiej przepustowości może zwiększyć szybkość i zmniejszyć nakład pracy ludzkiej podczas zbierania danych i/lub podczas analizy danych^4,5^,6^,7. Wysokowydajne urządzenia do fenotypowania umożliwiły automatyzację zbierania obrazów w kontrolowanych środowiskach, w których rośliny przemieszczają się na przenośnikach taśmowych lub za pośrednictwem robotów do stacji obrazowania i są automatycznie oznaczane nazwą (tj. etykietą z metadanymi) powiązaną z zakładem^{6,11,12,13,14}. Chociaż te przenośniki taśmowe lub urządzenia wyposażone w roboty umożliwiają przechwytywanie i etykietowanie dużych ilości obrazów bez interwencji człowieka, jest ich niewiele na świecie, a ich budowa może kosztować miliony dolarów, co czyni je niedostępnymi dla wielu badaczy. Aby zastosować te koncepcje automatycznego obrazowania przy niższych kosztach, Raspberry Pi (tutaj określane jako komputery jednopłytkowe, SBC) to tanie komputery (mniej niż 35 USD za sztukę), które były używane do przechwytywania, nazywania, przechowywania i przesyłania obrazów roślin uprawianych w kontrolowanych środowiskach. Te konfiguracje przechwytują obrazy w zautomatyzowanych, czasowych odstępach czasu przy użyciu tablicy do 72 Raspberry Pi^12,15,16. Chociaż są bardziej opłacalne niż systemy przenośników taśmowych, które mogą kosztować miliony dolarów, wcześniej opisane komory wzrostu SBC są najbardziej odpowiednie do widoku z góry na rosnące małe rośliny i nadal wymagają wielu SBC¹⁵. W środowiskach polowych portale, bezzałogowe systemy powietrzne (UAS), takie jak drony i satelity, rejestrują obrazy w celu analizy cech roślin^17,18. Zarówno systemy terenowe, jak i obiekty o kontrolowanej przepustowości mogą być zaporowe pod względem kosztów początkowych, konserwacji i wiedzy eksperckiej niezbędnej do budowy i konserwacji systemów, a także analizowania obrazów^17,18. Telefony komórkowe i aparaty cyfrowe używane samodzielnie do fotografowania roślin stanowią czasochłonne wyzwanie związane z przesyłaniem obrazów i nazywaniem ich za pomocą metadanych, co jest niezbędne do dalszej analizy obrazu.

Opisane tutaj metody stanowią tanie rozwiązanie do obrazowania roślin dla wyzwań, które nie zostały rozwiązane przez inne systemy. Konfiguracja fotograficzna, w której rośliny są transportowane indywidualnie do studia, pozwala na sprawny pomiar roślin wszystkich rozmiarów w doniczkach. Korzystając z kontrolera SBC podłączonego do aparatu cyfrowego, ta metoda najpierw zapewnia ustandaryzowane przechwytywanie, etykietowanie i przesyłanie obrazów. Używanie klawiatury lub skanera kodów QR/kodów kreskowych do nazywania obrazów w trakcie ich przechwytywania pozwala uniknąć czasochłonnej i podatnej na błędy czynności polegającej na zmianie nazw obrazów za pomocą metadanych po ich przechwyceniu i przechowywaniu. Kompozycja obrazu i zalecane ustawienia kamery są ważne dla umożliwienia dalszej analizy obrazu, a wytyczne są szczegółowo opisane tutaj. Na koniec dostępny jest potok analizy obrazu w PlantCV w celu wyodrębnienia cech ilościowych z przechwyconych obrazów, takich jak powierzchnia liści, wysokość, szerokość i kolor rośliny.

W porównaniu do systemów przenośników taśmowych, ta metoda jest tania i wymaga jednego SBC. Opisana tutaj konfiguracja fenotypowania została skonstruowana w celu wyeliminowania ograniczeń i kosztów związanych z przenośnikiem taśmowym lub systemami zrobotyzowanymi - można zmierzyć instalację o dowolnej wielkości, ponieważ konfigurację można oddzielić od przestrzeni wzrostu, potrzebny jest tylko jeden kontroler SBC i współpracuje z wieloma typami kamer, zapewniając maksymalną elastyczność i przystępność cenową. Podobne podejścia do przedstawionego tutaj obejmują PhenoBox lub PhenoRig^12,19. W porównaniu z pomiarami ręcznymi, ta metoda oszczędza czas, zmniejsza liczbę błędów i nie niszczy roślin^4,12,15,19.

Protokół

Szczegóły dotyczące odczynników i sprzętu używanego w tym protokole są wymienione w Tabeli Materiałów.

