Summary

Cereales cultivos oído contar en campo las condiciones usando imágenes RGB cenital

Published: February 02, 2019
doi:

Summary

Presentamos un protocolo para contar los durum trigo y cebada los oídos, mediante fotografías digitales de color natural (RGB) en luz solar natural en condiciones de campo. Con mínimos ajustes de parámetros de la cámara y algunas limitaciones de la condición ambiental, la técnica proporciona resultados precisos y consistentes en una serie de etapas de crecimiento.

Abstract

Densidad de oído, o el número de mazorcas por metro cuadrado (orejas/m2), es un foco central en el cultivo de cereales muchos programas, como el trigo y cebada, que representan un componente importante de rendimiento agronómico para estimar el rendimiento de grano de mejoramiento. Por lo tanto, una técnica rápida, eficiente y estandarizada para evaluar la densidad de oído ayudaría en mejorar la gestión agrícola, proporcionando mejoras en las predicciones de rendimiento de cosecha, o incluso podría ser utilizada como una herramienta para cultivo de cría cuando se ha definido como un rasgo de importancia. No sólo son las técnicas actuales para el oído manual evaluaciones densidad laboriosas y desperdiciador de tiempo, pero también son sin ningún protocolo estandarizado oficial, ya sea por metro lineal, cuadrante de la zona, o una extrapolación basada en densidad de oído y de la planta cuenta de poscosecha. Un oído automático contando algoritmo se presenta en detalle para estimar densidad de oído con iluminación de luz del sol sólo en condiciones de campo basado en color natural cenital (nadir) (rojo, verde y azul [RGB]) imágenes digitales, lo que permite alto rendimiento mediciones estandarizadas. Diferentes ensayos de campo de trigo y cebada distribuidos geográficamente en toda España durante el 2014/2015 y 2015/2016 temporadas de cultivo en regadío y secano ensayos se usaron para proporcionar resultados representativos. El protocolo de tres fases incluye la etapa de crecimiento del cultivo y campo condición planificación, lineamientos de captura de imagen y un algoritmo de computadora de tres pasos: (i) un filtro de frecuencia de Laplaciano para eliminar artefactos de baja y alta frecuencia, (ii) un filtro de mediana para reducir la alta ruido y (iii) segmentación y cuenta con picos de máximos locales de la cuenta final. Deben hacer pequeños ajustes al código del algoritmo correspondiente a la resolución de la cámara, la focal y la distancia entre la cámara y el dosel del cultivo. Los resultados demuestran una alta tasa de éxito (superior al 90%) y valores de2 R(de 0.62-0.75) entre las cuentas del algoritmo y la oreja manual basado en imágenes cuenta para trigo y cebada.

Introduction

La utilización de cereales del mundo en 2017/2018 se divulga ampliar en un 1% del año anterior1. Basado en las predicciones más recientes para la utilización de población y producción de cereal, cereal del mundo las poblaciones necesitan para aumentar la producción a un ritmo más rápido para satisfacer la demanda creciente, mientras que también adaptándose al aumento de efectos de cambio climático2. Por lo tanto, hay un enfoque importante en la mejora del rendimiento en cultivos de cereales a través de cultivo mejorada técnicas de mejora. Dos de los cereales más importantes y cosechados en la región mediterránea son seleccionados como ejemplos para este estudio, es decir, trigo (Triticum aestivum L. SSP durum [Desf.]) y cebada (Hordeum vulgare L.). Trigo es, por extensión, el cereal más cultivado en los márgenes sur y este de la cuenca mediterránea y es 10 más importante de los cultivos en todo el mundo, debido a su producción anual de 37 millones de toneladas anualmente3, mientras que la cebada es el cuarto mundial grano en términos de producción, con una producción global en 144,6 millones de toneladas anualmente4.

