Waiting
Login processing...

Trial ends in Request Full Access Tell Your Colleague About Jove
JoVE Journal Environment
Click here for the English version

Environment

Зерновых культур уха подсчета в поле условия с использованием зенитное RGB-изображений

Published: February 2, 2019 doi: 10.3791/58695
Automatic Translation
1,2,3, 1,2, 1,2, 1,2, 1,2, 4, 5, 6, 1,2, 1,2, 1,2
1Plant Physiology Section, Faculty of Biology, University of Barcelona, 2Agrotecnio, 3Programa de Ingeniería Electrónica, Facultad de Ingeniería, Universidad de Ibagué, 4Instituto Tecnológico Agrario de Castilla y León (ITACyL), 5Instituto Nacional de Investigación y Tecnología Agraria y Alimentaria (INIA), 6Syngenta Spain

Summary

Мы представляем собой протокол для подсчета твердых сортов пшеницы и ячменя уши, используя естественный цвет (RGB) Цифровые фотографии, сделанные в естественного солнечного света в полевых условиях. С минимальной корректировки параметров камеры и некоторые ограничения, условия окружающей среды техника обеспечивает точных и согласованных результатов в различных стадиях роста.

Abstract

Плотность уха, или количество уши на квадратный метр (уши/м2), является центральным элементом многих зерновых культур, селекционных программ, такие как пшеница и ячмень, представляющий компонент важные агротехнические доходности для оценки урожая зерновых. Следовательно быстрой, эффективной и стандартизированный метод для оценки плотности уха будет помощь в улучшении управления сельским хозяйством, обеспечивая улучшение в preharvest урожайность предсказаниям, или даже могут использоваться в качестве инструмента для сельскохозяйственных культур селекции, когда он был определен как черта важности. Не только являются текущие методы ручной уха оценки плотности кропотливый и трудоемкий, но они также без каких-либо официальных стандартизированный протокол, будь то на погонный метр, площадь квадрант, или экстраполяции основанные на завод и завод уха плотности отсчеты БМ. Для оценки плотности уха с только солнечного освещения в полевых условиях на основе зенитное (Надир) естественный цвет (красный, зеленый и синий [RGB]) цифровых изображений, позволяя для высокой пропускной способности подробно представлена колоса автоматический алгоритм подсчета стандартные измерения. Различные полевые испытания твердых сортов пшеницы и ячменя, географически распределенных по Испании в течение 2014/2015 и 2015/2016 урожая сезона в орошаемых и богарных испытаний были использованы для оказания представитель результаты. Трехфазные протокол включает в себя стадии роста сельскохозяйственных культур и поле условие планирования, рекомендации захвата изображения и компьютерный алгоритм из трех этапов: (i Частотный фильтр Лапласа для удаления артефактов низко - и высокочастотные, (ii) Средний фильтр для уменьшения высокого шум и (iii) сегментации и подсчета, используя локальные максимумы пиков для окончательного подсчета. Незначительные изменения в код алгоритма необходимо соответствующее разрешение камеры, фокусного расстояния и расстояние между камерой и канапе культур. Результаты показывают высокий уровень успеха (выше чем 90%) и R2 значения (0,62-0,75) между отсчеты алгоритм и вручную на основе образов уха для твердых сортов пшеницы и ячменя.

Introduction

Использование зерновых мир в 2017/2018 сообщается на 1% от предыдущего года1. На основании последних прогнозов использования зерновых производства и населения, мир зерновых запасов необходимо увеличить урожайность более быстрыми темпами для удовлетворения растущих потребностей, а также адаптации к увеличению воздействия изменения климата2. Таким образом существует большое внимание на улучшение урожайности зерновых культур путем улучшения сельскохозяйственных культур, животноводство методы. Два наиболее важных и заготовленной зерновых в средиземноморском регионе выбраны в качестве примеров для этого исследования, а именно, твердых сортов пшеницы (Triticum aestivum L. ssp. дурум [Desf.]) и ячменя (Hordeum vulgare L.). Пшеница, выдвижением, наиболее культивируемых зерновых на полях Южного и Восточного Средиземноморья и 10 наиболее важных сельскохозяйственных культур во всем мире, благодаря своей годовой объем производства 37 миллионов тонн ежегодно3, в то время как ячмень является четвертой глобальной зерно с точки зрения производства, с глобального производства на 144,6 млн тонн ежегодно4.