1. Przygotowanie studia fotograficznego

1. Zawieś czarną tkaninę klasy fotograficznej na ścianie lub suficie, aby uzyskać widok z boku. Ułóż tkaninę co najmniej 0,5 m na podłodze tak, aby roślina była umieszczona na wierzchu tkaniny (Rysunek 1).
   UWAGA: Tkanina powinna być co najmniej 100 cm wyższa i szersza niż roślina, która ma być sfotografowana.
2. Umieść kartę kolorów na tle, opierając się o obiekt, taki jak pudełko, tak aby był widoczny w ramce (Rysunek 1). W przypadku roślin o wysokości lub szerokości większej niż 30 cm użyj karty kolorów o szerokości co najmniej 20 cm. W przypadku roślin o wysokości lub szerokości mniejszej niż 30 cm użyj karty kolorów o szerokości od 4 do 8 cm.
3. Podłącz kartę SD do laptopa lub komputera stacjonarnego. Pobierz Raspberry Pi Imager z sekcji oprogramowania na stronie internetowej (https://www.raspberrypi.com/software/), a następnie pobierz dostarczony plik raspberrypi-image-capture.img.gz (https://github.com/danforthcenter/photo-maize-paper) na laptopa lub komputer stacjonarny.
4. Uruchom program Imager, otwierając pobrany plik imagera (.exe). Kliknij przycisk Wybierz system operacyjny i wybierz przycisk Użyj niestandardowego na dole. Wybierz plik image-capture.img.gz.
   1. Następnie kliknij przycisk Wybierz pamięć i wybierz kartę SD podłączoną do komputera. Kliknij przycisk Zapisz.
      UWAGA: Upewnij się, że wybrano właściwą kartę SD, ponieważ ten proces spowoduje usunięcie wszystkich danych zapisanych na karcie.
5. Podłącz najnowszą wersję SBC do klawiatury za pomocą USB, do zewnętrznego monitora za pomocą HDMI oraz do listwy zasilającej za pomocą przewodu zasilającego z przełącznikiem. Podłącz monitor do listwy zasilającej za pomocą przewodu zasilającego dostarczonego z monitorem. Umieść kartę SD w kontrolerze SBC. Zobacz Rysunek 1 dla opisanego schematu konfiguracji.
6. Włącz listwę zasilającą, naciskając przełącznik na pasku, włącz monitor za pomocą przycisku na monitorze, a następnie włącz kontroler SBC, przestawiając przełącznik na przewodzie zasilającym na pozycję "on".
7. Podłącz kontroler SBC do lokalnego Internetu za pomocą sieci WIFI lub Ethernet.
8. Jeśli zdjęcia mają być przesyłane bezpośrednio na serwer lub do magazynu w chmurze:
   1. Edytuj plik "CAPTURE-PHOTO.py" na kontrolerze SBC, aby zawierał ścieżkę do pliku, aby zakończyć przesyłanie.
   2. Edytuj plik win-credentials ze ścieżką i hasłem do serwera lub magazynu w chmurze za pomocą następującego polecenia w terminalu: sudo nano /etc/win-credentials.
      UWAGA: Skontaktuj się z administratorem systemu internetowego, aby upewnić się, że folder ma uprawnienia do przesyłania plików.
9. Podłącz bezprzewodowy skaner kodów kreskowych do kontrolera SBC, postępując zgodnie z instrukcjami producenta dołączonymi do skanera kodów kreskowych, za pomocą USB lub Bluetooth.
10. Wyłącz kontroler SBC, klikając przycisk Raspberry Pi w lewym górnym rogu ekranu, klikając Wyloguj, a następnie klikając Zamknij, aby bezpiecznie wyłączyć kontroler SBC. Po wyłączeniu należy przełączyć wyłącznik zasilania SBC w położenie "włączone", przewód zasilający w pozycję "wyłączoną", a listwę zasilającą w pozycję "wyłączoną".

2. Wzrost roślin i leczenie stresu

UWAGA: Każda roślina nadaje się do tej metody fenotypowania; te metody wzrostu roślin mają zastosowanie do reprezentatywnych wyników przedstawionych tutaj.

1. Nasiona witaminy B73 lub innej odmiany kukurydzy należy uzyskać w magazynie.
2. Przygotuj podłoża glebowe i warunki wzrostu:
   1. Napełnij 3,5-calowe doniczki (0,7 l) mieszanką Turface MVP i Berger BM7-35 o objętości 1:1 z 3 funtami / jard sześcienny nawozu o spowolnionym uwalnianiu 14-14-14 (N-P-K). Umieść doniczki na tacy z otworami i dokładnie podlej wodą z odwróconej osmozy (RO).
   2. Ustaw komorę wzrostową na następujące warunki środowiskowe: 30 °C w dzień / 20 °C w nocy, 16 godzin w ciągu dnia, 60% wilgotności i 500 ^{mmol.m-2 s-1} światła na poziomie doniczki w ciągu dnia. Ustaw oddzielną komorę wzrostową z tymi samymi warunkami, z wyjątkiem 38 °C w dzień / 28 °C w nocy dla stresu cieplnego.
3. Posadź 20 nasion kukurydzy, każde w 3,5-calowej doniczce, umieszczając ~ 2 cm głębokości w glebie i przykrywając ją przemieszczoną ziemią. Dokładnie podlać wodą RO i umieścić w komorze kontrolnej wzrostu. Podlewaj codziennie płynnym nawozem (mieszać zgodnie z instrukcjami producenta; patrz tabela materiałów).
   UWAGA: Sadzenie dodatkowych roślin, które są potrzebne do eksperymentu, będzie uwzględniać słabe kiełkowanie i brak jednorodności przed rozpoczęciem aplikacji stresowej. Szybkość kiełkowania będzie się różnić w zależności od odmiany.
4. Po 21 dniach wzrostu przesadź 16 najbardziej jednorodnych roślin (n = 4 rośliny na zabieg) do doniczek o pojemności 3,79 l wypełnionych tą samą mieszanką ziemi doniczkowej, wstępnie zwilżoną wodą RO. Zwróć rośliny do kontrolnej komory wzrostu.
5. W 25 dniu (4 dni po przesadzeniu) przenieś połowę roślin (n = 8) do komory stresu cieplnego w momencie, gdy w komorze zapalą się światła. Przestań podlewać rośliny dotknięte suszą w obu komorach (n = 4 na komorę).
   UWAGA: Rośliny narażone na stres suszy mogą wymagać podlewania, aby rośliny przetrwały do końca eksperymentu; Tutaj rośliny suszy były podlewane w 31 i 37 dniu wodą nawozową.
6. W 38 dniu (13 dni po rozpoczęciu stresu) usuń rośliny z komór wzrostowych w celu obrazowania.

