Summary
선물이 듀 럼 밀과 보 리 귀를 계산에 대 한 프로토콜 사용 하 여 필드 조건 하에서 자연 햇빛에서 자연 색상 (RGB) 디지털 사진. 카메라 매개 변수에 대 한 최소한의 조정, 일부 환경 조건 제한 기술 성장 단계의 범위에 걸쳐 정확 하 고 일관 된 결과를 제공합니다.
Abstract
귀 농도, 또는 평방 미터 (귀/m2), 당 귀 수 많은 시리얼 작물 번 식 프로그램, 밀과 보 리, 곡물 수확량을 예측에 대 한 중요 한 농경 항복 요소를 나타내는 중앙 초점 이다. 따라서, 귀 밀도 평가 하기 위한 신속, 효율적이 고 표준화 된 기술을 제공 하는 preharvest 수확량 예측, 개선 농업 관리 개선 지원 또는 자르기가 정의 때 사육에 대 한 도구로 사용 될 수 있습니다. 중요성의는 특성으로 뿐만 아니라 수동 귀에 대 한 현재 기술 밀도 평가 힘들고 시간이 걸리는, 하지만 그들은 또한 어떤 공식 표준화 된 프로토콜 없이 선형 미터, 지역 사분면, 또는 식물 귀 밀도 및 식물에 따라 추정 된 postharvest 계산합니다. 디지털 이미지, 높은 처리량에 대 한 허용 방들은 (nadir) 자연 색상 (빨강, 녹색 및 파랑 [RGB])에 기반 필드 조건에만 햇빛 조명 귀 밀도 추정 알고리즘을 계산 하는 자동 귀 자세히 제시 표준화 된 측량입니다. 듀 럼 밀과 보 리 2014/2015, 2015 동안 스페인 지리적으로 분산의 다른 현장 실험/2016 작물 계절에 관개와 rainfed 재판 대표적인 결과 제공 하는 데 사용 했다. 작물 성장 단계 및 필드 조건 계획, 이미지 캡처 지침 및 컴퓨터 알고리즘의 세 단계를 포함 하는 3 단계 프로토콜: (i) Laplacian 주파수 필터를 제거 낮은 및 높은 주파수, (ii)을 줄이기 위해 높은 중간 필터 잡음, (iii) 세분화 하 고 최종 계산에 대 한 로컬 맥시 마 봉우리를 사용 하 여 계산. 약간 조정 알고리즘 코드는 카메라 해상도, 초점, 그리고 카메라와 자르기 캐노피 사이의 거리에 해당 되어야 합니다. 결과 알고리즘 계산 사이 높은 성공률 (90% 이상)과 R2 값 (0.62-0.75) 설명 하 고 수동 이미지 기반 귀 듀 럼 밀과 보 리에 대 한 건의.
Introduction
전년도1에서 1%에 의해 확장 2017/2018에서 세계 시리얼 사용률을 보고. 곡물 생산 및 인구 사용률, 세계 곡물 주식 또한 기후 변화2의 효과 증가에 적응 하면서 성장 요구를 충족 하기 위해 빠른 속도로 생산량을 증가 하는 데 필요한에 대 한 최신 예측을 기반으로 합니다. 따라서, 향상 된 작물 번 식 기술을 통해 곡물 수율 향상에 중요 한 초점을 맞추고가 있다. 2 지중해 지역에서 가장 중요 하 고 수확 곡물 즉이 연구에 대 한 예제로 선택, 듀 럼 밀 (Triticum aestivum L. ssp. 파스타 [Desf.])과 보 리 (Hordeum vulgare L.). 듀 럼 밀, 확장 하 여, 지중해 분 지의 남쪽 및 동쪽 여백에서 가장 재배 시리얼 이며 가장 중요 한 10 자르기 37 백만 톤의 연례 생산으로 인하여 세계적으로 매년3, 보 리는 4 글로벌 곡물 생산, 144.6 백만 톤에서 글로벌 생산 측면에서 매년4.