Sensores remotos y técnicas de análisis de imagen proximal son herramientas cada vez más clave en el avance del fenotipo de la planta de alto rendimiento de campo (HTPP) ya que no sólo proporcionan más ágil pero también, a menudo, recuperaciones más precisas y uniforme de objetivo recortar características biophysiological, como evaluaciones de la actividad fotosintética y la biomasa, preharvest estimaciones de rendimiento y mejoras incluso en heredabilidad del rasgo, como la eficiencia en recursos uso y absorción5,6,7 ,8,9. Teledetección se ha centrado tradicionalmente en multiespectrales, hiperespectrales y termográfica sensores de plataformas aéreas para agricultura de precisión en la escala de campo o estudios de fenotipado de la planta en la microplot la escala de10. Cámaras digitales comunes, comercialmente disponibles que miden la luz reflejada sólo visible eran a menudo pasado por alto, a pesar de su muy alta resolución espacial, pero recientemente han vuelto populares como nuevos innovadores algoritmos de procesamiento de imágenes son cada vez más capaces para aprovechar el color detallado y la información espacial que proporcionan. Muchas de las innovaciones más recientes en análisis avanzado de imágenes agrícolas dependen cada vez más en la interpretación de los datos facilitados por imágenes de muy alta resolución (VHR) RGB (para su medición de reflectividad de luz visible rojo, verde y azul), incluyendo cultivos Monitoreo (vigor, fenología, evaluaciones de la enfermedad e identificación), segmentación y cuantificación (aparición, densidad de oído, cuenta flor y fruto) y reconstrucciones incluso 3D basadas en una nueva estructura del movimiento de flujos de trabajo11.

Uno de los puntos más esenciales para la mejora en la productividad de cereales es una evaluación más eficiente de producción, que está determinada por tres componentes principales: densidad o el número de mazorcas por metro cuadrado (orejas/m2), el número de granos por mazorca, del oído y el peso de mil granos. Densidad de oído puede obtenerse manualmente en el campo, pero este método es laborioso, lento y sin un solo protocolo estandarizado, que juntos puede resultar en una importante fuente de error. Incorporación de la cuenta automática de las orejas es una tarea difícil debido a la estructura de cultivo complejo, planta estrecha espaciamiento, alto grado de superposición, elementos de fondo y la presencia de aristas. Trabajos recientes se ha avanzado en esta dirección utilizando una estructura de fondo negro, apoyada por un trípode para adquirir imágenes de cosecha adecuado, demostrando muy buenos resultados en oído contar12. De este modo, se evitaron efectos de sombra y luz solar excesiva, pero tal estructura sería engorrosa y una limitación importante en una aplicación para condiciones de campo. Otro ejemplo es un oído automático contando algoritmo desarrollado con un sistema totalmente automatizado phenotyping un pórtico motorizado rígido, que fue utilizado con buena exactitud para el recuento de la densidad de oído en un panel compuesto por cinco trigo pan imberbes (Triticum aestivum L.) variedades de crecimiento bajo condiciones de nitrógeno diferentes13. Trabajo reciente de Fernandez-Gallego14 ha optimizado este proceso de captura de datos más rápido y sencillo, con imágenes de color RGB VHR seguidos por análisis de imagen más avanzados, pero aún completamente automatizada. La recopilación de datos eficiente y de alta calidad en condiciones de campo destaca un protocolo estandarizado simplificado para consistencia y datos de alta captura de rendimiento, mientras que el algoritmo de procesamiento de imagen emplea la novela dominio laplaciano y la frecuencia filtros para eliminar componentes no deseados de la imagen antes de aplicar una segmentación para contar basan en la búsqueda de máximos locales (en comparación con el trazado completo como en otros estudios anteriores, que puede provocar más errores con espigas superpuestas).