3. Obrazowanie roślin

1. Uruchom kontroler SBC (patrz Rysunek 2):
   1. Włącz listwę zasilającą za pomocą przełącznika na listwie zasilającej.
   2. Włącz monitor za pomocą przycisku na monitorze.
      UWAGA: Jeśli kontroler SBC zostanie włączony przed włączeniem monitora, nie uruchomi się poprawnie.
   3. Ustaw przełącznik na przewodzie zasilającym SBC w pozycji "on".
      UWAGA: Spowoduje to włączenie kontrolera SBC i uruchomienie na monitorze; na samym SBC nie ma przełącznika "on", tylko na przewodzie zasilającym.
2. Umieść aparat na statywie lub stabilnym stole.
   UWAGA: Cała roślina i karta kolorów powinna być widoczna na ekranie aparatu. Kamera powinna być prostopadła do podłoża i mieć bezpośredni view (bez kąta) środka rośliny. Aparat musi być kompatybilny z pakietem gphoto2, a listę można znaleźć tutaj: http://www.gphoto.org/proj/libgphoto2/support.php.
3. Podłącz zasilanie do aparatu za pomocą przewodu zasilającego dołączonego do aparatu lub baterii. Włącz aparat za pomocą przycisku na aparacie.
4. Podłącz aparat do portu USB w kontrolerze SBC za pomocą do przesyłania danych dostarczonego z aparatem.
5. Ułóż roślinę w konfiguracji fotograficznej:
   1. Umieść kawałek ciemnej taśmy na tkaninie fotograficznej, w której zostanie umieszczona doniczka, aby upewnić się, że rozmieszczenie jest takie samo dla każdej rośliny. Upewnij się, że karta kolorów jest wyrównana z kawałkiem taśmy.
      UWAGA: Umieść kartę kolorów w odległości co najmniej 10 cm od krawędzi rośliny. Podczas kontroli jakości w przepływie pracy PlantCV (poniżej), obraz powinien być w stanie przyciąć tak, aby zawierał tylko roślinę i doniczkę, ale nie kartę kolorów, aby zapewnić, że próbki kolorów nie zostaną uwzględnione w ostatecznej ekstrakcji cechy. Zobacz Rysunek 2 dla przykładów obrazów o wysokiej i niskiej jakości.
   2. Umieść garnek na kawałku taśmy. W przypadku roślin rosnących w płaszczyźnie, takich jak kukurydza (Zea mays) i sorgo (Sorghum bicolor), skieruj najszerszą roślinę pod najszerszym kątem w stronę aparatu. W przypadku roślin, które nie rosną w płaszczyźnie, uchwyć kąty 0 i 90 stopni rośliny i uśrednij wynikowe pomiary ilościowe po zakończeniu analizy obrazu.
6. Na ekranie pulpitu SBC wyświetlonym na monitorze otwórz terminal, klikając przycisk terminala w lewym górnym pasku menu.
7. Jeśli zapisujesz bezpośrednio na serwerze lub w chmurze, zamontuj pamięć masową za pomocą następującego polecenia, edytując niezbędną ścieżkę magazynu w chmurze (ścieżka do magazynu w chmurze w poniższym przykładzie) i hasło, wpisując wiersz kodu w otwartym oknie terminala i naciskając Enter na klawiaturze. Jeśli nie zmieni się w stosunku do ustawień fabrycznych, identyfikator użytkownika (UID) będzie brzmiał "pi".
   UWAGA:
   sudo mount -t cifs -o credentials=/etc/win-credentials,uid=pi //ścieżka-przechowywania-w chmurze /mnt/magazynowanie-w chmurze
8. Wpisz następujący kod w terminalu i naciśnij Enter na klawiaturze. Pojawi się nowe okno.
   ./RUN-PHOTOSTUDIO-SHELL.sh
   UWAGA: Plik RUN-PHOTOSTUDIO-SHELL.sh wywołuje plik CAPTURE-PHOTO.py, który jest wstępnie załadowany do liczby pi, jeśli został załadowany przy użyciu powyższej metody. Alternatywnie, te skrypty zostały udostępnione na GitHub do umieszczenia na istniejącej karcie SD Raspberry Pi.
9. Otworzy się okno graficznego interfejsu użytkownika. Wpisz nazwę obrazu lub zeskanuj kod kreskowy lub kod QR zakładu za pomocą skanera kodów kreskowych.
10. Wybierz opcję zapisania obrazu lokalnie lub na zamontowanym serwerze/w chmurze.
11. Kliknij Kliknij tutaj, aby zrobić zdjęcie! guzik.
12. Jeśli wybrano pamięć lokalną, otwórz folder ZDJĘCIA na pulpicie, aby sprawdzić obraz. Jeśli wybrano serwer lub magazyn w chmurze, otwórz obraz w tej lokalizacji.
13. W razie potrzeby dostosuj ustawienia aparatu, odłączając go od kontrolera SBC, postępując zgodnie z instrukcjami producenta i podłączając go z powrotem do kontrolera SBC.
    UWAGA: Ustawienia, takie jak ekspozycja, jasność, kontrast itp., mogą wymagać dostosowania w zależności od oświetlenia w pomieszczeniu i fotografowanego obiektu. Częstym błędem jest prześwietlanie obrazów. Aby sprawdzić naświetlenie obrazu testowego, należy przejść przez proces analizy obrazu PlantCV, który obejmuje kontrolę jakości ekspozycji. Dostosuj ustawienia aparatu zgodnie z potrzebami, aby zmniejszyć lub zwiększyć ekspozycję, aż histogramy zostaną odpowiednio rozłożone.
14. Po przechwyceniu wszystkich obrazów przenieś je z kontrolera SBC do komputera lokalnego lub pamięci masowej w chmurze, korzystając z preferowanej metody, takiej jak pamięć USB, przeglądarka internetowa lub transfer SSH.

