Login processing...

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

Environment

Orecchio del raccolto di cereali contando nel campo condizioni utilizzando immagini RGB zenitale

doi: 10.3791/58695 Published: February 2, 2019

Summary

Presentiamo un protocollo per il conteggio di spighe di grano e l'orzo duro, usando a fotografie digitali scattate in luce solare naturale in condizioni di campo naturale colore (RGB). Con minimo aggiustamento per i parametri della telecamera e di alcune limitazioni di condizione ambientale, la tecnica fornisce risultati precisi e coerenti attraverso una serie di fasi di crescita.

Abstract

Densità dell'orecchio, o il numero di orecchie per metro quadrato (orecchie/m2), è un tema centrale nella produzione cerealicola molti programmi, come il grano e orzo, che rappresenta un componente importante resa agronomica per stimare la produzione di granella di allevamento. Di conseguenza, una tecnica rapida, efficiente e standardizzata per la valutazione della densità di orecchio sarebbe di aiuto nel migliorare la gestione agricola, fornendo miglioramenti nelle previsioni di rendimento preharvest, o potrebbe anche essere utilizzata come uno strumento per l'allevamento delle colture quando è stato definito come una caratteristica di importanza. Non solo sono le attuali tecniche di manuale orecchio densità valutazioni laboriose e che richiede tempo, ma sono anche senza qualsiasi ufficiale protocollo standardizzato, per metro lineare, quadrante di zona, o un'estrapolazione basata sulla densità di orecchio pianta e pianta conteggi di post-raccolta. Un orecchio automatico algoritmo di conteggio è presentato in dettaglio per stimare la densità di orecchio con illuminazione a luce solare solo in condizioni di campo basato sul colore naturale zenitale (nadir) (rosso, verde e blu [RGB]) immagini digitali, permettendo di alto-rendimento misure standardizzate. Diverse prove sul campo di frumento e orzo distribuiti geograficamente in Spagna durante il 2014/2015 e 2015/2016 stagioni delle colture irrigue e rainfed prove sono state utilizzate per fornire risultati rappresentativi. Il protocollo di tre fasi include fase di crescita delle colture e campo condizione pianificazione, linee guida di cattura di immagine e un algoritmo informatico di tre fasi: (i) un filtro di frequenza laplaciano per rimuovere gli artefatti di bassa e alta frequenza, (ii) un filtro mediano per ridurre in alto rumore e (iii) segmentazione e conteggio utilizzando picchi massimi locali per il conteggio finale. Piccoli aggiustamenti al codice algoritmo devono essere effettuati corrispondente per la risoluzione della fotocamera, la lunghezza focale e la distanza tra la fotocamera e il baldacchino di raccolto. I risultati dimostrano un alto tasso di successo (superiore al 90%) e R2 valori (di 0,62-0,75) tra i conteggi di algoritmo e l'orecchio manuale basata su immagine conta per orzo e frumento.

Introduction

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

L'utilizzo di cereali del mondo nel 2017/2018 è segnalato espandere 1% dal precedente anno1. Basato sulle ultime stime per l'utilizzo la produzione e popolazione cereali, cereali mondo scorte necessario aumentare i rendimenti ad un tasso più veloce al fine di soddisfare le crescenti esigenze, adattandosi anche ad aumentare gli effetti del cambiamento climatico2. Di conseguenza, c'è un focus importante sul miglioramento della resa in colture di cereali attraverso il miglioramento delle colture tecniche di allevamento. Due i cereali più importanti e raccolti nella regione del Mediterraneo sono selezionati come esempi per questo studio, vale a dire, semola di grano duro (Triticum aestivum L. ssp. semola [Desf.]) e orzo (Hordeum vulgare L.). Semola di grano duro è, per estensione, il cereale più coltivato a margine meridionale e orientale del bacino del Mediterraneo ed è il 10 più importanti delle colture in tutto il mondo, a causa della sua produzione annuale di 37 milioni di tonnellate ogni anno3, mentre l'orzo è il quarto globale grano in termini di produzione, con una produzione globale a 144,6 milioni di tonnellate ogni anno4.

