Summary
Nous présentons un protocole pour le comptage des épis de blé et d’orge de blé dur, à l’aide de photographies numériques couleur naturelle (RVB) pris dans la lumière naturelle dans des conditions réelles. Avec des ajustements minimes pour les paramètres de la caméra et certaines limites de conditions environnementales, la technique fournit des résultats précis et constants dans un éventail de stades de croissance.
Abstract
Densité de l’oreille, ou le nombre d’épis par mètre carré (oreilles/m2), est un élément central dans la céréale de nombreux programmes, comme le blé et l’orge, représentant un composant important de rendement agronomique pour estimer le rendement en grain de sélection. Par conséquent, une technique rapide, efficace et normalisée pour évaluer la densité de l’oreille pouvant contribuer à l’amélioration de la gestion agricole, apporter des améliorations dans les prédictions de rendement pré-récolte, ou pourrait même être utilisée comme un outil pour la récolte de reproduction lorsqu’il a été défini comme un trait d’importance. Non seulement les techniques actuelles pour oreille manuel densité animales laborieux et fastidieux, mais ils sont aussi sans n’importe quel protocole normalisé officiel, soit par mètre linéaire, quadrant de la région, soit une extrapolation basée sur la densité végétale oreille et plante compte après la récolte. Une oreille automatique algorithme de comptage est présentée en détail pour estimer la densité d’oreille avec seulement la lumière du soleil illumination en champ basé sur couleur naturelle zénithale (nadir) (rouge, vert et bleu [RGB]) des images numériques, permettant à haut débit mesures normalisées. Différents essais au champ de blé et d’orge réparties géographiquement dans toute l’Espagne pendant le 2014/2015 et 2015/2016 saisons de cultures en irriguée et pluviale essais étaient utilisés pour fournir des résultats représentatifs. Le protocole triphasé comprend le stade de croissance des cultures et la planification de la condition de champ, lignes directrices de capture image et un algorithme informatique de trois étapes : (i) un filtre de fréquence Laplacien pour supprimer les artefacts de basse et haute fréquence, (ii) un filtre médian pour réduire haut bruit et (iii) segmentation et compter à l’aide de pics maxima locaux pour le décompte final. Il faut des modifications mineures au code de l’algorithme correspondant à la résolution de la caméra, focale et la distance entre la caméra et le feuillage. Les résultats démontrent un taux de réussite élevé (supérieur à 90 %) et les valeurs de2 R(de 0,62 à 0,75) entre les comtes de l’algorithme et l’oreille imageur manuel compte pour le blé et l’orge.
Introduction
L’utilisation mondiale de céréales en 2017/2018 est signalée à augmenter de 1 % par rapport à l’année précédente1. Basé sur les dernières prévisions pour utilisation de production et de la population des céréales, céréales de monde les stocks ont besoin d’accroître les rendements à un rythme plus rapide afin de répondre aux demandes croissantes, tout en s’adaptant aussi à accroître les effets de climat changement2. Il y a donc une place importante sur l’amélioration du rendement dans les cultures de céréales par le biais de cultures améliorées, techniques de reproduction. Deux céréales plus importants et récoltés dans la région méditerranéenne sont choisis comme exemples pour cette étude, à savoir, le blé dur (Triticum aestivum L. SSP durum [Desf.]) et l’orge (Hordeum vulgare L.). Le blé est, par extension, la céréale la plus cultivée dans les marges Sud et est du bassin méditerranéen et est le 10e plus important des cultures dans le monde entier, en raison de sa production annuelle de 37 millions de tonnes par an3, tandis que l’orge est la quatrième mondial grain en termes de production, avec une production mondiale à 144,6 millions de tonnes par an de4.