4. Wyodrębnianie cech z obrazów

1. Pobierz następujące pliki na komputer lokalny lub serwer: "photo-studio-SV-notebook.ipynb", "workflow.py" i "photo-studio-SV-config.json". Wszystkie pliki są dostępne na GitHubie (https://github.com/danforthcenter/photo-maize-paper).
2. Zainstaluj PlantCV na lokalnym komputerze lub serwerze, wykonując czynności opisane (https://plantcv.readthedocs.io/en/latest/installation/).
3. Otwórz plik photo-studio-SV-notebook.ipynb przy użyciu preferowanego edytora kodu, takiego jak JupyterLab lub Visual Studio Code.
4. Uruchom każdy blok kodu, edytując go w razie potrzeby, biorąc pod uwagę parametry opisane w bloku kodu, aby uzyskać czystą maskę tylko rośliny na obrazie.
5. Gdy analiza przykładowego obrazu jest zadowalająca, otwórz plik workflow.py w preferowanym edytorze kodu. Edytuj ten plik z dowolnymi parametrami zmienionymi w "photo-studio-SV-notebook.ipynb" i zapisz go.
6. Otwórz plik photo-studio-SV-config.json i edytuj ścieżki plików, aby kierować do folderu obrazów wejściowych, żądanego folderu wyjściowego itp., Jak oznaczono w pliku.
7. Otwórz terminal i uruchom następujący kod, aby aktywować PlantCV. Aby to zrobić, wpisz kod conda activate plantcv w terminalu i naciśnij enter na klawiaturze.
8. Zmień następujący wiersz kodu na ścieżkę pliku "photo-studio-SV-config.json" (jest to jedyna zmiana, którą należy wprowadzić w poniższym kodzie).
   1. W terminalu wpisz edytowany kod i naciśnij enter na klawiaturze. Spowoduje to uruchomienie przepływu pracy na wszystkich obrazach przechwyconych w eksperymencie.
      UWAGA:
      plantcv-run-workflow --config /użytkownicy/NAZWA_UŻYTKOWNIKA/photo-studio-SV-config.json
9. Sprawdź obrazy wyjściowe, aby określić, czy kod jest odpowiedni dla wszystkich obrazów.
   UWAGA: Niebiesko-różowy kontur rośliny powinien znajdować się wokół krawędzi rośliny, a na obrazie nie powinno być żadnych innych obiektów. W razie potrzeby wróć do "photo-studio-SV-analysis.ipynb" i przetestuj problematyczne obrazy oraz edytuj kod, w szczególności kroki maskowania i redukcji szumów, aby uzyskać pożądane rezultaty. Zobacz Rysunek 3, aby zobaczyć przykłady segmentacji obrazów o wysokiej, akceptowalnej i niskiej jakości.
10. Plik wyjściowy będzie miał postać pliku .json. Wróć do terminala (upewnij się, że conda activate plantcv została już uruchomiona), wpisz następujący kod i naciśnij enter na klawiaturze, aby przekonwertować plik na .csv do dalszej analizy statystycznej, zmieniając ścieżkę pliku na plik "results-photo-studio.json".
    plantcv-utils json2csv -j /Użytkownicy/NAZWA_UŻYTKOWNIKA/results-photo-studio.json -c /Użytkownicy/NAZWA_UŻYTKOWNIKA/results-photo-studio.csv
    UWAGA: Aby przekonwertować pomiary z pikseli na standardową jednostkę miary, taką jak cm, skorzystaj z konwersji dostarczonej przez funkcję find_color_card w przepływie pracy PlantCV.
11. Przeprowadź analizę statystyczną wyjściowych cech ilościowych w celu określenia różnic w fenotypach roślin ze względu na różne gatunki roślin, odmiany, zabiegi i punkty czasowe.
    UWAGA: Pakiet pcvr w R Studio został sformułowany do analizowania danych wyjściowych z PlantCV pod kątem istotności statystycznej i wykreślania wyników²⁰. Zobacz podsumowanie i wizualną reprezentację cech zebranych w Rysunek 4.

Wyniki

Aby rozwinąć tę metodę, rośliny kukurydzy B73 były oceniane pod kątem ilościowych fenotypów pod kontrolą temperatur, temperatur upałów, warunków dobrego nawodnienia i suszy, a także ich kombinacji, w sumie cztery zabiegi. B73 to dobrze znana odmiana kukurydzy wsobnej z bogactwem danych genetycznych²¹.

Analiza obrazu w PlantCV skutecznie poprawiła kolory obrazów, oznaczyła wyniki ilościowe metadanymi rośliny i podzieliła (innymi słowy, oddzieliła) roślinę od tła, jak pokazano na Rysunek 3. Nieudana analiza dostarczyłaby obrazów wyjściowych, które nie pokazują niebieskiego konturu ani różowego kształtu na zewnątrz rośliny, ale raczej zawierają dodatkowy szum lub brakujące elementy rośliny (Rysunek 3, przykład niskiej jakości). Konieczny był próg dwukanałowy, aby objąć maską jak największą część rośliny (zobacz alternatywne strategie jednokanałowe w "photo-studio-SV-notebook.ipynb"). Jednak niektóre rośliny, szczególnie te o fioletowych łodygach, nie miały idealnej segmentacji, ale były wystarczające do dalszej analizy (Rysunek 3).

Analiza PlantCV dostarczyła 16 ilościowych cech o pojedynczej wartości, podsumowanych w Rysunek 4. Cecha o pojedynczej wartości zapewnia jedną wartość na roślinę — na przykład powierzchnię liści, wysokość, szerokość i średnią okrągłą barwy. Obszar liści został rozważony za pomocą funkcji "analyze.shape" (Rysunek 4) i uwzględniono całą roślinę. Wysokość i szerokość były jednak brane pod uwagę przy użyciu "funkcji analyze.bound_horizontal", z granicą narysowaną na linii gleby rośliny. Dzieje się tak, ponieważ rośliny, które opadają poza bok doniczki, będą miały większą wysokość, biorąc pod uwagę roślinę jako cały obiekt, a zamiast tego powinny mierzyć tylko od podstawy rośliny, w miejscu, w którym stykają się z glebą. Oprócz cech jednowartościowych, PlantCV generuje cechy wielowartościowe, które są histogramami, w szczególności wartościami kolorów, reprezentującymi każdy piksel rośliny. Średnia barwy kołowej to cecha o pojedynczej wartości, która jest średnią wartością odcienia dla całej rośliny.

