Login processing...

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

Environment

Granen gewas oor tellen in het veld voorwaarden gebruik Zenithal RGB-afbeeldingen

doi: 10.3791/58695 Published: February 2, 2019

Summary

Presenteren we een protocol voor het tellen van durum tarwe en gerst oren, met behulp van natuurlijke kleur (RGB) digitale foto's genomen in natuurlijk zonlicht onder veldomstandigheden. Met minimale aanpassingen voor camera parameters en enkele beperkingen van de ecologische toestand biedt de techniek precisie en consistente resultaten in een heel scala van groeifasen.

Abstract

Dichtheid van het oor, of het aantal oren per vierkante meter (oren/m2), is een centraal in veel granen gewas fokken van programma's, zoals tarwe en gerst, vertegenwoordigen een belangrijk agronomische rendement-onderdeel voor het schatten van graan opbrengst. Daarom een snelle, efficiënte en gestandaardiseerde techniek voor de beoordeling van de dichtheid van het oor zou de steun in de verbetering van de agrarische beheer, verbeteringen in preharvest rendement voorspellingen, of kan zelfs worden gebruikt als een instrument voor het gewas fokken als deze is gedefinieerd Als een kenmerk van belang. Niet alleen zijn de huidige technieken voor handmatige oor dichtheid evaluaties moeizaam en tijdrovend, maar ze zijn ook zonder enige officiële gestandaardiseerde protocol, of dit nu per lineaire meter, gebied Kwadrant, of een extrapolatie op basis van plantaardige oor dichtheid en plant graven-Sensortechnologiegroep. Een automatische oor tellen algoritme wordt gepresenteerd in detail voor het schatten van oor dichtheid met alleen zonlicht verlichting in veldomstandigheden gebaseerd op zenithal (nadir) natuurlijke kleur (rood, groen en blauw [RGB]) digitale beelden, waardoor hoge-doorvoer gestandaardiseerde metingen. Verschillende veldproeven van harde tarwe en gerst geografisch verspreid over Spanje tijdens de 2014/2015 en 2015/2016 gewas seizoenen in geïrrigeerde en neerslag proeven werden gebruikt om representatieve resultaten te leveren. Het drie-fase-protocol bevat gewas groei fase en veld voorwaarde planning, richtlijnen voor het vastleggen van afbeeldingen en een computer algoritme uit drie stappen: (i) een Laplaciaan frequentie filter laag - en hoogfrequente artefacten, (ii) een mediaan om filter te verwijderen om hoog lawaai, en (iii) segmentatie en tellen met behulp van lokale maxima pieken voor de definitieve telling. Kleine aanpassingen aan de code van het algoritme moeten worden gemaakt, overeenkomt met de cameraresolutie brandpuntsafstand en de afstand tussen de camera en de luifel van het gewas. De resultaten tonen een hoog slagingspercentage (hoger dan 90%) en R2 waarden (van 0.62-0,75) tussen de graven van de algoritme en de handmatige beeld-gebaseerde oor telt voor zowel harde tarwe en gerst.

Introduction

or Start trial to access full content. Learn more about your institution’s access to JoVE content here

De wereld granen gebruik in 2017/2018 wordt gemeld uit te breiden met 1% van het voorgaande jaar1. Gebaseerd op de meest recente voorspellingen voor graan productie en bevolking gebruik, wereld graan voorraden moeten opbrengst te verhogen in een sneller tempo om te voldoen aan de groeiende eisen, terwijl ook aanpassen aan de gevolgen van de klimaat verandering2verhogen. Daarom is er een belangrijke focus op rendement verbetering van graan via verbeterde gewas fokken technieken. De belangrijkste en meest geoogste graan in het Middellandse-Zeegebied zijn geselecteerd als voorbeelden voor deze studie, namelijk twee harde tarwe (Triticum aestivum L. ssp. "durum" [Desf.]) en gerst (Hordeum vulgare L.). Harde tarwe is, in het verlengde daarvan, het meest geteelde graangewas in de Zuid- en Oost-marge van het Middellandse-Zeegebied en is de 10e meest belangrijk gewas wereldwijd, als gevolg van de jaarproductie van 37 miljoen ton per jaar3, terwijl de gerst is het vierde wereldwijde in termen van productie, met een wereldwijde productie van 144,6 miljoen ton graan jaarlijks4.