Este trabajo propone un sistema sencillo para la cuantificación automática de la densidad de la oreja en condiciones de campo, usando imágenes obtenidas de cámaras digitales disponibles en el mercado. Este sistema se aprovecha la luz natural en campo las condiciones y, por lo tanto, requiere la consideración de algunos factores ambientales relacionados, tales como el tiempo de la cubierta de nubes y el día, pero sigue siendo, en efecto, fácil de implementar. El sistema se ha demostrado en los ejemplos para trigo y cebada pero debe ser extensible en aplicación al pan de trigo, que, además de exponer los oídos con morfología similar, son con frecuencia imberbes, pero otros experimentos sería necesarios a fin de confirman esto. En los datos de captura de protocolo presentado aquí, imágenes cenitales se toman simplemente sosteniendo la cámara con la mano o usando un monopié para el posicionamiento de la cámara digital por encima del cultivo. Datos de validación pueden ser adquiridos al contar las orejas manualmente para parcelas en el campo o durante el postprocesado, contando orejas en la propia imagen. El algoritmo de procesamiento de imágenes se compone de tres procesos que, en primer lugar, efectivamente eliminar componentes no deseados de la imagen de manera que, entonces, permite la posterior segmentación y conteo de las espigas individuales en las imágenes adquiridas. En primer lugar, un filtro Laplaciano de frecuencia se utiliza para detectar cambios en las diversas direcciones espaciales de la imagen usando la configuración predeterminada de filtro de ImageJ sin ajustes de tamaño de núcleo de ventana (técnica de segmentaciónEncuentra Maxima determina la picos locales después del paso de mediana filtro espacial, en que etapa los píxeles relacionados con orejas tienen mayores valores de los píxeles de suelo o de hojas. Por lo tanto, encontrar Maxima se utiliza para segmentar los altos valores de la imagen, y las regiones se etiquetan como orejas, que identifica a oídos mientras que también reduce los errores de oído superpuestas. Analizar las partículas se utiliza en las imágenes binarias para contar o medir los parámetros de las regiones creados por el contraste entre la superficie del blanco y negro creado por el paso de encontrar la Maxima. El resultado es procesado para crear una segmentación de la imagen binaria mediante el análisis de la varianza de píxel vecino más cercana alrededor de cada máximo local para identificar las formas de la oreja de trigo en la imagen filtrada. Por último, la densidad de oído cuenta analizar partículas, como se implementó en Fiji15. Encontrar máximos y analizar las partículas son funciones independientes y disponibles como complementos en Fiji (https://imagej.nih.gov/ij/plugins/index.html). Aunque no presentó específicamente en el protocolo aquí, resultados preliminares presentados como material complementario sugieren que esta técnica puede ser adaptable a encuestas oído cuenta de vehículos aéreos no tripulados (UAVs), siempre que la resolución sigue siendo suficientemente alta14.

Protocol

1. prefield la etapa de crecimiento del cultivo y condiciones ambientales Asegúrese de que la etapa de crecimiento del cultivo es aproximadamente entre el llenado del grano y cerca de la madurez del cultivo, con las orejas que están todavía verdes, incluso si las hojas senescentes (que corresponde en el caso de trigo a la gama 60-87 de de escala de Zadoks16). Un amarillamiento de las hojas es aceptable pero no necesario. Preparar un plan de muestreo para la captura de imáge…

Representative Results

En la figura 8, los resultados muestran el coeficiente de determinación entre la densidad (número de mazorcas por metros cuadrados) de la oreja usando conteo manual y el oído contar algoritmo para trigo y cebada en tres etapas de crecimiento de diferentes cultivos. El primero es el trigo con la escala de Zadoks entre 61 y 65 años (R2 = 0.62). La segunda es la cebada de dos filas con la escala de Zadoks entre 71 y 77 (R2</…

Discussion

Mayor agilidad, precisión y consistencia son la clave para el desarrollo de nuevas herramientas de fenotipado útil para ayudar a la comunidad de cultivo de cría en sus esfuerzos para aumentar el rendimiento de grano a pesar de las presiones negativas relacionadas con el cambio climático global. Evaluaciones eficientes y precisas de la densidad de la oreja del cereal, como un componente agronómico importante del rendimiento de la grapa importante de cultivos, ayudará a proporcionar las herramientas necesarias para l…

Disclosures

The authors have nothing to disclose.

Acknowledgements

Los autores de esta investigación quiere agradecer el personal de la administración de campo en las estaciones experimentales de Colmenar de Oreja (Aranjuez) del Instituto Nacional de Investigación y Tecnología Agraria y Alimentaria (INIA) y Zamadueñas (Valladolid) de la Instituto de Tecnología Agraria de Castilla y León (ITACyL) para su ayuda de campo de los cultivos de estudio de investigación utilizado. Este estudio fue apoyado por el proyecto de investigación AGL2016-76527-R del MINECO, España y parte de un proyecto de colaboración con Syngenta, España. El BPIN 2013000100103 beca de la “Formación de Talento Humano de Alto Nivel, Gobernación del Tolima – Universidad del Tolima, Colombia” fue el único de financiamiento para el primer autor Jose Armando Fernandez-Gallego. La principal fuente de financiación del autor correspondiente, Shawn C. Kefauver, vino del programa ICREA Academia a través de un subsidio otorgado al Prof. José Luis Araus.

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