Проксимальный изображение анализа методов дистанционного зондирования и являются все более ключевыми инструментами в деле улучшения поля высок объём завод фенотипирование (HTPP) как они не только обеспечивают более гибкой, но также, часто, более точной и последовательной получений целевых культур биофизиологических черты, например оценки фотосинтетической активности и биомассы, preharvest оценки урожайности и даже улучшения в наследуемость черта, как эффективность ресурсов использования и поглощения5,6,7 ,8,9. Дистанционное зондирование традиционно ориентирована на многоспектральных, гиперспектрального и инфракрасные датчики от воздушных платформ для точного земледелия в масштабе области или для исследований фенотипирование завод в microplot масштабе10. Общие, коммерчески доступных цифровых камер, которые измеряют только видимые отраженного света были часто упускается из виду, несмотря на их очень высоким пространственным разрешением, но последнее время стали популярны как новые инновационные алгоритмы обработки изображений во все большей степени способны чтобы воспользоваться преимуществами подробных цвета и пространственной информации, которую они обеспечивают. Многие из новейших инноваций в передовых сельскохозяйственных изображения анализы все больше полагаться на интерпретации данных, предоставляемых очень высоким разрешением (VHR) RGB-изображения (для их измерения красного, зеленого и синего видимых светоотражения), включая культур мониторинг (бодрости, Фенология, болезни оценки и идентификации), сегментации и количественной (появление, уха плотности, количества цветов и фруктов) и даже полное 3D реконструкций на основе новой структуры движения процессы11.

Одним из наиболее важных пунктов для улучшения производительности зерновых является более эффективной оценки доходности, которая определяется три основных компонента: уха плотность уши на квадратный метр (уши/м2), или количество зерна за ухо, и Вес тысяч ядра. Ухо плотности могут быть получены вручную в поле, но этот метод является трудоемкой, требует много времени, и не хватает одного стандартного протокола, которые вместе могут привести к значительным источником ошибки. Включение автоматического подсчета уши является сложной задачей из-за структуры сложных культур, закрыть завод, интервал, высокая степень параллелизма, элементы фона и наличие усов. Недавняя работа продвинулась в этом направлении, используя черный фон структуры, поддерживаемые штатив для приобретения подходящего обрезать изображения, демонстрируя довольно хорошие результаты в ухе, считая12. Таким образом, избегать чрезмерного солнечного света и тени, но такая структура будет громоздким и одним из основных ограничений в приложении в полевых условиях. Еще одним примером является колоса автоматического подсчета алгоритм, разработанный с использованием фенотип полностью автоматизированной системы с жесткую моторизованных козловые, который использовался с хорошей точностью для подсчета уха плотность в панели, состоящие из пяти Кострец пшеницы (Triticum aestivum L.) разновидности растет под различными азота условия13. Последние работы Фернандес-Гальего14 оптимизировал этот процесс для захвата данных быстрее и проще, используя VHR RGB цвет изображения следуют более продвинутых, но по-прежнему полностью автоматизированный, анализа изображения. Эффективных и высокое качество сбора данных в полевых условиях подчеркивает упрощенный стандартизированный протокол для согласованности и высокая данных захвата пропускную способность, в то время как алгоритм обработки изображений использует Роман Лапласа и частоты домена Фильтры для удаления нежелательных изображений компонентов перед применением сегментации для подсчета, основанные на поиске локальные максимумы (в отличие от полной делимитации как и других предыдущих исследований, которые могут привести к более ошибок с перекрывающимися уши).