Remote sensing en proximale afbeelding analysetechnieken worden steeds belangrijke hulpmiddelen in de vooruitgang van de veld plant high-throughput fenotypering (HTPP) als ze niet alleen meer agile maar ook vaak meer precisie en consistente opvragingen van doel gewas biophysiological eigenschappen, zoals evaluaties van fotosynthetische activiteit en biomassa, preharvest rendement ramingen, en zelfs verbeteringen in trait erfelijkheidsgraad, zoals efficiëntie in resource gebruik en opname5,,6,7 ,8,9. Teledetectie is traditioneel gericht op multispectrale, hyperspectrale, en thermische imaging sensoren van hoogwerkers voor precisielandbouw op het veld schaal of plant fenotypering studies aan de microplot schaal10. Gemeenschappelijk, verkrijgbare digitale camera's die alleen zichtbaar gereflecteerd licht meten waren vaak over het hoofd gezien, ondanks hun zeer hoge ruimtelijke resolutie, maar onlangs populair geworden als nieuwe innovatieve beeldverwerking algoritmen steeds kunnen om te profiteren van de gedetailleerde kleur- en ruimtelijke informatie die zij bieden. Veel van de nieuwste innovaties in geavanceerde landbouw beeld analyses is steeds meer afhankelijk van de interpretatie van de gegevens die worden verstrekt door de zeer hoge resolutie (VHR) RGB-afbeeldingen (voor hun meting van rode, groene en blauwe zichtbaar licht reflectie), met inbegrip van gewas monitoring (vigor, fenologie ziekte evaluaties en identificatie), segmentatie en kwantificering (opkomst, oor dichtheid, bloem en fruit graven) en zelfs volledige 3D-reconstructies op basis van een nieuwe structuur van beweging werkstromen11.

Een van de meest essentiële punten voor verbetering in de productiviteit van de granen is een efficiëntere evaluatie van opbrengst, die wordt bepaald door drie belangrijke componenten: oor dichtheid of het aantal oren per vierkante meter (oren/m2), het aantal van de korrels per oor, en het gewicht van de duizend-kernel. Oor dichtheid kan handmatig worden verkregen in het veld, maar deze methode is omslachtig, tijdrovend en ontbreekt in een enkel gestandaardiseerde protocol, die samen kan leiden tot een belangrijke bron van de fout. Opnemen van de automatische tellen van de oren is een uitdagende taak vanwege de complexe gewas structuur, nauwe plant afstand, hoge mate van overlapping, achtergrondelementen, en de aanwezigheid van awns. Recente geboekt in deze richting met behulp van een zwarte achtergrond structuur ondersteund door een statief om te verwerven geschikt gewas beelden, redelijk goede resultaten in oor tellen12demonstreren. Op deze manier, overmatig zonlicht en schaduweffecten werden vermeden, maar een dergelijke structuur zou omslachtig en een grote beperking in een toepassing voor veldomstandigheden. Een ander voorbeeld is een automatische oor tellen algoritme ontwikkeld met behulp van een volledig geautomatiseerde fenotypering systeem met een rigide gemotoriseerde gantry, dat werd gebruikt met goede nauwkeurigheid voor het tellen van oor dichtheid in een panel bestaande uit vijf awnless broodtarwe (Triticum aestivum L.) variëteiten groeien onder verschillende stikstof voorwaarden13. Recent werk van Fernandez-Gallego14 heeft dit proces voor het vastleggen van de gegevens sneller en gemakkelijker, met behulp van de VHR RGB kleurenafbeeldingen gevolgd door meer geavanceerde, maar nog steeds volledig geautomatiseerde, beeld analyses geoptimaliseerd. De efficiënte en kwalitatief hoogwaardige gegevensverzameling in veldomstandigheden benadrukt een vereenvoudigde gestandaardiseerde protocol voor consistentie en hoge opname gegevensdoorvoer, terwijl de beeldverwerking algoritme maakt gebruik van de roman gebruik van Laplaciaan en frequentie-domein filters voor het verwijderen van ongewenste imageonderdelen alvorens een segmentatie voor het tellen van gebaseerd op het vinden van lokale maxima (in tegenstelling tot volledige afbakening zoals in andere eerdere studies, die leiden meer fouten met overlappende oren tot kan).

