Login processing...

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

Environment

Getreide Ernte Ohr zählen im Feld Bedingungen mit zenitalen RGB-Bilder

doi: 10.3791/58695 Published: February 2, 2019

Summary

Wir präsentieren ein Protokoll zum zählen von Hartweizen Weizen und Gerste Ohren, mit natürlichen Farben (RGB) digitale Fotografien in natürlichem Sonnenlicht unter Feldbedingungen. Mit minimalen Anpassungen für Kamera-Parameter und Umgebungsbedingungen Einschränkungen bietet die Technik präzise und konsistente Ergebnisse in verschiedenen Entwicklungsstadien.

Abstract

Ohr Dichte oder die Anzahl der Ohren pro Quadratmeter (Ohren/m2), ist ein wichtiger Schwerpunkt in vielen Getreide Zuchtprogramme, wie Weizen und Gerste, eine wichtige agronomische Ausbeute Komponente für die Schätzung der Kornertrag darstellen. Daher eine schnelle, effiziente und standardisierte Technik zur Beurteilung Ohr Dichte würde helfen bei der Verbesserung der Landbewirtschaftung, Verbesserungen in preharvest Ertrag Vorhersagen oder sogar genutzt werden als Werkzeug für die um Ernte zu Zucht, wenn es definiert wurde als Merkmal von Bedeutung. Nicht nur sind die aktuellen Techniken für manuelle Ohr Dichte Bewertungen mühsam und zeitaufwändig, sondern sie sind auch ohne irgendwelche offiziellen standardisierten Protokoll per Laufmeter, Bereich Quadranten, oder eine Hochrechnung basierend auf Ohr Pflanzendichte und Pflanze postharvest zählt. Eine automatische Ohr zählen Algorithmus wird im Detail vorgestellt, Ohr Dichte mit nur Sonnenlicht Beleuchtung unter Feldbedingungen Schätzung basierend auf zenitalen (Nadir) natürliche Farbe (rot, grün und blau [RGB]) digitale Bilder, so dass für Hochdurchsatz- Standardisierte Messungen. Verschiedenen Feldversuchen Durum-Weizen und Gerste, die geografisch verteilt in ganz Spanien während der 2014/2015 bis 2015/2016 Ernte Jahreszeiten in bewässert und Rainfed Studien wurden verwendet, um repräsentative Ergebnisse zu liefern. Das drei-Phasen-Protokoll umfasst Ernte Wachstumsphase und Feld Zustand Planung, Image Capture Leitlinien, und einen Computer-Algorithmus aus drei Schritten: (i) ein Laplace Frequenzfilter, nieder- und hochfrequente Artefakte, (Ii) ein Medianfilter zum Abbau hoher entfernen Lärm, und (Iii) Segmentierung und zählen mit lokaler Maxima Gipfel für die endgültige Anzahl. Kleinere Anpassungen an den Algorithmus-Code müssen entsprechend der Kameraauflösung, Brennweite und Abstand zwischen der Kamera und die Ernte Baldachin erfolgen. Die Ergebnisse zeigen eine hohe Erfolgsquote (mehr als 90 %) und R-2 -Werte (von 0,62-0,75) zwischen der Algorithmus zählt und das manuelle Image-basierte Ohr zählt für Durum-Weizen und Gerste.

Introduction

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

Die Welt-Getreide-Auslastung in 2017/2018 wird berichtet, um 1 % gegenüber dem Vorjahr1erweitern. Basierend auf die neuesten Vorhersagen für Getreide Produktion und Bevölkerung Auslastung, Welt-Getreide Bestände Erträge mit einer schnelleren Rate zu erhöhen, um die wachsenden Anforderungen, auch zur Steigerung der Wirkung von Climate Change2anzupassen müssen. Daher ist ein wichtiger Schwerpunkt auf Verbesserung der Ausbeute Getreide durch verbesserte Ernte Zuchttechniken. Zwei der wichtigsten und geernteten Getreide im Mittelmeerraum werden nämlich als Beispiele für diese Studie ausgewählt, Hartweizen (Triticum Aestivum L. SSP. Durum [Desf.]) und Gerste (Hordeum Vulgare L.(). Hartweizen ist, durch Verlängerung, die am häufigsten angebaute Getreide in den Süden und Osten Rändern des Mittelmeerraums und ist die 10. wichtigsten Ernte weltweit, aufgrund seiner Jahresproduktion von 37 Millionen Tonnen jährlich3, während Gerste die vierte global ist in Bezug auf Produktion, eine Gesamtproduktion von 144,6 Millionen Tonnen Getreide pro Jahr4.