원격 감지 및 인접 이미지 분석 기법 도구도 점점 키 필드 높은 처리량 식물 형질 (HTPP)의 발전에 그들은 뿐만 아니라 더 민첩 한 제공 하지만 또한, 자주, 더 정확 하 고 일관 된 검색 대상의 자르기 biophysiological 특성, 광합성 활동 및 바이오 매스의 평가 같은 리소스 사용과 이해5,6,7 효율성 등 특성이 상속 가능성에 수익률 추정, 그리고 심지어 개선 preharvest ,,89. 원격 탐사는 전통적으로에 초점을 맞춘 multispectral, hyperspectral, 및 열 이미징 필드 규모 정밀 농업에 대 한 또는 식물 형질 연구는 microplot에서 공중 플랫폼에서 센서 규모10. 만 보이는 반사 된 빛을 측정 하는 일반적인, 상용 디지털 카메라 그들의 매우 높은 공간 해상도도 불구 하 고 종종 간과 했다 하지만 최근 인기 끌고있다 새로운 혁신적인 이미지 처리 알고리즘은 점점 수 자세한 색상 및 그들이 제공 하는 공간 정보 활용을 걸릴. 많은 고급 농업 이미지 분석에서 최신 혁신의 점점 (측정에 대 한 그들의 빨강, 녹색 및 파란색 표시 빛 반사율), 매우 높은 해상도 (VHR) RGB 이미지에서 제공 하는 데이터의 해석에 의존 하 고 작물을 포함 하 여 (활기, 기후학, 질병 평가 및 식별) 모니터링, 세분화 정량화 (출현, 귀 밀도, 꽃 및 과일 수), 그리고 심지어 풀 3D 복원 모션 워크플로11에서 새로운 구조에 따라.
시리얼 생산성에서 개선 위한 가장 중요 포인트 중 하나는 세 가지 주요 구성 요소에 의해 결정 되는 수확량의 더 효율적인 평가: 밀도 또는 평방 미터 (귀/m2) 당 귀 수, 당 귀, 곡물의 수 귀와 천-커널 무게입니다. 필드 수동으로 귀 밀도 얻을 수 있습니다 하지만이 방법은 힘 드는, 소모, 그리고 단일 표준화 된 프로토콜에서 부족을 함께 발생할 수 있습니다 오류의 중요 한 소스. 귀의 자동 세 통합 복잡 한 작물 구조, 가까운 식물 간격, 오버랩, 배경 요소 및 awns의 존재의 높은 범위 때문에 어려운 작업입니다. 최근 작품은12세의 귀에 상당히 좋은 결과 보여주는 적당 한 자르기 이미지를 얻기 위해서는 삼각대에서 지 원하는 검은색 구조를 사용 하 여이 방향에서 전진 했다. 이 방법에서는, 과도 한 햇빛 및 그림자 효과 피할 수 했다, 하지만 이러한 구조는 성가신 될 것 이라고 하 고 필드 조건에 응용 프로그램에서 주요 한계. 또 다른 예는 패널에 귀 밀도 계산에 대 한 좋은 정확도 함께 사용 된 엄밀한 동력된 갠트리와 완전 자동화 된 형질 시스템을 사용 하 여 개발 하는 알고리즘을 계산 하는 자동 귀 5 awnless 빵 밀 (Triticum의 구성 aestivum L.) 다른 질소 조건13에서 성장 하는 품종. 페르난데스 Gallego14 최근 작품은 VHR RGB 컬러 이미지 뒤에 고급, 아직 여전히 완전 자동화 된 이미지 분석을 사용 하 여 빠르고 쉽게 데이터 캡처에 대 한이 프로세스를 최적화 하 고. 필드 조건에서 효율적이 고 양질의 데이터 수집 단순화 된 표준화 된 프로토콜을 강조 하는 일관성과 높은 데이터 캡처 처리, 이미지 처리 알고리즘 사용 소설 동안 Laplacian 및 주파수 도메인의 사용 (겹치는 귀로 더 많은 오류가 발생할 수 있습니다 다른 이전 연구에서 전체 묘사) 반대로 로컬 맥시 마를 찾는 것에 따라 계산에 대 한 세분화를 적용 하기 전에 원하지 않는 이미지 구성 요소를 제거 하는 필터.