Dit werk stelt een eenvoudig systeem voor de automatische kwantificering van oor dichtheid in veldomstandigheden, met behulp van beelden verkregen uit commercieel beschikbare digitale camera's. Dit systeem maakt gebruik van natuurlijk licht in het veld voorwaarden en vereist daarom aandacht van sommige verwante milieufactoren, zoals tijd van dag en cloud cover, blijft maar, in feite, eenvoudig te implementeren. Het systeem heeft aangetoond op voorbeelden voor harde tarwe en gerst, maar moet worden verlengd in toepassing op brood tarwe, die naast het tentoonstellen van oren met soortgelijke morfologie, vaak awnless, maar verdere experimenten zou nodig zijn om dit bevestigen. In de gegevens vastleggen protocol hier gepresenteerd, zenithal images zijn geschoten door gewoon met de hand vasthouden van de camera of een monopod gebruiken voor het plaatsen van de digitale camera boven het gewas. Validatie gegevens kan worden verkregen door het tellen van de oren voor subverhalen tijdens postprocessing, of in het veld handmatig door het tellen van de oren in het beeld zelf. De beeldverwerking algoritme is samengesteld uit drie processen die, ten eerste effectief verwijderen ongewenste componenten van de afbeelding op een wijze waarmee, vervolgens, voor de daaropvolgende segmentatie en telling van de individuele tarwe oren in de verworven beelden. Ten eerste, een Laplaciaan frequentie filter wordt gebruikt om de opsporing van wijzigingen in de verschillende ruimtelijke richtingen van de afbeelding met de standaardinstellingen voor het filteren van ImageJ zonder venster kernel grootte aanpassingen (Vinden Maxima segmentatie techniek bepaalt de lokale pieken na de mediane ruimtelijke filter deelactiviteit, in welk stadium de pixels met oren hebben hogere pixelwaarden dan bodem of bladeren. Daarom vinden Maxima wordt gebruikt om het segment van de hoge waarden in het beeld, en die regio's worden aangeduid als oren, waarin oren terwijl ook het verminderen van overlappende oor fouten. Analyseren deeltjes wordt vervolgens gebruikt op de binaire afbeeldingen te tellen en/of meten van parameters uit de regio's gemaakt door het contrast tussen de witte en zwarte oppervlakte gemaakt door de Maxima vinden stap. Het resultaat wordt vervolgens verwerkt tot een binaire beeldsegmentatie door het analyseren van de afwijking van de dichtstbijzijnde buurman pixel rond elke lokale maximaal te identificeren van de shapes voor het oor van tarwe in de gefilterde afbeelding. Tot slot, de dichtheid van het oor wordt geteld met behulp van analyseren deeltjes, zoals dit is geïmplementeerd in Fiji15. Zowel Maxima vinden en analyseren deeltjes zijn standalone functies en beschikbaar als plugins in Fiji (https://imagej.nih.gov/ij/plugins/index.html). Hoewel niet specifiek in het protocol hier gepresenteerd, de voorlopige resultaten gepresenteerd als aanvullend materiaal suggereren dat deze techniek aangepast worden kan aan het uitvoeren van oor telling blijkt uit enquêtes in onbemande vliegtuigen (UAV's), voorwaarde dat de resolutie blijft voldoende hoog14.

Subscription Required. Please recommend JoVE to your librarian.

Protocol

or Start trial to access full content. Learn more about your institution’s access to JoVE content here

1. prefield gewas groei fase en milieu-omstandigheden

  1. Zorg ervoor dat het gewas groei fase ongeveer tussen graan vullen en in de buurt van gewas looptijd, met oren die nog groen zijn, zelfs als de bladeren verouderend (wat overeenkomt met in het geval van tarwe naar het bereik 60-87 Zadoks schaal16). Sommige vergeling van de bladeren is aanvaardbaar, maar niet noodzakelijk.
  2. Fotolader met verschillende replicatieonderzoeken (foto's per proefvlak) een bemonsteringsplan voorbereiden om te vangen/tekengebied variabiliteit; de beeldverwerking algoritme zal het aantal oren in de afbeelding en converteren dat oren per vierkante meter (oren/m2) op basis van de specificaties van de camera.
  3. Plan de veld excursies om de opnamen binnen twee uur van de zonne-middag, of op een bewolkte dag bij diffuus licht om te voorkomen dat de negatieve effecten van het oor schaduwen op het oor tellen algoritme.
  4. Controleer eens de bovenkant van de luifel gewas om ervoor te zorgen dat er droge teneinde spiegelende licht reflectie van vocht in het veld.
    Opmerking: Bij de beoordeling van de doelstellingen van dit protocol, is het belangrijk dat eerst nagaan of de fase van de groei van het gewas geschikt is voor de toepassing van de graven van de oor. Vastleggen van beelden buiten de aanbevolen groei fase zal resulteren in suboptimaal of in zinloos resultaten (als oren niet aanwezig of volledig naar voren gekomen zijn). Beeldkwaliteit heeft ook een aanzienlijke invloed op de verwerking van de resultaten, met inbegrip van de resolutie en grootte van de sensor sommige omstandigheden en milieuomstandigheden, zoals tijd van dag en cloud cover, moet zorgvuldig worden overwogen voordat u verdergaat met Fotolader.

2. Fotolader in veldomstandigheden met daglicht

  1. Bereiden van een "phenopole", zoals weergegeven in Figuur 1 of een vergelijkbare acquisitie-systeem (zelfs handheld) om beelden te vangen snel en nog in een gestandaardiseerde en consistente wijze op elk perceel of richten op locatie.

Figure 1
Figuur 1 : Oor tellen systeem. Oor tellen systeem met behulp van de "phenopole" weergegeven in het veld aan de linkerkant, met een grote sensor van op afstand bestuurde natuurlijke kleur (RGB) en de hoge resolutie digitale camerasysteem met camera tilt en hoogte, met vermelding van de nodige parameters voor het aanpassen van de beeldverwerking algoritme. De resolutie van de sensor en worden automatisch gedetecteerd door de eigenschappen van de afbeelding, terwijl de gebruikersinvoer moeten de specificaties voor de brandpuntsafstand van de lens en de afstand van de luifel. Die zijn nodig om het algoritme voor het geschatte aantal pixels per oor en ook de conversie van de graaf van beeld-gebaseerde totale oor naar oor dichtheid (oren/m2). Om die reden is het aanbevolen om het gebruik van de dezelfde camera en de lens brandpuntsafstand voor alle afbeeldingen van het veld. Klik hier voor een grotere versie van dit cijfer.