Aby określić, które cechy są najbardziej interesujące, obliczono wariancję wyjaśnioną przez leczenie dla każdej cechy, a także korelację między różnymi cechami za pomocą funkcji "frem" w pakiecie pcvr R Studio²⁰ (Rysunek 5A). Powierzchnia, wysokość, szerokość i średnia kołowa barwy liści zostały wybrane do dalszej analizy, ponieważ wyjaśniały ponad 50% wariancji spowodowanej leczeniem i są istotnymi miarami wzrostu roślin (powierzchnia, wysokość i szerokość) oraz zdrowia (odcień). Reprezentatywne zdjęcia rośliny o największej i najmniejszej powierzchni liści pokazują zmienność fenotypów zebranych w tym eksperymencie (Rysunek 5B, C, odpowiednio). Roślina o największej powierzchni liści miała również najwyższy średni odcień i była rośliną B73, dobrze nawodnioną, zestresowaną cieplnie (Rysunek 5B). Najmniejsza powierzchnia liści miała najmniejszy średni odcień (Rysunek 5C) i była rośliną B73, zestresowaną suszą, zestresowaną ciepłem.

Uzdatnianie wody miało znaczący wpływ na określenie powierzchni liści (F(1,13) = 226,5, p = 1,32 x ^10-9), wysokości (F(1,13) = 21,1, p = 0,0005), szerokości (F(1,13) = 75,5, p = 8,92 x ^10-7) i średniej okrągłej barwy (F(1,13) = 27,8, p = 0,0002), określonej przy użyciu modelu regresji liniowej dla efektu leczenia i dwukierunkowej ANOVA w R Studio (pełne wyniki w Tabeli 1). Obróbka termiczna miała istotny wpływ na wysokość (F(1,13) = 5,94, p = 0,03), ale nie na powierzchnię liści, szerokość lub średnią barwy koła (p > 0,05, tabela 1). Interakcja między temperaturą a stanem wody nie była istotnym czynnikiem w żadnej z mierzonych cech (p > 0,05, tab. 1).

Następnie, poszczególne zabiegi zostały porównane z kontrolą i sobą nawzajem za pomocą regresji liniowej i testu post-hoc (szacowane średnie krańcowe) z poprawką Sidaka dla wielokrotnych porównań (Rysunek 6). Powierzchnia liści, wysokość rośliny, szerokość rośliny i średnia okrągłości odcienia były znacznie zmniejszone u roślin narażonych na suszę w porównaniu z roślinami dobrze nawodnionymi w obu warunkach temperaturowych (p < 0,05, Rysunek 6). Stres cieplny, gdy był dobrze nawodniony, tylko zmniejszył wysokość rośliny (p < 0,05, Rysunek 6), ale nie zmniejszył znacząco powierzchni liści, szerokości rośliny ani średniej okrągłego odcienia. Tę różnicę w odcieniu można dokładniej zbadać, oceniając wielowartościowy odcień cechy koloru, wykreślony jako histogram w Rysunek 7, a nie tylko średnią. Zmniejszenie średniego odcienia z powodu suszy było spowodowane przejściem z zielonych na żółte piksele, znanym jako chloroza (Rysunek 7). Podczas gdy ciepło nie wykazało znaczącej różnicy w średnim odcieniu, wykazało zmniejszenie i wzrost zarówno z powodu żółknięcia (chlorozy), jak i ciemnienia koloru zielonego (Rysunek 7).

Po zobrazowaniu, rośliny zostały ścięte na styku korzenia i pędu, a waga tkanki nadziemnej została zarejestrowana. Korzenie delikatnie umyto i osuszono ręcznikiem, a następnie zważono, aby obliczyć całkowitą biomasę roślin (znaną również jako waga) w celu porównania z opisaną metodą fenotypowania opartą na obrazie. Powierzchnia liści mierzona za pomocą analizy obrazu silnie skorelowana z biomasą roślin (R² = 0,84, Rysunek 8).

Rysunek 1: Obraz zestawu studia fotograficznego z opisanymi komponentami do zbierania zdjęć roślin. (A) tkanina klasy fotograficznej, (B) karta kolorów, (C) linia taśmy do równomiernego ustawiania doniczek, (D) aparat cyfrowy, (E) komputer jednopłytkowy, (F) monitor wyświetlający proces przechwytywania obrazu. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Rysunek 2: Przegląd procesu obrazowania. Zapewniony jest reprezentatywny obraz "wysokiej jakości" i "niskiej jakości". Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Rysunek 3: Przegląd procesu analizy obrazu w PlantCV. Prezentowane są reprezentatywne obrazy segmentacji "wysokiej", "akceptowalnej" i "niskiej" jakości; Cechy PlantCV są reprezentowane za pomocą różowego konturu kształtu całej rośliny i niebieskiego konturu obszaru rośliny. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Rysunek 4: Podsumowanie i wizualna reprezentacja cech kształtu uchwyconych z analizy. Funkcja kształtu w PlantCV. Fioletowe pola reprezentują cechy, które nie uwzględniają innej cechy w swoich obliczeniach. Pomarańczowe pola reprezentują cechy, które wykorzystują inne cechy w swoich obliczeniach; Strzałki wskazują, które cechy są używane w tych obliczeniach. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Rysunek 5: Fenotypowanie oparte na obrazie rejestruje wariancję fenotypową i skorelowane cechy. (A) Wariancja cech wyjaśnionych przez leczenie (po prawej) i korelacja cech między sobą (po lewej). Każda cecha jest oznaczona, a następnie jej jednostka miary; "NA" oznacza, że jest to miara niemianowana. (B) Obraz rośliny, która miała największą powierzchnię liści i najwyższą średnią okrągłą barwę (stopnie). (C) Obraz rośliny, która miała najmniejszą powierzchnię liści i najniższą średnią okrągłą barwę (stopnie). Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Rysunek 6: Porównanie efektów leczenia na fenotypach roślin na wykresie pudełkowym. Powierzchnia liści (A), wysokość (B), szerokość (C) i średnia barwy koła (D) są porównywane pod kątem wpływu suszy, upałów i połączonych naprężeń. n = 4. Litery reprezentują statystycznie istotne różnice między zabiegami (p < 0,05); Leczenie porównano za pomocą regresji liniowej i testu post-hoc (szacowane średnie brzeżne) z poprawką Sidaka dla porównań wielokrotnych. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Rysunek 7: Histogramy koloru (odcienia) zsumowane ze wszystkich pikseli każdej kombinacji zabiegowej, znormalizowane przez całkowitą liczbę pikseli w kombinacji zabiegowej. Histogramy są kolorowane według wartości koloru dla stopnia odcienia. Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

