Waiting
Login processing...

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

Environment

穀物作物耳フィールドのカウント条件天頂の RGB 画像を用いた

Published: February 2, 2019 doi: 10.3791/58695

Summary

圃場条件下での自然な日光で撮影した自然な色 (RGB) デジタル写真を用いたデュラム小麦と大麦の耳を数えるためのプロトコルを提案します。カメラパラ メーターの最小限の調整といくつかの環境条件の制限、技術は成長段階の範囲にわたって正確で一貫性のある結果を提供します。

Abstract

耳密度平方メートル (耳/m2) あたり穂数は、繁殖プログラム、小麦、大麦、子実収量の推定の重要な農業収量コンポーネントを表すなど多くの穀物の中心。したがって、耳密度を評価するための迅速で効率的、かつ標準化された技術の収穫前落果収量予測の改善を提供する農業経営の改善に役立つだろうか、作物は、それが定義されている場合を繁殖させるためのツールとしても使えるとして重要な特性です。密度評価手間と時間がかかり、マニュアルの耳のための現在の技術は、だけでなく、線形メートル、面積象限または外挿耳の栽植密度と植物に基づいて、任意の公式の標準化されたプロトコルを使用せずまたです。ポストハー ベストをカウントします。カウント アルゴリズム自動耳は高スループットを可能にする、デジタル画像の天頂 (天底) 自然な色 (赤、緑、および青 [RGB]) フィールドの条件でのみ太陽光照明で耳密度の推定に基づいて詳細に提示します。標準化された測定。デュラム小麦と大麦 2014/2015 年と 2015 年の間にスペインに地理的に分散の異なるフィールド試験で 2016 シーズン灌漑・天水試験は代表的な結果を提供するために使用されました。3 段階のプロトコルには、作物生育とフィールド条件計画、イメージ キャプチャ ガイドライン、およびコンピューター アルゴリズムの 3 つの手順が含まれている: (i) (ii) 高を抑えるメディアン フィルター低と高周波の成果物を削除するラプラシアン周波数フィルターノイズ、および (iii) セグメンテーションと極大ピークを用いた最終的なカウントを数えます。カメラの解像度、焦点距離と、カメラと作物群落間の距離に対応するアルゴリズム コードにマイナーな調整を行う必要があります。結果はアルゴリズム カウントの間高い成功率 (90% 以上) とR(0.62 0.75) の2 つの値を示す、手動イメージ ベース耳がデュラム小麦と大麦に数えられます。

Introduction

前年1から 1% を展開 2017/2018 年に世界の穀物稼働率を報告します。穀物生産と人口使用率、株式が増加気候変更2の効果にも適応しながら、増大する要求を満たすために速い速度で収量を増やす必要があります世界の穀物の最新の予測に基づいています。したがって、改良された作物の育種技術の開発を通して穀物の収量改善に重要な焦点があります。2 地中海地域で最も重要で、収穫した穀物、すなわち本研究の例として選択、デュラム コムギ (Triticum aestivum l. の sspデュラム[Desf.])、大麦 (オオムギL.)。デュラム小麦は、延長によって、地中海沿岸の南と東の余白で最も栽培されている穀物、10 の最も重要な作物の 3700 万トンの年次生産のおかげで、世界中毎年3大麦は第 4 世界穀物 1 億 4460 万トンで世界的な生産と生産面で毎年4