  1. Plaats de camera op een geschikte monopod of "selfie" pole zodat het kan worden gehandhaafd niveau, hetzij met behulp van niveau blaasjes of een in-camera stabilisatiesysteem, zenithal beelden te verkrijgen.
  2. Een mobiele telefoon, tablet, of een ander apparaat te verbinden van de camera voor beide afstandsbediening beeld vastleggen en de afbeelding visualisatie voor de beste resultaten met correct gerichte afbeeldingen gebruiken Programma de camera voor de autofocus teneinde eventuele fouten in het geval dat de gebruiker is niet vertrouwd genoeg met hun camera of fotografie technieken om in te stellen van een juiste handmatige focus, zoals blijkt uit de voorbeelden van zenithal beelden met correcte scherpstelling en belichting in Figuur 2.

Figure 2
Figuur 2 : Zenithal gewas beelden. Durum tarwe en gerst oor zenithal beelden voor oor tellen gegevensset voorbeelden met een aanvaardbaar fase van groei en senescentie uit ongeveer 61 tot en met 87 volgens Zadoks schaal. (Links) Durum tarwe zenithal afbeeldingsgegevens voorbeeldfunctie. (Rechts) Gerst zenithal afbeeldingsgegevens voorbeeldfunctie. Klik hier voor een grotere versie van dit cijfer.

  1. Neem nota van de beeldnummer voorafgaand aan de Fotolader te voldoen de beelden correct met de veld percelen. Een afbeelding van het algemene gebied aan het begin en één afbeelding van de grond/veld tussen blokken voor naverwerking van besturingselementen opnemen.
  2. Positie van de camera op ongeveer 80 cm boven de bovenkant van het gewas velum, met behulp van een liniaal of meting string regelmatig te controleren of de hoogte van de camera boven het bladerdak. Waarborgen dat de camera en de opname. Deze techniek kan 1-2 onderzoeker (s) nodig.
  3. Als extra veld oor validatie rekenen gewenst is afgezien van een handmatige afbeelding graaf validatie, installeren een verlenging arm naar het frame (bijv. een kleine cirkel) en plaats deze in het midden van de afbeelding om handmatige veld graven van een nauwkeurige afbeelding subset; Deze techniek mogelijk 2-3 personen uit te voeren.
    Opmerking: Drie belangrijke overwegingen bij het selecteren van een camera, dus omvatten: (1) camera specificaties; in dit geval, de fysieke grootte van de sensor; (2) de brandpuntsafstand van de lens van de afbeelding; (3) de afstand tussen de luifel en de camera: kleinere afstanden of meer zoomlenzen zal vangen een kleiner gebied, terwijl beelden vanaf een grotere afstand een grotere snijgebied vangen zal. Zie afbeelding 1 voor de details over de relevante camera specificaties.

3. algoritme uitvoering en aanpassingen

Opmerking: Hier presenteren we algoritme uitvoering en aanpassingen voor verschillende camera specificaties (sensor formaat megapixels, brandpuntsafstand, afstand tot gewas) en gewas (harde tarwe of gerst) voor het tellen van de automatische oor. Een overzicht van het algoritme is weergegeven als geïllustreerd in Figuur 3.

Figure 3
Figuur 3 : Beeld-verwerkende pijpleiding voor het tellen van twee rijen gerst oor. Beeld-verwerkende pijpleiding voor het tellen van twee rijen gerst oor als geïmplementeerd met behulp van specifieke computercode of met behulp van de software van de CerealScanner , die beide binnen Fiji (ImageJ werken). Paneel 1 toont de oorspronkelijke afbeelding. Panel 2 toont de resultaten van de toepassingen van de Laplaciaan filter. Paneel 3 toont de toepassing van het mediane filter en Panel 4 toont de resultaten van de laatste vinden Maxima en segmentatie voor het opstellen van de definitieve oor telling. Vervolgens zijn de berekeningen gemaakt om het beeld telling omzetten in oor dichtheid, zoals afgebeeld in Figuur 1. Deze beelden zijn een voorbeeld uit de Arazuri veld site (noordoosten van Spanje, 42 ° 48'33.9 "N 1 ° 43' 37,9" W) met diffuus licht. Klik hier voor een grotere versie van dit cijfer.