Telerilevamento e tecniche di analisi di immagine prossimale sono strumenti sempre più fondamentali nel progresso della fenotipizzazione di alto-rendimento impianto campo (HTPP) come essi forniscono non solo più agile, ma anche, spesso, ritagliare recuperi più precisi e coerenti del target BIOFISIOLOGICO tratti, quali le valutazioni di attività fotosintetica e biomassa, preharvest stime di rendimento e anche miglioramenti in ereditabilità di tratto, come l'efficienza delle risorse utilizzo e assorbimento5,,6,7 ,8,9. Telerilevamento è tradizionalmente focalizzato sul multispettrale, iperspettrale e sensori da piattaforme aeree per l'agricoltura di precisione a scala di campo o per gli studi di fenotipizzazione pianta presso la parcella dell'imaging termico scala10. Fotocamere digitali comuni, disponibili in commercio che misurano solo la luce visibile riflessa erano spesso trascurate, nonostante la loro altissima risoluzione spaziale, ma recentemente sono diventati popolari come nuovi innovativi algoritmi di elaborazione dell'immagine sono sempre più in grado per poter sfruttare il colore dettagliate e informazioni spaziali che essi forniscono. Molte delle più recenti innovazioni nelle analisi avanzata delle immagini agricole si affidano sempre di più l'interpretazione dei dati forniti da immagini di molto ad alta risoluzione (VHR) RGB (per la loro misura di riflessione della luce visibile rosso, verde e blu), tra cui ritaglio monitoraggio (vigor, fenologia, malattia valutazione e identificazione), segmentazione e quantificazione (emersione, densità dell'orecchio, i conteggi di fiore e frutta) e ricostruzioni 3D anche completo basati su una nuova struttura dal movimento dei flussi di lavoro11.

Uno dei punti più essenziali per il miglioramento della produttività di cereali è una più efficiente valutazione del rendimento, che è determinato da tre componenti principali: orecchio densità o il numero di orecchie per metro quadrato (orecchie/m2), il numero dei grani per orecchio, e il peso di mille-kernel. Densità dell'orecchio può essere ottenuto manualmente nel campo, ma questo metodo è laborioso, richiede tempo e privo di un singolo protocollo standardizzato, che insieme possono provocare una significativa fonte di errore. Incorporando il conteggio automatico delle orecchie è un compito impegnativo a causa della struttura complessa delle colture, pianta stretta, spaziatura, alto limite di sovrapposizione, gli elementi di sfondo e la presenza di ariste. Lavoro recente ha avanzato in questa direzione utilizzando una struttura di sfondo nero supportata da un treppiede al fine di acquisire immagini di coltura adatto, dimostrando risultati abbastanza buoni in orecchio conteggio12. In questo modo, sono stati evitati effetti di ombra e luce solare eccessiva, ma tale struttura sarebbe ingombrante e una limitazione importante di un'applicazione in condizioni di campo. Un altro esempio è un orecchio automatico algoritmo sviluppato utilizzando un sistema completamente automatizzato che phenotyping con un cavalletto motorizzato rigido, che è stato usato con buona precisione per densità di orecchio in un pannello di conteggio di conteggio è composto da cinque inerme pane di grano (Triticum di Aestivum L.) varietà che cresce sotto azoto diverse circostanze13. Recenti lavori di Fernandez-Gallego14 ha ottimizzato questo processo per l'acquisizione di dati più semplice e veloce, utilizzando immagini a colori RGB VHR seguite da analisi di immagine più avanzati, ma ancora completamente automatizzato. La collezione di dati efficiente e di alta qualità in condizioni di campo sottolinea un protocollo standardizzato semplificato per coerenza e dati ad alta velocità effettiva di cattura, mentre l'algoritmo di elaborazione immagini impiega il romanzo uso di dominio laplaciano e frequenza filtri per rimuovere i componenti indesiderati immagine prima di applicare una segmentazione per il conteggio si basa sulla ricerca di massimi locali (al contrario di delineazione completa come in altri studi precedenti, che può provocare ulteriori errori con sovrapposte le orecchie).

