Summary
我们提出了一种计算硬质合金小麦和大麦耳朵的协议, 使用自然颜色 (rgb) 数码照片在自然阳光下在野外条件下拍摄。该技术只需对相机参数进行最小的调整, 并存在一些环境条件限制, 可在一系列生长阶段提供精确、一致的结果。
Abstract
耳朵密度, 即每平方米的耳朵数量 (耳朵 2), 是许多谷类作物育种项目 (如小麦和大麦)的核心重点, 是估计粮食产量的重要农艺产量组成部分。因此, 快速、高效和标准化的耳朵密度评估技术将有助于改善农业管理, 改进收获前产量预测, 甚至可以在确定后被用作作物育种的工具作为一个重要的特点。目前手动耳密度评估的技术不仅费力和耗时, 而且没有任何官方的标准化协议, 无论是线性仪表、面积象限, 还是基于植物耳密度和植物的外推法收获后计数。详细介绍了一种基于 zenithal (nadir) 自然颜色 (红色、绿色和蓝色 [rgb)) 数字图像的自动耳计数算法, 用于在现场条件下仅使用阳光照射来估计耳密度, 从而实现高通量标准化的测量。在2012015年和2015年期间, 在灌溉和降雨试验中对分布在西班牙各地的硬质小麦和大麦进行了不同的田间试验, 以提供具有代表性的结果。三阶段协议包括作物生长阶段和现场条件规划、图像捕获指南和三个步骤的计算机算法: (一) 拉普拉斯频率滤波器, 以消除低频和高频伪影, (ii) 中值滤波器, 以降低高噪声, 以及 (iii) 使用局部最大峰值进行分割和计数。必须根据相机的分辨率、焦距以及相机与作物树冠之间的距离对算法代码进行小的调整。结果表明, 在算法计数和基于人工图像的耳朵计数之间, 硬质合金小麦和大麦的成功率 (高于 90%) 和r2值 (0.62-0.62)。
Introduction
据报告, 201201年世界谷物利用率比上一年增长 1%.根据对谷物生产和人口利用的最新预测, 世界谷物库存需要以更快的速度增加产量, 以满足日益增长的需求, 同时也适应气候变化不断增加的影响 2。因此, 通过改进作物育种技术提高谷类作物的产量是一个重要的重点。本研究选取了地中海区域最重要和收获最严重的两种谷物作为研究的例子, 即硬质合金小麦和大麦 (). 另外, 杜鲁姆小麦是地中海盆地南部和东部边缘种植最多的谷物, 也是全世界第10大作物, 因为它每年的产量为 3 700万吨, 而大麦是全球第四大作物粮食产量方面, 全球年产量为1.446亿吨.
遥感和近端图像分析技术日益成为提高田间高通量植物表型 (htpp) 的关键工具, 因为它们不仅提供了更敏捷的检索, 而且往往还提供了更精确、更一致的目标作物检索生物生理特征, 如光合活性和生物量的评估、收获前产量估计, 甚至性状遗传力的改善, 如资源利用效率和吸收5,6,7 ,8,9。遥感传统上侧重于航空平台的多光谱、高光谱和热成像传感器, 用于实地规模的精确农业或在微观地块尺度上进行植物表型研究。尽管新的创新图像处理算法越来越能够使用, 但只测量可见光的商业上可用的普通数码相机往往被忽视, 尽管它们的空间分辨率非常高, 但最近变得很流行以利用它们提供的详细的颜色和空间信息。先进农业图像分析的许多最新创新越来越依赖于对高分辨率 (vhr) rgb 图像 (用于测量红色、绿色和蓝色可见光反射率) (包括作物) 所提供数据的解释监测 (活力、物候、疾病评估和鉴定)、分割和定量 (出现、耳密度、花和果实计数), 甚至基于运动工作流的新结构进行完整的3d 重建11。