Эта работа предлагает простой системы для автоматического количественного определения плотности уха в полевых условиях, с использованием изображений, полученных от коммерчески доступных цифровых камер. Эта система принимает преимущество естественного света в поле условия и, следовательно, требует рассмотрения некоторых связанных с ними экологических факторов, таких как время дня и облако покрова, но остается в силе, простым в реализации. Системы было продемонстрировано на примерах для твердых сортов пшеницы и ячменя, но должно быть расширяемой в приложении для хлеба пшеницы, которая, помимо экспонируется уши с аналогичными морфологии, часто костер, но потребуются дальнейшие эксперименты для того чтобы подтверждают это. В данных захватить протокола, представленные здесь, зенитное изображения взяты просто держа камеру вручную или с помощью монопод для позиционирования цифровой камеры выше урожая. Данные проверки может быть приобретено путем подсчета уши вручную для сюжетных линий, в поле или в постобработке, подсчитывая уши в самом изображении. Алгоритм обработки изображений состоит из трех процессов, которые, во-первых, эффективно удалить нежелательные компоненты изображения таким образом, который затем позволяет последующими сегментацию и учёта индивидуальных колосья в полученные изображения. Во-первых, Частотный фильтр Лапласа используется для того, чтобы обнаружить изменения в различных пространственных направлениях изображения, используя параметры фильтра по умолчанию ImageJ без корректировки размеров окна ядра (определяет метод сегментацииНайти Maxima местные пики после этапа средний пространственного фильтра, на каком этапе связанных с ушами Пиксели имеют более высокие значения пикселей, чем почвы или листья. Таким образом найти Максима используется для сегмента высокие значения в изображении, и эти регионы помечены как уши, который идентифицирует уши при одновременном сокращении перекрывающихся уха ошибки. Анализ частиц затем используется на двоичных изображений для подсчета и/или измерения параметров из регионов, созданные контраст между белой и черной поверхности, созданные найти Максима шаг. Результат затем обработаны для создания бинарного образа сегментации, анализируя ближайшего соседа пиксель дисперсия вокруг каждого локального максимума для идентификации формы уха пшеницы в фильтрованного изображения. Наконец плотность уха подсчитывается с помощью анализа частиц, как это реализовано в Фиджи15. Найти Максима и анализировать частицы являются отдельные функции и доступны как плагины в Фиджи (https://imagej.nih.gov/ij/plugins/index.html). Хотя не представлены специально в протоколе здесь, предварительные результаты, представленные в качестве дополнительного материала предположить, что этот метод может быть адаптированы для проведения обследований уха фото от беспилотных летательных аппаратов (БЛА), предусматривающий, что в резолюции остается достаточно высокой14.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1. prefield стадии роста сельскохозяйственных культур и условий окружающей среды

  1. Убедитесь, что этап роста сельскохозяйственных культур приблизительно между зерна наполнения и вблизи зрелости урожая, с ушами, которые все еще зеленый, даже если листья стареющей (что соответствует в случае пшеницы в диапазоне 60-87 Zadoks масштаб16). Некоторые пожелтение листьев является приемлемым, но не обязательно.
  2. Подготовить план выборки для захвата изображения с различными реплицирует (фотографии на участок) чтобы вариативность Площадь участка; алгоритм обработки изображений будет подсчитать количество уши в изображении и конвертировать, чтобы уши на квадратный метр (уши/м2) основаны на спецификации камеры.
  3. План экскурсии поля для захвата изображений в течение двух часов от солнечного полудня или, альтернативно, в пасмурный день в условиях рассеянного освещения во избежание негативных последствий уха затенение на ухо, алгоритм подсчета.
  4. Однажды в поле, установите флажок в верхней части урожая навесом, чтобы убедиться, что это сухой, с тем чтобы избежать зеркального отражения света от влаги.
    Примечание: При рассмотрении целей этого протокола, важно сначала рассмотреть, подходит ли для применения уха графов стадии роста урожая. Захват изображений вне стадии роста рекомендуется либо приведет к оптимальным или в бессмысленной результаты (Если уши не обнаружен или полностью возникла). Качество изображения также имеет существенное влияние на результаты, включая разрешение и размер датчика и некоторых экологических условий, таких как время дня и облако покрова обработки, необходимо тщательно рассматривать прежде чем с захвата изображения.

2. изображение захват в полевых условиях с естественным освещением

  1. Подготовить «phenopole», как показано на рисунке 1 или аналогичной системы приобретения (даже КПК) для захвата изображения быстро и еще в стандартизированной и последовательным образом на каждый участок или целевые местоположения.