リモートセンシングと近位画像解析手法は、フィールド高スループット植物表現 (HTPP) の発展にますます重要なツールよりアジャイル提供だけではなく、また、多くの場合、ターゲットのより正確で一貫性のある検索をトリミング光合成とバイオマスの評価などの生体制御特徴リソース使用と吸収5,6,7 の効率などの特性の遺伝率の収量推定値とも改善を収穫前します。 ,8,9。マルチ スペクトルに伝統的に集中しているリモートセンシング, ハイパー スペクトル、および熱画像センサー空中プラットフォームからフィールドの縮尺の精密農業用や工場、microplot 表現型解析研究スケール10.だけ目に見える反射光を測定する一般的な市販のデジタル カメラ空間解像度が非常に高いにもかかわらず、しばしば見落とされたが最近人気となっている新しい革新的な画像処理アルゴリズムがますますできるように詳細な色とそれらが提供する空間情報の利用。農業の高度な画像解析における最新の技術革新の多くはますます (彼らは赤、緑、および青の可視光反射率の測定になります) の非常に高解像度の (VHR) RGB 画像によって提供されるデータの解釈に依存して作物を含む(活力やフェノロジー、病評価、識別) を監視、セグメンテーションと定量化 (出現、耳密度、花と果物の数) ともフル 3 D 再構成運動ワークフロー11から新しい構造に基づきます。

穀物生産性の改善のための最も重要なポイントの一つは収量は、3 つの主要なコンポーネントによって決定されますの効率的評価: 耳の密度または平方メートル (耳/m2) あたりの穂数, 穂当たり粒数と千粒重。耳密度はフィールドで手動で入手することができますが、骨の折れる、時間がかかり、この方法で、1 つの標準化されたプロトコルに欠けている、一緒に可能性がありますエラーの重要な源。耳の自動カウントを組み込むことと、やりがいのある仕事が複雑な作物構造、閉じる栽、重なり合い、背景要素、および芒のプレゼンスの高い範囲のためです。最近の作品は12を数える耳でかなり良い結果を示す適切な画像を得るために三脚でサポートされている黒の背景構造を使用してこの方向に進んだ。これで、過度の日光と影は避けた、しかしこのような構造は面倒だろうと圃場条件へのアプリケーションの主要な制限。別の例は、カウント精度の良いパネルで耳密度をカウントするために使用された剛体電動門型で完全に自動化された表現型解析システムを使用して開発されたアルゴリズムは自動耳から成る 5 芒パン小麦 (コムギaestivum l.)13異なる窒素条件下で生育する品種。フェルナンデス ギャレゴ14による最近の仕事は、迅速かつ容易にデータのキャプチャより高度なけれどもまだ完全に自動化された、画像解析に続いて VHR RGB カラー画像を用いたため、このプロセスを最適化します。フィールドの条件で効率的かつ質の高いデータ収集簡素化された標準化されたプロトコルを強調は、一貫性と高データ スループットをキャプチャ、画像処理アルゴリズムを採用、小説中のラプラシアンと周波数ドメインの使用(重複している耳で複数のエラー可能性があります他の先行研究における描写) ではなくローカルのマキシマを見つけることに基づいてカウントのためのセグメンテーションを適用する前に不要な画像成分を除去するフィルター。