提高谷物产量的最重要的一点是更有效地评估产量, 这取决于三个主要组成部分: 耳朵密度或每平方米的耳朵数量 (ears m2)、每穗谷物的数量;千粒重。耳密度可以在现场手动获得, 但这种方法既费力、耗时又缺乏单一的标准化协议, 这可能会导致大量的误差。由于作物结构复杂、植物间距接近、重叠程度高、背景元素和芒的存在, 纳入耳朵自动计数是一项具有挑战性的任务。最近的工作在这方面取得了进展, 使用了一个由三脚架支持的黑色背景结构, 以获得合适的作物图像, 在穗数12方面显示出相当好的结果。这样, 就避免了过多的阳光和阴影效应, 但这样的结构会很繁琐, 也是现场条件应用的主要限制。另一个例子是使用带有刚性机动龙门的全自动表型系统开发的自动能量计数算法, 该算法在由五颗无毛面包小麦组成的面板中用于计算耳朵密度, 精度很高.埃斯蒂姆酒店)品种生长在不同的氮条件下13。ferndez-gallgo14最近的工作优化了这一过程, 以便更快、更轻松地捕获数据, 使用 vhr rgb 彩色图像, 然后进行更高级但仍完全自动化的图像分析。现场条件下高效、高质量的数据采集强调了标准化的标准化协议, 以实现一致性和高数据采集吞吐量, 而图像处理算法则采用了新的拉普拉斯域和频域的应用筛选器, 在应用分段进行计数之前删除不需要的图像组件, 该分割基于查找本地最大值 (而不是像以前的其他研究那样完全划分, 这可能会导致更多的错误, 并与重叠的耳朵重叠)。
本工作提出了一个简单的系统, 利用从商业上可用的数码相机获得的图像, 在现场条件下自动量化耳朵密度。该系统利用了野外条件下的自然光, 因此需要考虑一些相关的环境因素, 如白天的时间和云量, 但实际上仍然很容易实施。该系统已在硬质合金小麦和大麦的实例中进行了演示, 但在应用于面包小麦时应具有可扩展性, 面包小麦除了显示具有相似形态的耳朵外, 往往是无异的, 但还需要进一步的实验才能确认这一点。在这里介绍的数据采集协议中, 天顶的图像是通过简单地手持相机或使用单脚架将数码相机定位在作物上方来拍摄的。验证数据可以通过手动计数字段中或在后期处理过程中的子图的耳朵来获取, 也可以通过计算图像本身中的耳朵来获取。图像处理算法由三个过程组成, 首先, 以一种有效地删除图像中不需要的成分的方式, 然后, 允许随后分割和计数被获取的图像中的单个小麦耳朵。首先, 使用 laplacian 频率滤波器来检测图像不同空间方向的变化, 使用默认的 imagej 滤波器设置, 而不进行窗口内核大小调整 (查找 maxima 分割技术确定中值空间滤波器步长后的局部峰值, 在这一阶段, 与耳朵相关的像素的像素像素值高于土壤或叶片。因此, find maxima 用于分割图像中的高值, 并且这些区域被标记为耳朵, 这可以识别耳朵, 同时还可以减少重叠的耳朵错误。然后在二进制图像上使用 "分析粒子" 来计算和/测量由 "查找最大值" 步骤创建的白色和黑色曲面之间的对比度所创建的区域中的参数。然后, 通过分析每个局部最大值周围的最近邻域像素方差来处理结果以创建二值图像分割, 从而识别筛选图像中的小麦耳朵形状。最后, 使用分析粒子来计算耳朵密度, 如斐济15所示。查找 maxima 和分析粒子都是独立的功能, 可作为斐济的插件使用 (https://imagej.nih.gov/ij/plugins/index.html)。虽然这里的议定书没有具体说明, 但作为补充材料提出的初步结果表明, 这种技术可能适用于对无人驾驶飞行器进行的耳朵计数调查, 条件是解决这一问题保持足够高14。
Subscription Required. Please recommend JoVE to your librarian.