Quest'opera propone un sistema semplice per la quantificazione automatica della densità di orecchio in condizioni di campo, utilizzando immagini acquisite da fotocamere digitali disponibili in commercio. Questo sistema si avvale della luce naturale nel campo condizioni e, pertanto, richiede la considerazione di alcuni fattori ambientali correlati, quali tempo di giorno e cloud cover, ma resta, in effetti, semplice da implementare. Il sistema è stato dimostrato su esempi per il frumento e l'orzo, ma dovrebbe essere estensibile in applicazione al pane di grano, che, oltre a esporre le orecchie con morfologia simile, sono frequentemente inerme, ma ulteriori esperimenti sarebbe necessari al fine di confermare questo. Nei dati di acquisizione protocollo presentato qui, zenitale immagini sono prese semplicemente tenendo la fotocamera a mano o utilizzando un monopiede per posizionamento della telecamera digitale sopra il raccolto. Dati di convalida possono essere acquisiti contando le orecchie manualmente per sottotrame nel campo o durante la post-elaborazione, contando le orecchie nell'immagine stessa. L'algoritmo di elaborazione delle immagini è composto da tre processi che, in primo luogo, efficacemente rimuovono componenti indesiderate dell'immagine in modo che, poi, permette per la successiva segmentazione e contando i singoli delle orecchie del frumento nelle immagini acquisite. In primo luogo, viene utilizzato un filtro di frequenza del laplaciano al fine di rilevare i cambiamenti nelle diverse direzioni spaziale dell'immagine utilizzando le impostazioni di filtro predefinite ImageJ senza modifiche di dimensione di finestra del kernel (tecnica di segmentazione diTrovare Maxima determina la picchi locali dopo la fase di filtro spaziale mediano, in quale fase i pixel correlati con le orecchie hanno più alti valori di pixel che suolo o foglie. Di conseguenza, trovare Maxima viene utilizzato per segmentare i valori elevati nell'immagine, e quelle regioni sono etichettate come orecchie, che identifica le orecchie ma anche di ridurre errori di sovrapposizione dell'orecchio. Analizzare particelle viene quindi utilizzato sulle immagini binarie a contare e/o misurare parametri dalle regioni create dal contrasto tra il bianco e nero superficie creata nel passaggio di trovare Maxima. Il risultato viene poi elaborato per creare una segmentazione di immagine binaria analizzando la varianza di pixel più vicina vicino intorno ogni massimo locale per identificare le forme di orecchio di frumento nell'immagine filtrata. Infine, la densità di orecchio è conteggiata utilizzando analizzare particelle, come è implementato in Fiji15. Sia trovare Maxima e analizzare particelle sono funzioni autonome e disponibili come plugin in Fiji (https://imagej.nih.gov/ij/plugins/index.html). Anche se non ha presentato in particolare il protocollo qui, risultati preliminari presentati come materiale supplementare suggeriscono che questa tecnica possa essere adattabile a condurre indagini di conteggio dell'orecchio da veicoli aerei senza equipaggio (UAV), purché la risoluzione rimane sufficientemente alta14.

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. zona antistante la fase di crescita delle colture e delle condizioni ambientali

  1. Assicurarsi che la fase di crescita delle colture è approssimativamente fra ripieno di grano, nei pressi di maturità delle colture, con le orecchie che sono ancora verdi, anche se le foglie sono senescenti (che corrisponde nel caso del frumento alla gamma 60-87 di scala16 degli Zadoks). Qualche ingiallimento delle foglie è accettabile, ma non necessario.
  2. Preparare un piano di campionamento per l'acquisizione immagine con varie ripetizioni (immagini al complotto) al fine di acquisire variabilità di area/terreno; l'algoritmo di elaborazione delle immagini sarà contare il numero di orecchie nell'immagine e convertire che per le orecchie per metro quadrato (orecchie/m2) sulla base delle specifiche di fotocamera.
  3. Pianificare le escursioni sul campo per catturare le immagini all'interno di due ore di mezzogiorno solare o, in alternativa, in una giornata nuvolosa in condizioni di illuminazione diffusa per evitare gli effetti negativi dell'orecchio lo shadowing sull'orecchio algoritmo di conteggio.
  4. Una volta nel campo, è possibile verificare la parte superiore del baldacchino raccolto per assicurarsi che sia asciutto al fine di evitare la riflessione speculare della luce dall'umidità.
    Nota: Nel considerare gli obiettivi del presente protocollo, è importante considerare in primo luogo se la fase di crescita del raccolto è adatta per l'applicazione dell'orecchio conteggi. Acquisizione di immagini di fuori della fase di crescita consigliato neanche si tradurrà in non ottimali o nei risultati insignificanti in (se le orecchie non sono presenti o completamente emerse). Qualità dell'immagine ha anche un notevole impatto sulla elaborazione dei risultati, tra cui risoluzione e dimensioni del sensore e alcune condizioni ambientali, come il tempo del giorno e cloud cover, devono essere considerati con attenzione prima di procedere con l'acquisizione di immagini.

2. acquisizione in condizioni di campo con luce naturale

  1. Preparare un "phenopole", come mostrato nella Figura 1 o un simile sistema di acquisizione (anche palmare) per catturare le immagini rapidamente e ancora in un standardizzato e coerente modo presso ciascuna trama o percorso di destinazione.

Figure 1
Figura 1 : Orecchio contando sistema. Orecchio utilizzando il "phenopole" visualizzato nel campo a sinistra, con un sensore di grandi dimensioni di colore naturale controllato in modalità remota (RGB) e il sistema di fotocamera digitale ad alta risoluzione con inclinazione della fotocamera e l'altezza, che indica i parametri necessari per la regolazione del sistema di conteggio della algoritmo di elaborazione immagini. La risoluzione del sensore e immagine vengono rilevati automaticamente dalle proprietà dell'immagine, mentre l'utente deve inserire le specifiche per la lunghezza focale dell'obiettivo e la distanza dal baldacchino. Queste sono necessarie per regolare l'algoritmo per la stima del numero di pixel per orecchio e anche la conversione del conteggio basato su immagine totale orecchio a densità di orecchio (orecchie/m2). Per questo motivo, si consiglia di utilizzare la stessa fotocamera e l'obiettivo lunghezza focale per tutte le immagini del campo. Clicca qui per visualizzare una versione più grande di questa figura.

