Summary

Getreide Ernte Ohr zählen im Feld Bedingungen mit zenitalen RGB-Bilder

Published: February 02, 2019
doi:

Summary

Wir präsentieren ein Protokoll zum zählen von Hartweizen Weizen und Gerste Ohren, mit natürlichen Farben (RGB) digitale Fotografien in natürlichem Sonnenlicht unter Feldbedingungen. Mit minimalen Anpassungen für Kamera-Parameter und Umgebungsbedingungen Einschränkungen bietet die Technik präzise und konsistente Ergebnisse in verschiedenen Entwicklungsstadien.

Abstract

Ohr Dichte oder die Anzahl der Ohren pro Quadratmeter (Ohren/m2), ist ein wichtiger Schwerpunkt in vielen Getreide Zuchtprogramme, wie Weizen und Gerste, eine wichtige agronomische Ausbeute Komponente für die Schätzung der Kornertrag darstellen. Daher eine schnelle, effiziente und standardisierte Technik zur Beurteilung Ohr Dichte würde helfen bei der Verbesserung der Landbewirtschaftung, Verbesserungen in preharvest Ertrag Vorhersagen oder sogar genutzt werden als Werkzeug für die um Ernte zu Zucht, wenn es definiert wurde als Merkmal von Bedeutung. Nicht nur sind die aktuellen Techniken für manuelle Ohr Dichte Bewertungen mühsam und zeitaufwändig, sondern sie sind auch ohne irgendwelche offiziellen standardisierten Protokoll per Laufmeter, Bereich Quadranten, oder eine Hochrechnung basierend auf Ohr Pflanzendichte und Pflanze postharvest zählt. Eine automatische Ohr zählen Algorithmus wird im Detail vorgestellt, Ohr Dichte mit nur Sonnenlicht Beleuchtung unter Feldbedingungen Schätzung basierend auf zenitalen (Nadir) natürliche Farbe (rot, grün und blau [RGB]) digitale Bilder, so dass für Hochdurchsatz- Standardisierte Messungen. Verschiedenen Feldversuchen Durum-Weizen und Gerste, die geografisch verteilt in ganz Spanien während der 2014/2015 bis 2015/2016 Ernte Jahreszeiten in bewässert und Rainfed Studien wurden verwendet, um repräsentative Ergebnisse zu liefern. Das drei-Phasen-Protokoll umfasst Ernte Wachstumsphase und Feld Zustand Planung, Image Capture Leitlinien, und einen Computer-Algorithmus aus drei Schritten: (i) ein Laplace Frequenzfilter, nieder- und hochfrequente Artefakte, (Ii) ein Medianfilter zum Abbau hoher entfernen Lärm, und (Iii) Segmentierung und zählen mit lokaler Maxima Gipfel für die endgültige Anzahl. Kleinere Anpassungen an den Algorithmus-Code müssen entsprechend der Kameraauflösung, Brennweite und Abstand zwischen der Kamera und die Ernte Baldachin erfolgen. Die Ergebnisse zeigen eine hohe Erfolgsquote (mehr als 90 %) und R2 -Werte (von 0,62-0,75) zwischen der Algorithmus zählt und das manuelle Image-basierte Ohr zählt für Durum-Weizen und Gerste.

Introduction

Die Welt-Getreide-Auslastung in 2017/2018 wird berichtet, um 1 % gegenüber dem Vorjahr1erweitern. Basierend auf die neuesten Vorhersagen für Getreide Produktion und Bevölkerung Auslastung, Welt-Getreide Bestände Erträge mit einer schnelleren Rate zu erhöhen, um die wachsenden Anforderungen, auch zur Steigerung der Wirkung von Climate Change2anzupassen müssen. Daher ist ein wichtiger Schwerpunkt auf Verbesserung der Ausbeute Getreide durch verbesserte Ernte Zuchttechniken. Zwei der wichtigsten und geernteten Getreide im Mittelmeerraum werden nämlich als Beispiele für diese Studie ausgewählt, Hartweizen (Triticum Aestivum L. SSP. Durum [Desf.]) und Gerste (Hordeum Vulgare L.(). Hartweizen ist, durch Verlängerung, die am häufigsten angebaute Getreide in den Süden und Osten Rändern des Mittelmeerraums und ist die 10. wichtigsten Ernte weltweit, aufgrund seiner Jahresproduktion von 37 Millionen Tonnen jährlich3, während Gerste die vierte global ist in Bezug auf Produktion, eine Gesamtproduktion von 144,6 Millionen Tonnen Getreide pro Jahr4.