Télédétection et techniques d’analyse d’images proximaux sont des outils clés de plus en plus dans l’avancement du phénotypage de champ haut débit plante (HTPP) car non seulement ils fournissent plus agile mais aussi, souvent, recadrer des récupérations plus précises et cohérentes de la cible caractéristiques biophysiologiques, telles que l’évaluation de l’activité photosynthétique et la biomasse, preharvest estimations de rendement et même des améliorations dans l’héritabilité des caractères, tels que l’efficacité en ressources utilisation et absorption5,6,7 ,8,9. La télédétection ont traditionnellement porté sur multispectral, hyperspectrale et capteurs de nacelles pour l’agriculture de précision à l’échelle du domaine ou pour des études de phénotypage de plante à le microplot à imagerie thermique Echelle10. Communs, disponibles dans le commerce des caméras numériques qui mesurent seulement visible lumière réfléchie étaient souvent négligées, malgré leur très haute résolution spatiale, mais sont récemment devenus populaires comme les nouveaux algorithmes de traitement d’image innovants sont plus en mesure pour tirer parti de la couleur détaillée et des informations spatiales qu’ils fournissent. Bon nombre de des dernières innovations dans les analyses agricoles avancées d’image plus en plus comptent sur l’interprétation des données fournies par des images à très haute résolution (VHR) RVB (pour leur mesure de la réflexion de la lumière visible rouge, verte et bleue), y compris des cultures surveillance (vigor, phénologie, évaluations de maladie et d’identification), segmentation et quantification (émergence, la densité de l’oreille, comtes de fleurs et de fruits) et même 3D reconstructions basées sur une nouvelle structure du mouvement des workflows11.
Un des points plus essentiels pour l’amélioration de la productivité céréalière est une évaluation plus efficace du rendement, qui est déterminé par trois éléments principaux : la densité ou le nombre d’épis par mètre carré (oreilles/m2), le nombre de grains par épi, l’oreille et le poids de mille-noyau. Densité de l’oreille peut être obtenue manuellement dans le champ, mais cette méthode est laborieux, chronophage et insuffisante en un seul protocole standardisé, qui ensemble peut provoquer une source importante d’erreur. Incorporant le comptage automatique des oreilles est une tâche difficile en raison de la structure complexe agricole, étroite plante espacement, haute degré de chevauchement des éléments d’arrière-plan et la présence d’arêtes. Des travaux récents a avancé dans cette direction en utilisant une structure de fond noir supportée par un trépied afin d’acquérir des images de culture appropriée, démontrant des résultats assez bonnes oreille comptant12. De cette façon, une exposition au soleil et les effets d’ombre ont été évitées, mais une telle structure serait fastidieuse et une limitation majeure dans une application aux conditions sur le terrain. Un autre exemple est une oreille automatique comptage algorithme développé à l’aide d’un système entièrement automatisé de phénotypage avec portiques motorisés rigide, qui a été utilisé avec une bonne précision pour le comptage de densité d’oreille dans un panneau composé de cinq barbes le blé tendre (Triticum aestivum L.) variétés poussant sous azote différentes conditions13. Des travaux récents de Fernandez-Gallego14 a optimisé ce processus à la capture de données plus rapide et plus facile, en utilisant des images de couleur RGB VHR suivies d’analyses d’image plus avancés, et pourtant toujours entièrement automatisé. La collecte de données efficace et de qualité dans des conditions opérationnelles met l’accent sur un protocole normalisé simplifié pour cohérence et débit de capture de données élevé, tandis que l’algorithme de traitement d’image emploie le roman usage de domaine Laplacien et fréquence filtres pour éliminer les composants indésirables image avant d’appliquer une segmentation pour le comptage basée sur la recherche des maxima locaux (par opposition à une délimitation complète comme dans d’autres études antérieures, ce qui peut entraîner des erreurs plus avec les oreilles qui se chevauchent).
Ce travail propose un système simple pour la quantification automatique de densité d’oreille sur le terrain, à l’aide d’images obtenues à partir de caméras numériques disponibles dans le commerce. Ce système tire profit de la lumière naturelle dans le champ des conditions et, donc, faut tenir compte de certains facteurs environnementaux connexes, tels que la durée de la couverture de jour et nuage, mais reste, en effet, simple à mettre en œuvre. Le système a été démontré sur des exemples pour le blé et l’orge, mais devrait être prorogé en application au pain de blé, qui, en plus d’exposer les oreilles avec une morphologie similaire, sont fréquemment barbes, mais d’autres expériences seraient nécessaires afin de le confirmeront. Dans les données de capture protocole présenté ici, images zénithales sont prises simplement en tenant l’appareil à la main ou en utilisant un monopode pour le positionnement de l’appareil photo numérique au-dessus de la récolte. Données de validation peuvent être acquises en comptant les oreilles manuellement pour les intrigues secondaires sur le terrain ou au cours de post-traitement, en