この作品は、市販のデジタル カメラから取得したイメージを使用して、フィールド条件で耳密度自動定量化のシンプルなシステムを提案する.このシステムは、フィールドでの自然光を利用条件し、したがって、日と雲のカバーの時間など、いくつかの関連環境要因の検討が必要ですが、有効になります、簡単に実装します。システム デュラム小麦と大麦の例に示されている必要があります、小麦をパンにアプリケーションで拡張可能な似たような形態で耳を展示するほか、頻繁に芒、しかしそれ以上の実験はするために必要になりますこれを確認します。データのキャプチャ、ここで提示されたプロトコル、画像は天頂は単にカメラを手で保持したり、作物の上にデジタル カメラを位置決めの一脚を使用して撮影します。検証データは、画像自体に耳を数えることによってサブプロット フィールドまたは後処理中に手動で耳をカウントすることによって取得できます。画像処理アルゴリズムは、最初に、効果的にできる、その後、後続のセグメンテーションと取得した画像の個々 の小麦の穂のカウント方法で画像の不要なコンポーネントを削除する 3 つのプロセスで構成されます。まず、ラプラシアン周波数フィルター ウィンドウのカーネル サイズを調整することがなくデフォルト ImageJ のフィルター設定を使用してイメージの異なる空間方向の変化を検出するために使用されます (検索マキシマセグメンテーション手法を決定、どの段階で耳に関連するピクセルがある土や葉よりもピクセル値が高い中央の空間フィルターのステップの後のローカル ピーク。したがって、マキシマの検索を使用して、画像で高い値をセグメントし、それらの地域の耳も耳の重複するエラーを削減しながら耳を識別するラベルが。粒子の分析は、カウントおよび/または見つけるマキシマの手順で作成した白と黒の表面間のコントラストによって作成された領域からのパラメーターを測定するバイナリ イメージで使用されます。結果は、フィルターされたイメージで小麦の耳の形状を識別するためにそれぞれの局所最大値の周り最も近い隣人ピクセル差異を分析することによってバイナリ画像の領域分割を作成する処理されます。最後に、耳の密度は、フィジー15で実装されて、分析の粒子を使用してカウントされます。マキシマの検索と分析粒子の両方がスタンドアロン関数とフィジー (https://imagej.nih.gov/ij/plugins/index.html) のプラグインとして利用可能。プロトコルをここに具体的に提示されていない、補足資料として提示予備的な結果は提案手法は解像度を提供する無人航空機 (Uav) から耳カウント調査に適応できます。十分に高い14のままです。

Subscription Required. Please recommend JoVE to your librarian.

Protocol

1. prefield 作物の生育と環境条件

  1. 作物の生育が登熟とまだ緑は、たとえ葉が老化耳の穀物の成熟に近い約を確認 (Zadoks のスケール16の範囲 60-87 に小麦の場合対応する)。いくつかの葉の黄変は許容されるが必須ではありません。
  2. プロット/エリア変動; をキャプチャするために様々 な複製 (プロットあたり写真) と画像キャプチャのサンプリング プランを準備します。画像処理アルゴリズムは画像の耳の数をカウントし、カメラの仕様に基づいて平方メートル (耳/m2) あたりの耳に変換します。
  3. カウント アルゴリズムは耳に耳がシャド ウイングの負の影響を避けるために太陽正午または、代わりに、ディフューズ ライティング条件で曇りの日に 2 時間以内の画像をキャプチャする遠足を計画します。
  4. 一度フィールドに、それは湿気から光の反射を避けるために乾燥を確認する作物群落の一番上を確認します。
    注: このプロトコルの目標を考慮した、だ耳カウントを適用するため作物の生育に適してかどうかをまず検討することが重要。推奨成長ステージの外でイメージをキャプチャか場合になります最適または無意味な結果に (耳がない、または完全に浮上した)。画質かなりの解像度とセンサーのサイズ、日および雲量の時間など、いくつかの環境条件など、結果の処理に影響を与える、イメージ キャプチャを行う前に慎重に考慮する必要があります。

2 自然光とフィールド条件でイメージ キャプチャ

  1. 迅速に画像をキャプチャする図 1または同等の集録システム (携帯も) で示すように、"phenopole"を準備し、まだ、標準化された、一貫した方法で場所をそれぞれプロットまたは。

Figure 1
図 1: 耳のカウント システム。耳カウント システムがリモートで制御される自然な色 (RGB) 大規模なセンサーとカメラの傾きを調整するために必要なパラメーターを示す高さと高解像度のデジタル カメラ システム、左側のフィールドに表示される"phenopole"を使用して、画像処理のアルゴリズム。イメージのプロパティでは、ユーザーはキャノピーからの距離とレンズの焦点距離の詳細を入力する必要があります中に自動的にセンサーと画像解像度を検出します。これらは合計耳のイメージ ベース数の密度の耳 (耳/m2) への変換も耳あたりのピクセル数の推定数のためのアルゴリズムの調整が必要です。そのため、すべてのフィールドの画像に同じカメラとレンズの焦点距離を使用する勧めします。この図の拡大版を表示するのにはここをクリックしてください