  1. Posizionare la fotocamera su un monopiede adatto o "selfie" palo in modo che esso può essere mantenuto il livello, neanche utilizzando bolle di livello o un sistema di stabilizzazione nella fotocamera, per ottenere immagini zenitale.
  2. Utilizzare un telefono cellulare, tablet o un altro dispositivo per collegare la fotocamera per entrambi visualizzazione controllo remoto cattura e immagini di immagine per ottenere risultati ottimali con immagini correttamente a fuoco. Programma la macchina fotografica per l'autofocus al fine di ridurre eventuali errori nel caso in cui l'utente non è abbastanza familiarità con la loro macchina fotografica o fotografia tecniche per impostare una corretta messa a fuoco manuale, come dimostrato dagli esempi di immagini zenitale con corretta messa a fuoco e l'esposizione a Figura 2.

Figure 2
Figura 2 : Zenitale ritagliare le immagini. Orzo e frumento duro dell'orecchio zenitale immagini per orecchio conteggio esempi di set di dati con uno stadio accettabile di crescita e senescenza da circa 61-87 secondo la scala dei Zadoks. (Sinistra) Esempio di set di dati di semola grano immagine zenitale. (A destra) Esempio di set di dati di immagini zenitale di orzo. Clicca qui per visualizzare una versione più grande di questa figura.

  1. Prendere nota del numero di immagine prima dell'acquisizione dell'immagine al fine di abbinare le immagini correttamente con le trame di campo. Registrare un'immagine della zona di campo generale all'inizio e una sola immagine del suolo/campo tra i blocchi per controlli di post-elaborazione.
  2. Posizione la macchina fotografica a circa 80 cm sopra la parte superiore del baldacchino raccolto, utilizzando una stringa di righello o misura per controllare periodicamente l'altezza della telecamera sopra la chioma. Accertarsi che la fotocamera sia a livello e acquisire l'immagine. Questa tecnica può richiedere 1-2 ricercatori.
  3. Se conta orecchio campo aggiuntivo convalida è desiderati a parte una convalida del conteggio manuale dell'immagine, installa un'estensione del braccio per il telaio (per esempio, un piccolo cerchio) e posizionarlo al centro dell'immagine al fine di effettuare conteggi di campo manuale di un sottoinsieme di immagine precisa; Questa tecnica richiede 2-3 persone implementare.
    Nota: Tre considerazioni importanti nella scelta di una telecamera, pertanto, includono: (1) fotocamera specifiche; in questo caso, la dimensione fisica del sensore; (2) lunghezza focale della lente immagine; (3) la distanza tra il baldacchino e la fotocamera: Distanze inferiori o maggiori obiettivi zoom acquisirà un'area più piccola mentre le immagini catturate da una distanza maggiore catturerà una più grande area di ritaglio. Vedere la Figura 1 per i dettagli sulle caratteristiche tecniche della fotocamera pertinenti.

3. regolazioni e implementazione dell'algoritmo

Nota: Qui presentiamo implementazione dell'algoritmo e regolazioni per fotocamera diverse specifiche (dimensioni del sensore, megapixel, lunghezza focale, distanza per ritagliare) e delle colture (grano duro o orzo) per il conteggio automatico dell'orecchio. Una panoramica dell'algoritmo è presentata graficamente nella Figura 3.

Figure 3
Figura 3 : Pipeline di elaborazione delle immagini per orzo di due-fila orecchio contando. Pipeline di elaborazione delle immagini per orzo di due-fila orecchio contando come implementato utilizzando il codice specifico computer o utilizzando il software CerealScanner , entrambi i quali operano all'interno di Fiji (ImageJ). Pannello 1 Mostra l'immagine originale. Pannello 2 Mostra i risultati delle applicazioni del filtro laplaciano. Pannello 3 Mostra l'applicazione del filtro mediano e pannello 4 Mostra i risultati della finale trovare Maxima e segmentazione per produrre il conteggio finale dell'orecchio. Quindi, i calcoli vengono effettuati per convertire il numero di immagine alla densità dell'orecchio, come mostrato nella Figura 1. Queste immagini sono un esempio tratto dal sito di campo di Arazuri (nord-est della Spagna, 42 ° 48' 33,9" N 1 ° 43' 37,9" W) in condizioni di luce diffusa. Clicca qui per visualizzare una versione più grande di questa figura.