Fernerkundung und proximalen Bild-Analyse-Techniken sind zunehmend wichtige Werkzeuge in der Weiterentwicklung der Bereich Hochdurchsatz-Pflanze Phänotypisierung (HTPP) wie sie nicht nur agiler bieten, aber auch oft, präzise und konsistente Abrufe des Ziels zuschneiden Biophysiological Merkmale, wie Bewertungen von photosynthetische Aktivität und Biomasse, preharvest Ausbeute Schätzungen und auch Verbesserungen im Merkmal Erblichkeit, wie Energieeffizienz in Ressource Verwendung und Aufnahme5,6,7 ,8,9. Fernerkundung konzentriert sich traditionell auf die multispektralen hyperspektralen und Wärmebildkamera-Sensoren von Arbeitsbühnen für Präzisionslandwirtschaft in das Feld Maßstab oder Pflanze Phänotypisierung Studium an der Microplot 10, Robbe. Gemeinsame, im Handel erhältlichen Digitalkameras, die nur sichtbares reflektiertes Licht zu messen waren oft übersehen wird, trotz ihrer sehr hohen räumlichen Auflösung, aber haben vor kurzem populär geworden, da immer neue innovative Bildverarbeitungs-Algorithmen können Nutzen Sie die detaillierte Farbe und räumliche Informationen, den sie anbieten. Viele der neuesten Innovationen in fortschrittlichen landwirtschaftlichen Bild Analysen setzen zunehmend auf die Interpretation der Angaben sehr hochauflösende (VHR) RGB-Bilder (für die Messung von rot, grün und blau sichtbar Lichtreflexion), einschließlich der Ernte Überwachung (Kraft, Phänologie, Krankheit Bewertungen und Identifizierung), Segmentierung und Quantifizierung (Entstehung, Ohr Dichte, Blüte und Frucht zählt) und sogar 3D Rekonstruktionen anhand einer neuen Struktur von Bewegung Workflows11.

Einer der wesentlichsten Punkte für Getreide Produktivitätssteigerung ist eine effizientere Bewertung der Rendite, bestimmt durch drei Hauptkomponenten: Ohr, Dichte oder die Anzahl der Ohren pro Quadratmeter (Ohren/m2), die Anzahl der Körner pro Ohr, und die tausend-Kernel-Gewicht. Ohr Dichte erhalten Sie manuell im Feld, aber diese Methode ist umständlich, zeitraubend und fehlt in ein einziges standardisiertes Protokoll, die zusammen in eine bedeutende Quelle des Fehlers führen kann. Einbeziehung der automatische Zählung der Ohren ist eine anspruchsvolle Aufgabe aufgrund der komplexen Ernte Struktur, enge Anlage, Abstand, hohe Ausmaß der Überlappung, Elemente im Hintergrund und das Vorhandensein von Grannen. Neuere Arbeiten fortgeschritten in dieser Richtung mit einer schwarzen Hintergrund Struktur unterstützt durch ein Stativ um Bilder geeignet beschneiden, zeigen recht gute Ergebnisse im Ohr zählen12zu erwerben. Auf diese Weise übermäßiges Sonnenlicht und Schatteneffekte vermieden, aber eine solche Struktur wäre umständlich und eine erhebliche Einschränkung in einer Anwendung auf Freilandbedingungen. Ein weiteres Beispiel ist, dass eine automatische Ohr zählen Algorithmus entwickelt, mit einem vollautomatischen Phänotypisierung System mit einer starren motorisierte Gantry mit guter Genauigkeit verwendet wurde, für die Zählung Ohr Dichte in einem Panel, bestehend aus fünf granneloser Brotweizen (Triticum Aestivum L.) Sorten, die unter verschiedenen Stickstoff Bedingungen13wachsen. Jüngsten Arbeiten von Fernandez Gallego14 optimiert diesen Prozess für schnellere und einfachere Datenerfassung mit VHR RGB-Farbbilder, gefolgt von weiter fortgeschritten, aber noch voll automatisierte, Bild-Analysen. Die effiziente und qualitativ hochwertige Datenerfassung unter Feldbedingungen betont ein vereinfachte, standardisiertes Protokoll für Konsistenz und hohe Aufnahme Datendurchsatz, während die Bildverarbeitungs-Algorithmus den Roman beschäftigt der Laplace-Operator und Frequenzbereich verwenden Filter, um unerwünschte Image-Komponenten zu entfernen, vor dem Auftragen einer Segmentierung für die Zählung basiert auf der Suche nach lokalen Maxima (im Gegensatz zur vollständigen Darstellung wie in anderen früheren Studien, die zu mehr Fehlern mit überlappenden Ohren führen kann).