  1. Download en installeer Fiji, Java 8, en de code van de verwerking of de Universiteit van Barcelona merkgebonden CerealScanner plugin (https://fiji.sc/, https://www.java.com/en/download/, en https://integrativecropecophysiology.com/software-development/cerealscanner/ [informatie] of https://gitlab/sckefauver/CerealScanner [code repository]); contact opnemen met de bijbehorende auteurs voor toegangsmachtigingen. De plugin is geïnstalleerd binnen Fiji simpelweg door deze te kopiëren in de map plugins.
  2. Open de plugin uit het bovenste menu via Plugins > CerealScanner > Open granen Scanner.
    Opmerking: Afgezien van het werk hier gepresenteerd, de CerealScanner plugin bevat verscheidene verschillende RGB gebaseerde vegetatie indices gerelateerde gewas vigor, stress of chlorofyl17,18. Het specifiek gedeelte van de CerealScanner bevat specifieke algoritmen voor Vroege Vigor (Fernandez-Gallego, In review), Oor tellen14en Gewas senescentie19, zoals weergegeven in Figuur 4.
  3. Voer de aanpassingen van de specificaties van de camera en capture beelddetails als ze van de standaardwaarden verschillen (Zie Figuur 1 en Figuur 4 voor meer informatie).
    1. Stel de parameter van de algoritme voor de brandpuntsafstand camera.
    2. Stel de parameter van de algoritme voor de afstand van de luifel van het gewas.

Figure 4
Figuur 4 : The CerealScanner 2.12 Beta central tabblad op beide niveaus, markering van de oor-telfunctie binnen de collectie van de algoritme CerealScanner. De gebruiker moet selecteren de... knop aan de rechterzijde van de Batch ingangen om te selecteren van de map waarin de afbeeldingsbestanden zijn opgeslagen, verandert u de standaardwaarden van de H afstand (afstand van de camera aan de bovenkant van de lichtkap gewas) en de brandpuntsafstand, indien verschillend van de defaul t-waarden en selecteer vervolgens de... knop rechts van het Bestand met resultaten om te kiezen van de naam en locatie van het bestand van de eindresultaten. De andere tabbladen van de CerealScanner voorzien algoritmen trait gebaseerde fenotypering voor Vroege Vigor en begin van volwassenheid als onderdeel van de CerealScanner code suite. Onder het tabblad biomassa zijn er verschillende algoritmen voor schattingen van meer algemene gewas vigor en biomassa berekeningen, ook voor digitale RGB-afbeeldingen. In het voorbeeld verwijst naar twee rijen gerst, zoals het werd aangetoond in detail in Figuur 3. Klik hier voor een grotere versie van dit cijfer.

Figure 5
Figuur 5 : Algoritme aanpassingen. Aanpassingen vereist in het beeld-verwerkende pijpleiding om te tellen met succes beide tarwe en gerst oren via dezelfde algoritme worden automatisch beheerd als onderdeel van de camera-specifieke aanpassingen voor H afstand (afstand tussen de camera en het gewas Canopy) en brandpuntsafstand, en serveer om ervoor te zorgen dat het aantal pixels per oor min of meer constant tussen verschillende toepassingen blijft. Klik hier voor een grotere versie van dit cijfer.

  1. Selecteer de center tabbladen CerealScanner en latere centraal Oor tellen om te berekenen hoeveel oren in elk beeld van een veldenset van de gegevens.
    1. Onder Opties, voer, in Batch ingangen, de locatie van de foto's om te analyseren.
    2. Selecteer in de Bestanden van de resultaten, waar u het opslaan van het bestand met resultaten. Het bestand met resultaten zal omvatten twee kolommen met de bestandsnaam van de afbeelding en het oor resultaten tellen.
    3. Tenslotte, tikken voort proces, en het bestand met resultaten met de dichtheid van het oor in vierkante meters (oren/m2), met behulp van een eenvoudige verhouding met de camera-instellingen en de afstand tussen de luifel en camera om te zetten het afbeeldingsgebied een werkelijke luifel gebied op het plein meter na Figuur 1, zal automatisch worden geproduceerd in een paar minuten, afhankelijk van de snelheid van de computer.
  2. Voeren een post-processing validering na de gegevensverzameling door handmatig tellen het aantal tarwe of gerst oren in de afbeelding en vervolgens dit te converteren naar het aantal oren per vierkante meter (oren/m2), zoals is weergegeven in Figuur 1, om te vergelijken de resultaten met die zijn gebaseerd op de waarden van het algoritme.
    1. Gebruik het hulpprogramma voor plaatsingen van eenvoudige punt gebouwd in Fiji, die gemakkelijk ondersteuning voor dit proces en de functie van Fiji Analyseren deeltjes biedt voor de productie van de graven automatisch; Dit wordt grafisch weergegeven in Figuur 6.
    2. Desgewenst voeren een validatie met behulp van een klein gebied cirkel tijdens veld data-acquisitie zoals beschreven in stap 2.6; handleiding telt in het veld en handmatige afbeelding graven in het laboratorium kunnen vervolgens gebruikt worden voor algoritme validatie zoals afgebeeld in Figuur 7.