  1. 適切な一脚にカメラの位置または"selfie"ポール、それはどちらかのレベルを維持することがありますのレベル泡またはカメラの安定化システムを使用して天頂の画像を取得します。
  2. 携帯電話、タブレット、または別のデバイスを使用して正しく焦点画像と最良の結果を両方リモコン映像キャプチャーと画像表現のためカメラを接続します。プログラムの適切なフォーカスとで露出と天頂の画像の例で示されるように、ユーザーが正しいマニュアル フォーカスを設定するのには、カメラや写真撮影技術で十分に慣れてない場合、エラーを減らすためにオート フォーカス カメラ図 2

Figure 2
図 2: 天頂作物画像。デュラム小麦と大麦は耳耳約 61 に 87 Zadoks のスケールによると成長と老化の受け入れ段階でデータ セット例を数えるの天頂の画像です。(左)デュラム小麦天頂の画像データは、例を設定します。(右)大麦天頂の画像データは、例を設定します。この図の拡大版を表示するのにはここをクリックしてください

  1. フィールド プロットと正常画像と一致するためにイメージをキャプチャする前に画像の番号の注意してください。開始時に一般的なフィールド領域の 1 つの画像と 1 つの画像コントロールを後処理用ブロックの間地上を記録します。
  2. キャノピー上のカメラの高さを定期的にチェックするルーラーまたは測定文字列を使用して、作物群落の上約 80 cm でカメラの位置。カメラがレベルであることを確認し、イメージをキャプチャします。この手法は、1-2 もっともを必要があります。
  3. イメージの手動カウント検証、インストール拡張機能 (例えば、小さな円) のフレームに腕し、正確なイメージのサブセットの手動フィールド カウントを実施するために画像の真ん中に位置から離れて追加フィールド耳検証を数える場合が望ましいこの手法は実装に 2-3 人を必要があります。
    注: したがって、カメラの選択の主要な事項が 3 つあります: (1) カメラの仕様この場合も、センサーの物理的なサイズ。(イメージ レンズの焦点 2)(3) キャノピーとカメラ間の距離: 距離が短いまたは大きいズームレンズが遠距離から撮影した画像は、大きくトリミング領域をキャプチャ中の小さな領域をキャプチャします。関連するカメラの仕様の詳細については、図 1を参照してください。

3. アルゴリズムの実装と調整

注: ここでは提示アルゴリズムの実装と別のカメラ仕様 (センサーのサイズ、画素、焦点距離、トリミングまでの距離) の調整と自動耳をカウントするための作物 (デュラム小麦や大麦)。アルゴリズムの概要は、図 3にグラフィカルに提示されます。

Figure 3
図 3: 二条大麦耳をカウントするための画像処理パイプライン。二条大麦として耳をカウントするための画像処理パイプラインは、特定のコンピューター コードを使用してまたはフィジー (ImageJ) 内で動作するCerealScannerソフトウェアを使用して実装されています。パネル 1 は、元のイメージを示しています。パネル 2 は、ラプラシアン フィルターのアプリケーションの結果を示しています。パネル 3 はメディアン フィルターのアプリケーションを示し、パネル 4 最終検索マキシマと最終的な耳の数を生産するための領域分割の結果を示します。その後、計算は耳の密度、図 1に示すように、イメージ数に変換する行われます。これらのイメージは、Arazuri 現場の撮影例 (スペイン北東部、42 ° 48'33.9"N 1 ° 43'37.9"W) の光の条件を拡散します。この図の拡大版を表示するのにはここをクリックしてください