Rysunek 8: Korelacja powierzchni liści mierzonej na podstawie zdjęć do biomasy całej rośliny. Każdy punkt reprezentuje jedną roślinę. Różowa linia reprezentuje liniową korelację między powierzchnią liści (X) a biomasą (Y). Kliknij tutaj, aby zobaczyć większą wersję tego rysunku.

jedn. jedn. jedn. TGL jezdnego pkt. TGL TGL TGL TGL

cecha	czynnik	Stopnie swobody	Wartość F	Wartość p
Powierzchnia liścia (cm^2)	temperatura	1	0,5372	0,4766
Powierzchnia liścia (cm^2)	Woda	1	Numer katalogowy: 226.5318	1.32E-09
Powierzchnia liścia (cm^2)	Temperatura:Woda	1	2,1526	0,1661
Powierzchnia liścia (cm^2)	Pozostałości	13
Wysokość (cm)	temperatura	1	5,9426	Numer katalogowy: 0,0298935
Wysokość (cm)	Woda	1	Dnia 21,107	Numer katalogowy: 0,0005029
Wysokość (cm)	Temperatura:Woda	1	2,1752	Numer katalogowy: 0,1640545
Wysokość (cm)	Pozostałości	13
Szerokość (cm)	temperatura	1	Nr kat. 2,2495	0,1575
Szerokość (cm)	Woda	1	Numer katalogowy: 75.5474	8.92E-07
Szerokość (cm)	Temperatura:Woda	1	0,0839	0,7766
Szerokość (cm)	Pozostałości	13
Średnia kołowa barwy (stopnie)	temperatura	1	0,9154	Numer katalogowy: 0,3561432
Średnia kołowa barwy (stopnie)	Woda	1	Numer katalogowy: 27.7988	0,0001509
Średnia kołowa barwy (stopnie)	Temperatura:Woda	1	3,4792	Numer katalogowy: 0,0848724
Średnia kołowa barwy (stopnie)	Pozostałości	13

Tabela 1: Wyniki modelu regresji liniowej i dwukierunkowych analiz ANOVA badających wpływ uzdatniania wody, obróbki temperaturowej i ich interakcji na cechy roślin.

Dyskusja

Fenotypowanie oparte na obrazie zapewnia dokładne, szybkie i ilościowe pomiary fenotypów roślin 4,5,6,7. Ta metoda jest znacznie szybsza, bardziej precyzyjna, dokładniejsza i zapewnia większą liczbę pomiarów niż ręczne użycie linijki do zapisu wysokości rośliny lub jakościowych pomiarów cech kolorystycznych roślin, które mogą odnosić się do zdrowia 4,5,6,7. Zaobserwowano^{, że} powierzchnia liści jest silnie skorelowana z biomasą roślinną (Rysunek 8), co sugeruje, że ta miara może niezawodnie zastąpić czasochłonny, destrukcyjny i podatny na błędy proces ręcznego ważenia biomasy całej rośliny. Podczas gdy do rejestrowania obrazów można było użyć samej kamery, dodanie niedrogiego kontrolera SBC zwiększyło przepustowość dzięki automatyzacji zbierania obrazów i etykietowania obrazów za pomocą niezbędnych metadanych¹⁵. Ta metoda jest odpowiednia dla jednej do ~300 roślin, które są obrazowane raz dziennie (lub rzadziej). W przypadku większej liczby roślin w eksperymencie bardziej odpowiedni jest system obrazowania oparty na przenośniku, suwnicy bramowej lub zrobotyzowany, ponieważ czas na indywidualne przemieszczanie roślin w celu obrazowania może być dłuższy niż dzień roboczy^11,13. W przypadku częstszych punktów czasowych (na przykład obraz co godzinę, a nie raz dziennie lub rzadziej), konfiguracje kamer wewnątrz komory wzrostowej są bardziej odpowiednie, ponieważ rejestrują obrazy automatycznie, ale są ograniczone wielkością roślin i wymagają dodatkowego SBC¹⁵.

Podczas gdy PlantCV jest tutaj prezentowany jako opcja analizy obrazu, istnieje inne oprogramowanie. ImageJ (Fiji) to darmowy pakiet oprogramowania do analizy obrazów, który może być również używany do tworzenia obrazów roślin za pomocą graficznego interfejsu użytkownika (GUI)⁸; Nie jest on jednak szczególnie opracowany do analizy obrazu całej rośliny, jest mniej elastyczny do obliczeń o wysokiej przepustowości i jest trudniejszy do powtórzenia niż już działające potoki, takie jak te w PlantCV, które można łatwo zastosować do nowych obrazów⁹. Metody głębokiego uczenia (takie jak BioDock, patrz Tabela materiałów) i Segment Anything²²) są atrakcyjne ze względu na ich zdolność do łatwej segmentacji roślin z tła i mogą być wykorzystywane do opisanych tutaj zadań segmentacji. Jednak te modele głębokiego uczenia nie zapewniają opisanych tutaj pomiarów fenotypu^roślin10, a wykonanie tych bardziej złożonych pomiarów ilościowych fenotypów może wymagać dużej ilości obrazów treningowych (często większej niż 10 000) i mocy obliczeniowej wykraczającej poza podstawowy laptop lub komputer stacjonarny¹⁰. Modele te wymagają również znacznej ilości pamięci komputerowej i mocy obliczeniowej, które są niedostępne dla wielu badaczy¹⁰.