Figure 6
Figuur 6 : Algoritme validatie met behulp van manuele in-image oor graven. Manuele in-image oor telt voor (links) harde tarwe en gerst (rechts). Het kleine puntjes zijn gemaakt met het Fiji Gereedschap Ankerpunt en vervolgens geteld met de Functie voor deeltjes analyseren met een 0.90-1,00 cirkelvormigheid beperking na het toepassen van een Kleurdrempel uit de Hue Saturation Intensiteit ruimte voor de kleur die is opgegeven door het Gereedschap Ankerpuntvan de kleur. Deze methode zorgt u nauwkeuriger beeld-gebaseerde handmatige oor graven. Klik hier voor een grotere versie van dit cijfer.

Figure 7
Figuur 7 : Algoritme validatie met behulp van de handleiding telt in het veld en manuele in-image oor graven van tarwe en gerst, met behulp van een cirkel. (Links) Tarwe afbeelding graaf validatie voorbeeld met behulp van een cirkel. (Rechts) Gerst afbeelding graaf validatie voorbeeld met behulp van een cirkel. De graven van de subset van de oren binnen de witte cirkel werden geteld met gebruikmaking van dezelfde techniek, zoals beschreven in Figuur 6 met het Gereedschap Ankerpunt Kleurdrempelen vervolgens Analyseren deeltjes functie met cirkelvormigheid beperkingen en kleurselectie met behulp van Hue. Klik hier voor een grotere versie van dit cijfer.

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

or Start trial to access full content. Learn more about your institution’s access to JoVE content here

In Figuur 8, uit de resultaten blijkt de vastberadenheid coëfficiënt tussen de oor dichtheid (aantal oren per vierkante meter) met behulp van handmatige tellen en het oor tellen algoritme voor tarwe en gerst bij drie verschillende gewas groeifasen. De eerste is harde tarwe met een Zadoks schaal tussen 61 en 65 (R2 = 0,62). De tweede is twee rijen gerst met een Zadoks schaal tussen 71 en 77 (R2 = 0,75), en de laatste is harde tarwe met een Zadoks schaal tussen 81 en 87 (R2 = 0,75).

Figure 8
Figuur 8 : De determinatiecoëfficiënt tussen oor dichtheid (aantal oren/m2) met behulp van handmatige beeld-gebaseerde tellen en het beeld-algoritme voor het tellen van het oor van harde tarwe en gerst van twee rijen bij verschillende aanvaardbaar gewasgroei stadia (bij Zadoks' schaal van 61-87). Beide assen Toon berekeningen, met inbegrip van conversies naar oor dichtheid, in plaats van beeld-gebaseerde resultaten alleen. De representatieve resultaten worden hier gepresenteerd voor twee verschillende gewassen over drie verschillende groeifasen, alsmede onder verschillende lichtomstandigheden, namelijk directe zonlicht beelden van durumtarwe op Zadoks schaal 61-65 op de hoogste (R2 = 0,62, n = 72), diffuse licht beelden van gerst Zadoks duurzaame 71-77 in het midden (R2 = 0,75, n = 30), en diffuus licht voorwaarden voor durumtarwe duurzaame Zadoks' 81-87 onderaan (R2 = 0,75, n = 24). Een voorbeeld van de afbeelding van elk wordt ook weergegeven als een verzonken in de bodem juiste hoek van elke grafiek. Klik hier voor een grotere versie van dit cijfer.

Subscription Required. Please recommend JoVE to your librarian.

Discussion

or Start trial to access full content. Learn more about your institution’s access to JoVE content here

Verhoogde wendbaarheid, consistentie en nauwkeurigheid zijn de sleutel tot de ontwikkeling van nuttige nieuwe fenotypering tools om te helpen de gewas-fokken Gemeenschap bij hun inspanningen te verhogen van graan opbrengst ondanks negatieve druk aan wereldwijde klimaatverandering gerelateerde. Efficiënte en nauwkeurige beoordeling van granen oor dichtheid, zal zoals een grote agronomische onderdeel van rendement van belang nietje gewassen, bijdragen tot de instrumenten die nodig zijn voor het voederen van toekomstige generaties. Gericht op de verbetering en ondersteuning van gewas-fokken inspanningen in veldomstandigheden zorgt dat dit onderzoek en de technieken die hier gepresenteerd meer nauw verbonden is met levensechte klimaat veranderen van scenario's en de behoeften van de Gemeenschap fokken maar ook presenteert technische problemen. Als zodanig is het belangrijk om de naleving van de nauwe te besteden niet alleen aan de gegevensverzameling en de beeldverwerking in dit protocol, maar ook de aanbevelingen voor de optimale milieuomstandigheden en de groeistadia van de gewassen voor haar succesvolle implementatie11. Als een grote landbouwkundige onderdeel van rendement, wordt oor dichtheid overwogen één van de belangrijkste kenmerken van de doelgroep in de push voor het verhogen van graan opbrengst (Zie het artikel van Slafer et al.20 en verwijzingen daarin). De focus in dit protocol naar een optimaal kosten-efficiënte, flexibele en eenvoudig veld fenotypering techniek is van mening dat deze aspecten van het protocol zijn de sleutel tot de aanneming en tenuitvoerlegging door de Gemeenschap fokken in het algemeen. In tegenstelling, gerelateerde vorige studies met soortgelijke doelstellingen beoordeling van oor dichtheid of andere opbrengst component kwantificering hebt gebruikt meer betrokken gegevensvastlegging en omgevingscontrole structuren, zoals bijvoeging van structuren en vaste camera ondersteunt of zelfs kunstmatig licht "inputs", die effectief praktische toepassing onder veldomstandigheden en uitvoering in werkelijke belemmeren fok programma's12,20,22.