Figure 1
Рисунок 1 : Уха, систему подсчета. Уха с помощью «phenopole», показаны в поле слева, с большой датчик дистанционно регулируемый естественный цвет (RGB) и системы высокого разрешения цифровой фотоаппарат с камерой наклон и высоту, указав необходимые параметры для настройки системы подсчета алгоритм обработки изображений. Датчик и изображения резолюции определяются автоматически свойства изображения, в то время как пользователь должен вводить особенности для фокусного расстояния объектива и расстояние от купола. Они необходимы для настройки алгоритма для предполагаемое количество пикселей на ухо, а также преобразование граф на основе образа всего уха до уха плотности (уши/м2). По этой причине рекомендуется использовать же Фокусное расстояние камеры и объектива для всех полей изображений. Пожалуйста, нажмите здесь, чтобы посмотреть большую версию этой фигуры.

  1. Установите камеру на подходящие монопод или «селф» полюс, так что он может сохранить уровень, либо с помощью уровня пузыри или системы стабилизации камеры, для получения зенитное изображений.
  2. Используйте мобильный телефон, планшет или другое устройство для подключения камеры для обоих дистанционного управления изображения захвата изображения визуализации и для достижения лучших результатов с правильно сфокусированные изображения. Программа камеры для автофокусировки для того, чтобы уменьшить любые ошибки в случае, если пользователь не является достаточно хорошо знаком с их камеры или фотографии методы для установки правильной ручной фокусировки, как показано в примерах зенитное изображений с правильный фокус и экспозицию в Рисунок 2.

Figure 2
Рисунок 2 : Зенитное Кадрирование изображений. Пшеница и ячмень уха зенитное изображения для уха, считая набора данных примеров с приемлемой стадии роста и старение от приблизительно 61-87 по шкале Zadoks'. (Слева) Пример набора данных зенитное изображения пшеницы твердых сортов. (Справа) Пример набора данных зенитное изображения ячменя. Пожалуйста, нажмите здесь, чтобы посмотреть большую версию этой фигуры.

  1. Принять к сведению номер изображения до захвата изображения для того чтобы сопрягать изображения правильно с участки поля. Запись одного изображения области общего поля в начале и одно изображение Земли/поля между блоками для постобработка элементов управления.
  2. Позиция камеры на расстоянии приблизительно 80 см выше верхней части урожая навесом, используя строку правителя или измерения периодически проверять высота камеры над куполом. Убедитесь, что камера является уровень и захватить изображение. Этот метод может потребовать 1-2 researcher(s).
  3. Если дополнительное поле уха рассчитывать проверки желательно отдельно от ручной изображения фото проверки, установите расширение руку к раме (например, небольшой круг) и расположите его в центре изображения с целью проведения ручной поле количество подмножества точные изображения; Эта техника может потребоваться 2-3 человек для реализации.
    Примечание: Три основных соображений при выборе камеры, таким образом, включают: характеристики камеры (1); в данном случае, физический размер сенсора; (2) Фокусное расстояние объектива изображения; (3) расстояние между навесом и камеры: меньшие расстояния или больше зум-объективы будет захватить меньшей площади в то время как образы, созданные с большего расстояния будет захватить больше посевов. Смотрите Рисунок 1 сведения о спецификации соответствующей камеры.

3. алгоритм осуществления и корректировки

Примечание: Здесь мы представляем алгоритм осуществления и корректировки для характеристики различных камеры (размер сенсора, мегапикселей, фокусное расстояние, расстояние до урожая) и культур (пшеница и ячмень) для автоматического уха подсчета. Графически на рисунке 3представлен обзор алгоритма.

Figure 3
Рисунок 3 : Конвейер обработки изображений для подсчета уха Ячмень двурядный. Конвейер обработки изображений для Ячмень двурядный уха подсчета как реализовано с использованием конкретных компьютерных кода или с помощью программного обеспечения CerealScanner , оба из которых работают в Фиджи (ImageJ). Группа 1 показывает исходное изображение. Группа 2 показаны результаты применения фильтра Лапласа. Группа 3 показано приложение медианный фильтр, и панель 4 показывает результаты окончательного найти Максима и сегментации для создания окончательного уха количество. Затем расчеты производятся с конвертировать изображения граф в ухо плотности, как показано на рисунке 1. Эти образы являются примером взяты с сайта Arazuri поля (северо-востоке Испании, 42 ° 48' 33,9" N 1 ° 43' 37,9» W) в диффузной условий освещения. Пожалуйста, нажмите здесь, чтобы посмотреть большую версию этой фигуры.