Protocol
1. 田前作物生长阶段和环境条件
- 确保作物生长阶段大约在灌浆和接近作物成熟之间, 即使叶子已经衰老, 耳朵仍然是绿色的 (这与 zadoks 16号规模的60-87 之间是相对应的)。叶子有些发黄是可以接受的, 但不是必要的。
- 准备一个具有各种复制 (每个图形的图片) 的图像捕获采样计划, 以便捕获图域区域的可变性;图像处理算法将根据相机规格计算图像中的耳朵数量, 并将其转换为每平方米 (耳朵 2) 的耳朵。
- 计划现场游览, 以便在太阳中午两小时内捕获图像, 或者在漫反射照明条件下的阴天拍摄图像, 以避免耳影对耳朵计数算法的负面影响。
- 进入野外后, 检查作物树冠的顶部, 确保其干燥, 以避免来自湿气的镜面光线反射。
注: 在考虑本协议的目标时, 必须首先考虑作物的生长阶段是否适合应用耳数。在建议的生长阶段之外捕获图像将导致次优或无意义的结果 (如果耳朵不存在或完全出现)。图像质量对处理结果也有相当大的影响, 包括分辨率和传感器大小, 在进行图像捕获之前, 需要仔细考虑一些环境条件, 如一天中的时间和云量。
2. 自然光在场上条件下的图像捕获
- 准备一个 "酚球", 如图 1所示, 或类似的采集系统 (甚至手持), 以便在每个地块或目标位置以标准化和一致的方式快速捕获图像。
图 1: 耳朵计数系统.使用左侧字段中显示的 "人民阵线" 的耳计数系统, 具有远程控制的自然颜色 (rgb) 大传感器和高分辨率数码相机系统, 具有相机倾斜和高度, 指示调整图像处理算法。传感器和图像分辨率由图像属性自动检测, 而用户应输入镜头焦距和与天篷距离的细节。这些都是必要的调整算法的估计像素数每耳, 也转换图像的总耳朵计数到耳朵密度 (耳朵 2).因此, 建议对所有现场图像使用相同的相机和镜头焦距。请点击这里查看此图的较大版本.
- 将相机放置在合适的单脚架或 "自拍" 极点上, 以便使用水平气泡或相机内稳定系统保持水平, 从而获得天顶图像。
- 使用手机、平板电脑或其他设备连接相机, 实现远程控制图像捕获和图像可视化, 从而获得正确聚焦图像的最佳效果。为自动对焦编程相机, 以减少任何错误, 以防用户对其相机或摄影技术不够熟悉, 无法设置正确的手动对焦, 如 zenithal 图像的示例所示, 这些图像具有正确的对焦和曝光。图 2。
图 2* 泽尼塔尔作物图像.durum 小麦和大麦耳朵天顶图像的耳朵计数数据集的例子, 可接受的生长和衰老阶段从大约61到87根据 zadoks 的规模。(左)杜鲁姆小麦天顶图像数据设置的例子。(右图)巴利·泽尼塔尔图像数据树立了榜样。请点击这里查看此图的较大版本.