  1. フィジー、Java 8、および処理コードまたはバルセロナ大学の独自のCerealScannerプラグイン (https://fiji.sc/、https://www.java.com/en/download/、および https://integrativecropecophysiology.com/software-development/cerealscanner/[情報] または https://gitlab/sckefauver/CerealScanner [コード リポジトリ]); ダウンロードしてインストールアクセス権の対応する著者にお問い合わせください。フィジー内でプラグインをインストールするプラグインのフォルダーにコピーするだけで。
  2. トップ メニューからプラグインを開くプラグイン > CerealScanner > シリアル スキャナー
    注: ここで紹介する仕事から離れて CerealScanner プラグインには作物活力、ストレス、またはクロロフィル17,18に関連するいくつかの異なる RGB による植生指標が含まれます。図 4に示すように、特定の CerealScanner 部分は、初期の活力(フェルナンデス ギャレゴ、レビューで)、耳カウント14作物老化19、特定のアルゴリズムを含まれています。
  3. (詳細については図 1および図 4を参照) の既定値と異なっている場合は、カメラの仕様と画像キャプチャの詳細の調整を入力します。
    1. カメラの焦点距離のためのアルゴリズム パラメーターを調整します。
    2. 作物群落から距離のアルゴリズム パラメーターを調整します。

Figure 4
図 4: マーキング CerealScanner アルゴリズム コレクション内で耳を数える機能の両方のレベルで CerealScanner 2.12 ベータ中央のタブ。ユーザーを選択する必要があります、.バッチ入力画像ファイルが格納されているフォルダーを選択し、H 距離 (作物群落の上部にカメラからの距離) と、焦点距離の既定値を変更する、デフォルトと異なる場合の右にあるボタンt 値、し、選択、...結果ファイルの名前と最終結果ファイルの場所を選択する右にあるボタン。CerealScanner の他のタブは、初期活力と CerealScanner コード スイートの一部としての成熟の手始めの特性に基づく表現型解析のアルゴリズムを提供します。[バイオマス] タブで、RGB 画像のも、活力とバイオマスの計算より一般的な作物の推定のためのいくつかのアルゴリズムがあります。例は、図 3に詳細にそれを示した、二条大麦を指します。この図の拡大版を表示するのにはここをクリックしてください

Figure 5
図 5: アルゴリズム調整します。画像処理のために必要な調整正常に両方の小麦をカウントするためにパイプラインし、同じアルゴリズムを使用して大麦耳は H 距離 (距離のカメラと作物の間のカメラ固有の調整の一環として自動的に管理されます。キャノピー) 焦点距離と耳あたりのピクセル数の異なるアプリケーション間でもっとまたはより少なく一定を保つに役立つ。この図の拡大版を表示するのにはここをクリックしてください

  1. フィールド データ セットの各画像の耳の数を計算するためにセンター] タブCerealScanner耳を数えてその後中央タブを選択します。
    1. [オプション] を入力、バッチ入力、分析する写真の場所。
    2. 結果ファイルに結果ファイルを保存する場所を選択します。結果ファイル画像ファイル名と結果をカウント耳の 2 つの列が含まれます。
    3. 最後に、プロセス、および平方メートル (耳/m2) で、耳密度結果ファイルをクリックしてください、画像領域を正方形で実際の天蓋領域に変換するカメラの設定とキャノピーとカメラ間の距離を使用してください。 単純な比率を使用してください。次の図 1メートルは、コンピューターの速度に応じて、数分で自動的に生成されます。
  2. イメージで小麦や大麦の穂数のカウントを手動で変換することによりこの平方メートル (耳/m2) あたりの穂数を比較する、図 1に示すようデータ収集後の処理後検証を実施、アルゴリズムの値に基づいてそれらの結果。
    1. フィジーでは、このプロセスとカウントを自動的に生成するためフィジー粒子の分析機能を簡単にサポートを提供する内に造られる簡単なポイントの配置ツールを使用します。これは、図 6のグラフで示します。
    2. 必要に応じて、フィールド データ収集手順 2.6; 中に小面積の円を使用して検証を行う手動カウント フィールドと実験室でのイメージの手動カウントに図 7に示すアルゴリズム検証のため、使用できます。