  1. Скачать и установить Фиджи, Java 8 и код обработки или в университете Барселоны несвободных CerealScanner плагин (https://fiji.sc/, https://www.java.com/en/download/ и https://integrativecropecophysiology.com/software-development/cerealscanner/ [информация] или https://gitlab/sckefauver/CerealScanner [репозиторий кода]); связаться с соответствующими авторами для разрешения доступа. Плагин устанавливается в Фиджи, просто скопировав его в папку плагинов.
  2. Откройте модуль в верхнем меню через плагины > CerealScanner > открыть зерновых сканера.
    Примечание: Помимо работы, представленные здесь, CerealScanner плагин включает в себя несколько различных растительности на основе RGB индексы, связанные с энергией культур, стресс или хлорофилл17,18. Определенную часть CerealScanner включает в себя конкретные алгоритмы для Раннего бодрости (Фернандес-Гальего, в обзоре), Уха подсчета14и Старения культур19, как показано на рисунке 4.
  3. Введите изменения спецификации камеры и захвата детали изображения, если они отличаются от значений по умолчанию (см. рис. 1 и рис. 4 для подробной информации).
    1. Настройте параметр алгоритма для Фокусное расстояние камеры.
    2. Настройте параметр алгоритма для расстояния от урожая навесом.

Figure 4
Рисунок 4 : CerealScanner 2.12 бета Центральной вкладку на обоих уровнях, маркировка функция подсчета уха в коллекции алгоритм CerealScanner. Пользователь должен выбрать... кнопку в правой части Пакета материалов для выбора папки, где хранятся файлы изображений, изменить значения по умолчанию H расстояние (расстояние от камеры в верхней части купола культур) и фокусное расстояние, если отличается от по умолчанию значения t, а затем выберите... кнопку справа Файла результатов , чтобы выбрать имя и местоположение файла окончательных результатов. Другие вкладки CerealScanner предоставляют алгоритмы для на основе признака фенотипирование для Раннего бодрость и наступлением зрелости как часть набора кода CerealScanner. На вкладке биомассы существует несколько алгоритмов для оценок более общего урожая бодрость и биомассы расчеты, также для цифровых изображений в режиме RGB. Пример относится к Ячмень двурядный, как это было продемонстрировано в деталях на рисунке 3. Пожалуйста, нажмите здесь, чтобы посмотреть большую версию этой фигуры.

Figure 5
Рисунок 5 : Алгоритм корректировки. Корректировки требуется в обработке изображений, трубопровод для того, чтобы успешно рассчитывать как пшеница и ячмень уши, используя тот же алгоритм автоматически управляются в рамках камеры конкретных корректировок H расстояние (расстояние между камерой и урожая навес) и фокусное расстояние и служат для обеспечения того, чтобы количество пикселов на ухо более или менее постоянной между различными приложениями. Пожалуйста, нажмите здесь, чтобы посмотреть большую версию этой фигуры.

  1. Выберите вкладки центр CerealScanner и последующего Центральной Уха подсчета для того, чтобы вычислить количество уши в каждом изображении поля набора данных.
    1. В группе Параметрывведите, в Пакет материалов, местоположение фотографии для анализа.
    2. В Файлы результатоввыберите расположение для сохранения файла результатов. Файл результатов будет включать в себя два столбца с именем файла изображения и уха, подсчета результатов.
    3. Наконец нажмите на процесси файла результатов с плотностью уха в квадратных метров (уши/м2), с использованием простого коэффициента использования параметров камеры и расстояние между навесом и камеры для преобразования области изображения фактической навесом районе на площади метров, после Рисунок 1, будет производиться автоматически через несколько минут, в зависимости от скорости компьютера.
  2. Проводить проверку после обработки после сбора данных вручную пересчитать количество пшеницы или ячменя уши в изображении и затем преобразовать это количество уши за квадратных метров (уши/м2), как показано на рисунке 1, для сравнения результаты с теми, кто на основании значения алгоритма.
    1. Используйте инструмент подбора мест размещения простой точки, построен в Фиджи, которая обеспечивает удобную поддержку для этого процесса и функция Фиджи Анализа частиц для производства отсчеты автоматически; Графически это показано на рисунке 6.
    2. При необходимости проводить проверки с помощью небольшой площади круга во время получения данных поля, как описано в шаге 2.6; руководство рассчитывает на местах и ручной изображения графов в лаборатории затем, можно для алгоритма проверки как показано на рисунке 7.