  1. Scaricare e installare Fiji, Java 8 e il codice di elaborazione o proprietarie plugin di CerealScanner dell'Università di Barcellona (https://fiji.sc/, https://www.java.com/en/download/ e https://integrativecropecophysiology.com/software-development/cerealscanner/ [informazioni] o https://gitlab/sckefauver/CerealScanner [repository di codice]); per le autorizzazioni di accesso, contattare gli autori corrispondenti. Il plugin è installato all'interno di Fiji semplicemente copiandolo nella cartella plugins.
  2. Aprire il plugin dal menu superiore attraverso plugin > CerealScanner > Open cereali Scanner.
    Nota: A parte il lavoro qui presentato, il plugin CerealScanner include parecchi indici di vegetazione diversi basati su RGB legati alla coltura vigor, stress o clorofilla17,18. La quota di CerealScanner specifica include algoritmi specifici per Primi Vigor (Fernandez-Gallego, In revisione), Orecchio contando14e Senescenza raccolto19, come mostrato nella Figura 4.
  3. Immettere le modifiche delle caratteristiche tecniche della fotocamera e dettagli cattura immagine se sono diversi dai valori predefiniti (Vedi Figura 1 e Figura 4 per dettagli).
    1. Regolare il parametro dell'algoritmo per la lunghezza focale della fotocamera.
    2. Regolare il parametro dell'algoritmo per la distanza dal baldacchino delle colture.

Figure 4
Figura 4 : Scheda centrale the CerealScanner 2.12 Beta su entrambi i livelli, segnando la funzione conteggio orecchio all'interno dell'insieme di algoritmo di CerealScanner. L'utente deve selezionare il... pulsante a destra del Batch input per selezionare la cartella in cui sono archiviati i file di immagine, modificare i valori predefiniti della distanza H (distanza dalla fotocamera alla parte superiore della chioma delle colture) e lunghezza focale, se diverso dal defaul valori di t e quindi selezionare il... pulsante a destra del File dei risultati per scegliere il nome e il percorso del file di risultati finali. Le altre schede della CerealScanner forniscono algoritmi per la fenotipizzazione basati su tratto per Primi Vigor e insorgenza di maturità come parte della suite di codice CerealScanner. Sotto la scheda di biomassa , esistono diversi algoritmi per le valutazioni di coltura più generale calcoli vigor e biomassa, anche per le immagini digitali RGB. L'esempio si riferisce all'orzo di due-fila, come è stato dimostrato in dettaglio nella Figura 3. Clicca qui per visualizzare una versione più grande di questa figura.

Figure 5
Figura 5 : Adeguamenti algoritmo. Necessari aggiustamenti nell'elaborazione di immagini pipeline per contare con successo entrambi frumento e orecchie orzo utilizzando lo stesso algoritmo vengono gestite automaticamente come parte degli adeguamenti telecamera specifica della distanza H (distanza tra la fotocamera e il raccolto baldacchino) e lunghezza focale e servono a garantire che il numero di pixel per orecchio rimane più o meno costante tra le diverse applicazioni. Clicca qui per visualizzare una versione più grande di questa figura.

  1. Selezionare la scheda centro CerealScanner e la successiva scheda centrale Orecchio contando al fine di calcolare il numero delle orecchie in ogni immagine di un set di dati del campo.
    1. In Opzioniimmettere, in Batch input, la posizione delle foto da analizzare.
    2. Nei File dei risultati, selezionare dove salvare il file dei risultati. Il file di risultati includerà due colonne con il nome del file di immagine e l'orecchio risultati di conteggio.
    3. Infine, fare clic sul processoe il file dei risultati con la densità di orecchio in metri quadrati (orecchie/m2), utilizzando un semplice rapporto utilizzando le impostazioni della fotocamera e la distanza tra il baldacchino e la macchina fotografica per convertire l'area dell'immagine in un'area di effettivo baldacchino in Piazza metri seguendo la Figura 1, sarà automaticamente prodotta in pochi minuti, a seconda della velocità del computer.
  2. Condurre una convalida post-elaborazione dopo la raccolta di dati manualmente contando il numero delle spighe di grano o orzo nell'immagine e poi convertire questo al numero di orecchie per metri quadrati (orecchie/m2), come mostrato nella Figura 1, per confrontare la risultati con quelli sulla base dei valori di algoritmo.
    1. Utilizzare lo strumento di posizionamento semplice punto costruito all'interno di Fiji, che fornisce il supporto facile per questo processo e la funzione di Fiji Analizzare particelle per produrre i conteggi automaticamente; Questo è illustrato graficamente nella Figura 6.
    2. Facoltativamente, eseguire una convalida utilizzando un cerchio di piccola area durante l'acquisizione di dati di campo come descritto al punto 2.6; manuale conta nel campo e manuale dell'immagine conta in laboratorio può, quindi, essere utilizzato per la convalida di algoritmo come mostrato nella Figura 7.