Figure 6
図 6: 手動イメージの耳の数を使用してアルゴリズムの検証。(左) デュラム小麦と (右) 大麦のマニュアルのイメージで耳をカウントします。小さなドット フィジーポイント ツールを使用して、0.90 1.00 と粒子の分析関数を使用してカウントを作成したの色相彩度のを適用した後循環制約強度ポイント ツールで指定した色空間の色します。このメソッドは、手動耳のイメージ ベースのより正確なカウントを確認します。この図の拡大版を表示するのにはここをクリックしてください

Figure 7
図 7: アルゴリズム検証マニュアルを使用してカウント フィールドと小麦、大麦、円を使用してのマニュアルのイメージで耳カウントします。(左)小麦画像数検証例円を使用して(右)大麦画像数検証例円を使用して真円度とポイント ツール色のしきい値、およびその後、粒子の分析関数図 6で説明した同じ技術を使用して白い円の中の耳のサブセットの数を数えられました。制約と色相を使用して色を選択します。この図の拡大版を表示するのにはここをクリックしてください

Subscription Required. Please recommend JoVE to your librarian.

Representative Results

耳密度 (平方メートルあたり穂数) と決定係数図 8で示した手動カウントとカウント小麦と大麦のアルゴリズムは 3 つの別の作物生育段階で耳を使用しています。一つ目は 61 ~ 65 Zadoks のスケールとデュラム小麦 (R2 = 0.62)。2 つ目は 71 ~ 77 Zadoks のスケールと二条大麦 (R2 = 0.75)、最後の 1 つ、81 ~ 87 Zadoks のスケールとデュラム小麦 (R2 = 0.75)。

Figure 8
図 8: 耳密度間の係数 (耳/m2の数) (で Zadoks の段階の耳は別の許容可能な作物の生育にデュラム麦 2 行のカウントの手動イメージ ベース カウントとイメージ アルゴリズムを用いたスケール 61-87).両方の軸は、イメージ ベースの結果だけではなく、耳の密度への変換を含む計算を表示します。異なる光条件下でだけでなく、3 つの異なる成長段階を 2 つの異なる作物はすなわち直接日光 Zadoks のデュラム小麦の画像上の 61-65 のスケールのために代表的な結果をここで紹介 (R2 = 0.62、 n = 72)、びまん性 Zadoks のスケール中 71-77 で大麦の画像を光 (R2 = 0.75、 n = 30)、下部 Zadoks のスケール 81 87 デュラム小麦の光の条件を拡散 (R2 = 0.75、 n= 24)。各イメージの例またとして表示されます下の差し込み各グラフの右下隅。この図の拡大版を表示するのにはここをクリックしてください

Subscription Required. Please recommend JoVE to your librarian.

Discussion

敏捷性が高まり、一貫性、および精度が全体的な気候変動に関連する否定的な圧力にもかかわらず収量を増加するための努力で作物育種コミュニティを支援する便利な新しい表現型解析ツールを開発する鍵。穀物の耳密度の効率的かつ正確な評価を重要な主食の収量の主要な農業のコンポーネントの作物として将来の世代を供給するために必要なツールを提供する役立ちます。もっと密接に実世界の気候にはシナリオと繁殖のコミュニティのニーズを変更が述べる改善とこの研究とここで紹介する手法に保つ圃場条件での作物育種努力の支援に焦点を当てて技術的な難しさ。そのため、データ キャプチャし、このプロトコルにおける画像処理のみならず、最適な環境条件の推奨事項とその実装を成功させる11の作物生育への密着を払うことが重要です。収量の主要な形態的コンポーネントとして耳密度プッシュ (Slafer et al.20参照の記事をそこに見る) 穀物収穫量を増やすために最も重要なターゲットの特色の一つであります。最適なコスト効率の高い、アジャイル、および簡単なフィールド表現型解析法に対するこのプロトコルにフォーカスは、プロトコルのこれらの側面が採用して繁殖コミュニティによって実装キーであると見なします。対照的に、以前関連耳密度又は他の収量コンポーネント定量評価では、同様の目的を持つ研究は複雑データ キャプチャを使用して、構造と固定カメラを囲むなどの環境制御構造をサポートしているかも人工の光の入力フィールドの条件と実際の実装の下で実用的なアプリケーションを効果的に妨げるの繁殖プログラム12,20,22