Fernerkundung und proximalen Bild-Analyse-Techniken sind zunehmend wichtige Werkzeuge in der Weiterentwicklung der Bereich Hochdurchsatz-Pflanze Phänotypisierung (HTPP) wie sie nicht nur agiler bieten, aber auch oft, präzise und konsistente Abrufe des Ziels zuschneiden Biophysiological Merkmale, wie Bewertungen von photosynthetische Aktivität und Biomasse, preharvest Ausbeute Schätzungen und auch Verbesserungen im Merkmal Erblichkeit, wie Energieeffizienz in Ressource Verwendung und Aufnahme5,6,7 ,8,9. Fernerkundung konzentriert sich traditionell auf die multispektralen hyperspektralen und Wärmebildkamera-Sensoren von Arbeitsbühnen für Präzisionslandwirtschaft in das Feld Maßstab oder Pflanze Phänotypisierung Studium an der Microplot 10, Robbe. Gemeinsame, im Handel erhältlichen Digitalkameras, die nur sichtbares reflektiertes Licht zu messen waren oft übersehen wird, trotz ihrer sehr hohen räumlichen Auflösung, aber haben vor kurzem populär geworden, da immer neue innovative Bildverarbeitungs-Algorithmen können Nutzen Sie die detaillierte Farbe und räumliche Informationen, den sie anbieten. Viele der neuesten Innovationen in fortschrittlichen landwirtschaftlichen Bild Analysen setzen zunehmend auf die Interpretation der Angaben sehr hochauflösende (VHR) RGB-Bilder (für die Messung von rot, grün und blau sichtbar Lichtreflexion), einschließlich der Ernte Überwachung (Kraft, Phänologie, Krankheit Bewertungen und Identifizierung), Segmentierung und Quantifizierung (Entstehung, Ohr Dichte, Blüte und Frucht zählt) und sogar 3D Rekonstruktionen anhand einer neuen Struktur von Bewegung Workflows11.

Einer der wesentlichsten Punkte für Getreide Produktivitätssteigerung ist eine effizientere Bewertung der Rendite, bestimmt durch drei Hauptkomponenten: Ohr, Dichte oder die Anzahl der Ohren pro Quadratmeter (Ohren/m2), die Anzahl der Körner pro Ohr, und die tausend-Kernel-Gewicht. Ohr Dichte erhalten Sie manuell im Feld, aber diese Methode ist umständlich, zeitraubend und fehlt in ein einziges standardisiertes Protokoll, die zusammen in eine bedeutende Quelle des Fehlers führen kann. Einbeziehung der automatische Zählung der Ohren ist eine anspruchsvolle Aufgabe aufgrund der komplexen Ernte Struktur, enge Anlage, Abstand, hohe Ausmaß der Überlappung, Elemente im Hintergrund und das Vorhandensein von Grannen. Neuere Arbeiten fortgeschritten in dieser Richtung mit einer schwarzen Hintergrund Struktur unterstützt durch ein Stativ um Bilder geeignet beschneiden, zeigen recht gute Ergebnisse im Ohr zählen12zu erwerben. Auf diese Weise übermäßiges Sonnenlicht und Schatteneffekte vermieden, aber eine solche Struktur wäre umständlich und eine erhebliche Einschränkung in einer Anwendung auf Freilandbedingungen. Ein weiteres Beispiel ist, dass eine automatische Ohr zählen Algorithmus entwickelt, mit einem vollautomatischen Phänotypisierung System mit einer starren motorisierte Gantry mit guter Genauigkeit verwendet wurde, für die Zählung Ohr Dichte in einem Panel, bestehend aus fünf granneloser Brotweizen (Triticum Aestivum L.) Sorten, die unter verschiedenen Stickstoff Bedingungen13wachsen. Jüngsten Arbeiten von Fernandez Gallego14 optimiert diesen Prozess für schnellere und einfachere Datenerfassung mit VHR RGB-Farbbilder, gefolgt von weiter fortgeschritten, aber noch voll automatisierte, Bild-Analysen. Die effiziente und qualitativ hochwertige Datenerfassung unter Feldbedingungen betont ein vereinfachte, standardisiertes Protokoll für Konsistenz und hohe Aufnahme Datendurchsatz, während die Bildverarbeitungs-Algorithmus den Roman beschäftigt der Laplace-Operator und Frequenzbereich verwenden Filter, um unerwünschte Image-Komponenten zu entfernen, vor dem Auftragen einer Segmentierung für die Zählung basiert auf der Suche nach lokalen Maxima (im Gegensatz zur vollständigen Darstellung wie in anderen früheren Studien, die zu mehr Fehlern mit überlappenden Ohren führen kann).