Figure 6
Figura 6 : Convalida algoritmo utilizzando manuale in immagine orecchio conteggi. Manuale in immagine orecchio conta per il frumento duro (sinistra) e orzo (a destra). i piccoli punti sono stati creati utilizzando il Fiji Punto strumento e quindi contati utilizzando la Funzione di analizzare particelle con un 0,90-1,00 vincolo circolarità dopo l'applicazione di una Soglia di colore da tonalità saturazione Intensità spazio per il colore specificato dallo Strumento punto dicolore. Questo metodo assicura la più accurata basata su immagine manuale orecchio conteggi. Clicca qui per visualizzare una versione più grande di questa figura.

Figure 7
Figura 7 : Convalida algoritmo utilizzando manuale conta nel campo e conteggi manuali in immagine orecchio di frumento e orzo, usando un cerchio. (Sinistra) Esempio di convalida di conteggio del immagine di grano che usando un cerchio. (A destra) Esempio di convalida di conteggio del immagine di orzo che usando un cerchio. I conteggi di sottoinsieme delle orecchie all'interno del cerchio bianco sono stati contati usando la stessa tecnica come descritto nella Figura 6 con Lo strumento punto, Soglia del coloree quindi, Analizzare particelle funzione con circolarità vincoli e selezione del colore utilizzando tonalità. Clicca qui per visualizzare una versione più grande di questa figura.

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 Figura 8, i risultati mostrano il coefficiente di determinazione tra la densità dell'orecchio (numero delle orecchie per metri quadrati) con conteggio manuale e l'orecchio di algoritmo per il frumento e l'orzo di conteggio nelle tre fasi di crescita delle colture differenti. Il primo è semola di grano duro con la scala di un Zadoks tra 61 e 65 (R2 = 0,62). La seconda è orzo di due-fila con scala di un Zadoks tra 71 e 77 (R2 = 0,75), e l'ultimo è semola di grano duro con la scala di un Zadoks tra 81 e 87 (R2 = 0,75).

Figure 8
Figura 8 : Il coefficiente di determinazione tra densità dell'orecchio (numero di orecchie/m2) utilizzando basati su immagine conteggio manuale e l'algoritmo di immagine per il conteggio dell'orecchio di frumento e orzo di due-fila alle diverse colture accettabile fasi (a 'Zadoks scala 6187). Entrambi gli assi visualizzare calcoli, tra cui le conversioni a densità dell'orecchio, piuttosto che risultati basati su immagine solo. I risultati rappresentativi sono presentati qui due diverse colture sopra tre fasi differenti della crescita, così come in condizioni di luce differenti, vale a dire dirette immagini di luce solare di semola di grano duro degli Zadoks scala 61-65 in alto a sinistra (R2 = 0,62, n = 72), diffusa luce immagini di orzo alla scala degli Zadoks 71-77 nel mezzo (R2 = 0,75, n = 30) e condizioni di luce per il frumento duro in scala degli Zadoks 81-87 in fondo diffusa (R2 = 0,75, n = 24). Un'immagine di esempio di ciascuno è inoltre indicata come un inserto in basso a destra di ogni grafico. Clicca qui per visualizzare una versione più grande di questa figura.

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

Precisione, coerenza e una maggiore agilità sono la chiave per sviluppare strumenti che phenotyping nuove utili per assistere la comunità di allevamento delle colture nei loro sforzi per aumentare la produzione di granella nonostante pressioni negative legate al cambiamento climatico globale. Efficienti e accurate valutazioni di densità di orecchio di cereali, come un importante componente agronomico della resa della graffetta importante colture, contribuirà a fornire gli strumenti necessari per la nutrizione delle generazioni future. Concentrandosi sul miglioramento e il sostegno degli sforzi di allevamento delle colture in condizioni di campo, aiuta a mantiene questa ricerca e le tecniche qui presentate più strettamente legato al mondo reale clima cambiare gli scenari e le esigenze della comunità di allevamento ma presenta anche Difficoltà tecniche. Come tale, è importante prestare stretta aderenza non solo per la cattura di dati ed elaborazione di immagini nel presente protocollo, ma anche le raccomandazioni per le condizioni ambientali ottimali e fasi di crescita del raccolto per la sua efficace attuazione11. Come componente importante della resa agronomica, densità dell'orecchio è considerato uno dei più importanti tratti destinazione nella spinta per aumentare la resa delle colture di cereali (Vedi l'articolo di Slafer et al.20 e riferimenti ivi). La messa a fuoco in questo protocollo verso una tecnica di fenotipizzazione in modo ottimale costo-efficiente, agile e semplice campo ritiene che questi aspetti del protocollo sono fondamentali per la sua adozione e attuazione da parte della comunità di allevamento in generale. Al contrario, precedenti relativi studi con finalità simili a valutare la densità dell'orecchio o altri quantificazione del componente di rendimento hanno usato più coinvolti acquisizione di dati e strutture di controllo ambientale, come che racchiude strutture e telecamera fissa supporta o addirittura ingressi luce artificiali, che impediscono in modo efficace applicazione pratica in condizioni di campo e implementazione in effettivo allevamento programmi12,20,22.