이 작품은 상용 디지털 카메라에서 획득 한 이미지를 사용 하 여 필드 조건에서 귀 밀도의 자동 정량화에 대 한 간단한 시스템을 제안 합니다. 이 시스템 필드에 자연 채광의 활용 조건 하며, 따라서, 하루와 구름 덮개의 시간 등 일부 관련된 환경 요소를 고려 하지만, 남아 있다 적용, 구현 하는 간단한. 시스템은 듀 럼 밀과 보 리에 대 한 예제에 입증 되었습니다 해야 밀, 빵을 응용 프로그램에 확장 가능한는, 유사한 형태학으로 귀를 전시 외 자주 awnless, 하지만 추가 실험에 필요한 것 이 확인 합니다. 데이터에서 캡처 여기에 제시 된 프로토콜, 방들은 이미지는 단순히 카메라를 손으로 들고 하거나 자르기 위에 디지털 카메라 위치에 대 한 모노 포드를 사용 하 여 촬영. 유효성 검사 데이터는 이미지 자체에 귀에 의해 수동으로 subplots 필드에서 또는 포스트 프로세싱, 동안에 대 한 귀를 계산 하 여 인수 될 수 있습니다. 이미지 처리 알고리즘은 먼저, 다음, 후속 세분화와 인수 이미지에서 개별 밀 귀의 계산을 허용 하는 방식으로 이미지의 원치 않는 구성 요소를 효과적으로 제거 하는 세 가지 프로세스 구성 되어있습니다. 첫째, Laplacian 주파수 필터 창 커널 크기 조정 없이 기본 ImageJ 필터 설정을 사용 하 여 이미지의 다른 공간 방향에서 변화를 감지 하기 위해 사용 됩니다 (맥시 마 찾을 세분화 기술 결정에 어느 단계에서 픽셀은 귀와 관련 된 중간 공간 필터 단계 후 로컬 봉우리는 토양 또는 잎 보다 더 높은 픽셀 값. 따라서, 맥시 마 찾을 이미지, 높은 값을 세그먼트에 사용 되 고 그 지구는 겹치는 귀 오류도 줄이면서 귀를 식별 귀로 표시 됩니다. 분석 입자 는 계산 찾을 최대 단계에서 만든 흰색과 검은색 표면 사이의 대조에 의해 만들어진 영역에서 매개 변수를 측정 하는 이진 이미지에 사용 됩니다. 다음 결과 처리 하 여 필터링 된 이미지에 밀 귀 형태를 식별 하기 위해 각 지역 최대 주위 가까운 이웃 픽셀 차이 분석 하 여 바이너리 이미지 세그먼트를 만들고. 마지막으로, 귀 밀도 계산 됩니다 분석 입자를 사용 하 여 피지15에서 구현 될 때. 찾을 맥시 마와 분석 입자는 독립 실행형 기능 피지 (https://imagej.nih.gov/ij/plugins/index.html)에서 플러그인으로 사용할 수. 여기에 프로토콜에서 구체적으로 제시 하지, 예비 결과 보충 자료로 제시 것을 제안이 기술은 귀 수 조사 무인된 공중 차량 (UAVs)에서 그 해상도 제공에 있을 수 있습니다. 충분히 높은14남아 있다.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
1. prefield 작물 성장 단계 및 환경 조건
- 작물 성장 단계는 곡물 충전 물 사이 약 그리고 작물 성숙 잎이 노화 하는 경우에 여전히 녹색은 귀 근처 (Zadoks' 규모16의 범위 60-87에 밀의 경우 해당). 잎의 일부 yellowing은 허용 하지만 필요 하지 않습니다.
- 그림/영역 가변성;를 캡처하기 위해 다양 한 복제 (작 당 사진)와 이미지 캡처 샘플링 계획 준비 이미지 처리 알고리즘 귀 이미지에서의 수를 계산 하 고 변환 하는 평방 미터 (귀/m2) 당 귀를 카메라 사양에 따라.
- 이미지를 캡처하는 태양 정오 또는, 양자 택일로, 확산 조명 조건에서 흐린된 날에 2 시간 알고리즘을 계산 하는 귀에 귀 숨김의 부정적인 영향을 피하기 위해 필드 여행을 계획 합니다.
- 일단 필드에는 습기에서 반사 빛의 반사를 피하기 위해 건조 되도록 자르기 캐노피의 상단을 확인 합니다.
참고:이 프로토콜의 목적을 고려 하 고, 그건 처음 작물의 성장 단계 귀 수 적용 적합 한지 여부를 고려 하는 것이 중요. 권장된 성장 단계 외부 이미지 캡처도 높아집니다 차선 또는 의미 없는 결과 (해당 되는 경우 귀 없거나 완전히 등장 하지 않습니다). 이미지 품질은 또한 상당한 해상도 및 센서 크기, 그리고 일부 환경 조건, 날 및 구름 덮개의 시간 등을 포함 하 여 결과 처리에 미치는 영향, 이미지 캡처를 계속 하기 전에 신중 하 게 고려 될 필요가 있다.
2. 이미지 캡처 자연 채광과 함께 필드 조건에서
- 신속 하 게 이미지를 캡처할 그림 1 또는 유사한 수집 시스템 (심지어 휴대용)에서 같이 "phenopole"를 준비 하 고 아직를 표준화 하 고 일관 된 방식에서 각 플롯 또는 위치를 대상.
그림 1 : 시스템 계산 귀. "Phenopole" 왼쪽에 필드에 표시 되는 원격 제어 자연 색상 (RGB) 큰 센서와 카메라 기울기와 높이 조정 하기 위해 필요한 매개 변수를 나타내는 고해상도 디지털 카메라 시스템을 사용 하 여 시스템 계산 귀는 이미지 처리 알고리즘입니다. 센서와 이미지 해상도 사용자 렌즈 초점 거리와 캐노피에서 거리에 대 한 특성을 입력 해야 하는 동안 이미지 속성에 의해 자동으로 검색 됩니다. 다음은 귀와 귀 밀도 (귀/m2) 이미지 기반 총 귀 수의 변환 당 픽셀의 추정된 번호에 대 한 알고리즘을 조정 하는 데 필요한. 그 이유로, 필드의 모든 이미지에 대 한 동일한 카메라와 렌즈 초점 길이 사용 하는 것이 좋습니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭 하십시오.