- 在图像捕获之前记下图像编号, 以便将图像与字段图形正确匹配。在开始时记录常规字段区域的一个图像, 并在块之间记录一个地面字段的图像, 以便进行后处理控制。
- 将相机放置在作物树冠顶部上方约80厘米处, 使用标尺或测量柱定期检查机冠层上方的相机高度。确保相机是水平的, 并捕获图像。此技术可能需要1-2 个研究人员。
- 如果除了手动图像计数验证之外, 还需要额外的现场耳计数验证, 请在帧上安装一个扩展臂 (例如, 一个小圆圈), 并将其放置在图像的中间, 以便对精确的图像子集进行手动字段计数;此技术可能需要2-3 人来实施。
注: 因此, 选择相机的三个主要考虑因素包括: (1) 相机规格;在这种情况下, 传感器的物理尺寸;(2) 图像镜头焦距;(3) 天篷和相机之间的距离: 较小的距离或较大的变焦镜头将捕获较小的区域, 而从较大距离拍摄的图像将捕获较大的作物区域。有关相机规格的详细信息, 请参见图 1 。
3. 算法的实现和调整
注: 在这里, 我们提出了算法实现和调整的不同相机规格 (传感器大小, 百万像素, 焦距, 作物的距离) 和作物 (硬质小麦或大麦) 自动计数。图 3以图形方式介绍了该算法的概述。
图 3: 两排大麦耳朵计数的图像处理管道.使用特定计算机代码或使用谷物扫描仪软件实现的两排大麦耳朵计数的图像处理管道, 这两个软件都在斐济境内运行 (imagej)。第1面板显示原始图像。第2小组显示了拉普拉斯滤波器的应用结果。第3小组显示了中值滤波器的应用, 第4小组显示了生成最终耳朵计数的最终查找最大值和分割结果。然后, 进行计算, 将图像计数转换为耳朵密度, 如图 1所示。这些图像是阿拉祖里油田 (西班牙东北部, 42°48'33.9"N 1°43'37.9"W) 在漫射光条件下拍摄的一个例子。请点击这里查看此图的较大版本.
- 下载并安装斐济、java 8 和处理代码或巴塞罗那大学专有的大脑扫描仪插件 (https://fiji.sc/、https://www.java.com/en/download/和 https://integrativecropecophysiology.com/software-development/cerealscanner/[信息] 或 https://gitlab/sckefauver/CerealScanner [代码存储库]);请与相应的作者联系以获取访问权限。该插件安装在斐济境内, 只需将其复制到插件文件夹中即可。
- 通过插件 > 大脑扫描仪 > 打开的谷物扫描仪, 从顶部菜单中打开插件。
注: 除了这里介绍的工作, 大脑扫描仪插件包括几个不同的基于 rgb 的植被指数与作物活力, 压力, 或叶绿素17,18.具体的大脑扫描仪部分包括早期活力(费尔南德斯-加列戈, 回顾)、耳朵计数14和作物衰老19 的特定算法, 如图 4所示。 - 如果相机规格和图像捕获详细信息与默认值不同, 请输入它们的调整 (有关详细信息, 请参见图 1和图 4 )。
- 调整相机焦距的算法参数。
- 调整与作物树冠的距离的算法参数。
图 4: 两个级别的大脑扫描器2.12 测试版中央选项卡, 标记在大脑扫描器算法集合中的耳朵计数功能.用户必须选择批量输入右侧的... 按钮以选择存储图像文件的文件夹, 更改 h 距离 (从相机到裁剪天篷顶部的距离) 和焦距的默认值 (如果与防御不同)t 值, 然后选择"结果文件"右侧的... "按钮, 以选择最终结果文件的名称和位置。大脑扫描仪的其他选项卡提供了基于遍历的早期活力表型和成熟度开始的算法, 作为大脑扫描程序代码套件的一部分。在生物量选项卡下, 有几种算法用于估计更一般的作物活力和生物量计算, 也用于 rgb 数字图像。该示例指的是两排大麦, 如图 3中的详细说明所示。请点击这里查看此图的较大版本.
图 5: 算法调整.图像处理管道所需的调整, 以便使用相同的算法成功计算小麦和大麦耳朵的数量, 作为相机特定的 h 距离调整 (相机与作物之间的距离) 的一部分, 将自动进行管理天篷) 和焦距, 并用于确保每个耳朵的像素数在不同的应用之间或多或少保持不变。请点击这里查看此图的较大版本.