Diese Arbeit schlägt vor, ein einfaches System für die automatische Quantifizierung von Ohr Dichte unter Feldbedingungen, mit Bildern von handelsüblichen Digitalkameras erworben. Dieses System nutzt die Vorteile des natürlichen Lichts im Feld Bedingungen und deshalb erfordert die Berücksichtigung von einigen Verwandten Umweltfaktoren, wie Zeit des Tages und Cloud Cover, bleibt aber in der Tat einfach zu implementieren. Das System ist demonstriert worden, auf Beispiele für Durum-Weizen und Gerste sollte jedoch erweiterbar in Anwendung auf Weizen, Brot, die neben der ausstellenden Ohren mit ähnlichen Morphologie, häufig granneloser sind, aber weitere Experimente wären erforderlich, um bestätigen Sie dies. In den Daten erfassen hier vorgestellten Protokoll, zenitalen Aufnahmen durch einfaches halten Sie die Kamera von hand oder mit einem Einbeinstativ für die Positionierung der Digitalkameras über die Ernte. Validierungsdaten können durch zählen der Ohren für Nebenhandlungen im Feld oder während der Nachbearbeitung, manuell durch zählen Ohren in das Bild selbst erworben werden. Die Bildverarbeitungs-Algorithmus besteht aus drei Prozesse, die Erstens effektiv unerwünschte Bestandteile des Bildes zu entfernen, die dann für die nachfolgenden Segmentierung und Auszählung der einzelnen Ähren in den erworbenen Bildern ermöglicht. Zunächst ein Frequenzfilter Laplace-Operator wird verwendet, um Änderungen in den verschiedenen Raumrichtungen das Bild mit den Standardeinstellungen ImageJ Filter ohne Fenster Kernel Größe Anpassungen zu erkennen (Finden Maxima Segmentierung Technik bestimmt die lokale Spitzen nach dem räumlichen Medianfilter Schritt, in welchem Stadium die Pixel im Zusammenhang mit Ohren haben höhere Pixelwerte als Boden- oder Blätter. Daher finden Maxima wird verwendet, um die hohen Werte im Bild segmentieren und diese Regionen sind beschriftet als Ohren, die Ohren und gleichzeitig reduzieren sich überschneidende Ohr Fehler identifiziert. Analysieren Sie Partikel wird dann auf die binäre Bilder zu zählen/messen Parameter aus den Regionen, die durch den Kontrast zwischen der weißen und schwarzen Oberfläche finden Maxima Schritt erstellten erstellt oder verwendet. Das Ergebnis wird dann verarbeitet, um ein binäres Bild Segmentierung zu erstellen, durch die Analyse der nächste Nachbar Pixel Varianz um jedes lokales Maximum, die Weizen-Ohr-Formen im gefilterten Bild zu identifizieren. Schließlich zählt die Ohr-Dichte analysieren Partikel mit, wie in Fidschi15umgesetzt. Maxima finden und analysieren Partikel sind eigenständige Funktionen und Plugins in Fidschi (https://imagej.nih.gov/ij/plugins/index.html) erhältlich. Wenn nicht ausdrücklich in das Protokoll hier vorgestellt, deuten vorläufige Ergebnisse als ergänzendes Material, dass diese Technik an Ohr zählen Untersuchungen von unbemannten Luftfahrzeugen (UAV), vorausgesetzt, dass die Auflösung angepasst werden kann bleibt ausreichend hohe14.

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 Ernte Wachstumsphase und Umweltbedingungen

  1. Darauf achten, dass die Ernte Wachstumsphase ist etwa zwischen Getreide füllen und in der Nähe von Ernte Reife, mit Ohren, die noch grün sind, auch wenn die Blätter seneszenten sind (das entspricht bei Weizen auf den Zadoks Skala1660-87). Einige Gelbfärbung der Blätter ist akzeptabel, aber nicht notwendig.
  2. Bereiten Sie ein Probenahmeplan für Bilderfassung mit verschiedenen Wiederholungen (Bilder pro Parzelle) um die Zeichnungsfläche/Variabilität erfassen; die Bildverarbeitungs-Algorithmus wird die Anzahl der Ohren im Bild und konvertieren, die in Ohren pro Quadratmeter (Ohren/m2) anhand der Kameraspezifikationen.
  3. Planen Sie die Exkursionen um die Bilder innerhalb von zwei Stunden von solaren Mittag oder alternativ an einem bewölkten Tag bei diffusen Lichtverhältnissen zu erfassen, um die negativen Auswirkungen der Ohr Abschattung am Ohr zählen Algorithmus zu vermeiden.
  4. Überprüfen Sie einmal im Feld oben auf die Ernte Baldachin um sicherzustellen, dass es zur Vermeidung von spiegelnden Lichtreflexion von Feuchtigkeit trocken ist.
    Hinweis: In Anbetracht der Ziele dieses Protokolls, ist es wichtig, zuerst zu prüfen, ob die Wachstumsphase der Pflanzen für Ohr zählt die Anwendung geeignet ist. Aufnahmen außerhalb der empfohlenen Wachstumsphase führt entweder in suboptimalen in sinnlosen Ergebnissen oder (wenn die Ohren nicht anwesend oder voll entstanden sind). Bildqualität hat auch erhebliche Auswirkungen auf die Verarbeitung der Ergebnisse, einschließlich der Auflösung und Sensor-Größe und einige Umweltbedingungen, wie Zeit des Tages und Cloud Cover, müssen sorgfältig geprüft werden, bevor Sie fortfahren mit Bilderfassung.

(2) Bilderfassung unter Feldbedingungen mit natürlichem Licht

  1. Bereiten Sie eine "Phenopole", wie in Abbildung 1 oder eine ähnliche Erfassungssystem (auch Handhelds), Bilder schnell zu erfassen und noch in einer standardisierten und konsistente Weise auf jedes Grundstück oder Zielort.

Figure 1
Abbildung 1 : Ohr-Zählsystem. Ohr Zählsystem mit der "Phenopole" gezeigt, in das Feld auf der linken Seite mit einem ferngesteuerten natürliche Farbe (RGB) großen Sensor und hochauflösende digitale Kamera-System mit Kamera Neigung und Höhe, unter Angabe der erforderlichen Parameter für die Anpassung der Bildverarbeitungs-Algorithmus. Der Sensor und der Bildauflösung werden automatisch durch die Bildeigenschaften, während die Benutzereingaben sollten der Besonderheiten für die Brennweite des Objektivs und der Abstand zwischen den Baumkronen erkannt. Diese sind notwendig, um den Algorithmus für die geschätzte Anzahl der Pixel pro Ohr und auch die Umwandlung von Anzahl der bildbasierten total Ohr zu Ohr Dichte (Ohren/m2) einstellen. Aus diesem Grund empfiehlt es sich, die gleiche Kamera und Objektiv Brennweite für alle Bereich Bilder verwenden. Bitte klicken Sie hier für eine größere Version dieser Figur.