comptant les oreilles dans l’image elle-même. L’algorithme de traitement d’image se compose de trois processus qui, tout d’abord, éliminer efficacement les composants indésirables de l’image d’une manière qui, ensuite, permet la segmentation ultérieure et comptage des oreilles blé individuels dans les images acquises. Tout d’abord, un filtre de fréquence du Laplacien est utilisé afin de détecter des changements dans les différentes directions spatiales de l’image en utilisant les paramètres par défaut de filtre ImageJ sans ajustement de taille fenêtre du noyau (technique de segmentationTrouver Maxima détermine la pics les après l’étape de filtre spatial médian, à quel stade les pixels en rapport avec les oreilles ont des valeurs de pixel plus élevées que le sol ou les feuilles. Par conséquent, trouver Maxima est utilisé pour les valeurs élevées dans l’image du segment, et ces régions sont étiquetées comme des oreilles, qui identifie les oreilles tout en réduisant les erreurs d’oreille qui se chevauchent. Analyser les particules est ensuite utilisée sur les images binaires pour compter et mesurer les paramètres des régions créées par le contraste entre la surface noir et blanc, créée par l’étape trouver Maxima. Le résultat est ensuite traité pour créer une segmentation d’image binaire par l’analyse de la variance de pixel le plus proche voisin autour de chaque maximum local afin d’identifier les formes d’oreille de blé dans l’image filtrée. Enfin, la densité de l’oreille est comptée à l’aide d’analyser les particules, tel qu’implémenté dans Fidji15. Les Maxima de trouver et analyser les particules sont des fonctions autonomes et disponible en tant que plugins à Fidji (https://imagej.nih.gov/ij/plugins/index.html). Bien que ne présenté pas spécifiquement dans le protocole ici, les résultats préliminaires présentés comme des éléments supplémentaires suggèrent que cette technique peut être adaptable aux enquêtes oreille comte de véhicules aériens sans pilote (UAV), prévoyant que la résolution demeure suffisamment élevé14.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
1. x avant le champ x stade de croissance des cultures et des conditions environnementales
- Assurez-vous que le stade de croissance des cultures est environ entre le remplissage du grain et à proximité de la maturité des cultures, avec des oreilles qui sont encore vertes, même si les feuilles sont sénescents (ce qui correspond dans le cas du blé à la gamme 60-87 des Zadoks échelle16). Un jaunissement des feuilles est acceptable mais pas nécessaire.
- Préparer un plan d’échantillonnage pour la capture d’image avec plusieurs répétitions (photos par parcelle) afin de capturer la variabilité/zone de traçage ; l’algorithme de traitement d’image va compter le nombre d’épis dans l’image et convertir qu’aux oreilles par mètre carré (oreilles/m2) basé sur les spécifications de la caméra.
- Préparez les excursions de champ pour capturer les images dans les deux heures du midi solaire ou, subsidiairement, sur une journée nuageuse en conditions d’éclairage diffus afin d’éviter les effets négatifs de l’oreille occultation sur l’oreille algorithme de comptage.
- Une fois dans le domaine, vérifiez la partie supérieure du feuillage pour s’assurer qu’il est sec pour éviter la réflexion spéculaire de la lumière contre l’humidité.
Remarque : Compte tenu des objectifs du présent protocole, il est important de d’abord examiner si le stade de croissance de la culture est adapté pour appliquer des comtes de l’oreille. Capture d’images en dehors de la phase de croissance recommandée soit entraînera dans sous-optimaux ou dans les résultats de son sens (si les oreilles ne sont pas présents ou entièrement émergée). Qualité d’image a également face à une importante incidence sur le traitement des résultats, y compris la résolution et la taille du capteur et certaines conditions environnementales, telles que le temps de jour et la nuée de la couverture, doivent être examinés attentivement avant de procéder à la capture d’image.
2. image capture sur le terrain avec la lumière naturelle
- Préparer un « phenopole », comme illustré dans la Figure 1 ou un système d’acquisition similaire (même portable) pour capturer des images rapidement et encore dans une normalisée et cohérente manière à chaque parcelle ou cibler l’emplacement.
Figure 1 : Système de comptage de l’oreille. Oreille à l’aide de la « phenopole » apparaît dans le champ à gauche, avec un grand capteur télécommandé naturel couleur (RVB) et le système de caméra numérique haute résolution avec inclinaison de la caméra et de la hauteur, indiquant les paramètres nécessaires pour le réglage de système de comptage du algorithme de traitement d’image. La résolution du capteur et l’image sont détectés automatiquement par les propriétés de l’image, tandis que l’utilisateur doit entrer les spécificités de la focale et la distance de la canopée. Ils sont nécessaires pour adapter l’algorithme pour le nombre de pixels par oreille et aussi la conversion du comte oreille total basé sur une image de densité de l’oreille (oreille/m2). Pour cette raison, il est recommandé d’utiliser le même appareil et l’objectif focale pour toutes les images de champ. S’il vous plaît cliquez ici pour visionner une version agrandie de cette figure.
