Summary

Korn afgrøde øre optælling i feltet betingelser ved hjælp af Zenithal RGB-billeder

Published: February 02, 2019
doi:

Summary

Vi præsenterer en protokol til optælling af hård hvede og Byg ører, ved hjælp af naturlige farve (RGB) digitale fotografier taget i naturligt sollys under markforhold. Med minimale tilpasninger for kameraet parametre og nogle miljømæssige tilstand begrænsninger giver teknikken præcise og konsistente resultater på tværs af en vifte af fase af deres vækst.

Abstract

Øre tæthed, eller antallet ører pr. kvadratmeter (ører/m2), er et centralt fokus i mange kornafgrøder avl programmer som hvede og byg, der repræsenterer en vigtig agronomiske udbytte komponent til estimering korn udbytte. Derfor en hurtig, effektiv og standardiseret teknik til vurdering af øre tæthed ville støtte i at forbedre landbrugsforvaltning, giver forbedringer i preharvest udbytte forudsigelser, eller kan endda bruges som et redskab for afgrøde avl når det er blevet defineret som et træk af betydning. Ikke kun er de nuværende teknikker til manuel øre tæthed vurderinger besværlige og tidskrævende, men de er også uden nogen officiel standardiseret protokol, enten ved lineær meter, område kvadrant, eller en ekstrapolation baseret på plante øre tæthed og plante tæller efterhøst. En automatisk øre tælle algoritme er præsenteret i detaljer for estimering øre tæthed med kun sollys belysning i marken baseret på zenithal (nadir) naturlige farve (rød, grøn og blå [RGB]) digitale billeder, giver mulighed for høj overførselshastighed standardiserede målinger. Forskellige markforsøg af hård hvede og Byg fordelt geografisk i hele Spanien i løbet af 2014/2015 og 2015/2016 afgrøde sæsoner i vandede og rainfed forsøg blev brugt til at give repræsentative resultater. 3-faset protokol omfatter afgrøde vækststadium og feltet betingelse planlægning, image capture retningslinjer og en computer algoritme af tre trin: (i) en Laplacian frekvens filter til at fjerne lav – og højfrekvens artefakter, (ii) en median filter til at reducere højt støj, og (iii) segmenteringen og optælling ved hjælp af lokale maxima toppe for den endelige optælling. Mindre justeringer af algoritme koden skal gøres svarende til kamera opløsning, brændvidde og afstanden mellem kameraet og afgrøde baldakin. Resultaterne viser en høj succesrate (højere end 90%) og R2 værdier (af 0,62-0,75) mellem algoritme tæller og manuel image-baserede øret tæller for både hvede og byg.

Introduction

Verden korn udnyttelse i 2017/2018 er rapporteret udvide med 1% fra det foregående år1. Baseret på de seneste forudsigelser for korn produktion og befolkningen udnyttelse, verden korn bestande skal øge udbyttet i et hurtigere tempo for at imødekomme stigende krav, mens også tilpasning til at øge virkningerne af klima forandring2. Derfor er der et stærkt fokus på udbytte forbedring i kornafgrøderne gennem forbedret afgrøde avl teknikker. To vigtigste og høstede korn i Middelhavsområdet er valgt som eksempler for denne undersøgelse, nemlig, hård hvede (Triticum aestivum L. ssp. hård [Desf.]) og byg (Hordeum vulgare L.). Durumhvede i forlængelse heraf er den mest dyrkede korn i de sydlige og østlige margenerne i Middelhavsområdet og er den vigtigste 10 beskære på verdensplan, på grund af sin aarlige produktion af 37 millioner tons årligt3, mens Byg er det fjerde globale korn med hensyn til produktion, med en global produktion på 144.6 millioner tons årligt4.