  1. Positionieren Sie die Kamera auf einem geeigneten Einbeinstativ oder "Selfie" Pol, so dass es Ebene, entweder aufrechterhalten werden kann mit Level Luftblasen oder eine Kamera-Stabilisierungssystem zenitalen Bilder zu erhalten.
  2. Verwenden Sie ein Handy, Tablet oder einem anderen Gerät verbinden Sie die Kamera für beide Fernbedienung Bild erfassen und Bild-Visualisierung für die besten Ergebnisse mit richtig scharfe Bilder. Programm der Kamera für den Autofokus um Fehler zu reduzieren, für den Fall, dass der Benutzer nicht vertraut genug mit ihrer Kamera oder Fotografie Techniken, um einen richtigen manuellen Fokus eingestellt ist, wie die Beispiele des zenitalen Bilder mit korrekten Fokus und Belichtung in zeigen Abbildung 2.

Figure 2
Abbildung 2 : Bilder zenitalen beschneiden. Durum-Weizen und Gerste Ohr zenitalen Bilder für Ohr zählen Dataset Beispiele mit einem akzeptablen Stadium des Wachstums und der Seneszenz von ca. 61 bis 87 nach Zadoks Skala. (Links) Hartweizen Weizen zenitalen Bilddaten Vorbild. (Rechts) Gerste zenitalen Bilddaten Vorbild. Bitte klicken Sie hier für eine größere Version dieser Figur.

  1. Beachten Sie die Bild-Nummer vor der Bilderfassung um die Bilder mit den Feld-Handlungen richtig passen. Zeichnen Sie ein Bild des Bereichs allgemeine Feld am Anfang und ein Bild des Boden/Feldes zwischen den Blöcken für Nachbearbeitung Kontrollen.
  2. Position der Kamera bei ca. 80 cm über dem oberen Ende der Ernte-Baldachin, mit einem Lineal oder Messung String die Kamerahöhe über den Baumkronen in regelmäßigen Abständen zu überprüfen. Stellen Sie sicher, dass die Kamera ist und das Bild aufzunehmen. Diese Technik kann 1-2 Researcher(s) verlangen.
  3. Wenn Zusatzfeld Ohr Validierung zählen gewünscht wird neben eine manuelle Bild Graf Validierung, installieren eine Erweiterung am Rahmen (z. B. ein kleiner Kreis) arm und positionieren Sie es in der Mitte des Bildes um manuelle Feld zählt ein genaues Bild Teilmenge durchzuführen; Diese Technik kann 2 bis 3 Personen zur Umsetzung benötigen.
    Hinweis: Drei wichtige Überlegungen bei der Auswahl einer Kamera, daher gehören: (1) Kamera-Spezifikationen; in diesem Fall ist der Sensor physikalische Größe; (2) die Brennweite des Objektivs Bild; (3) Abstand zwischen den Baumkronen und die Kamera: kleinere Strecken oder größere Zoom-Objektive wird einen kleineren Bereich erfassen, während Bilder, die aus größerer Entfernung wird eine größere Anbaufläche zu erfassen. Siehe Abbildung 1 für Details über die Kamera-Spezifikationen.

(3) Algorithmusimplementierung und Anpassungen

Hinweis: Hier stellen wir Ihnen Algorithmusimplementierung und Anpassungen für verschiedene Kamera-Spezifikationen (Sensorgröße, Megapixel, Brennweite, Entfernung zum Zuschneiden) und Ernte (Durum-Weizen oder Gerste) zum automatischen Ohr zählen. Eine Übersicht des Algorithmus ist grafisch in Abbildung 3dargestellt.

Figure 3
Abbildung 3 : Bildverarbeitung Pipeline für zweizeilige Gerste Ohr zählen. Bildverarbeitung Pipeline für zweizeilige Gerste Ohr zählen als implementiert bestimmte Computercode oder mit Hilfe der CerealScanner Software, die in Fidschi (ImageJ) tätig sind. Tafel 1 zeigt das Originalbild. Panel 2 zeigt die Ergebnisse der Anwendungen des Laplace-Filters. Tafel 3 zeigt die Anwendung der Medianfilter und Panel 4 zeigt die Ergebnisse der letzten finden Maxima und Segmentierung zur Herstellung der endgültigen Ohr Graf. Dann sind die Berechnungen gemacht, um die Bildanzahl Ohr Dichte zu konvertieren, wie in Abbildung 1dargestellt. Diese Bilder sind ein Beispiel aus der Arazuri Wiese (Nordosten Spaniens, 42 ° 48' 33,9" N 1 ° 43' 37,9" W) in diffusen Lichtverhältnissen. Bitte klicken Sie hier für eine größere Version dieser Figur.