Dus, we hebben gepresenteerd hier een gedetailleerde protocol, dat is het resultaat van het testen van verschillende andere technieken in een iteratieve optimalisatieproces, wat resulteert in een eenvoudige maar effectieve beeld gegevens vastleggen methode waarbij alleen een commercieel beschikbaar, matig hoge resolutie RGB digitale camera en een rudimentaire "phenopole" voor het houden van de camera boven het bladerdak van het gewas. Andere pogingen beeld-filteren op basis van RGB-kleur of alternatieve kleurruimten, zoals tint-intensiteit-intensiteit of CIELAB, waren niet zo doeltreffend of consistent als het gebruik van de Laplaciaan en de mediane frequentie domein filters in het verwijderen van ongewenste afbeeldingselementen, vooral de awns. Wij hebben de image capture pijpleidingsysteem met verschillende elementen, waarvan sommige kunnen eenvoudig worden versteld met kleine wijzigingen in de uitvoering van de beeldverwerking algoritme ontworpen. In de case studies hier gepresenteerd, hebben we twee verschillende compacte camera's met relatief grote sensoren en 20.1 megapixels (MP) en 16,0 MP resoluties gebruikt voor het vastleggen van beelden met groothoek lenzen van 16-20 mm op een afstand van 80 cm vanaf de luifel van het gewas. Dit heeft bewezen meer dan volstaat om gedetailleerde luifel gerst en tarwe informatie met simulaties aan te tonen dat de techniek hoge precisie tot ongeveer 8 MP14 blijft (met soortgelijke lenzen en afstanden van de Canopy).

Hoewel de consistentie en de nauwkeurigheid van de gepresenteerde beeldverwerking technieken afhankelijk van de omgevingsomstandigheden en fenologische fase ten tijde van Fotolader, tonen de algoritmen belofte bij het verstrekken van een robuuste prestaties in hun toepassing verschillende kleine-korrel granen, inclusief durumtarwe en brood tarwe en gerst van twee rijen en zes-rij rassen. Terwijl dit algoritme nog worden volledig getest moet, zou de Fotolader hetzelfde, met misschien enkele kleine aanpassingen met betrekking tot de relatieve grootte en positie van het oor in de beelden om te voorzien in optimale oor resultaten tellen. In het voorgestelde protocol, schat de beeld-gebaseerde oor dichtheid bereikt maximale nauwkeurigheid en gecorreleerde best met handleiding graven image & graan opbrengst ten opzichte van opnamen die zijn gemaakt in latere groeistadia, als gewas senescentie in een verlies van kleur resulteerde en verlichting contrast tussen de rest van de luifel van het gewas en de oren. Wellicht is dit een gevolg zijn van hogere temperaturen of lagere beschikbaarheid van water in de latere delen van graan vullen, die vooral gemeenschappelijk in typische mediterrane omstandigheden, waardoor de bladeren en culm naar senesce voordat de oren23 doen; Dit contrast is essentieel voor de effectiviteit van de scheiding tussen de oren, bladeren en bodem. Overdreven volwassen of verouderend luifels met de oren al geel is het contrast tussen de verschillende afbeeldingselementen niet voldoende voor het tellen van het oor. Als zodanig, in andere klimaten afwijken de optimale timing enigszins als er geen waterstress tijdens senescentie begin.