Remote sensing og proksimale billede analyseteknikker er stadig vigtige redskaber i udviklingen af feltet høj overførselshastighed plante fænotyper (HTPP) som de stiller ikke kun mere adrætte, men også, ofte, mere præcise og konsekvente søgninger Target beskære biophysiological træk, såsom vurderinger af fotosyntetiske aktivitet og biomasse, preharvest udbytte estimater og endda forbedringer i træk arveligheden, såsom effektivitet i ressource brug og udbredelse5,,6,7 ,8,9. Remote sensing har traditionelt fokuseret på multispektrale, hyperspectral og termisk imaging sensorer fra aerial platforme for precision landbrug på Feltskalaen eller plante fænotyper undersøgelser på microplot skala10. Fælles, kommercielt tilgængelige digitale kameraer, der måler kun synlige reflekterede lys var ofte overset, trods deres meget høje rumlige opløsning, men er for nylig blevet populært som nye innovative billedbehandling algoritmer i stigende grad kan at drage fordel af den detaljerede farve og geografisk information, som de giver. Mange af de nyeste innovationer i avancerede landbrugs billede analyser i stigende grad om fortolkningen af data leveret af meget høj opløsning (VHR) RGB-billeder (for deres måling af rød, grøn og blå synligt lys reflektans), herunder afgrøde overvågning (vigor, Fænologi, sygdom vurdering og identifikation), segmentering og kvantificering (fremkomsten, øre tæthed, blomst og frugt tæller) og endda fuld 3D rekonstruktioner baseret på en ny struktur fra motion arbejdsprocesser11.

En af de mest væsentlige punkter til forbedring af korn produktivitet er en mere effektiv vurdering af udbytte, der bestemmes af tre hovedkomponenter: øre densitet eller antallet ører pr. kvadratmeter (ører/m2), antallet kerner pr. øre, og tusind-kerne-vægt. Øre tæthed kan opnås manuelt i feltet, men denne metode er besværlig og tidskrævende, og mangler i en enkelt standardiseret protokol, der sammen kan resultere i en betydelig kilde til fejl. Indarbejde automatisk optælling af ører er en udfordrende opgave på grund af komplekse afgrøde struktur, tæt plante afstand, høj grad af overlapning, baggrundselementer og tilstedeværelsen af stakke. Seneste arbejde har avancerede i denne retning ved hjælp af en sort baggrund struktur understøttes af et stativ for at erhverve egnede afgrøde billeder, viser forholdsvis gode resultater i øret tælle12. På denne måde, overdreven sollys og skyggeeffekter blev undgået, men sådan struktur ville være besværligt og en stor begrænsning i en ansøgning til feltbetingelser. Et andet eksempel er en automatisk øre tælle algoritme udviklet ved hjælp af en fuldt automatiseret fænotyper system med en stiv motoriseret gantry, som blev brugt med god nøjagtighed for at tælle øre tæthed i et panel bestående af fem stakløse brød hvede (Triticum aestivum L.) sorter vokser under forskellige kvælstof forhold13. De seneste arbejde af Fernandez-Gallego14 har optimeret denne proces for hurtigere og lettere datafangst ved hjælp af VHR RGB Farvebilleder efterfulgt af mere avancerede, men stadig fuldt automatiseret, billede analyser. Den effektive og høj kvalitet dataindsamling i marken understreger en forenklet standardiseret protokol for ensartethed og høj data capture overførselshastighed, mens billedbehandling algoritme beskæftiger romanen brug af Laplacian og frekvens domæne filtre til at fjerne uønskede billede komponenter før du anvender en segmentering til optælling baseret på at finde lokale maxima (i modsætning til fuld afgrænsning som i andre tidligere undersøgelser, som kan resultere i flere fejl med overlappende ører).