Najważniejszym krokiem protokołu jest zorganizowanie konfiguracji obrazowania rośliny i upewnienie się, że w pobliżu rośliny nie ma żadnych obiektów (takich jak inne rośliny, karta kolorów lub szczątki rośliny)¹⁴. Jeśli obrazy nie są odpowiednio ustawione lub nie jest używana karta kolorów, nie będzie można ich później przeanalizować, ponieważ nie ma mechanizmu standaryzacji. Chociaż w tym protokole nie są wymagane żadne kroki kalibracji, korekcja kolorów i standaryzacja rozmiaru podczas przetwarzania są niezbędne. Zawsze upewnij się, że cała karta kolorów znajduje się w ramce, ale nie nakłada się na roślinę (Rysunek 2). Inną częstą pułapką jest nierównomierne oświetlenie, które może powodować cienie lub jasne ujęcia; zalecamy stosowanie jasnego, rozproszonego światła górnego i zasłanianie okien w pomieszczeniu, aby zapobiec nierównomiernemu oświetleniu (Rysunek 2). Dodatkowe lampy można dodać pod kątem skierowanym do instalacji, jeśli światła górne powodują cienie. Rodzaj żarówki nie jest problemem, biorąc pod uwagę, że kolor zostanie skorygowany na obrazie za pomocą karty kolorów. Rozmyte obrazy nie są dopuszczalne do analizy — użyj automatycznego ustawiania ostrości w aparacie lub instrukcji producenta dotyczących ręcznego ustawiania ostrości, aby upewnić się, że obrazy są wyraźne.

Podobnie, upewnienie się, że obrazy nie są prześwietlone (częsty błąd) pozwala na odpowiednią analizę (rysunek 2); Prześwietlone obrazy nie mogą być naprawione w korekcji kolorów podczas analizy obrazu, ponieważ wartości pikseli znajdują się poza zakresem wykrywania kamery przy bieżących ustawieniach¹⁴. Aby zapobiec prześwietleniu, należy ocenić histogramy kolorów lub wartości RGB dla obrazu testowego, korzystając z opisanego tutaj przepływu pracy PlantCV (Rysunek 3) i zmniejszyć ustawienie jasności w aparacie, jeśli test ekspozycji wykaże, że obraz jest prześwietlony. Wartości RGB (a tym samym histogramy) nie powinny mieć wartości na poziomie 0 lub 255, co jest zakresem wartości, ponieważ możliwe jest, że te wartości są powyżej lub poniżej zakresu wykrywania i mogą rejestrować tylko wartość minimalną lub maksymalną, a nie prawdziwą. Obraz testowy powinien być zawsze oceniany przy użyciu tych metod pod kątem prześwietlenia (Rysunek 2 i Rysunek 3); sugerujemy wykorzystanie kontroli jakości ekspozycji PlantCV przedstawionej w tej publikacji jako kontroli, która określa, że obraz o jakości ma mniej niż 5 procent pikseli przy 0 lub 255 dla każdego koloru. Z reguły kamery i oprogramowanie analityczne zapewniają histogramy, które powinny mieć równe i pełne ogony histogramu; Wartości odcięte poniżej 0 (niedoświetlenie) lub powyżej 255 (prześwietlenie) należy ponownie wykonać przy dostosowanych ustawieniach aparatu. Sugerujemy wybór miejsca z jasnym, równomiernym, sztucznym oświetleniem bez okien do oświetlania, ponieważ okna mogą być zbyt jasne, nierówne i często zmieniać ekspozycję światła na przestrzeń. Obrazy powinny być równomiernie oświetlone, a szare kwadraty karty kolorów nie powinny wydawać się białe, co sugeruje prześwietlenie.

W przypadku kodu przechwytywania obrazu może być konieczne rozwiązywanie problemów w zależności od adresu IP i ustawień zabezpieczeń instytucji użytkownika. Aby rozwiązać problem, skontaktuj się z działem IT w przypadku problemów z łącznością internetową i przesyłaniem plików. Częstym błędem jest użycie karty SD o niewłaściwym rozmiarze dla kontrolera SBC lub włączenie kontrolera SBC przed włączeniem podłączonego monitora. Aby rozwiązać problem, postępuj dokładnie zgodnie z powyższym protokołem i ponownie załaduj oprogramowanie SBC. Fora internetowe są doskonałym źródłem rozwiązywania problemów i znajdowania rozwiązań dla konkretnego aparatu wybranego podczas korzystania z gphoto2. Aby rozwiązać problem z analizą obrazu PlantCV i użyć najbardziej aktualnej wersji, skorzystaj ze strony dokumentacji (https://plantcv.readthedocs.io/en/latest/) lub opublikuj problem na GitHub (https://github.com/danforthcenter/plantcv/issues). W szczególności, jeśli metoda progowania w tym protokole nie oddziela wystarczająco rośliny od tła, należy skorzystać z alternatywnych metod progowania dostępnych w "photo-studio-SV-notebook.ipynb" lub na stronie dokumentacji.

Metodę tę można zastosować do dowolnego gatunku roślin i zabiegu, który można przetransportować do opisanego zmontowanego zestawu fototograficznego. Na przykład nie ma zastosowania do roślin rosnących na polu, ponieważ nie można ich przetransportować do stanowiska fotograficznego bez wykopania rośliny. W tej sytuacji rośliny mogłyby zostać ścięte, a następnie zobrazowane za pomocą protokołu, chociaż pomiar byłby destrukcyjny. Na jednym obrazie można uchwycić wiele roślin i je przeanalizować, ale użytkownik powinien uważać, aby rośliny nie stykały się ze sobą (ilustracja 2), a rośliny są umieszczane za każdym razem w tym samym miejscu na tle, aby zapewnić automatyczne uruchamianie przepływu pracy na całym zestawie obrazów. Jeśli w przypadku roślin takich jak Arabidopsis thaliana konieczny jest widok z góry, użyj statywu, aby przesunąć aparat na szczyt roślin umieszczonych na tkaninie fotograficznej; Pozostałe metody przechwytywania i analizy obrazu pozostają takie same.