- 选择中心选项卡"大脑扫描仪"和随后的中心选项卡"耳朵计数", 以计算字段数据集的每个图像中的耳朵数。
- 在"选项"下, 在"批量输入"中输入要分析的照片的位置。
- 在 "结果文件"中, 选择保存结果文件的位置。结果文件将包括两列图像文件名和字数结果。
- 最后, 单击"处理",并单击以平方米 (耳部 2) 为单位的耳朵密度的结果文件, 使用相机设置和天篷与相机之间的距离进行简单的比率, 将图像区域转换为实际的天篷面积 (以平方米为单位)仪表图 1, 将在几分钟内自动生成, 具体取决于计算机的速度。
- 在数据收集后进行后处理验证, 方法是手动计算图像中的小麦或大麦耳朵数量, 然后将其转换为每平方米的耳朵数 (ears/m m2), 如图 1所示, 以比较结果与那些基于算法值。
- 使用在斐济内部构建的简单点放置工具, 该工具为这一过程提供了简单的支持, 斐济分析粒子功能可自动生成计数;图 6以图形方式显示了这一点。
- (可选) 在字段数据采集过程中使用小面积圆进行验证, 如步骤2.6 所述;现场的手动计数和实验室中的手动图像计数可以用于算法验证, 如图 7所示。
图 6: 使用手动图像内的耳朵计数进行算法验证。手动图像内的耳朵计数 (左) 硬质合金小麦和 (右) 大麦。小圆点是使用斐济点工具创建的,然后在应用色相饱和度的颜色阈值后, 使用具有 0.90-1.00循环约束的分析粒子函数进行计数点工具指定的颜色的强度颜色空间。此方法可确保更准确的基于图像的手动耳计数。请点击这里查看此图的较大版本.
图 7: 使用手工计数进行算法验证, 并使用圆圈对小麦和大麦进行人工图像内的耳朵计数.(左)使用圆的小麦图像计数验证示例。(右图)使用圆的大麦图像计数验证示例。使用图6中所述的与点工具、颜色阈值相同的技术计算白圆内耳朵的子集计数, 然后使用循环分析粒子函数 约束和颜色选择。请点击这里查看此图的较大版本.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
在图 8中, 结果显示了在三个不同作物生长阶段使用人工计数的耳朵密度 (每平方米的耳朵数量) 与小麦和大麦的耳朵计数算法之间的确定系数。第一个是在61至 65 (r2 = 0.62) 之间的 zadoks 规模的硬质合金小麦。第二列大麦是两排大麦, zadoks 的规模在71和77之间 (r2 = 0.75), 最后一个是 zadoks 的沙杜姆小麦, 其规模在81和 87 (r2 = 0.75) 之间。
图 8: 使用基于人工图像的计数和不同可接受作物生长阶段 (zadoks) 的硬质小麦和两排大麦的耳朵计数图像算法, 确定耳朵密度 (耳朵数量 2) 之间的系数比额61-87).两个轴都显示计算, 包括转换为耳朵密度, 而不仅仅是基于图像的结果。这里介绍了在三个不同生长阶段以及不同光照条件下两种不同作物的代表性结果, 即在 zadoks 顶部61-65 级的硬质小麦的阳光直射图像 (r2 = 0.62, n = 72), 在 zadoks 的规模71-77 在中间的漫射光图像 (r2 = 0.75, n = 30), 在 zadoks 的等级81-87 在底部 (r2 = 0.75, n) 的漫射光条件= 24)。每个图形的示例图像也显示为每个图形右下角的插入物。请点击这里查看此图的较大版本.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