- 적합 한 모노 포드에 카메라 위치 또는 "selfie" 그것도 수준, 유지 될 수 있도록 극 방들은 이미지를 수준 거품 또는 카메라 안정화 시스템을 사용 하 여.
- 휴대 전화, 태블릿, 또는 다른 장치를 사용 하 여 제대로 초점 을된 이미지와 함께 최상의 결과 얻으려면 두 원격 제어 이미지 캡처 및 이미지 시각화에 대 한 카메라를 연결 하. 프로그램 사용자 익숙하지 않은 만큼 정확한 수동 초점 설정 하 그들의 카메라 또는 사진 기술을 정확한 초점 및 에 노출 된 방들은 이미지의 예에서 같이 경우에 오류를 줄이기 위해 자동 초점 카메라 그림 2.
그림 2 : 방들은 자르기 이미지. 듀 럼 밀과 보 리 귀 방들은 이미지 61에 87 Zadoks의 규모에 따라 약 성장과 노화의 수용 단계는 데이터 집합 예제 계산 귀에 대 한. (왼쪽) 듀 럼 밀 방들은 이미지 데이터 집합 예입니다. (오른쪽) 보 리 방들은 이미지 데이터 집합 예입니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭 하십시오.
- 이미지 캡처 전에 이미지 번호 필드 플롯으로 올바르게 이미지를 맞추기 위해 주의 합니다. 일반 필드 영역 시작에의 한 이미지와 포스트 프로세싱 컨트롤에 대 한 블록 사이 지상/필드의 하나의 이미지를 기록 합니다.
- 캐노피 위 카메라 높이 정기적으로 확인 하 통치자 또는 측정 문자열을 사용 하 여 자르기 캐노피의 상단 위에 대략 80 cm에 카메라 위치입니다. 카메라 수준 인지 확인 하 고 이미지를 캡처하십시오. 이 기술은 1-2 researcher(s) 필요할 수 있습니다.
- 수동 이미지 개수 유효성 검사, 설치 확장 프레임 (예를 들어, 작은 원)에 팔 및 정밀한 이미지 하위 집합;의 수동 필드 계산을 수행 하려면 이미지의 중간에 위치를 제외 하 고 원하는 경우 추가 필드 귀 셀 유효성 검사 이 기술을 구현 하기 위해 2-3 명이 필요할 수 있습니다.
참고: 따라서, 카메라 선택에 세 가지 주요 고려 사항 포함: (1) 카메라 사양; 이 경우, 센서의 실제 크기; (2); 이미지 렌즈의 초점 거리 (3) 캐노피와 카메라 사이의 거리: 작은 거리 또는 큰 줌 렌즈 사로잡을 것입니다 작은 지역 더 큰 거리에서 캡처한 이미지 더 큰 자르기 영역을 사로잡을 것입니다 하는 동안. 에 대 한 자세한 내용은 관련 카메라 사양 그림 1 을 참조 하십시오.
3. 알고리즘 구현 및 조정
참고: 여기에 우리가 현재 알고리즘 구현 및 다른 카메라 사양 (센서 크기, 화소, 초점 거리, 거리 자르려면)에 대 한 조정 및 자동 귀 계산에 대 한 자르기 (듀 럼 밀 또는 보 리). 알고리즘에 대 한 개요는 그림 3에 그래픽으로 표시 됩니다.
그림 3 : 2 줄 보 리 귀 계산에 대 한 이미지 처리 파이프라인. 2 줄 보 리 귀로 계산에 대 한 이미지 처리 파이프라인 특정 컴퓨터 코드를 사용 하 여 또는 둘 다 피지 (ImageJ) 내에서 작동 하는 CerealScanner 소프트웨어를 사용 하 여 구현. 패널 1 원본 이미지를 보여줍니다. 패널 2 Laplacian 필터의 응용 프로그램의 결과 보여 줍니다. 패널 3 중 필터의 응용 프로그램을 표시 하 고 패널 4 최종 찾을 최대 및 최종 귀 수 생산을 위한 시장 세분화의 결과 보여 줍니다. 그런 다음 계산 변환할 이미지 수 귀 밀도, 그림 1에서 같이 만들어집니다. 이러한 이미지는 Arazuri 필드 사이트에서 가져온 예 (북동 스페인, 42 ° 48'33.9 "N 1 ° 43'37.9" W) 조명 조건에 확산. 이 그림의 더 큰 버전을 보려면 여기를 클릭 하십시오.