  1. Herunterladen Sie und installieren Sie der Fidschi-Inseln, Java 8, und die Verarbeitungscode oder der Universität Barcelona proprietäre CerealScanner Plugin (https://fiji.sc/, https://www.java.com/en/download/, und https://integrativecropecophysiology.com/software-development/cerealscanner/ [Informationen] oder https://gitlab/sckefauver/CerealScanner [Code Repository]); kontaktieren Sie die entsprechenden Autoren für Zugriffsberechtigungen. Das Plugin ist in Fidschi installiert, indem Sie Sie einfach in den Plugins-Ordner kopieren.
  2. Öffnen Sie das Plugin aus dem oberen Menü durch Plugins > CerealScanner > Open Getreide Scanner.
    Hinweis: Das CerealScanner-Plugin beinhaltet neben der hier vorgestellten Arbeit mehrere verschiedene RGB-basierte Vegetationsindizes zur Ernte Vitalität, Stress oder Chlorophyll17,18. Der spezifische CerealScanner Anteil umfasst spezielle Algorithmen für Frühen Vigor (Fernandez-Gallego, im Rückblick), Ohr zählen14und Ernte Seneszenz19, wie in Abbildung 4dargestellt.
  3. Geben Sie die Anpassungen des Kameraspezifikationen und Image Capture-Details, wenn sie sich von den Standardwerten unterscheiden (siehe Abbildung 1 und Abbildung 4 für Details).
    1. Stellen Sie den Algorithmus-Parameter für die Brennweite der Kamera.
    2. Stellen Sie den Algorithmus-Parameter für die Entfernung von der Ernte Baldachin.

Figure 4
Abbildung 4 : The CerealScanner 2.12 Beta zentrale Register auf beiden Ebenen Bezeichnung Ohr zählen Funktion innerhalb der CerealScanner-Algorithmus-Sammlung. Der Benutzer muss auswählen die... Taste auf der rechten Seite der Batch-Inputs , wählen den Ordner, in dem die Bilddateien gespeichert sind, ändern Sie die Standardwerte der H-Abstand (Abstand von der Kamera an die Spitze der Ernte-Haube) und Brennweite, anders als die Defaul t-Werte, und wählen Sie dann die...-Taste, um das Wahlrecht der Ergebnisdatei Name und Speicherort der Datei Endergebnisse. Die anderen Registerkarten die CerealScanner bieten Algorithmen für Merkmal-basierte Phänotypisierung für Frühen Kraft und Beginn der Laufzeit als Teil der CerealScanner-Code-Suite. Unter der Registerkarte " Biomasse " gibt es mehrere Algorithmen zur Abschätzung der allgemeineren Ernte Kraft und Biomasse Berechnungen auch für digitale RGB-Bilder. Das Beispiel bezieht sich auf zweizeilige Gerste, wie es im Detail in Abbildung 3gezeigt wurde. Bitte klicken Sie hier für eine größere Version dieser Figur.

Figure 5
Abbildung 5 : Algorithmus Anpassungen. Anpassungen erforderlich in der Bildverarbeitung pipeline um erfolgreich zählen sowohl Weizen und Gerste Ohren mit dem gleichen Algorithmus als Teil der Kamera-spezifischen Anpassungen der H-Abstand (Abstand zwischen der Kamera und die Ernte automatisch verwaltet werden Baldachin) und Brennweite und dienen dazu, sicherzustellen, dass die Anzahl der Pixel pro Ohr zwischen verschiedenen Anwendungen mehr oder weniger konstant bleibt. Bitte klicken Sie hier für eine größere Version dieser Figur.

  1. Wählen Sie das Register "Center" CerealScanner und die anschließende zentrale Registerkarte Ohr zählen um die Anzahl der Ohren in jedem Bild eines Datensatzes Feld berechnen.
    1. Geben Sie unter Optionen, in Batch-Inputs, den Speicherort der Fotos zu analysieren.
    2. Wählen Sie in den Ergebnisdateienwo die Datei zu speichern. Die Ergebnisdatei umfasst zwei Spalten mit den Namen der Bilddatei und das Ohr Zählergebnisse.
    3. Klicken Sie abschließend auf Prozessund die Ergebnisdatei mit der Ohr-Dichte in Quadratmetern (Ohren/m2), mit einem einfachen Verhältnis mit den Kameraeinstellungen und der Abstand zwischen Haube und Kamera konvertieren Sie den Bildbereich zu einem tatsächlichen Baldachin-Bereich auf Platz Meter nach Abbildung 1, wird in ein paar Minuten, abhängig von der Geschwindigkeit des Computers automatisch hergestellt werden.
  2. Führen Sie eine Nachbearbeitung Validierung nach der Datenerfassung durch manuell zählen der Anzahl von Weizen oder Gerste Ohren in das Bild und dann konvertieren diese in die Anzahl der Ohren pro Quadratmeter (Ohren/m2), wie in Abbildung 1dargestellt ist, zu vergleichen die Ergebnisse mit denen basierend auf den Werten des Algorithmus.
    1. Verwenden Sie die einfache Punkt-Placement-Tool in Fidschi, der leicht unterstützt diesen Prozess und die Fidschi Analysieren Partikel -Funktion für die Herstellung von Grafen automatisch gebaut; Dies ist in Abbildung 6grafisch dargestellt.
    2. Führen Sie optional eine Validierung mit einem kleinen Bereich Kreis im Bereich Datenerfassung wie unter Punkt 2.6 beschrieben; Handbuch zählt auf dem Gebiet und manuelle Bild zählt im Labor, dann eignet sich für Algorithmus Validierung wie in Abbildung 7dargestellt.