Figure 6
Рисунок 6 : Алгоритм проверки с помощью ручного уха в образе графов. Руководство в образе уха графов (слева) из твердых сортов пшеницы и ячменя (справа). Маленькие точки были созданы с помощью Фиджи Точку, инструмент и затем подсчет с помощью Функции анализа частиц с 0,90-1.00 ограничение замкнутости после применения Цветовой порог из оттенок насыщенность Интенсивность цветовое пространство для цвет, указанный Инструмент точка. Этот метод обеспечивает более точный образ основанный ручной уха графов. Пожалуйста, нажмите здесь, чтобы посмотреть большую версию этой фигуры.

Figure 7
Рисунок 7 : Алгоритм проверки с помощью руководство рассчитывает на местах и руководство в образе уха графов пшеницы и ячменя, используя круг. (Слева) Пшеницы изображения фото пример проверки с помощью круга. (Справа) Ячмень изображения фото пример проверки с помощью круга. Подмножество графов уши в белый круг были подсчитаны, используя ту же технику, как описано в Рисунок 6 с Точку, инструмент, Порог цвета, а затем Проанализировать функции частицы с цикличность ограничения и выбора цвета с помощью оттенок. Пожалуйста, нажмите здесь, чтобы посмотреть большую версию этой фигуры.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

На рисунке 8, результаты показывают коэффициент определения между плотностью уха (количество уши за квадратных метров) с помощью ручного подсчета и уха, считая алгоритм для пшеницы и ячменя на трех этапах роста различных культур. Первый из них твердых сортов пшеницы с Zadoks шкалой между 61 и 65 (R2 = 0,62). Второй является Ячмень двурядный с Zadoks шкалой между 71 и 77 (R2 = 0,75), и последний из твердых сортов пшеницы с Zadoks шкалой между 81 и 87 (R2 = 0,75).

Figure 8
Рисунок 8 : Коэффициент детерминации между уха плотность (количество уши/m2) с помощью ручного подсчета на основе образа и алгоритм изображения для уха подсчета пшеница и Ячмень двурядный в разных культур приемлемого роста этапы (на Zadoks' масштаб 61–87). Обе оси показывают расчеты, включая преобразования в ухо плотность, а не только результаты на основе образа. Представитель результаты представлены здесь для двух разных культур на три различных этапа, а также при различных условиях освещения, а именно прямого солнечного изображения из твердых сортов пшеницы в Zadoks масштаб 61-65 на верхней (R2 = 0,62, n = 72), рассеянный свет изображения ячменя в масштабе Zadoks' 71-77 в середине (R2 = 0,75, n = 30) и диффузного освещения для твердых сортов пшеницы в масштабе 81-87 Zadoks на дне (R2 = 0,75, n = 24). Пример изображения каждого также показано как inset в нижнем правом углу каждого графа. Пожалуйста, нажмите здесь, чтобы посмотреть большую версию этой фигуры.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

Увеличение ловкости, последовательность и точность являются ключом к разработке полезных новых фенотипирование инструментов для оказания помощи селекции сообщества в их усилиях по увеличению урожай несмотря на отрицательное давление, связанных с глобальным изменением климата. Эффективной и точной оценки плотности зерновых уха, как основные агрономические компонент доходности важного продукта питания культур, поможет обеспечить средства, необходимые для кормления будущих поколений. Упором на улучшение и поддержку усилий селекции в полевых условиях, которое помогает поддерживать исследования и представленные здесь методики более тесно увязаны с реальных климата изменения сценариев и потребностей сообщества размножения, но и представляет технические трудности. Таким образом важно выплатить закрыть соблюдение не только для сбора данных и обработки изображений в этот протокол, но и рекомендации в отношении оптимальных экологических условий и этапов роста сельскохозяйственных культур для его успешной реализации11. Как основные агрономические компонент доходности ухо плотность считается одним из наиболее важных черт целевой в толчок для повышения урожайности зерновых культур (см. статью Slafer et al.20 и ссылки на них). Основное внимание в настоящем Протоколе к оптимально экономически эффективной, гибкой и простой резкости фенотипирование считает, что эти аспекты протокола являются ключом к его принятие и осуществление разведения сообщества в целом. В отличие от предыдущих связанные исследования с аналогичными целями оценки плотности уха или другой количественной компонент доходности использовали сложнее сбора данных и структур экологического контроля, например ограждающих конструкций и фиксированная камера поддерживает или даже искусственный свет входов, эффективно препятствующих практическое применение в полевых условиях и осуществления в фактическом разведение программы12,20,22.

