Login processing...

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

Environment

곡물 작물 귀 필드에서 조건 방들은 RGB 이미지를 사용 하 여

doi: 10.3791/58695 Published: February 2, 2019

Summary

선물이 듀 럼 밀과 보 리 귀를 계산에 대 한 프로토콜 사용 하 여 필드 조건 하에서 자연 햇빛에서 자연 색상 (RGB) 디지털 사진. 카메라 매개 변수에 대 한 최소한의 조정, 일부 환경 조건 제한 기술 성장 단계의 범위에 걸쳐 정확 하 고 일관 된 결과를 제공합니다.

Abstract

귀 농도, 또는 평방 미터 (귀/m2), 당 귀 수 많은 시리얼 작물 번 식 프로그램, 밀과 보 리, 곡물 수확량을 예측에 대 한 중요 한 농경 항복 요소를 나타내는 중앙 초점 이다. 따라서, 귀 밀도 평가 하기 위한 신속, 효율적이 고 표준화 된 기술을 제공 하는 preharvest 수확량 예측, 개선 농업 관리 개선 지원 또는 자르기가 정의 때 사육에 대 한 도구로 사용 될 수 있습니다. 중요성의는 특성으로 뿐만 아니라 수동 귀에 대 한 현재 기술 밀도 평가 힘들고 시간이 걸리는, 하지만 그들은 또한 어떤 공식 표준화 된 프로토콜 없이 선형 미터, 지역 사분면, 또는 식물 귀 밀도 및 식물에 따라 추정 된 postharvest 계산합니다. 디지털 이미지, 높은 처리량에 대 한 허용 방들은 (nadir) 자연 색상 (빨강, 녹색 및 파랑 [RGB])에 기반 필드 조건에만 햇빛 조명 귀 밀도 추정 알고리즘을 계산 하는 자동 귀 자세히 제시 표준화 된 측량입니다. 듀 럼 밀과 보 리 2014/2015, 2015 동안 스페인 지리적으로 분산의 다른 현장 실험/2016 작물 계절에 관개와 rainfed 재판 대표적인 결과 제공 하는 데 사용 했다. 작물 성장 단계 및 필드 조건 계획, 이미지 캡처 지침 및 컴퓨터 알고리즘의 세 단계를 포함 하는 3 단계 프로토콜: (i) Laplacian 주파수 필터를 제거 낮은 및 높은 주파수, (ii)을 줄이기 위해 높은 중간 필터 잡음, (iii) 세분화 하 고 최종 계산에 대 한 로컬 맥시 마 봉우리를 사용 하 여 계산. 약간 조정 알고리즘 코드는 카메라 해상도, 초점, 그리고 카메라와 자르기 캐노피 사이의 거리에 해당 되어야 합니다. 결과 알고리즘 계산 사이 높은 성공률 (90% 이상)과 R2 값 (0.62-0.75) 설명 하 고 수동 이미지 기반 귀 듀 럼 밀과 보 리에 대 한 건의.

Introduction

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

전년도1에서 1%에 의해 확장 2017/2018에서 세계 시리얼 사용률을 보고. 곡물 생산 및 인구 사용률, 세계 곡물 주식 또한 기후 변화2의 효과 증가에 적응 하면서 성장 요구를 충족 하기 위해 빠른 속도로 생산량을 증가 하는 데 필요한에 대 한 최신 예측을 기반으로 합니다. 따라서, 향상 된 작물 번 식 기술을 통해 곡물 수율 향상에 중요 한 초점을 맞추고가 있다. 2 지중해 지역에서 가장 중요 하 고 수확 곡물 즉이 연구에 대 한 예제로 선택, 듀 럼 밀 (Triticum aestivum L. ssp. 파스타 [Desf.])과 보 리 (Hordeum vulgare L.). 듀 럼 밀, 확장 하 여, 지중해 분 지의 남쪽 및 동쪽 여백에서 가장 재배 시리얼 이며 가장 중요 한 10 자르기 37 백만 톤의 연례 생산으로 인하여 세계적으로 매년3, 보 리는 4 글로벌 곡물 생산, 144.6 백만 톤에서 글로벌 생산 측면에서 매년4.

원격 감지 및 인접 이미지 분석 기법 도구도 점점 키 필드 높은 처리량 식물 형질 (HTPP)의 발전에 그들은 뿐만 아니라 더 민첩 한 제공 하지만 또한, 자주, 더 정확 하 고 일관 된 검색 대상의 자르기 biophysiological 특성, 광합성 활동 및 바이오 매스의 평가 같은 리소스 사용과 이해5,6,7 효율성 등 특성이 상속 가능성에 수익률 추정, 그리고 심지어 개선 preharvest ,,89. 원격 탐사는 전통적으로에 초점을 맞춘 multispectral, hyperspectral, 및 열 이미징 필드 규모 정밀 농업에 대 한 또는 식물 형질 연구는 microplot에서 공중 플랫폼에서 센서 규모10. 만 보이는 반사 된 빛을 측정 하는 일반적인, 상용 디지털 카메라 그들의 매우 높은 공간 해상도도 불구 하 고 종종 간과 했다 하지만 최근 인기 끌고있다 새로운 혁신적인 이미지 처리 알고리즘은 점점 수 자세한 색상 및 그들이 제공 하는 공간 정보 활용을 걸릴. 많은 고급 농업 이미지 분석에서 최신 혁신의 점점 (측정에 대 한 그들의 빨강, 녹색 및 파란색 표시 빛 반사율), 매우 높은 해상도 (VHR) RGB 이미지에서 제공 하는 데이터의 해석에 의존 하 고 작물을 포함 하 여 (활기, 기후학, 질병 평가 및 식별) 모니터링, 세분화 정량화 (출현, 귀 밀도, 꽃 및 과일 수), 그리고 심지어 풀 3D 복원 모션 워크플로11에서 새로운 구조에 따라.