Figure 6
Abbildung 6 : Algorithmus Validierung mithilfe von manuellen in Bild Ohr zählt. Manuelle in Bild Ohr zählt (links) Durum-Weizen und Gerste (rechts). Die kleinen Punkte entstanden mit dem Fidschi Werkzeug Punkt und dann gezählt mit der Partikel-Funktion analysieren mit 0,90-1,00 Zirkularität Einschränkung nach dem Anwenden einer Farbe Schwelle von Farbton Sättigung Intensität Farbraum für die Farbe mit dem Werkzeug Punktangegeben. Diese Methode sorgt für genauere bildbasierte manuelle Ohr zählt. Bitte klicken Sie hier für eine größere Version dieser Figur.

Figure 7
Abbildung 7 : Algorithmus Validierung mit manuellen zählt auf dem Gebiet und manuelle in Bild Ohr Grafen von Weizen und Gerste, die mit einem Kreis. (Links) Weizen Graf Validierung Beispiel Bild mit einem Kreis. (Rechts) Gerste Graf Validierung Beispiel Bild mit einem Kreis. Die Teilmenge Grafen von den Ohren in den weißen Kreis wurden gezählt, mit der gleichen Technik, wie in Abbildung 6 mit dem Werkzeug Punkt, Farbe Schwelle, und dann, Analysieren Partikel Funktion mit Zirkularität beschrieben Abhängigkeiten und Farbauswahl mit Hue. Bitte klicken Sie hier für eine größere Version dieser Figur.

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 Abbildung 8, zeigen die Ergebnisse der Bestimmung Koeffizient zwischen der Ohr-Dichte (Anzahl der Ohren pro Quadratmeter) mit manuellen Zählung und das Ohr zählen Algorithmus für Weizen und Gerste zu drei verschiedenen Ernte Entwicklungsstadien. Die erste ist Durum-Weizen mit einem Zadoks Skala zwischen 61 und 65 (R2 = 0,62). Das zweite ist zweizeilige Gerste mit einem Zadoks Skala zwischen 71 und 77 (R2 = 0,75), und die letzte ist Durum-Weizen mit einem Zadoks Skala zwischen 81 und 87 (R2 = 0,75).

Figure 8
Abbildung 8 : Der Bestimmungskoeffizient zwischen Ohr Dichte (Anzahl der Ohren/m2) mit manuellen bildbasierte zählen und die Bild-Algorithmus für das Ohr zählen von Hartweizen und zweizeilige Gerste auf verschiedenen akzeptabel Pflanzenwachstums (bei Zadoks inszeniert Skalieren Sie 6187). Beide Achsen zeigen Berechnungen, einschließlich Konvertierungen zu Ohr Dichte, anstatt nur Image-basierte Ergebnisse. Die repräsentativen Ergebnisse werden hier vorgestellt, für zwei unterschiedliche Kulturen über drei verschiedene Entwicklungsstadien sowie unter verschiedenen Lichtbedingungen, nämlich direkte Sonneneinstrahlung Bilder von Hartweizen an Zadoks skalieren 61-65 auf der Oberseite (R2 = 0,62, n = 72), diffuses Licht Bilder von Gerste am Zadoks Skala 71-77 in der Mitte (R2 = 0,75, n = 30), und diffuse Lichtverhältnisse für Hartweizen am Zadoks Skala 81-87 am unteren (R2 = 0,75, n = 24). Ein Beispielbild eines jeden ist auch eine Vertiefung im Boden jedes Diagramm rechts gezeigt. Bitte klicken Sie hier für eine größere Version dieser Figur.

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

Erhöhte Beweglichkeit, Konsistenz und Präzision sind der Schlüssel zur Entwicklung von neuen Phänotypisierung Werkzeuge unterstützen die Pflanzenzüchtung Gemeinschaft in ihren Bemühungen um Kornertrag trotz des negativen Drucks, die Bezug auf den globalen Klimawandel zu erhöhen. Effiziente und genaue Einschätzungen der Getreide Ohr Dichte, hilft wie ein agronomischen Hauptbestandteil der Ausbeute an wichtiges Grundnahrungsmittel ernten, die Werkzeuge für die Fütterung von künftiger Generations zur Verfügung zu stellen. Mit Schwerpunkt auf die Verbesserung und Unterstützung der Pflanzenzüchtung Bemühungen unter Feldbedingungen, die hilft, diese Forschung und die hier vorgestellten Techniken mehr eng mit realen Klima ändern Szenarien und die Bedürfnisse der Zucht Gemeinschaft aber auch präsentiert technische Schwierigkeiten. Als solches ist es wichtig, enge Einhaltung nicht nur auf die Datenerfassung und Bildverarbeitung in diesem Protokoll, sondern auch auf die Empfehlungen für optimale Milieubedingungen und Ernte Entwicklungsstadien für seine erfolgreiche Umsetzung11zahlen. Als ein agronomische Hauptbestandteil der Ertrag gilt Ohr Dichte eines der wichtigsten Ziel-Merkmale in die Push-zur Erhöhung der Getreide-Ernte-Erträge (siehe den Artikel von Slafer Et Al.20 und Hinweise darin). Der Schwerpunkt in diesem Protokoll auf eine optimal wirtschaftlich, wendig und unkompliziert Feld Phänotypisierung Technik ist der Auffassung, dass diese Aspekte des Protokolls Schlüssel zu seiner Verabschiedung und Umsetzung durch die Zucht Gemeinschaft insgesamt sind. Im Gegensatz dazu im Zusammenhang mit früheren Studien mit ähnlichen Zielen zu bewerten Ohr Dichte oder andere Ausbeute Komponente Quantifizierung habe stärker Datenerfassung und Umweltkontrolle Strukturen, z. B. umschließt, Strukturen und feste Kamera unterstützt oder sogar künstliches Licht Eingänge, die praktische Anwendung unter Feldbedingungen und Umsetzung in der tatsächlichen effektiv behindern Zucht Programme12,20,22.