- 다운로드 및 설치 피지, 자바 8, 및 처리 코드 또는 대학 바르셀로나의 독자적인 CerealScanner 플러그인 (https://fiji.sc/, https://www.java.com/en/download/, 및 https://integrativecropecophysiology.com/software-development/cerealscanner/ [정보] 또는 https://gitlab/sckefauver/CerealScanner [코드 저장소]); 액세스 권한을 해당 작가 문의 하십시오. 플러그인은 단순히 플러그인 폴더에 그것을 복사 하 여 피지 내에서 설치 됩니다.
- 통해 상단 메뉴에서 플러그인을 열고 플러그인 > CerealScanner > 오픈 시리얼 스캐너.
참고: 여기에 제시 된 작품은 그렇다 하 고 CerealScanner 플러그인 작물 활력, 스트레스, 또는 염 록 소17,18에 관련 된 여러 다른 RGB 기반 식물 색인을 포함 한다. 특정 CerealScanner 부분 그림 4에서처럼 초기 활력 (페르난데스-Gallego, 검토에), 귀 세14, 및 작물 노화19, 특정 알고리즘을 포함 합니다. - (자세한 내용은 그림 1 및 그림 4 참조) 기본값에서 다른 경우 카메라 사양 및 이미지 캡처 정보 조정을 입력 합니다.
- 카메라 초점 길이 대 한 알고리즘 매개 변수 조정.
- 자르기 캐노피에서 거리에 대 한 알고리즘 매개 변수 조정.
그림 4 : CerealScanner 알고리즘 컬렉션에서 귀 계산 기능 표시는 CerealScanner 2.12 베타 중앙 탭 두 수준에. 사용자를 선택 해야 합니다 합니다... 일괄 입력 이미지 파일 저장 폴더를 선택 하는 기본에서 다른 경우 H 거리 (자르기 캐노피의 상단에는 카메라에서 거리)과 초점 거리의 기본 값을 변경의 오른쪽 버튼을 t 값, 선택한 다음 선택은... 이름 및 최종 결과 파일의 위치를 선택 하려면 결과 파일 의 오른쪽 버튼을. CerealScanner의 다른 탭 이른 활기 및 CerealScanner 코드 제품군의 일환으로 성숙 의 발병 특성 기반 형질에 대 한 알고리즘을 제공합니다. 바이오 매스 탭 보다 일반적인 작물의 의견에 대 한 여러 가지 알고리즘 또한 RGB 디지털 이미지에 대 한 활기 및 바이오 매스 계산 있다. 예제 에서처럼 그것은 그림 3에서 두 줄 보 리를 말합니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭 하십시오.
그림 5 : 알고리즘 조정. 성공적으로 두 밀을 계산 하기 위해 파이프라인 및 보 리 귀 같은 알고리즘을 사용 하 여 H 거리 (카메라와 작물 사이 거리의 카메라 관련 조정의 일환으로 자동으로 관리 됩니다 조정 이미지 처리에 필요한 캐노피)와 초점 길이 귀 당 픽셀 수가 더 많거나 적은 다른 응용 프로그램 간에 일정 하 게 유지 되도록 서브. 이 그림의 더 큰 버전을 보려면 여기를 클릭 하십시오.
- 필드 데이터 집합의 각 이미지에 귀 수를 계산 하려면 센터 탭 CerealScanner 및 귀 세 이후 중앙 탭을 선택 합니다.
- 옵션에서 일괄 입력, 위치 입력 분석 사진.
- 결과 파일에 결과 파일을 저장할 위치를 선택 합니다. 결과 파일은 이미지 파일 이름 및 결과 계산 하는 귀 두 개의 열을 포함 됩니다.
- 마지막으로, 프로세스, 그리고 평방 미터 (귀/m2), 귀 밀도와 결과 파일에 카메라 설정 및 캐노피와 카메라 사이의 거리를 사용 하 여 광장에 실제 캐노피 지역 이미지 영역을 변환 하는 단순한 비율을 사용 하 여 클릭 다음 그림 1, 미터는 컴퓨터 속도 따라 몇 분에서 자동으로 제작 됩니다.
- 수동으로 밀 또는 보 리 귀는 이미지에서의 수를 계산 하 고 다음이 변환 평방 미터 (귀/m2), 당 귀 수와 같이 그림 1에 비교 하 여 데이터 수집 후 후 처리 유효성 검사를 수행 합니다 알고리즘 값에 따라 그 결과입니다.
- 피지,이 과정과 개수를 자동으로; 생산 피지 입자 분석 기능에 대 한 쉬운 지원을 제공 하는 내에서 기본 제공 하는 간단한 포인트 배치 도구를 사용 하 여 이 그림 6에 그래픽으로 표시 됩니다.