Таким образом мы представили здесь подробный протокол, который является результатом тестирования различных различные методы в процессе итеративной оптимизации, что приводит к простой, но эффективный образ метод capture данных, требующих только коммерчески доступных, умеренно цифровой камеры с высоким разрешением RGB и элементарные «phenopole» для проведения камеру над куполом культур. Другие попытки фильтрации изображений на основе цвета RGB или альтернативных цветовых пространств, таких как оттенок насыщенность интенсивности или CIELAB, были не так эффективным или последовательное использование Лапласа и средней частоты домена фильтров в удаление нежелательных изображений элементов, особенно усов. Мы разработали систему трубопровода захвата изображения с различными элементами, некоторые из которых может быть легко приспособлено с незначительными изменениями в реализации алгоритма обработки изображений. В тематических исследованиях, представленных здесь мы использовали два различных компактных камер с относительно большой датчиков и 20.1 мегапикселей (МП) и 16,0 MP резолюций для захвата изображений с широкоугольной линзы 16-20 мм на расстоянии 80 см от урожая навесом. Это оказалось более чем достаточно для получения подробных навесом пшеницы и ячменя информации, с моделированием, демонстрируя, что метод поддерживает высокий уровень точности до приблизительно 8 MP14 (с аналогичными линзы и расстояния от балдахин).

Хотя последовательности и точности представленных методов обработки изображений зависит от экологических условий и фенологических стадии во время захвата изображения, алгоритмы обещают в обеспечении высокой производительности в их применении к различные небольшие зерна злаков, включая двух- и шести рядные ячменя и пшеницы твердых сортов и хлеб. Хотя этот алгоритм еще не полностью протестированы, захват изображения будет то же самое, с возможно некоторые незначительные коррективы в отношении относительный размер и положение уха на изображениях для обеспечения оптимального уха, подсчета результатов. В представленных протокол, на основе образа уха плотность оценкам достигается максимальная точность и коррелированные лучшее с ручным изображения графов и урожай семян, по сравнению с изображения, снятые на более поздних стадиях роста, когда старение культур привело к потере цвета и освещение контраст между остальной части урожая навесом и уши. Это может быть результатом высоких температур или ниже, доступность воды в части зерна наполнения, которые особенно распространены в типичных средиземноморских условиях, которые могут вызвать листья и Штыб к senesce прежде чем уши делают23; Этот контраст имеет важное значение для обеспечения эффективности разделения между ушами, листья и почвы. В слишком зрелый или стареющей навесы с ушами уже желтый контраст между элементами различных изображений не является адекватным для подсчета уха. Таким образом в других климатических условиях, оптимальные сроки может быть немного отличается, если есть не водный стресс во время старения начала.

Даже несмотря на то, что сбор данных в полевых условиях требует пристального внимания к таким условиям окружающей среды как интенсивность солнечного света и солнечного освещения углы, алгоритм анализа надежных изображения, представленные здесь обеспечивает некоторую свободу в захвата изображения окно с помощью пространственные методы, которые игнорируют альбедо эффекты изображения, учитывая, что правильный образ воздействия был использован для конкретных условий света в момент захвата изображений; автоматические настройки работал хорошо в этом отношении. В предыдущей работе был испытан полнее спектр эффектов освещения, указывающее, что единственным крупным источником ошибки связи световых эффектов является производство сильной тени на изображении при захвате изображения в прямых солнечных лучей рано или поздно в день , из-за угол солнца14. Первые два изображения фильтр приложений помогают свести к минимуму любое явное эффекты от избыточного освещения (хотя и не через камеры передержки) при одновременном сокращении компоненты любого фонового изображения; в то же время, эти фильтры также способствуют сглаживания и снижения уровня шума, оба из которых помощник в последующих найти Максима процесса23,24. Таким образом во время естественного освещения, которые должны быть учтены факторы, такие как угол солнца, когда изображения принимаются в прямом, а не в условиях рассеянного освещения, это главным образом для того, чтобы уменьшить ошибки связанные с тень артефакты.