- Positionnez la caméra sur un monopode adapté ou « selfie » pole de sorte qu’elle peut être maintenue niveau, soit à l’aide de bulles de niveau ou d’un système de stabilisation à huis clos, d’obtenir des images zénithales.
- Utiliser un téléphone mobile, tablette ou un autre périphérique à connecter l’appareil photo pour les deux télécommande capture et image visualisation d’images pour de meilleurs résultats avec des images correctement centrés. Programme de la caméra pour l’autofocus afin de réduire les erreurs dans le cas où l’utilisateur n’est pas assez familier avec les techniques de leur appareil photo ou de la photographie pour définir une bonne mise au point manuelle, comme en témoignent les exemples d’images zénithales avec mise au point correcte et l’exposition au Figure 2.
Figure 2 : Images de récolte zenithal. L’orge et blé dur d’oreille zenithal images pour oreille comptant ensemble de données exemples avec un stade acceptable de croissance et de la sénescence d’environ 61 à 87 selon échelle des Zadoks. (Gauche) Durum wheat zenithal image ensemble de données par exemple. (Droit) Exemple de jeu de données image zenithal orge. S’il vous plaît cliquez ici pour visionner une version agrandie de cette figure.
- Noter le nombre d’image avant la capture d’image afin de faire correspondre les images correctement avec les parcelles de terrain. Enregistrer une image de la zone de champ général au début et une image de la terre/le champ entre les blocs pour le post-traitement des contrôles.
- Position de la caméra à environ 80 cm au-dessus du feuillage, utilisant une chaîne de règle ou de mesure pour vérifier périodiquement la hauteur de la caméra au-dessus de la canopée. Assurez-vous que la caméra est de niveau et capturer l’image. Cette technique peut exiger des chercheurs 1-2.
- Si oreille champ supplémentaire compte validation est souhaitée en dehors d’une validation de comptage manuel image, installer une extension du bras au cadre (par exemple, un petit cercle) et placez-la au milieu de l’image afin de réaliser des dénombrements de champ manuel d’un sous-ensemble d’image précise ; cette technique peut nécessiter 2 ou 3 personnes mettre en œuvre.
NOTE : Trois considérations principales pour choisir un appareil photo, par conséquent, incluent : spécifications de l’appareil photo (1) ; dans ce cas, la taille physique de la sonde ; (2) la longueur focale de l’objectif de l’image ; (3) la distance entre la verrière et la caméra : petites distances ou des zooms plus va capturer une zone plus petite tandis que les images capturées à partir d’une distance plus grande vont capturer une plus grande zone de culture. Voir la Figure 1 pour les détails sur les spécifications de l’appareil photo pertinentes.
3. ajustements et implémentation de l’algorithme
Remarque : Nous présentons implémentation de l’algorithme et les redressements des spécifications de la caméra différents (taille du capteur, megapixels, focale, distance de rogner) et cultures (blé ou orge) pour compter les oreille automatique. On présente un aperçu de l’algorithme graphiquement à la Figure 3.
Figure 3 : Pipeline de traitement d’image pour le comptage des oreilles d’orge à deux rangs. Pipeline de traitement d’images pour l’orge à deux rangs oreille comptant comme implémenté à l’aide de code informatique spécifique ou en utilisant le logiciel CerealScanner , qui fonctionnent au sein de Fidji (ImageJ). Table ronde 1 montre l’image d’origine. Tableau 2 montre les résultats des applications du filtre Laplacien. Panneau 3 illustre l’application du filtre médian, et 4 panneau montre les résultats de la finale trouver Maxima et segmentation pour produire le nombre final d’oreille. Ensuite, les calculs sont effectués pour convertir le nombre d’image de densité de l’oreille, tel qu’illustré à la Figure 1. Ces images sont un exemple tiré de l’emplacement du champ Arazuri (nord-est de l’Espagne, 42 ° 48' 33,9" N 1 ° 43' 37,9" W) diffuse en conditions d’éclairage. S’il vous plaît cliquez ici pour visionner une version agrandie de cette figure.