Hoewel de gegevensverzameling in veldomstandigheden veel aandacht aan deze milieu-omstandigheden als zonlicht intensiteit en zonlicht verlichting hoeken vereist, biedt de robuuste beeld analyse algoritme gepresenteerde enige speelruimte in de Fotolader venster met behulp van ruimtelijke technieken die albedo Beeldeffecten negeren, gezien het feit dat de juiste belichting werd gebruikt voor de bijzonder lichte voorwaarden op het moment van Fotolader; automatische instellingen hebben goed gewerkt in dat opzicht. In vorige werk, werd voller allerlei belichtingseffecten getest, die aangeeft dat de enige belangrijke bron van de fout met betrekking tot lichteffecten de productie van sterke schaduwen in de afbeelding is bij het vastleggen van beelden in direct zonlicht of vroeg of laat in de dag , als gevolg van de hoek van de zon14. De eerste twee beeld filter toepassingen helpen om te minimaliseren van eventuele zichtbare effecten van teveel verlichting (hoewel niet via camera overbelichting) terwijl ook het verminderen van alle onderdelen van de achtergrond van de afbeelding; op hetzelfde moment, deze filters ook bijdragen tot de vermindering van het vloeiend maken en lawaai, zowel voor welke aide in de daaropvolgende vinden Maxima verwerken23,24. Dus, terwijl de natuurlijke verlichting factoren moeten rekening worden gehouden, zoals de hoek van de zon wanneer de images zijn geschoten in direct in plaats van in omstandigheden met diffuus licht, dit is voornamelijk teneinde fouten gerelateerd aan schaduw artefacten.

Bovendien correlaties tussen algoritme oor graven uit de gepresenteerde protocol en graan opbrengst werden groter en belangrijker dan handmatige (op een veld gebaseerde) oor graven van hetzelfde experiment11, die de bewering dat dit protocol ondersteunt niet alleen preciezer maar ook meer consistent als een gestandaardiseerd protocol voor de beoordeling van de dichtheid van het oor. Terwijl niet presenteerde hier specifiek soortgelijke gegevens vastleggen en verwerking technieken lijkt haalbaar met behulp van de mobiele telefoon, lucht- of andere geautomatiseerde platformen als zij voert heel goed onder gesimuleerde verminderde afbeeldingsresoluties. Aanvullende proeven voor vermindering van de grijswaarden (voor snellere beeldverwerking) en lagere resolutie afbeelding simulaties (uit de toepassing van andere camera's of UAV's) werden uitgevoerd door het toepassen van de beeldomzettingen vóór de eerste filter14 en stelde dat, in optimale omstandigheden, doorlooptijden kunnen worden verminderd op de volgende manieren zonder verlies van nauwkeurigheid. Wat betreft de mogelijke toekomstige richtingen profiteren de algoritmen van de beeldverwerking gepresenteerd hier alleen van de VHR RGB kleurgegevens zoals het is vastgelegd door de camera (vergelijkbaar met het menselijke oog), maar andere potentiële verbeteringen uit de conversie naar hybride kleur voortvloeien kunnen ruimten, zoals tint-intensiteit-intensiteit, of door gegevens fusion in combinatie met andere meer geavanceerde wetenschappelijke sensoren, zoals multispectrale of thermische, die zowel onlangs meer betaalbaar zijn geworden en de mogelijkheden voor verbetering in oor dichtheid schattingen, hoewel misschien op verschillende groeistadia of in verschillende veldomstandigheden.

Kortom zijn de kritische stappen voor de uitvoering van dit protocol eerst en vooral goede planning voor de tijd van jaar en milieuomstandigheden van het gewas, die optimaal zijn wanneer het gewas in groeistadia 60-87 van Zadoks schaal en hetzij op zonne-middag of met diffuus licht. Bovendien moet de overname van de digitale beelden worden uitgevoerd in een gecontroleerde manier accounting voor camerahoek, afstand van de kruin en de focus van de camera voor elke afbeelding. Ten slotte, geoptimaliseerde computerverwerking opties worden gepresenteerd in detail voor het reproduceren van de verwerking code pijpleiding, of contact opnemen met de auteurs voor de oorspronkelijke code of de code geïntegreerd als een grafische gebruikersinterface (GUI) in een plug-in voor Fiji, namelijk de CerealScanner.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

De auteurs hebben niets te onthullen.

Acknowledgments

De auteurs van dit onderzoek wil bedanken van de medewerkers in het veld beheer bij de experimentele stations van Colmenar de Oreja (Aranjuez) van het Instituto Nacional de Investigación y Tecnología Agraria y Alimentaria (INIA) en Zamadueñas (Valladolid) van de Instituto de Tecnología Agraria de Castilla y León (ITACyL) voor de ondersteuning van hun veld van de onderzoek studie gewassen gebruikt. Deze studie werd ondersteund door het onderzoeksproject AGL2016-76527-R uit MINECO, Spanje en een deel van een samenwerkingsproject met Syngenta, Spanje. De fellowship van de BPIN 2013000100103 van de "Formación de Talento Humano de Alto Nivel, Gobernación del Tolima - Universidad del Tolima, Colombia" was de enige die financiering van de steun voor de eerste auteur Jose Armando Fernandez-Gallego. De primaire financieringsbron van de overeenkomstige auteur, Shawn C. Kefauver, kwam uit het programma van de ICREA academische wereld door middel van een subsidie toegekend aan Prof. Jose Luis 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).
Granen gewas oor tellen in het veld voorwaarden gebruik Zenithal RGB-afbeeldingen
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

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).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