Somit haben wir hier präsentiert ein detailliertes Protokoll, das das Ergebnis der Tests verschiedene unterschiedlichster Techniken in einem iterativen Optimierungsprozess ist wiederum eine einfache aber wirkungsvolle Bild-Daten-Capture-Methode erfordert nur einen handelsüblichen, mäßig hochauflösende RGB-Digitalkamera und eine rudimentäre "Phenopole" für das halten der Kamera über den Baumkronen Ernte. Andere Versuche, Bild-Filterung basierend auf RGB-Farben oder alternativen Farbräume wie Farbton, Sättigung, Intensität oder CIELAB, waren nicht so effektiv oder konsistent wie die Nutzung der Laplace-Operator und mittlere Frequenz Domänenfilter in unerwünschte Bildelemente entfernen, vor allem die Grannen. Wir haben das Bild Capture-Pipeline-System mit verschiedenen Elementen gestaltet, von die einige mit geringfügigen Änderungen in der Bildverarbeitung Algorithmusimplementierung leicht angepasst werden kann. In den hier vorgestellten Fallstudien haben wir zwei verschiedene Kompaktkameras mit relativ großen Sensoren und 20,1 Megapixeln (MP) und 16,0 MP Auflösung verwendet, für die Aufnahmen mit Weitwinkel-Objektive von 16-20 mm aus einer Entfernung von 80 cm von der Ernte Baldachin. Dies hat sich als mehr als ausreichend, Gerste und Weizen Informationen detaillierte Baldachin mit Simulationen zeigen, dass die Technik hohe Präzision bis auf ca. 8 MP14 unterhält zu produzieren (mit ähnlichen objektiven und Entfernungen von der Baldachin).

Obwohl die Konsistenz und Genauigkeit der präsentierten Bildverarbeitungs-Techniken von den Umweltbedingungen und phänologische Phase zum Zeitpunkt der Bildaufnahme abhängen, zeigen die Algorithmen Versprechen in die eine robuste Leistung in der Anwendung auf verschiedene kleine-Getreide, einschließlich Hartweizen und Brot Weizen und zwei Reihen und 6-reihig Gerstensorten. Während dieser Algorithmus erst noch vollständig getestet werden, würde die Bilderfassung dasselbe, mit vielleicht einige kleineren Anpassungen im Hinblick auf die relative Größe und Position des Ohres in den Bildern um optimale Ohr Zählergebnisse zu gewährleisten. Im vorliegenden Protokoll schätzt die bildbasierte Ohr Dichte erreicht maximale Genauigkeit und korrelierende am besten mit manueller Bild zählt und Getreide Ausbeute im Vergleich zu Bildern zu späteren Entwicklungsstadien, wenn Ernte Seneszenz führte zu einem Verlust der Farbe und Beleuchtung-Kontrast zwischen den Rest der Ernte-Haube und die Ohren. Dies ist möglicherweise eine Folge der höheren Temperaturen oder geringer Verfügbarkeit von Wasser auf die späteren Teile Getreide füllen, die besonders häufig in typische mediterrane Verhältnisse, die die Blätter und Halm, Senesce verursachen können sind, bevor die Ohren23 tun; dieser Kontrast ist entscheidend für die Wirksamkeit der Trennung zwischen den Ohren, Blättern und Erde. In übermäßig Reife oder alternde Vordächer mit den Ohren schon Gelb ist der Kontrast zwischen den verschiedenen Bildelemente nicht ausreichend für das Ohr zu zählen. Als solche in anderen Klimas, das optimale Timing möglicherweise geringfügig ist kein Wasserstress während der Seneszenz auftreten.