- 필요한 경우 필드 데이터 수집 단계 2.6;에 설명 된 대로 동안 작은 동그라미를 사용 하 여 유효성 검사를 수행 수동 필드에 계산 하 고 실험실에서 수동 이미지 조사 다음, 그림 7과 같이 유효성 검사 알고리즘에 사용할 수 있습니다.
그림 6 : 수동 이미지에 귀 수를 사용 하 여 알고리즘 유효성 검사. 수동 이미지에 귀 (왼쪽된) 듀 럼 밀과 보 리 (오른쪽)에 대 한 건의. 작은 점 만들어진 피지 도구 를 사용 하 여 다음 계산 0.90 1.00 분석 입자 함수 를 사용 하 여 순환 제약 조건 채도에서 색상 임계값 을 적용 한 후 강도 색상 도구에 지정 된 색상 공간. 이 메서드는 더 정확한 이미지 기반 수동 귀 수를 보장합니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭 하십시오.
그림 7 : 알고리즘 유효성 검사 설명서를 사용 하 여 계산 필드에의 밀과 보 리, 원을 사용 하 여 수동 이미지에 귀 수. (왼쪽) 밀 이미지 수 유효성 검사 예 원을 사용 하 여입니다. (오른쪽) 보 리 이미지 수 유효성 검사 예 원을 사용 하 여입니다. 흰색 원 안에 귀 하위 집합 건의 했다 순환으로와 도구, 색상 임계값, 다음, 입자 함수 분석 그림 6 에서 설명한 대로 동일한 기술을 사용 하 여 계산 제약 조건 및 색조를 사용 하 여 색상 선택. 이 그림의 더 큰 버전을 보려면 여기를 클릭 하십시오.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
그림 8에서 결과 보여 귀 밀도 (평방 미터 당 귀 수) 사이의 결정 계수 수동 계산 및 3 개의 다른 작물 성장 단계에 밀과 보 리에 대 한 알고리즘을 계산 하는 귀를 사용 하 여. 첫 번째는 61 ~ 65 사이 Zadoks' 규모와 듀 럼 밀 (R2 = 0.62). 두 번째는 71에서 77 사이 Zadoks' 규모와 두 줄 보 리 (R2 = 0.75), 그리고 마지막 하나는 81과 87 사이 Zadoks' 규모와 듀 럼 밀 (R2 = 0.75).
그림 8 : 귀 밀도 사이의 결정 계수 (귀/m2의 번호) (에서 Zadoks' 단계 귀 듀 럼 밀과 다른 수락 가능한 작물 성장에 2 줄 보 리의 계산에 대 한 수동 이미지 기반 계산과 이미지 알고리즘을 사용 하 여 61 규모-87). 양 축 계산, 변환 귀 밀도 보다는 이미지를 기반으로 결과 포함 하 여 표시 합니다. 3 개의 다른 성장 단계에 뿐만 아니라 다른 조명 조건 하에서 두 개의 다른 작물 즉 Zadoks'에 듀 럼의 햇빛 이미지 상단에 61-65 확장 직접 대 한 대표적인 결과 여기에 표시 됩니다 (R2 = 0.62, n = 72), 확산 Zadoks의 규모는 중간에 71-77 보 리의 이미지를 빛 (R2 0.75, n = = 30), 그리고 확산 Zadoks' 규모 81-87 하단에 듀 럼 밀에 대 한 조명 조건 (R2 = 0.75, n = 24). 각각의 예제 이미지는 또한 표시 아래쪽에는 인세트로 각 그래프의 오른쪽. 이 그림의 더 큰 버전을 보려면 여기를 클릭 하십시오.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
증가 민첩성, 일관성, 그리고 정밀 글로벌 기후 변화에 관련 된 부정적인 압력에도 불구 하 고 곡물 수확량을 증가 하는 그들의 노력에 작물 번 식 지역 사회를 지원 하기 위해 유용한 새로운 형질 도구를 개발 하는 열쇠입니다. 시리얼 귀 밀도의 효율적이 고 정확한 평가의 중요 한 주식 수익률의 주요 농경 구성 작물로 먹이 미래 세대에 필요한 도구를 제공 도움이 됩니다. 개선 및 작물 번 식 노력 도움이 계속이 연구와 여기에 제시 된 기술 필드 조건에서의 지원에 초점을 맞추고 실제 기후에 구속 더 시나리오 및 번 식 커뮤니티의 요구를 변경 하지만 또한 선물 기술는 어려움 이와 같이, 그것은 데이터 캡처 및 이미지가 프로토콜에서 처리 뿐만 아니라 최적의 환경 조건에 대 한 권장 사항 및 그것의 성공적인 구현을11작물 성장 단계에 가까운 준수를 지불 하는 것이 중요. 주요 농경의 컴포넌트로 항복, 귀 밀도 곡물 수확량 (거기에 Slafer 외20 및 참조 문서를 참조)를 증가 대 한 추진에서 가장 중요 한 대상 특성 중 하나 간주 됩니다. 최적으로, 민첩 한, 비용 효율적이 고 간단 필드 형질 기법으로이 프로토콜에 프로토콜의 이러한 측면 그것의 채용 및 번 식 지역 사회에 의해 구현 하는 열쇠는 고려 합니다. 대조적으로, 이전 관련 귀 밀도 또는 다른 수확량 구성 요소 정량화 평가에 유사한 목적으로 연구 더 관련된 데이터 캡처를 사용 하 고 구조와 고정된 카메라 포함 등 환경 제어 구조 지원 또는 필드 조건 및 실제 구현에서 실용적인 응용 프로그램을 효과적으로 방해 하는 인공 빛 입력 프로그램12,,2022사육.