提高敏捷性、一致性和精确性是开发有用的新表型工具的关键, 以协助作物育种界在全球气候变化带来负面压力的情况下努力提高粮食产量。有效和准确地评估谷物耳密度, 作为重要主要作物产量的主要农艺组成部分, 将有助于为养活后代提供所需的工具。注重改善和支持在田间条件下的作物育种工作, 有助于使这项研究和这里介绍的技术与现实世界中的气候变化情景和繁殖界的需求更加紧密地联系在一起, 同时也提出了技术上的困难。因此, 不仅必须严格遵守本议定书中的数据捕获和图像处理, 而且必须严格遵守关于最佳环境条件和作物生长阶段的建议, 以成功实施11。耳朵密度作为产量的主要农艺成分, 被认为是提高谷类作物产量的最重要的目标性状之一 (见 slafer 等人20 人的文章及其参考资料)。该协议对具有最佳成本效益、敏捷且直接的现场表型技术的关注考虑是, 该协议的这些方面是整个育种界采用和实现该协议的关键。相反, 以前旨在评估耳朵密度或其他产量成分量化的相关研究使用了更多涉及的数据采集和环境控制结构, 如封闭结构和固定摄像机支持, 甚至人工光输入, 有效地阻碍了在田间条件下的实际应用和实际育种方案12、20、22 的实施。
因此, 我们在这里提出了一个详细的协议, 它是在迭代优化过程中测试各种不同技术的结果, 从而产生了一种简单而有效的图像数据捕获方法, 只需要商业上可获得的适度信息高分辨率 rgb 数码相机和一个基本的 "酚醛", 用于将相机放在作物树冠上方。其他基于 rgb 颜色或其他颜色空间 (如 hu-sat-sat-锐度或 cielab) 的图像过滤尝试不如使用拉普拉斯和中位频域滤波来删除不需要的图像元素那样有效或一致,尤其是芒。我们设计了具有不同元素的图像捕获管道系统, 其中一些可以通过图像处理算法实现中的微小变化很容易地进行调整。在这里介绍的案例研究中, 我们使用了两个不同的紧凑型摄像机, 带有相对较大的传感器和20.1 百万像素 (mp) 和 16.0 mp 分辨率, 用于在距离作物树冠80厘米的距离内使用16-20 毫米的广角镜头捕捉图像。事实证明, 这足以产生详细的树冠大麦和小麦信息, 模拟表明, 该技术保持了高度的精度, 低至约 8 mp14 (具有类似的镜头和距离天篷)。
尽管所介绍的图像处理技术的一致性和精确性取决于图像捕获时的环境条件和物候阶段, 但这些算法在其应用中提供了强大的性能。不同的小谷物, 包括硬质合金和面包小麦和两排和六排大麦品种。虽然该算法尚未经过全面测试, 但图像捕获情况也会相同, 可能会对图像中耳朵的相对大小和位置进行一些小的调整, 以便提供最佳的耳朵计数结果。在所提出的协议中, 基于图像的耳朵密度估计与后期生长阶段捕获的图像相比, 实现了最大精度, 并与人工图像计数和粮食产量相关性最佳。作物树冠和耳朵的其他部分之间的照明对比。这可能是由于在灌浆后期温度较高或水供应较低, 这在典型的地中海条件下尤其常见, 这可能会导致叶子和茎在耳朵做23之前衰老;这种对比对于耳朵、树叶和土壤分离的有效性是必不可少的。在耳朵已经变黄的过于成熟或衰老的天篷中, 不同图像元素之间的反差不足以进行耳朵计数。因此, 在其他气候条件下, 如果衰老期间没有水分胁迫, 最佳时间可能略有不同。
尽管现场条件下的数据收集需要密切关注阳光强度和阳光照明角度等环境条件, 但这里提出的鲁棒图像分析算法为图像采集提供了一定的回旋余地窗口使用空间技术, 忽略图像反照率的影响, 考虑到正确的图像曝光用于特定的光线条件, 在图像捕获的时刻;自动设置在这方面效果很好。在之前的工作中, 测试了更全面的照明效果, 这表明在光线效果方面, 唯一的主要误差来源是在清晨或深夜在阳光直射下拍摄图像时, 图像中产生强阴影, 由于太阳的角度14。前两个图像过滤器应用程序有助于最大限度地减少任何明显的影响, 从过量的照明 (虽然不是通过相机过度曝光), 同时也减少图像的任何背景组件;同时, 这些滤波器还有助于平滑和降噪, 这两者都是后续的 find maxima 过程23,24中的助手。因此, 虽然自然照明因素必须考虑在内, 例如在直接拍摄图像时太阳的角度, 而不是在漫射光条件下拍摄, 但这主要是为了减少与阴影伪影有关的误差。