Così, abbiamo presentato qui un protocollo dettagliato che è il risultato di vari differenti tecniche di test in un processo di ottimizzazione iterativa, risultante in un metodo di acquisizione di dati immagine semplice ma efficace che richiedono solo un commercialmente disponibili, moderatamente fotocamera digitale RGB ad alta risoluzione e un rudimentale "phenopole" per tenere la fotocamera sopra la chioma di raccolto. Altri tentativi di immagine-filtraggio basato su colore RGB o gli spazi colore alternativi, quali tonalità-saturazione-intensità o CIELAB, non erano così efficaci o coerente come l'uso del laplaciano e filtri di dominio di frequenza mediana nella rimozione di elementi indesiderati delle immagini, soprattutto le ariste. Abbiamo progettato il sistema di conduttura di acquisizione immagine con diversi elementi, alcuni dei quali può essere facilmente regolata con lievi modifiche nell'implementazione dell'algoritmo di elaborazione delle immagini. Negli studi di caso qui presentati, abbiamo utilizzato due differenti fotocamere compatte con sensori relativamente grande e 20,1 megapixel (MP) e 16,0 MP risoluzioni per catturare le immagini con obiettivi grandangolari di 16-20 mm da una distanza di 80 cm dal baldacchino delle colture. Questo ha dimostrato più che sufficiente per produrre baldacchino dettagliate informazioni di orzo e frumento, con simulazioni che dimostrano che la tecnica mantiene alti livelli di precisione fino a circa 8 MP14 (con obiettivi simili e distanze dal baldacchino).

Anche se la coerenza e la precisione delle tecniche di elaborazione delle immagini proposte dipendono le condizioni ambientali e la fase fenologica al momento dell'acquisizione dell'immagine, gli algoritmi mostrano la promessa nel fornire una prestazione robusta nella loro applicazione a diversi cereali a grana piccola, compreso semola e pane di frumento e orzo di sei-fila e due varietà. Mentre questo algoritmo deve ancora essere completamente testato, la cattura dell'immagine sarebbe lo stesso, con forse alcuni piccoli aggiustamenti per quanto riguarda la dimensione relativa e la posizione dell'orecchio nelle immagini al fine di fornire per orecchio ottimo risultati di conteggio. Nel protocollo presentato, la densità di orecchio basata su immagine stima raggiunti massima precisione e meglio correlata con manuale immagine conteggi e rendimento rispetto alle immagini catturate nelle successive fasi di crescita, quando raccolto senescenza è provocato da una perdita di colore del grano e contrasto di illuminazione tra il resto della chioma delle colture e le orecchie. Questo può essere un risultato di temperature più elevate o più bassa disponibilità di acqua presso le parti successive del grano di riempimento, che sono particolarmente comuni in condizioni tipiche mediterranee, che possono causare le foglie e il culmo di ratti senesce prima di fanno le orecchie23; Questo contrasto è essenziale per l'efficacia della separazione tra le orecchie, foglie e terreno. In baldacchini eccessivamente maturi o senescenti con le orecchie già gialle, il contrasto tra gli elementi di immagine diversa non è adeguato per il conteggio dell'orecchio. Come tale, in altri climi, il timing ottimo può essere leggermente diverso se non esiste nessun stress idrico durante l'inizio della senescenza.

Anche se la raccolta di dati in condizioni di campo richiede molta attenzione alle condizioni ambientali come intensità di luce solare e angoli di illuminazione di luce solare, l'algoritmo di analisi di immagine robusta qui presentato fornisce qualche margine di manovra nella cattura immagine finestra utilizzando tecniche spaziali che trascurano gli effetti di albedo di immagine, dato che l'esposizione dell'immagine corretta è stato usato per le particolari condizioni di luce al momento dell'acquisizione dell'immagine; impostazioni automatiche hanno lavorato bene in quel senso. Nel precedente lavoro, è stata testata una gamma più completa di effetti di luce, che indica che l'unica grande fonte di errore per quanto riguarda gli effetti di luce è la produzione di forti ombre nell'immagine quando si acquisiscono immagini in luce diretta del sole o presto o tardi nella giornata , a causa dell'angolo del sole14. Le prime applicazioni di filtro due immagine aiutano a minimizzare eventuali effetti evidenti dall'illuminazione in eccesso (anche se non tramite sovraesposizione fotocamera) riducendo anche i componenti di sfondo dell'immagine; allo stesso tempo, questi filtri anche contribuiranno alla riduzione del rumore e levigante, entrambi di quale aiutante nei successivi massimi trovare processo23,24. Pertanto, mentre l'illuminazione naturale fattori devono essere contabilizzati, come ad esempio l'angolo del sole quando le immagini sono prese in diretta piuttosto che in condizioni di luce diffuse, questo è principalmente al fine di ridurre gli errori correlati ai manufatti di ombra.