따라서, 우리가 제시 여기 반복 최적화 과정에서 다양 한 다른 기술을 테스트의 결과 자세한 프로토콜 적당히만 상업적으로 사용할 수, 필요한 간단 하지만 효과적인 이미지 데이터 캡처 방법 결과 고해상도 RGB 디지털 카메라와 자르기 캐노피 위의 카메라를 들고에 대 한 초보적인 "phenopole". 다른 이미지 필터링 시도 RGB 색상 또는 색조-채도-강도 또는 균일, 같은 다른 색 공간으로 또는 Laplacian 및 원치 않는 이미지 요소 제거에서 중간 주파수 도메인 필터의 사용으로 일관 된 되지 않았습니다. 특히 awns입니다. 우리 중 일부는 이미지 처리 알고리즘 구현에서 사소한 변경으로 쉽게 조정 될 수 있다 다른 요소와 이미지 캡처 파이프라인 시스템을 설계 했습니다. 여기에 제시 된 사례 연구에서 우리는 사용 두 다른 컴팩트 카메라 비교적 큰 센서와 20.1 메가 픽셀 (MP)와 16.0 MP 해상도 자르기 캐노피에서 80 cm의 거리에서 16-20 m m의 광각 렌즈와 이미지를 캡처. 이 이상 시뮬레이션 시연 기술을 높은 수준의 약 8 MP14 까지 정밀도 유지와 상세한 캐노피 보 리와 밀 정보를 생산 하는 충분 한 입증 (비슷한 렌즈와 거리는 캐노피)입니다.
일관성과 제시 이미지 처리 기술의 정밀 이미지 캡처 시 환경 조건 및 phenological 무대에 따라, 알고리즘을 응용 프로그램에서 강력한 성능을 제공 하 약속을 보여줍니다. 다른 작은 곡물 시리얼, 파스타와 빵 밀과 2 행과 6 행 보 리 품종을 포함 하 여. 이 알고리즘은 아직 완벽 하 게 테스트, 이미지 캡처 상대적 크기 및 이미지를 제공 하기 위해 결과 계산 하는 최적의 귀 귀의 위치 아마도 몇 가지 사소한 조정 같은 것. 제시 프로토콜에서 이미지 기반 귀 밀도 달성된 최대한 정확도 추정 및 수동 상관된 최고 카운트 이미지 곡물 작물 노화 색깔의 손실 귀착되는 때 나중의 성장 단계에서 캡처한 이미지에 비해 수율 및 조명 자르기 캐노피의 나머지와 귀 사이의 대조. 이 더 높은 온도 또는 귀23; 전에 나뭇잎과 줄기 senesce 일으킬 수 있는 전형적인 지중해 조건에서 특히 일반적, 곡물의 나중 부분에서 낮은 물 가용성의 결과 수 있습니다. 이 대조 귀, 잎, 및 토양 사이의 분리의 효과 대 한 필수적입니다. 이미 노란 귀와 지나치게 성숙 또는 노화 캐노피, 다른 이미지 요소 사이의 대조 귀 계산에 적합 하지 않습니다. 따라서, 다른 기후에서 최적의 타이밍 노화 증상 중 물 스트레스 라면 약간 달라질 수 있습니다.