Jak wykazano w przypadku kukurydzy, metoda ta jest ważna zarówno dla hodowli roślin, jak i dla fundamentalnych informacji na temat tego, jak rośliny tolerują stresy abiotyczne, takie jak upały i susza. Stres związany z upałami i suszą przyczynia się do utraty plonów kukurydzy na całym świecie o 15%-20% rocznie²³. Oczekuje się, że straty w plonach wzrosną wraz z globalnymi zmianami klimatycznymi, ponieważ oczekuje się, że temperatury wzrosną o 1,4-4,4°C do roku 2100²⁴. Ocena różnorodności kukurydzy pod kątem tolerancji na stres, a także określenie fenotypowych, fizjologicznych i molekularnych mechanizmów tolerancji na stres abiotyczny, są kluczowymi celami badawczymi dla globalnego bezpieczeństwa żywnościowego²⁵. Aby odpowiedzieć na te pytania, naukowcy ze wszystkich pokrewnych dziedzin – fizjolodzy, genetycy, hodowcy, biolodzy molekularni itd. – muszą być w stanie szybko, skutecznie i często niedestrukcyjnie ocenić fenotypy roślin kukurydzy w warunkach stresu abiotycznego²⁵. Przedstawiona tutaj metoda i przykładowe wyniki odpowiadają na tę potrzebę i są ważnym narzędziem dla naukowców w rozwiązywaniu rzeczywistych wyzwań związanych z rolnictwem.

Zaobserwowane tutaj fenotypy były hipotezami, biorąc pod uwagę bogactwo wcześniejszych badań - stres związany z suszą zmniejsza rozmiar roślin i zieleń (mierzoną za pomocą średniej okrągłej odcienia)²⁶ (Rysunek 6, Rysunek 7 i Tabela 1). Fenotyp stresu cieplnego z nieoczekiwanym podlewaniem nie zmniejszył znacząco powierzchni liści, chociaż przy większej liczbie powtórzeń zależność tę można było lepiej ocenić statystycznie, a wysokość została zmniejszona zgodnie z oczekiwaniami (ryc. 6). Podczas gdy średnia kołowa barwy nie uległa zmianie z powodu ciepła, profil kolorów został rzeczywiście zmieniony, aby uwzględnić zarówno więcej żółtych, jak i ciemniejszych zielonych pikseli, co pokazuje, że ocena samego średniego odcienia jest niewystarczająca i należy wziąć pod uwagę histogram koloru o wielu wartościach (Rysunek 7). Te zmiany fenotypowe opisują reakcję rośliny na środowisko, a dodatkowe techniki, takie jak pomiary wymiany gazowej, obrazowanie mikroskopowe i inne, mogą być wykorzystane do oceny zmian fizjologicznych, które zachodzą w odpowiedzi na stres. Wynik ten pokazuje moc precyzyjnych, ilościowych pomiarów, które w przeciwnym razie zostałyby pominięte przy użyciu ręcznych lub jakościowych pomiarów zdrowia roślin. Spostrzeżenia te mają kluczowe znaczenie dla hodowli i inżynierii upraw odpornych na zmiany klimatyczne, które znacznie zmniejszają globalne plony i przewiduje się, że w przyszłych latach będą się pogarszać.

Materiały

Lista materiałów użytych w tym artykule

Nazwa	Firma	Numer katalogowy	Komentarze
Zasilacz USB-C 15 W	CanaKit	DCAR-RSP-3A5-C
25604 UC-E6 USB	Nikon	18208256044
3,5-calowe doniczki	Hummert International	13006000
Berger BM7 35% Bark HP	Hummert International	10121500
Biodock 2024		Platforma oprogramowania AI	www.biodock.ai.
Oprogramowanie do edycji kodu	Jupyter		https://jupyter.org/install
Oprogramowanie do edycji kodu	Visual Studio Code		https://code.visualstudio.com/download
Karta kolorów ColorChecker Klasyczna	Calibrite	CCC
ColorChecker Passport	Calibrite	CCPP2
Komora wzrostu Conviron		BDW80 model
Dell 22 Monitor	Dell	SE2222H
EH-67 Zasilacz sieciowy	Nikon	AZ185
Oprogramowanie do analizy obrazu	PlantCV		https://plantcv.readthedocs.io/en/latest/installation/
Jack's Water Soluble Fertilizer 15-5-15	Hummert International	7590200	płynny nawóz
Klawiatura i mysz			Bezprzewodowa klawiatura i mysz Logitech 1440638 MK270
Nasiona kukurydzy	USDA-ARS Sieć informacyjna zasobów plazmy zarodkowej (GRIN)	B73	https://www.ars-grin.gov/
Micro HDMI do HDMI	Aparat Amazon	B07KSDB25X
Nikon Coolpix B500	Aparat Nikon
Nikon D7200	Nikon
Osmocote 14-14-14	Hummert International	7630000
Tkanina klasy fotograficznej	Yayoya Tkanina	poliestrowa Czarne tło fotograficzne do studia fotograficznego Televison
Raspberry Pi 4 Model B Rev 1.1	Raspberry Pi Foundation	RP4B4GB_BP
Raspberry Pi 4 PiSwitch (USB-C)	CanaKit	RSP-PISWITCH-USBC
Oprogramowanie Raspberry Pi	Raspberry		https://www.raspberrypi.com/software/
Oprogramowanie do analizy statystycznej	Rstudio		https://posit.co/downloads/
Statyw	K& F Concept	T255A3 + BH-28L
Turface MVP	Hummert International	10240000
Bezprzewodowy skaner kodów kreskowych	Netumscan	B08X4NMX2M	Skaner kodów kreskowych 1D i 2D