Diese Arbeit schlägt vor, ein einfaches System für die automatische Quantifizierung von Ohr Dichte unter Feldbedingungen, mit Bildern von handelsüblichen Digitalkameras erworben. Dieses System nutzt die Vorteile des natürlichen Lichts im Feld Bedingungen und deshalb erfordert die Berücksichtigung von einigen Verwandten Umweltfaktoren, wie Zeit des Tages und Cloud Cover, bleibt aber in der Tat einfach zu implementieren. Das System ist demonstriert worden, auf Beispiele für Durum-Weizen und Gerste sollte jedoch erweiterbar in Anwendung auf Weizen, Brot, die neben der ausstellenden Ohren mit ähnlichen Morphologie, häufig granneloser sind, aber weitere Experimente wären erforderlich, um bestätigen Sie dies. In den Daten erfassen hier vorgestellten Protokoll, zenitalen Aufnahmen durch einfaches halten Sie die Kamera von hand oder mit einem Einbeinstativ für die Positionierung der Digitalkameras über die Ernte. Validierungsdaten können durch zählen der Ohren für Nebenhandlungen im Feld oder während der Nachbearbeitung, manuell durch zählen Ohren in das Bild selbst erworben werden. Die Bildverarbeitungs-Algorithmus besteht aus drei Prozesse, die Erstens effektiv unerwünschte Bestandteile des Bildes zu entfernen, die dann für die nachfolgenden Segmentierung und Auszählung der einzelnen Ähren in den erworbenen Bildern ermöglicht. Zunächst ein Frequenzfilter Laplace-Operator wird verwendet, um Änderungen in den verschiedenen Raumrichtungen das Bild mit den Standardeinstellungen ImageJ Filter ohne Fenster Kernel Größe Anpassungen zu erkennen (Finden Maxima Segmentierung Technik bestimmt die lokale Spitzen nach dem räumlichen Medianfilter Schritt, in welchem Stadium die Pixel im Zusammenhang mit Ohren haben höhere Pixelwerte als Boden- oder Blätter. Daher finden Maxima wird verwendet, um die hohen Werte im Bild segmentieren und diese Regionen sind beschriftet als Ohren, die Ohren und gleichzeitig reduzieren sich überschneidende Ohr Fehler identifiziert. Analysieren Sie Partikel wird dann auf die binäre Bilder zu zählen/messen Parameter aus den Regionen, die durch den Kontrast zwischen der weißen und schwarzen Oberfläche finden Maxima Schritt erstellten erstellt oder verwendet. Das Ergebnis wird dann verarbeitet, um ein binäres Bild Segmentierung zu erstellen, durch die Analyse der nächste Nachbar Pixel Varianz um jedes lokales Maximum, die Weizen-Ohr-Formen im gefilterten Bild zu identifizieren. Schließlich zählt die Ohr-Dichte analysieren Partikel mit, wie in Fidschi15umgesetzt. Maxima finden und analysieren Partikel sind eigenständige Funktionen und Plugins in Fidschi (https://imagej.nih.gov/ij/plugins/index.html) erhältlich. Wenn nicht ausdrücklich in das Protokoll hier vorgestellt, deuten vorläufige Ergebnisse als ergänzendes Material, dass diese Technik an Ohr zählen Untersuchungen von unbemannten Luftfahrzeugen (UAV), vorausgesetzt, dass die Auflösung angepasst werden kann bleibt ausreichend hohe14.

Protocol

1. prefield Ernte Wachstumsphase und Umweltbedingungen Darauf achten, dass die Ernte Wachstumsphase ist etwa zwischen Getreide füllen und in der Nähe von Ernte Reife, mit Ohren, die noch grün sind, auch wenn die Blätter seneszenten sind (das entspricht bei Weizen auf den Zadoks Skala1660-87). Einige Gelbfärbung der Blätter ist akzeptabel, aber nicht notwendig. Bereiten Sie ein Probenahmeplan für Bilderfassung mit verschiedenen Wiederholungen (Bilder pro Parzelle) um die …