도 불구 하 고 필드 조건에서 데이터 수집 필요 햇빛 조명 각도 햇빛 같은 환경 조건에 세심 한 관심, 여기에 제시 된 강력한 이미지 분석 알고리즘 제공 이미지 캡처에 좀 여유 공간 기술을 사용 하 여 이미지 반사율 효과, 무시는 올바른 이미지 노출 이미지 캡처;의 순간에 특정 조명 조건에 대 한 사용 되었다 창 자동 설정 그 점에서 잘 했습니다. 이전 작품에서 풀러 조명 효과의 테스트 했습니다, 나타내는 빛의 효과 관해서는 오류의 유일한 주요 소스 이미지에 강한 그림자의 생산 초기 또는 하루 늦게 직접적인 햇빛에 있는 이미지를 캡처할 때 태양14의 각도 때문. 첫 번째 두 개의 이미지 필터 응용 프로그램 또한 이미지;의 어떤 배경 구성 요소를 감소 시키고 있는 동안 (비록 하지 통해 카메라 노출 과도) 초과 조명에서 어떤 명백한 효과 최소화 하는 데 도움이 동시에 이러한 필터도 기여할 스무 딩 및 소음 감소, 후속 찾을 맥시 마에는 보좌관의 둘 다23,24처리. 따라서, 자연 조명 요인 때 이미지는 직접에서 확산 조명 조건에서 이것은 주로 감소 시키기 위하여 보다는 오히려 태양의 각도 등, 설명 되어야 하는 동안 오류 관련 그림자 유물.
또한, 제시 프로토콜 및 곡물 수확량에서 알고리즘 귀 수 간의 상관 관계 했다 더 큰과 같은 수동 (필드 기반) 귀 수 실험11이 프로토콜은 요구를 지 원하는 것 보다 더 중요 한 뿐만 아니라 더 정확 하지만, 또한 더 귀 밀도의 평가 위한 표준화 된 프로토콜으로 일관 된. 특히에 여기 제시 되지, 하는 동안 유사한 데이터 캡처 및 처리 기술을 휴대 전화를 사용 하 여 가능한 것 처럼 보인다, 공중 또는 다른 자동화 된 플랫폼으로 그들은 꽤 잘에서 수행 시뮬레이션 감소 이미지 해상도. 그레이 스케일 감소 (대 한 빠른 이미지 처리)와 (다른 카메라 또는 UAVs의 응용 프로그램)에서 줄어든된 해상도 이미지 시뮬레이션에 대 한 추가 테스트는 첫 번째 필터14 전에 이미지 변환을 적용 하 여 실시 되었고 제안 최적의 조건에서 처리 시간이 줄어들 수 있습니다 이러한 방법으로 정밀도의 손실 없이. 가능한 미래 방향에 대해서만 여기에 제시 된 이미지 처리 알고리즘의 활용 VHR RGB 색상 데이터 (인간의 눈과 유사), 카메라에 의해 캡처됩니다 있지만 다른 잠재적인 개선 하이브리드 색상 변환에서 발생할 수 있습니다. 공간, 색조-채도-강도, 또는 함께 multispectral 등 열, 다른 고급 과학 센서 데이터 융합을 통해 최근 더 저렴 한 되고있다와 귀 밀도 개선 위한 잠재력을 제공 의견, 하지만 아마도 다른 성장 단계에서 또는 다른 필드 조건에서.
요약 하자면,이 프로토콜의 구현에 대 한 중요 한 단계 포함 먼저 적절 한 년 조건과 환경, 작물의 작물 Zadoks' 규모와에서의 성장 단계 60-87에에서 있을 때 최적의의 시간에 대 한 계획 태양 정오에 확산 조명 조건 또는. 또한, 디지털 이미지의 수집 카메라 앵글, 캐노피, 거리에 대 한 제어 방식으로 회계 및 각 이미지에 대 한 카메라 초점에서 실시 한다. 마지막으로, 최적화 된 컴퓨터 처리 옵션 처리 코드 파이프라인 재현에 대 한 세부 사항에 제시 하거나 저자 한 원래의 코드 또는 그래픽 사용자 인터페이스 (GUI) 피지, 플러그인에 즉, 통합 하는 코드는 CerealScanner입니다.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
저자는 공개 없다.
Acknowledgments
콜 메 르 나 드 Oreja (아 랑 페 즈) Instituto Nacional de Investigación y 기술과 Agraria y 섬유 (INIA) 및 Zamadueñas (바 야 돌 리드)의 실험 역에 현장 관리 직원을 감사 하 고 싶습니다이 연구의 저자는 Instituto de 기술과 Agraria 데 카스 티 야와 레온 (ITACyL) 연구 연구 작물 분야 지원에 대 한 사용. 이 연구는 MINECO, 스페인, Syngenta, 스페인과 협력 프로젝트의 일부에서 연구 프로젝트 AGL2016-76527-R에 의해 지원 되었다. BPIN 2013000100103 친교는 "중동 드 Talento Humano 드 알토 수준, Gobernación 델 Tolima-대학 델 Tolima, 콜롬비아"에서 첫 번째 저자 호세 아 르만 페르난데스-Gallego에 대 한 지원 자금 단독 이었다. 해당 작가, 숀 C. Kefauver의 기본 자금 소스 교수 호세 루이스 Araus에 게 수 여 하는 부여를 통해 ICREA 학계 프로그램에서 왔다.
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).