Inoltre, le correlazioni fra algoritmo orecchio conteggi dal rendimento presentato protocollo e grano erano maggiori e più significative di conteggi manuali dell'orecchio (sul campo) dello stesso esperimento11, che sostiene l'affermazione che questo protocollo è non solo più preciso ma anche più coerente come un protocollo standardizzato per la valutazione della densità dell'orecchio. Mentre non presentato qui in particolare, tecniche di acquisizione ed elaborazione dati simili sembra essere fattibile tramite cellulare, aeree o altre piattaforme automatizzate come essi esegue abbastanza bene sotto simulato risoluzioni di immagine ridotta. Test aggiuntivi per la riduzione in scala di grigi (per elaborazione di immagini più veloce) e simulazioni di immagine di risoluzione ridotta (dall'applicazione di altre telecamere o UAV) sono state condotte applicando la conversione di immagini prima del primo filtro14 e suggerito che, in condizioni ottimali, i tempi di lavorazione può essere ridotto in questi modi senza alcuna perdita di precisione. Per quanto riguarda possibili orientamenti futuri, gli algoritmi di elaborazione delle immagini qui presentati solo sfruttare i dati di colore di RGB VHR appena è catturato dalla fotocamera (simile all'occhio umano), ma altri potenziali miglioramenti possono derivare dalla conversione di colore ibrido spazi come tonalità-saturazione-intensità, o attraverso la fusione di dati in combinazione con altri sensori scientifici più avanzati, quali multispettrali o termica, che entrambi sono diventati più accessibili di recente e offrono il potenziale di miglioramento nella densità dell'orecchio Le valutazioni, anche se forse alle fasi differenti della crescita o in condizioni di campo diverso.

In sintesi, i passaggi critici per l'attuazione del presente protocollo comprendono innanzitutto corretta pianificazione per il periodo dell'anno e le condizioni ambientali delle colture, che sono ottimale quando il raccolto è in fasi di crescita 60-87 di scala degli Zadoks e sia a mezzogiorno solare o in condizioni di luce diffusa. Inoltre, l'acquisizione di immagini digitali deve svolgersi in una modo controllato contabilizzazione angolazione della telecamera, la distanza dal baldacchino e messa a fuoco per ogni immagine. Infine, opzioni di elaborazione informatica ottimizzate sono presentate in dettaglio per riprodurre la pipeline di elaborazione del codice oppure contattare gli autori per il codice originale o il codice integrato come un'interfaccia utente grafica (GUI) in un plug-in per le Fiji, vale a dire, la CerealScanner.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Gli autori non hanno nulla a rivelare.

Acknowledgments

Gli autori di questa ricerca vorrei ringraziare il personale di gestione di campo presso le stazioni sperimentali di Colmenar de Oreja (Aranjuez) del Instituto Nacional de Investigación y Tecnología Agraria y Alimentaria (INIA) e Zamadueñas (Valladolid) del Instituto de Tecnología Agraria de Castilla y León (ITACyL) per il loro supporto di campo delle colture di studio di ricerca utilizzato. Questo studio è stato sostenuto dal progetto di ricerca AGL2016-76527-R da MINECO, la Spagna e la parte di un progetto di collaborazione con Syngenta, Spagna. La compagnia BPIN 2013000100103 dalla "Formación de Talento Humano de Alto Nivel, Gobernación del Tolima - Universidad del Tolima, Colombia" è stato l'unico finanziamento per il primo autore Jose Armando Fernandez-Gallego. La fonte di finanziamento principale dell'autore corrispondente, Shawn C. Kefauver, è venuto dal programma attraverso una sovvenzione conferito al professor Jose Luis Araus ICREA Academia.

Materials

Name Company Catalog Number Comments
ILCE-QX1 Camera Sony WW024382 Compact large sensor digital camera with 23.2 x 15.4 mm sensor size.
E-M10 Camera Olympus E-M10 Compact large sensor digital camera with 17.3 x 13.0 mm sensor size.
Multipod Monpod Sony VCT MP1 "Phenopole" in the JoVE article
Computer Any PC/Mac/Linux -- Data and image analysis
ImageJ/FIJI (FIJI is just Image J) NIH http://fiji.sc Plug-in and algorithms for data and image analysis
Circle/Metal Ring Generic Generic Metal ring for in-field validation
Crab Pliers Clip Newer 90087340 Circle support and extension arm

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).
Orecchio del raccolto di cereali contando nel campo condizioni utilizzando immagini RGB zenitale
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