Obwohl die Datenerhebung unter Feldbedingungen genau auf solche Umweltbedingungen als Sonnenlicht-Intensität und Sonnenlicht Beleuchtung Winkeln erfordert, bietet die robuste Bild-Analyse-Algorithmus präsentiert hier einen gewissen Spielraum in der Bilderfassung Fenster mit räumlichen Techniken, die Albedo Bildeffekte, ignorieren, angesichts der Tatsache, dass die korrekte Belichtung für die besonderen Lichtverhältnisse zum Zeitpunkt der Bildaufnahme diente; Automatische Einstellungen haben auch in dieser Hinsicht gearbeitet. In früheren Arbeiten wurde eine umfassendere Reihe von Lichteffekte getestet darauf hinweist, dass die einzige große Fehlerquelle in Bezug auf Licht-Effekte der Produktion von starken Schatten im Bild bei der Aufnahme von Bildern in direktem Sonnenlicht entweder früh oder spät am Tag, , durch den Winkel der Sonne14. Die ersten zwei Image-Filter-Anwendungen helfen, um keine offensichtlichen Effekte aus überschüssigen Beleuchtung (nicht über Kamera Überbelichtung) zu minimieren, und auch keine Hintergrund-Komponenten des Bildes zu reduzieren; zur gleichen Zeit, diese Filter auch zur Glättung und Lärm-Reduzierung, sowohl die Berater in den nachfolgenden finden Maxima verarbeiten23,24. Daher, während die natürliche Beleuchtung, die Faktoren für, müssen, z. B. der Winkel von der Sonne berücksichtigt werden, wenn die Bilder direkt getroffen werden, anstatt bei diffusen Lichtverhältnissen, dies vor allem ist um zu verringern Fehler im Zusammenhang mit Schatten Artefakte.

Darüber hinaus wurden Korrelationen zwischen Algorithmus Ohr Grafen aus den vorgestellten Protokoll und Korn Ertrag größer und bedeutender als manuelle (Feld-basiert) Ohr zählt der gleichen11, experimentieren die Forderung unterstützt, die dieses Protokoll ist nicht nur genauer gesagt aber auch konsequenter als standardisierte Protokoll für die Beurteilung der Ohr-Dichte. Zwar nicht hier speziell dargestellt, ähnliche Daten Erfassung und Verarbeitung Techniken scheint machbar mit Handy, Antenne oder anderen automatisierte Plattformen wie führt sie ganz gut unter simuliert reduzierte Bildauflösungen. Zusätzliche Tests für Graustufen-Ermäßigung (für schnellere Bildverarbeitung) und reduzierter Auflösung Bild Simulationen (aus der Anwendung von anderen Kameras oder UAVs) wurden durch die Anwendung der Bild-Umbauten vor den ersten Filter14 durchgeführt und vorgeschlagen dass bei optimalen Bedingungen auf diese Weise ohne Verlust an Genauigkeit Bearbeitungszeiten reduziert werden können. Für die möglichen zukünftigen Richtungen nutzen die Bildverarbeitungs-Algorithmen nur hier vorgestellten VHR RGB-Farbdaten wie es ist von der Kamera (ähnlich wie das menschliche Auge) erfasst, aber andere möglichen Verbesserungen sich aus der Umstellung auf Hybrid Farbe ergeben Räume, wie Farbton, Sättigung, Intensität oder durch Datenfusion in Kombination mit anderen fortgeschrittenen wissenschaftlichen Sensoren, z. B. multispektralen oder thermische, die beide vor kurzem erschwinglicher geworden haben und das Potential für Verbesserungen im Ohr Dichte bieten Schätzungen, wenn auch vielleicht in verschiedenen Wachstumsstadien oder in verschiedenen Feldbedingungen.

Zusammenfassend lässt sich sagen sind wichtige Schritte für die Durchführung dieses Protokolls in erster Linie korrekte Planung für die Zeit des Jahres und Umweltbedingungen des Anbaus, die optimal sind, wird die Ernte in Wachstumsphasen 60-87 'Zadoks Skala und entweder auf Solar Mittag oder in diffusen Lichtverhältnissen. Darüber hinaus sollte der Erwerb von digitalen Bildern in einer kontrollierten Art und Weise Bilanzierung Kamerawinkel, Abstand von den Baumkronen und Kamerafokus für jedes Bild durchgeführt werden. Zu guter Letzt optimierte EDV Optionen werden im Detail für die Reproduktion der Verarbeitungspipeline Code, oder wenden Sie sich an die Autoren für die original-Code oder den Code integriert als eine grafische Benutzeroberfläche (GUI) in einem plug-in für Fidschi, nämlich die CerealScanner.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Die Autoren haben nichts preisgeben.

Acknowledgments

Die Autoren dieser Forschung möchte das Feld Management Personal an Experimentierstationen Colmenar de Oreja (Aranjuez) des Instituto Nacional de Investigación y Tecnología Agraria y Alimentaria (INIA) und Zamadueñas (Valladolid) von der Instituto de Tecnología Agraria de verwendet Castilla y León (ITACyL) für ihre Feld-Unterstützung der Forschung Studie ernten. Diese Studie wurde unterstützt durch das Forschungsprojekt AGL2016-76527-R von MINECO und Spanien Teil ein Kooperationsprojekt mit Syngenta, Spanien. Die BPIN 2013000100103 Stipendium der "Formación de Talento Humano de Alto Nivel, Gobernación del Tolima - Universidad del Tolima, Kolumbien" war der einzige finanzielle Unterstützung für den ersten Autor Jose Armando Fernandez-Gallego. Die primäre Finanzierungsquelle des entsprechenden Autors, Shawn C. Kefauver, kam aus dem ICREA Wissenschaft Programm durch einen Zuschuss an Prof. Jose Luis Araus vergeben.

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).
Getreide Ernte Ohr zählen im Feld Bedingungen mit zenitalen RGB-Bilder
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