Кроме того, корреляции между алгоритм уха графов из представленных протокол и зерна урожая были более и более значительным, чем ручной уха (на местах) количество же эксперимент11, который поддерживает утверждают, что этот протокол не только более точные, но также более последовательным, как стандартный протокол для оценки плотности уха. Хотя не представленные здесь специально, аналогичные методы сбора и обработки данных, как представляется, возможно, с помощью мобильного телефона, воздушных или других автоматических платформ как они выполняет достаточно хорошо до имитации уменьшенные изображения резолюций. Дополнительные испытания для сокращения greyscale (для ускорения обработки изображений) и уменьшенным разрешением изображения моделирования (от применения других камер или БЛА) были проведены путем применения преобразования изображения до первого фильтра14 и предложил что, в оптимальных условиях, время обработки может быть уменьшена в этих путях без потери точности. Что касается возможных будущих направлений алгоритмы обработки изображения, представленные здесь только воспользоваться VHR RGB цвет данных как он захватывается камерой (похож на человеческий глаз), но другие потенциальные улучшения может быть результатом преобразования в гибридных цвет пространства, такие как оттенок насыщенность интенсивности, или через слияние данных в сочетании с другими более передовых научных датчиков, таких как многоспектральных или тепловой, которые недавно стали более доступными и открывают возможности для улучшения плотности уха оценкам, хотя, возможно, на различных этапах или в различных полевых условиях.

В резюме критические шаги для осуществления настоящего Протокола включают в себя первую очередь надлежащее планирование для времени года и урожая, экологических условий, которые являются оптимальными, когда урожай находится в стадии роста 60-87 Zadoks масштаба и либо на Солнце в зените или в диффузной условий освещения. Кроме того приобретение цифровых изображений должны проводиться в контролируемым образом учета для угла камеры, расстояние от купола и фокус камеры для каждого изображения. Наконец, оптимизированные параметры компьютера обработки представлены в деталях для воспроизведения конвейер обработки кода, или связаться с авторами для исходного кода или кода, интегрированных качестве графический интерфейс пользователя (GUI) в плагин для Фиджи, а именно, CerealScanner.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Авторы не имеют ничего сообщать.

Acknowledgments

Авторы этого исследования хотел бы поблагодарить сотрудников управления поля на экспериментальных участках Кольменар-де-Oreja (Aranjuez) из Instituto Nacional de Investigación y Tecnología агрария y Alimentaria (МИС) и Zamadueñas (Вальядолид) в Instituto de Tecnología агрария-де-Кастилья и Леон (ITACyL) за их поддержку полевых исследований исследования культур используется. Это исследование было поддержано исследовательского проекта AGL2016-76527-R от МИНЕКО, Испании и частью проекта сотрудничества с Syngenta, Испания. BPIN 2013000100103 стипендий от «Таленто de Formación Альто де Humano Nivel, Gobernación дель Толима - Universidad дель Толима, Колумбия» был единственным, финансовую поддержку для первого автора Хосе Армандо Фернандес-Гальего. Основным источником финансирования соответствующего автора, Шон C. Kefauver, пришли из программы ICREA Academia через гранта для профессор Хосе Луис Araus.

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

DOWNLOAD MATERIALS LIST

References

  1. Food and Agriculture Organization (FAO). Food outlook: Biannual report on global food markets. , Food and Agriculture Organization of the United Nations. (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. , Food and Agriculture Organization of the United Nations. (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).

Tags

Науки об окружающей среде выпуск 144 пшеница ячмень уха подсчета сегментации размножения фенотип точного земледелия Лапласа
Зерновых культур уха подсчета в поле условия с использованием зенитное RGB-изображений
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Fernandez-Gallego, J. A.,… More

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).

Less
Copy Citation Download Citation Reprints and Permissions
View Video

Get cutting-edge science videos from JoVE sent straight to your inbox every month.

Waiting X
Simple Hit Counter