したがって、我々 ここで提示が反復最適化プロセスでさまざまなさまざまなテクニックをテストの結果は、詳細なプロトコル適度だけ商業的利用を必要とするシンプルかつ効果的な画像データ キャプチャ方式の結果高解像度の RGB デジタル カメラと作物群落の上にカメラを保持するための初歩的な"phenopole"。色相-彩度-強度や CIELAB などの別の色空間ではなかったに効果的なまたは不要な画像の要素を削除することで中間周波数ドメイン フィルターとラプラシアンの使用として一貫性のあるまたは他のイメージ フィルタ リングの試みに基づいて RGB カラー特に芒。私たちは、画像処理アルゴリズムの実装の小さな変更でいくつかの簡単に調整することができます別の要素を画像キャプチャ パイプライン システムを設計しました。ここで紹介する事例研究、2 つの異なるコンパクト カメラ比較的大規模なセンサーと 20.1 メガピクセル (MP) 16.0 MP 解像度と作物群落から 80 cm の距離から 16-20 mm の広角のレンズで画像をキャプチャするため使用しています。これはシミュレーション技術が約 8 MP14まで精度の高いレベルを維持を示す詳細なキャノピーの大麦と小麦の情報を生成するよりも十分実証されています (同様のレンズからの距離と、キャノピー)。

アルゴリズムへの応用で堅牢なパフォーマンスを提供することで約束を示す一貫性と本の画像処理技術の精度、画像キャプチャ時環境条件とフェノロジーの段階に依存する、様々 な小さな粒シリアル、パンとデュラム小麦と 2 行と 6 行オオムギ品種を含みます。このアルゴリズムはまだ完全にテストするが、イメージのキャプチャと相対的なサイズおよび提供最適な耳の結果をカウントするために画像内の耳の位置に関しておそらくいくつかのマイナーな調整と同じです。提案するプロトコルのイメージ ベース耳密度推定達成の最大精度とマニュアルと相関ベスト画像の数と収量作物老化が色の損失で起因したときに後の成長段階で撮影した画像と比較して、作物群落の残りの部分と耳の間の照明のコントラスト。これより高い温度や低い水の空室、特に耳を行う23; 前に葉と senesce に稈を引き起こす典型的な地中海条件に共通登の後の部分の可能性があります。このコントラストは、耳、葉、土の分離の有効性に不可欠です。既に黄色の耳で過度に成熟や老化の天蓋で別の画像要素の間のコントラストは耳を数えるため不十分です。など、他の気候に最適なタイミングは、老化開始期における水ストレスがない場合異なる場合があります。

ここに示すロバストな画像解析アルゴリズムがイメージのキャプチャのいくつかの余裕を提供しますにもかかわらず、フィールド条件でデータ コレクションは、日光と日光照射角度などの環境条件に細心の注意を必要とします。正しいイメージの露出は、イメージのキャプチャの時点で特定の光の条件に使用されたことを考えれば、イメージ アルベド効果を無視する空間技術を用いた窓自動設定は、その点でも働いています。前作、照明効果の充実した範囲をテストした早い時間か夕方遅くの直射日光下での画像の取り込み時、光の効果に関連するエラーの唯一の主要なソースがイメージに強い影の生産であることを示す、14の太陽の角度のため。最初の 2 つのイメージ フィルター アプリケーションはまたイメージの背景コンポーネントを削減しながら (カメラの露出オーバー) ではなく過剰な照明から任意の明らかな効果を最小化に役立つ同時に、これらのフィルターも平滑化とノイズの除去に貢献23,24をプロセスも後続を見つけるマキシマに、補佐官の。したがって、自然な照明の拡散反射光の光の条件でこれは主を減らすためによりもむしろ直接、画像は撮影時の太陽の角度など、因子を考慮する必要がありますエラーの影アーティファクトに関連します。