- Téléchargez et installez des Fidji, Java 8 et le code de traitement ou propriétaire plugin de CerealScanner de l’Université de Barcelone (https://fiji.sc/, https://www.java.com/en/download/ et https://integrativecropecophysiology.com/software-development/cerealscanner/ [information] ou https://gitlab/sckefauver/CerealScanner [référentiel de code]) ; contacter les auteurs correspondantes pour les autorisations d’accès. Le plugin est installé au sein de Fidji en le copiant simplement dans le dossier plugins.
- Ouvrez le plugin dans le menu en haut de la page par Plugins > CerealScanner > Scanner de céréales ouvert.
Remarque : Outre le travail présenté ici, le plugin CerealScanner comprend plusieurs indices de végétation d’axée sur le RVB différentes liées aux cultures vigor, le stress ou chlorophylle17,18. La fraction définie de la CerealScanner inclut des algorithmes spécifiques pour Début Vigor (Fernandez-Gallego, en révision), Oreille comptant14et19de Sénescence de la récolte, comme illustré à la Figure 4. - Entrez les ajustements des spécifications de la caméra et des détails de capture l’image si elles sont différentes des valeurs par défaut (pour plus de détails, voir la Figure 1 et Figure 4 ).
- Régler le paramètre d’algorithme pour la longueur focale de la caméra.
- Régler le paramètre d’algorithme pour la distance de feuillage.
Figure 4 : Onglet central de la Beta de 2.12 CerealScanner sur deux niveaux, activant la fonction de comptage d’oreille dans la collection d’algorithme de CerealScanner. L’utilisateur doit sélectionner la... bouton à droite des Entrées de commandes pour sélectionner le dossier où sont stockés les fichiers image, changer les valeurs par défaut de l’H Distance (distance de la caméra vers le haut du feuillage) et la focale, si elle diffère de la defaul les valeurs de t et puis sélectionnez le... le bouton à droite du Fichier de résultats de choisir le nom et l’emplacement du fichier résultats définitifs. Les autres onglets de la CerealScanner fournissent des algorithmes pour le phénotypage axée sur le trait pour Vigor précoce et apparition de la maturité dans le cadre de la suite du code CerealScanner. Sous l’onglet de la biomasse , il sont a plusieurs algorithmes pour les estimations de récolte plus générale des calculs vigor et de biomasse, également pour les images numériques RVB. L’exemple se rapporte à l’orge à deux rangs, il a été démontré en détail à la Figure 3. S’il vous plaît cliquez ici pour visionner une version agrandie de cette figure.
Figure 5 : Réglages de l’algorithme. Ajustements nécessaires dans le traitement de l’image de pipeline afin de compter avec succès les deux blé et épis d’orge en utilisant le même algorithme sont gérés automatiquement dans le cadre des ajustements caméra spécifique de H Distance (distance entre la caméra et de la culture la canopée) et la longueur focale et servent à s’assurer que le nombre de pixels par oreillette reste plus ou moins constant entre différentes applications. S’il vous plaît cliquez ici pour visionner une version agrandie de cette figure.
- Sélectionnez l’onglet centre de CerealScanner et l’onglet central ultérieur Oreille comptage afin de calculer le nombre d’épis dans chaque image d’un ensemble de données de champ.
- Sous Options, tapez, dans les Entrées de commandes, l’emplacement des photos à analyser.
- Dans les Fichiers de résultats, choisissez où enregistrer le fichier de résultats. Le fichier de résultats comprendra deux colonnes avec le nom du fichier image et l’oreille comptage des résultats.
- Enfin, cliquez sur processuset le fichier de résultats avec la densité de l’oreille en mètres carrés (oreilles/m2), utiliser un ratio simple en utilisant les paramètres de la caméra et la distance entre la verrière et caméra pour convertir la zone de l’image à une zone de réelle canopée sur place mètres le long de la Figure 1, produira automatiquement en quelques minutes, selon la vitesse de l’ordinateur.
- Effectuer une validation post-traitement après la collecte de données en comptant manuellement le nombre d’épis de blé ou d’orge dans l’image et puis en convertissant cela au nombre d’oreilles par mètres carrés (oreilles/m2), comme le montre la Figure 1, pour comparer les résultats avec ceux basés sur les valeurs d’algorithme.
- Utilisez l’outil de placement simple point construit au sein de Fidji, qui offre un soutien facile pour ce processus et la fonction de Fidji, Analyser les particules pour produire les comtes automatiquement ; Ceci est illustré graphiquement à la Figure 6.