此外, 与同一实验11的手动 (基于现场) 的人工 (基于现场) 的耳数相比, 所提出的协议中的算法耳朵计数与粮食产量之间的相关性更大、更显著, 这支持了该协议不仅是更精确, 但也更一致的作为一个标准化的协议, 评估耳朵密度。虽然这里没有具体介绍, 但使用移动电话、空中或其他自动化平台, 类似的数据捕获和处理技术似乎是可行的, 因为它们在模拟降低图像分辨率下表现相当好。通过在第一次过滤器14之前应用图像转换, 进行了灰度缩小 (用于更快的图像处理) 和分辨率图像模拟 (从其他摄像机或无人机的应用) 的额外测试, 并提出了建议在最佳条件下, 可以通过这些方式缩短处理时间, 而不会造成任何精度损失。至于未来可能的方向, 这里介绍的图像处理算法只利用 vhr rgb 颜色数据, 因为它被相机捕获 (类似于人眼), 但其他潜在的改进可能会导致转换为混合颜色空间, 如 hue-satu-ha进来, 或通过与其他更先进的科学传感器 (如多光谱或热传感器) 的数据融合, 这两个传感器最近都变得更加实惠, 并为提高耳密度提供了潜力估计, 虽然也许在不同的生长阶段或在不同的领域条件。
总之, 执行该议定书的关键步骤首先包括对一年中的时间和作物的环境条件进行适当的规划, 当作物处于 zadoks 规模的60-87 的生长阶段时, 这些规划和环境条件是最佳的, 或者是在太阳中午或漫射光条件下。此外, 数字图像的采集应以可控的方式进行, 考虑到相机角度、与天篷的距离以及每个图像的相机焦点。最后, 详细介绍了优化的计算机处理选项, 用于复制处理代码管道, 或者与作者联系, 获取原始代码或集成在斐济插件中的图形用户界面 (gui) 的代码, 即大脑扫描仪。
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
作者没有什么可透露的。
Acknowledgments
这项研究的作者要感谢国家调查研究所 colmenar de oreja (aranjuez) 实验站的现场管理人员。农业技术研究所 (itcyl) 为所使用的研究作物提供实地支助。这项研究得到了西班牙 mineco agl2016-76527-r 研究项目和与西班牙先正达合作项目的一部分的支持。来自哥伦比亚托利马大学的 bpin 2013000100103 研究金, 来自 "哥伦比亚托利马大学" 的 "人权与 alto nivel 基金会" 是唯一的资助。相应作者 shawn c. kefauver 的主要资金来源来自 icrea 学术界方案, 向 jose luis araus 教授提供了赠款。
Materials
| Name | Company | Catalog Number | Comments |
| ILCE-QX1 Camera | Sony | WW024382 | Compact large sensor digital camera with 23.2 x 15.4 mm sensor size. |
| E-M10 Camera | Olympus | E-M10 | Compact large sensor digital camera with 17.3 x 13.0 mm sensor size. |
| Multipod Monpod | Sony | VCT MP1 | "Phenopole" in the JoVE article |
| Computer | Any PC/Mac/Linux | -- | Data and image analysis |
| ImageJ/FIJI (FIJI is just Image J) | NIH | http://fiji.sc | Plug-in and algorithms for data and image analysis |
| Circle/Metal Ring | Generic | Generic | Metal ring for in-field validation |
| Crab Pliers Clip | Newer | 90087340 | Circle support and extension arm |
References
- 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).