Representative Results

In Abbildung 8, zeigen die Ergebnisse der Bestimmung Koeffizient zwischen der Ohr-Dichte (Anzahl der Ohren pro Quadratmeter) mit manuellen Zählung und das Ohr zählen Algorithmus für Weizen und Gerste zu drei verschiedenen Ernte Entwicklungsstadien. Die erste ist Durum-Weizen mit einem Zadoks Skala zwischen 61 und 65 (R2 = 0,62). Das zweite ist zweizeilige Gerste mit einem Zadoks Skala zwischen 71 und 77 (R2 = 0,75), …

Discussion

Erhöhte Beweglichkeit, Konsistenz und Präzision sind der Schlüssel zur Entwicklung von neuen Phänotypisierung Werkzeuge unterstützen die Pflanzenzüchtung Gemeinschaft in ihren Bemühungen um Kornertrag trotz des negativen Drucks, die Bezug auf den globalen Klimawandel zu erhöhen. Effiziente und genaue Einschätzungen der Getreide Ohr Dichte, hilft wie ein agronomischen Hauptbestandteil der Ausbeute an wichtiges Grundnahrungsmittel ernten, die Werkzeuge für die Fütterung von künftiger Generations zur Verfügung …

Disclosures

The authors have nothing to disclose.

Acknowledgements

Die Autoren dieser Forschung möchte das Feld Management Personal an Experimentierstationen Colmenar de Oreja (Aranjuez) des Instituto Nacional de Investigación y Tecnología Agraria y Alimentaria (INIA) und Zamadueñas (Valladolid) von der Instituto de Tecnología Agraria de verwendet Castilla y León (ITACyL) für ihre Feld-Unterstützung der Forschung Studie ernten. Diese Studie wurde unterstützt durch das Forschungsprojekt AGL2016-76527-R von MINECO und Spanien Teil ein Kooperationsprojekt mit Syngenta, Spanien. Die BPIN 2013000100103 Stipendium der “Formación de Talento Humano de Alto Nivel, Gobernación del Tolima – Universidad del Tolima, Kolumbien” war der einzige finanzielle Unterstützung für den ersten Autor Jose Armando Fernandez-Gallego. Die primäre Finanzierungsquelle des entsprechenden Autors, Shawn C. Kefauver, kam aus dem ICREA Wissenschaft Programm durch einen Zuschuss an Prof. Jose Luis Araus vergeben.

Materials

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

  1. Food and Agriculture Organization (FAO). . Food outlook: Biannual report on global food markets. , (2017).
  2. Araus, J. L., Kefauver, S. C. Breeding to adapt agriculture to climate change: affordable phenotyping solutions. Current Opinion in Plant Biology. , (2018).
  3. Ranieri, R. Geography of the Durum Wheat Crop. Pastaria International. 6, (2015).
  4. Food Agriculture Organization (FAO). . The State of Food Insecurity in the World. , (2014).
  5. Araus, J. L., Cairns, J. E. Field high-throughput phenotyping: the new crop breeding frontier. Trends in Plant Science. 19 (1), 52-61 (2014).
  6. Fiorani, F., Schurr, U. Future Scenarios for Plant Phenotyping. Annual Review of Plant Biology. 64 (1), 267-291 (2013).
  7. 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).
  8. 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).
  9. Furbank, R. T., Tester, M. Phenomics – technologies to relieve the phenotyping bottleneck. Trends in Plant Science. 16 (12), 635-644 (2011).
  10. 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).
  11. 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).
  12. 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).
  13. Dornbusch, T., et al. . Digital Field Phenotyping by LemnaTec. , (2015).
  14. 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).
  15. 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).
  16. Zadoks, J., Chang, T., Konzak, C. A decimal growth code for the growth stages of cereals. Weed Research. 14 (14), 415-421 (1974).
  17. 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).
  18. 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).
  19. Zaman-Allah, M., et al. Unmanned aerial platform-based multi-spectral imaging for field phenotyping of maize. Plant Methods. 11 (1), 35 (2015).
  20. 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).
  21. 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).
  22. 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).
  23. 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).
  24. 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).
  25. Smołka, B. Nonlinear techniques of noise reduction in digital color images. Wydawnictwo Politechniki Śląskiej. , (2004).

Play Video

Cite This Article
Fernandez-Gallego, J. A., Buchaillot, M. L., Gracia-Romero, A., Vatter, T., Diaz, O. V., Aparicio Gutiérrez, N., Nieto-Taladriz, M. T., Kerfal, S., Serret, M. D., Araus, J. L., Kefauver, S. C. Cereal Crop Ear Counting in Field Conditions Using Zenithal RGB Images. J. Vis. Exp. (144), e58695, doi:10.3791/58695 (2019).

View Video