- Vous pouvez également effectuer une validation à l’aide d’un cercle de petite zone au cours de l’acquisition de données de champ comme indiqué au point 2.6 ; comptages manuels dans le domaine et comtes d’image manuel en laboratoire, puis, utilisable pour la validation de l’algorithme tel qu’illustré à la Figure 7.
Figure 6 : Validation de l’algorithme en utilisant manuel en image-oreille comtes. Manuel en image-oreille compte pour le blé dur (à gauche) et l’orge (à droite). Les petits points ont été créés en utilisant l' Outil Point de Fidji et alors comptés en utilisant la Fonction de particules analyser avec un 0,90-1,00 contrainte de circularité après l’application d’un Seuil de couleur de la teinte Saturation Intensité espace pour la couleur spécifiée par l' Outil Pointde couleur. Cette méthode garantit des comtes d’imageur manuel oreille plus précis. S’il vous plaît cliquez ici pour visionner une version agrandie de cette figure.
Figure 7 : Validation de l’algorithme en utilisant manuel compte sur le terrain et les comtes de manuel en image-oreille de blé et d’orge à l’aide d’un cercle. (Gauche) Blé image comte validation par exemple à l’aide d’un cercle. (Droit) L’orge image comte validation par exemple à l’aide d’un cercle. Les comtes de sous-ensemble des oreilles dans le cercle blanc ont été comptés en utilisant la même technique tel que décrit dans la Figure 6 avec l’Outil Point, Seuil de couleur, puis, Analyser la fonction de particules avec circularité contraintes de et de sélection des couleurs à l’aide de Hue. S’il vous plaît cliquez ici pour visionner une version agrandie de cette figure.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Dans la Figure 8, les résultats montrent le coefficient de détermination entre la densité de l’oreille (nombre d’épis par mètres carrés) en utilisant le comptage manuel et l’oreille comptage algorithme pour le blé et l’orge à trois stades de croissance des cultures différentes. Le premier est le blé avec échelle d’un Zadoks entre 61 et 65 (R2 = 0,62). Le second est l’orge à deux rangs avec échelle d’un Zadoks entre 71 et 77 (R2 = 0,75), et le dernier d'entre eux est le blé avec échelle d’un Zadoks entre 81 et 87 (R2 = 0,75).
Figure 8 : Le coefficient de détermination entre la densité de l’oreille (nombre d’épis/m2) en utilisant le comptage manuel à base d’images et l’algorithme d’image pour compter les oreille de blé dur et d’orge à deux rangs à la croissance des différentes cultures acceptables met en scène (à 'Zadoks échelle de 61–87). Les deux axes montrent des calculs, y compris les conversions à la densité de l’oreille, plutôt que seulement les résultats axée sur l’image. Les résultats représentatifs sont présentés ici pour deux cultures différentes sur trois stades de développement différents, ainsi que conditions d’éclairage différentes, à savoir directement images du soleil du blé à des Zadoks échelle 61-65 sur le dessus (R2 = 0,62, n = 72), diffuse lumière images d’orge à échelle des Zadoks 71-77 au milieu (R2 = 0,75, n = 30) et diffuse des conditions d’éclairage pour le blé dur à échelle des Zadoks 81-87 au fond (R2 = 0,75, n = 24). Un exemple d’image de chaque montre aussi comme un encart en bas à droite de chaque graphique. S’il vous plaît cliquez ici pour visionner une version agrandie de cette figure.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Précision, la cohérence et agilité accrue sont essentiels au développement de nouveaux outils de phénotypage utile pour aider la communauté de culture-élevage dans leurs efforts pour augmenter le rendement en grain en dépit des pressions négatives liées au changement climatique mondial. Évaluations efficaces et précises de la densité de céréales d’oreille, comme une composante majeure d’agronomique de rendement de base importante cultures, aidera à fournir les outils nécessaires pour nourrir les générations futures. En se concentrant sur l’amélioration et le soutien des efforts de culture-élevage dans des conditions de terrain permet de maintenir cette recherche et les techniques présentées ici plus étroitement liée au monde réel climat changent les scénarios et les besoins de la communauté de reproduction mais présente également difficultés techniques. Par conséquent, il est important de payer étroite adhésion non seulement à la capture de données et dans le présent protocole de traitement d’image, mais aussi pour les recommandations relatives aux conditions environnementales optimales et des stades de croissance des cultures pour sa mise en œuvre réussie de11. Densité de l’oreille est considérée comme un élément majeur agronomique du rendement, l’un des plus importants traits cible à la push pour augmenter les rendements des cultures céréalières (voir l’article de Slafer et coll.20 et les références qui y sont). La mise au point dans le présent protocole vers une technique de phénotypage optimalement rentable, agile et simple champ estime que ces aspects du protocole sont essentiels à son adoption et la mise en oeuvre par la communauté de l’élevage dans son ensemble. En revanche, précédent concernant des études avec des buts similaires à évaluer la densité de l’oreille ou autre quantification de composant de rendement ont utilisé impliquer davantage la capture de données et structures de contrôle de l’environnement, comme englobant les structures et caméra fixe prend en charge ou même programmes12,20,22de reproduction artificielles entrées légères, qui effectivement font obstacle à l’application pratique dans des conditions de terrain et mise en œuvre dans le réel.