Dette arbejde foreslår et simpelt system for automatisk kvantificering af øre tæthed i marken, ved hjælp af billeder erhvervet fra kommercielt tilgængelige digitale kameraer. Dette system tager fordel af naturligt lys i feltet betingelser og derfor kræver overvejelse af nogle relaterede miljømæssige faktorer, som tid af dagen og cloud dækning, men er stadig i kraft, enkle at gennemføre. Systemet har været vist på eksempler for hård hvede og byg, men bør forlænges i henhold til brød hvede, der ud over udstiller ører med lignende morfologi, er ofte stakløse, men yderligere eksperimenter vil være påkrævet for at bekræfte dette. I data capture protokol præsenteres her, zenithal billeder er taget ved blot at holde kameraet i hånden eller ved hjælp af en monopod for positionering digitalkamera over afgrøden. Valideringsdata kan erhverves ved at tælle ører for subplots i feltet eller under efterbehandling, manuelt ved at tælle ører i selve billedet. Billedbehandling algoritme er sammensat af tre processer, der først, effektivt at fjerner uønskede dele af billedet på en måde, der derefter giver mulighed for efterfølgende segmenteringen og optælling af individuelle hvede ørerne i de erhvervede billeder. Først, en Laplacian frekvens filter bruges for at registrere ændringer i de forskellige rumlige retninger af billedet med standardindstillingerne ImageJ filter uden vindue kerne størrelse justeringer (Find Maxima segmentering teknik bestemmer den lokale toppe efter median rumlige filter trin, på hvilket tidspunkt pixelene beslægtede med ører har højere pixelværdier end jord eller blade. Derfor finde Maxima bruges til at opdele den høje værdier i billedet, og regionerne, der er mærket som ører, som identificerer ører samtidig reducere overlappende øre fejl. Analysere partikler bruges derefter på binær billederne til at tælle og/eller måle parametre fra regionerne lavet af kontrasten mellem de hvide og sorte overflade lavet af trinnet finde Maxima. Resultatet er derefter behandlet for at oprette en binær billedsegmentering ved at analysere den nærmeste nabo pixel varians omkring hvert lokale maksimalt at identificere hvede øre former i filtrerede billede. Endelig er øre tæthed optalt ved hjælp af analysere partikler, som gennemføres i Fiji15. Både finde Maxima og analysere partikler er standalone funktioner og tilgængelig som plugins i Fiji (https://imagej.nih.gov/ij/plugins/index.html). Selvom ikke præsenteret specifikt i protokol her, tyder foreløbige resultater præsenteret som supplerende materiale på, at denne teknik kan tilpasses gennemfører øre antal undersøgelser fra ubemandede (UAVs), forudsat at beslutningen forbliver tilstrækkeligt høje14.

Protocol

1. prefield afgrøde vækststadium og miljøforhold Sørg for, at afgrøden vækst fase er ca mellem korn påfyldning og nær afgrøde modenhed, med ørerne, som er stadig grønne selv om bladene er senescent (hvilket svarer for hvede til forskellige 60-87 Zadoks’ skala16). Nogle gulfarvning af bladene er acceptabel, men ikke nødvendigt. Udarbejde en prøveudtagningsplan for billedoptagelse med forskellige flergangsbestemmelser (billeder pr. plot) for at fange afbildningsområ…

Representative Results

I figur 8, resultaterne viser beslutsomhed koefficienten mellem øre tæthed (antal ører pr. kvadratmeter) ved hjælp af manuel optælling og øret tælle algoritme for hvede og byg på tre forskellige afgrøde vækst stadier. Den første er hård hvede med et Zadoks’ skala mellem 61 og 65 (R2 = 0,62). Den anden er to rækker Byg med en Zadoks skala mellem 71 og 77 (R2 = 0,75), og den sidste er hård hvede med et Zadok…

Discussion

Øget smidighed, ensartethed og præcision er nøglen til at udvikle nyttige nye fænotyper værktøjer for at bistå Fællesskabets afgrøde-avl i deres bestræbelser på at øge korn udbytte trods negative pres relateret til globale klimaændringer. Effektiv og præcis vurdering af korn øre tæthed, vil som en større agronomiske komponent af udbyttet af vigtige korte afgrøder, hjælpe give de værktøjer nødvendige for fodring fremtidige generationer. Med fokus på forbedring og støtte af afgrøde-avl indsats i ma…

Disclosures

The authors have nothing to disclose.

Acknowledgements

Forfatterne af denne forskning vil gerne takke det felt ledende personale på de eksperimentelle stationer i Colmenar de Oreja (Aranjuez) af Instituto Nacional de Investigación y Tecnología Agraria y Alimentaria (INIA) og Zamadueñas (Valladolid) af den Instituto de Tecnología Agraria de Castilla y León (ITACyL) for deres felt støtte af forskning undersøgelse afgrøder anvendes. Denne undersøgelse blev støttet af forskningsprojektet AGL2016-76527-Rasmussen fra MINECO, Spanien og en del af et projektsamarbejde med Syngenta, Spanien. BPIN 2013000100103-stipendium fra “Formación de Talento system de Alto Nivel, Gobernación del Tolima – Universidad del Tolima, Colombia” var den eneste midler støtte til den første forfatter Jose Armando Fernandez-Gallego. Den primære finansieringskilde af den tilsvarende forfatteren, Shawn C. Kefauver, kom fra ICREA Academia program gennem tilskud tildeles Prof. Jose 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