Oreille de cultures céréales comptage dans le champ des Conditions en utilisant des Images de RVB Zenithal

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 absorption^{5,6,7 ,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.

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?…

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 ent…

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 gén…

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