Ainsi, nous avons présenté ici un protocole détaillé qui est le résultat de tests divers différentes techniques dans un processus d’optimisation itérative, résultant en une méthode de capture de données image simple mais efficace qui exige seulement un commercialement disponible, modérément appareil photo numérique de haute résolution RVB et un rudimentaire « phenopole » pour la tenue de la caméra au-dessus du feuillage. D’autres tentatives de filtrage d’image basé sur la couleur RVB ou espaces de couleurs alternatives, telles que la teinte-saturation-intensité ou CIELAB, n’étaient pas aussi efficaces ou plus cohérent que l’utilisation du Laplacien et des filtres de domaine de fréquence médiane en supprimant des éléments de l’image non désirée, surtout les barbes. Nous avons conçu le système de pipeline de capture image avec différents éléments, dont une partie peut être facilement ajustée avec des modifications mineures dans l’implémentation de l’algorithme de traitement d’image. Dans les études de cas présentées ici, nous avons utilisé deux différentes caméras compactes avec capteurs relativement importantes et de 20,1 mégapixels (MP) et de 16,0 MP résolutions pour capturer des images avec des objectifs grand-angle de 16-20 mm à une distance de 80 cm de feuillage. Cela s’est avéré plus que suffisante pour générer des informations de l’orge et le blé de canopée détaillée, avec des simulations, ce qui démontre que la technique maintienne des niveaux élevés de précision jusqu'à environ 8 MP14 (avec lentilles similaires et de la distance depuis le canopée).
Bien que la cohérence et la précision des techniques de traitement d’images présentées dépendent des conditions environnementales et stade phénologique au moment de la capture d’image, les algorithmes sont prometteuses pour fournir un rendement solide dans leur application à céréales de petit-grain différents, y compris le blé dur et pain de blé et de variétés d’orge à deux rangs et 6 rangs. Cet algorithme doit encore être pleinement mis à l’essai, la capture d’image serait le même, avec peut-être quelques ajustements mineurs en ce qui concerne la taille relative et la position de l’oreille dans les images afin d’offrir pour optimal oreille comptage des résultats. Dans le protocole présenté, la densité de l’imageur oreille estimations précision maximale atteinte et mieux corrélés avec manuel image comtes et grain rendement par rapport aux images capturées aux stades ultérieurs de croissance, lorsque la récolte sénescence a entraîné une perte de couleur et contraste d’éclairage entre les oreilles et le reste du feuillage. C’est peut-être une conséquence de la température plus élevée ou plus faible disponibilité de l’eau les dernières parties du grain de remplissage, qui sont particulièrement fréquentes dans des conditions méditerranéennes typiques, qui peuvent causer les feuilles et la tige à la sénescence avant les oreilles faire23; ce contraste est essentiel pour l’efficacité de la séparation entre les oreilles, les feuilles et le sol. Dans trop matures ou sénescentes abris provisoires avec les oreilles déjà jaunes, le contraste entre les éléments d’image différente n’est pas suffisant pour le comptage des oreilles. Par conséquent, dans les autres climats, le moment optimal peut être légèrement différent si il n’y a aucun stress hydrique durant le début de la sénescence.