さらに、提示されたプロトコルと子実収量からアルゴリズム耳カウント間の相関関係が大きいと同じ手動の (フィールド ベースの) 耳カウント実験11、このプロトコルは、クレームをサポートするよりも重要だけでなく正確な耳密度評価のための標準化されたプロトコルとしてよりも一貫性のあります。具体的にはここで紹介しない、携帯電話を使用して可能であることが表示されます同様のデータのキャプチャおよび処理技術、航空またはその他の自動化されたプラットホーム彼らは下で非常によく実行するようシミュレートされた縮小画像解像度。グレースケール化 (高速画像処理) と (他のカメラや無人偵察機のアプリケーション) からの低解像度画像シミュレーションのための追加のテストの最初のフィルター14前に画像変換を適用することによって行われ、提案最適な条件で処理時間が短縮する精度を損なうことがなく次の方法で.可能な将来の方向性についてだけここで紹介する画像処理アルゴリズムを活用 VHR RGB カラー データ (人間の目に似ています)、カメラによって捕獲されるが、他の潜在的な改善は、ハイブリッド カラーへの変換から生じるスペース、色相彩度輝度やスペクトル画像や熱など、他のより高度な科学的なセンサーとの組み合わせでデータ融合による両方最近より手頃な価格になっていると耳密度の改善の可能性を提供推定、おそらく異なる生育段階でまたは別のフィールドの条件で。

要約すると、この議定書の実施のための重要なステップが含まれてもまず適切な時期と作物は生育段階 60 87 Zadoks のスケールとのいずれかでは、最適な環境条件、作物のための計画太陽正午に拡散光の条件または。さらに、デジタル画像の取得は、カメラ アングル、キャノピーからの距離の制御された方法会計・各イメージのカメラのフォーカスを実施しなければなりません。最後に、最適化されたコンピューター処理オプション パイプライン コードを再現するための詳細に提示または元のコードまたはグラフィカル ユーザー インターフェイス (GUI)、フィジーのプラグインですなわち、として統合コードの著者にお問い合わせください、CerealScanner。

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

著者が明らかに何もありません。

Acknowledgments

この研究の著者らはコルメナル ・ デ ・ Oreja (アランフェス) セルバンテス ナシオナル ・ デ ・危惧 y テクノロジー Agraria y Alimentaria (INIA) と Zamadueñas (バリャド リード) の試験所での現場管理スタッフを感謝したい、セルバンテス ・ デ ・ テクノロジー Agraria ・ デ ・ カスティーリャ ・ イ ・ レオン (ITACyL) 研究研究作物のフィールド サポートのために使用されます。本研究は、MINECO、スペイン、シンジェンタ、スペインとのコラボレーション企画の一部から研究プロジェクト AGL2016 76527 R によって支えられました。「トレーニング ・ デ ・ タレント圏環境共生分野・ ド ・ アルト ィプロマ レベル、ゴベルナシオン ・ デル ・ トリマー ・ トリマー大学、コロンビア」から BPIN 2013000100103 交わりは唯一資金応援初めて著者ホセ ・ アルマンド ・ フェルナンデス-ガリェゴ川だった対応する著者、ショーン c. Kefauver の主な資金源は、教授ホセ ルイス Araus に与えられる助成金を介して ICREA アカデミア プログラムから来た。

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).

Tags

環境科学、問題 144、小麦、大麦、耳を数える、セグメンテーション、繁殖、表現型解析、精密農業、ラプラシアン
穀物作物耳フィールドのカウント条件天頂の RGB 画像を用いた
Play Video
PDF DOI DOWNLOAD MATERIALS LIST

Cite this Article

Fernandez-Gallego, J. A.,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