Bien que la collecte de données sur le terrain exige une attention particulière aux conditions environnementales comme l’intensité de la lumière du soleil et des angles d’éclairement du soleil, l’algorithme d’analyse robuste image présentée ici fournit une certaine latitude dans la capture d’image fenêtre à l’aide de techniques spatiales qui ignorent les effets d’albédo image, étant donné que l’exposition de l’image correcte a été utilisée pour des conditions de lumière particulières au moment de la capture d’image ; réglages automatiques ont travaillé bien à cet égard. Dans un travail antérieur, une gamme plus complète des effets d’éclairage a été testée, ce qui indique que la seule grande source d’erreur en ce qui concerne les effets de lumière est la production de fortes ombres dans l’image lors de la capture des images en plein soleil soit tôt ou tard dans la journée , en raison de l’angle du soleil14. Les premières applications de filtre deux image aident à minimiser les effets apparents d’illumination excessive (même si pas via la surexposition de la caméra) tout en réduisant également les composants de l’arrière-plan de l’image ; dans le même temps, ces filtres contribuent également à la réduction de bruit et lissage, qui aide dans les Maxima de trouver ultérieures processus23,24. Par conséquent, tandis que l’éclairage naturel des facteurs doivent être déclarés, tels que l’angle du soleil lorsque les images sont prises en direct plutôt que dans des conditions de lumière diffuses, c’est principalement pour réduire les erreurs liées à artefacts de l’ombre.
En outre, les corrélations entre algorithme oreille comtes protocole et grain rendement présentés étaient plus grande et plus significative que les comtes de manuel oreille (sur le terrain) de la même experiment11, qui soutient l’affirmation selon laquelle le présent protocole est non seulement plus précis, mais aussi plus cohérente comme un protocole standardisé pour l’évaluation de la densité de l’oreille. Bien que non présentés ici plus précisément, les techniques de capture et de traitement de données similaires semble être réalisable à l’aide de téléphone portable, aériennes ou autres plates-formes automatisées comme ils joue assez bien en dessous simulant résolutions d’image réduite. Des tests supplémentaires pour la réduction de niveaux de gris (pour le traitement d’image plus rapide) et des simulations d’image résolution réduite (à partir de l’application d’autres caméras ou drones) ont été réalisées en appliquant les conversions image avant le premier filtre14 et a suggéré que, dans des conditions optimales, les délais de traitement peuvent être réduites de ces manières sans perte de précision. En ce qui concerne les orientations futures possibles, les algorithmes de traitement d’images présentées ici seulement tirer parti des données VHR RGB couleur comme elle est capturée par la caméra (semblable à le œil humain), mais autres améliorations potentielles pouvant résulter de la conversion couleur hybride espaces, tels que teinte-saturation-intensité, ou par l’intermédiaire de fusion de données en combinaison avec d’autres capteurs scientifiques plus avancés, tels que multispectrales ou thermiques, qui sont devenues plus abordables récemment et offrent le potentiel d’amélioration dans la densité de l’oreille pour les estimations, mais peut-être à des stades de croissance différents ou dans des conditions opérationnelles différentes.
En résumé, les étapes cruciales pour la mise en œuvre du présent protocole sont d’abord approprié au moment de l’année et des conditions environnementales de la culture, qui sont optimales lorsque la culture est dans les stades de croissance 60-87 d’échelle des Zadoks et soit à la planification midi solaire ou diffusez en conditions d’éclairage. En outre, l’acquisition d’images numériques devrait être menée dans une comptabilité de manière contrôlée pour l’angle de caméra, de la distance de la canopée et focus de la caméra pour chaque image. Enfin, les options de traitement informatique optimisées sont présentées en détail pour reproduire le pipeline de traitement de code, ou contacter les auteurs pour le code d’origine ou le code intégré comme une interface utilisateur graphique (GUI) dans un plug-in pour les îles Fidji, à savoir, la CerealScanner.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Les auteurs n’ont rien à divulguer.
Acknowledgments
Les auteurs de cette recherche tiens à remercier le personnel de gestion sur le terrain dans les stations expérimentales de Colmenar de Oreja (Aranjuez) de l’Instituto Nacional de Investigación y Tecnología Agraria y Alimentaria (INIA) et Zamadueñas (Valladolid), de la Instituto de Tecnología Agraria de Castilla y León (ITACyL) pour leur appui aux missions des cultures d’étude de recherche utilisé. Cette étude a été financée par le projet de recherche AGL2016-76527-R de MINECO, Espagne et une partie d’un projet de collaboration avec Syngenta, Espagne. La bourse de BPIN 2013000100103 de la « Formación de Talento Humano de Alto Nivel, Gobernación del Tolima - Universidad del Tolima, Colombia » était le seul financement de soutien pour le premier auteur Jose Armando Fernandez-Gallego. La principale source de financement de l’auteur correspondant, Shawn C. Kefauver, est venu du programme grâce à une subvention accordée à Prof. Jose Luis Araus ICREA Academia.
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).