시리얼 생산성에서 개선 위한 가장 중요 포인트 중 하나는 세 가지 주요 구성 요소에 의해 결정 되는 수확량의 더 효율적인 평가: 밀도 또는 평방 미터 (귀/m2) 당 귀 수, 당 귀, 곡물의 수 귀와 천-커널 무게입니다. 필드 수동으로 귀 밀도 얻을 수 있습니다 하지만이 방법은 힘 드는, 소모, 그리고 단일 표준화 된 프로토콜에서 부족을 함께 발생할 수 있습니다 오류의 중요 한 소스. 귀의 자동 세 통합 복잡 한 작물 구조, 가까운 식물 간격, 오버랩, 배경 요소 및 awns의 존재의 높은 범위 때문에 어려운 작업입니다. 최근 작품은12세의 귀에 상당히 좋은 결과 보여주는 적당 한 자르기 이미지를 얻기 위해서는 삼각대에서 지 원하는 검은색 구조를 사용 하 여이 방향에서 전진 했다. 이 방법에서는, 과도 한 햇빛 및 그림자 효과 피할 수 했다, 하지만 이러한 구조는 성가신 될 것 이라고 하 고 필드 조건에 응용 프로그램에서 주요 한계. 또 다른 예는 패널에 귀 밀도 계산에 대 한 좋은 정확도 함께 사용 된 엄밀한 동력된 갠트리와 완전 자동화 된 형질 시스템을 사용 하 여 개발 하는 알고리즘을 계산 하는 자동 귀 5 awnless 빵 밀 (Triticum의 구성 aestivum L.) 다른 질소 조건13에서 성장 하는 품종. 페르난데스 Gallego14 최근 작품은 VHR RGB 컬러 이미지 뒤에 고급, 아직 여전히 완전 자동화 된 이미지 분석을 사용 하 여 빠르고 쉽게 데이터 캡처에 대 한이 프로세스를 최적화 하 고. 필드 조건에서 효율적이 고 양질의 데이터 수집 단순화 된 표준화 된 프로토콜을 강조 하는 일관성과 높은 데이터 캡처 처리, 이미지 처리 알고리즘 사용 소설 동안 Laplacian 및 주파수 도메인의 사용 (겹치는 귀로 더 많은 오류가 발생할 수 있습니다 다른 이전 연구에서 전체 묘사) 반대로 로컬 맥시 마를 찾는 것에 따라 계산에 대 한 세분화를 적용 하기 전에 원하지 않는 이미지 구성 요소를 제거 하는 필터.

이 작품은 상용 디지털 카메라에서 획득 한 이미지를 사용 하 여 필드 조건에서 귀 밀도의 자동 정량화에 대 한 간단한 시스템을 제안 합니다. 이 시스템 필드에 자연 채광의 활용 조건 하며, 따라서, 하루와 구름 덮개의 시간 등 일부 관련된 환경 요소를 고려 하지만, 남아 있다 적용, 구현 하는 간단한. 시스템은 듀 럼 밀과 보 리에 대 한 예제에 입증 되었습니다 해야 밀, 빵을 응용 프로그램에 확장 가능한는, 유사한 형태학으로 귀를 전시 외 자주 awnless, 하지만 추가 실험에 필요한 것 이 확인 합니다. 데이터에서 캡처 여기에 제시 된 프로토콜, 방들은 이미지는 단순히 카메라를 손으로 들고 하거나 자르기 위에 디지털 카메라 위치에 대 한 모노 포드를 사용 하 여 촬영. 유효성 검사 데이터는 이미지 자체에 귀에 의해 수동으로 subplots 필드에서 또는 포스트 프로세싱, 동안에 대 한 귀를 계산 하 여 인수 될 수 있습니다. 이미지 처리 알고리즘은 먼저, 다음, 후속 세분화와 인수 이미지에서 개별 밀 귀의 계산을 허용 하는 방식으로 이미지의 원치 않는 구성 요소를 효과적으로 제거 하는 세 가지 프로세스 구성 되어있습니다. 첫째, Laplacian 주파수 필터 창 커널 크기 조정 없이 기본 ImageJ 필터 설정을 사용 하 여 이미지의 다른 공간 방향에서 변화를 감지 하기 위해 사용 됩니다 (맥시 마 찾을 세분화 기술 결정에 어느 단계에서 픽셀은 귀와 관련 된 중간 공간 필터 단계 후 로컬 봉우리는 토양 또는 잎 보다 더 높은 픽셀 값. 따라서, 맥시 마 찾을 이미지, 높은 값을 세그먼트에 사용 되 고 그 지구는 겹치는 귀 오류도 줄이면서 귀를 식별 귀로 표시 됩니다. 분석 입자 는 계산 찾을 최대 단계에서 만든 흰색과 검은색 표면 사이의 대조에 의해 만들어진 영역에서 매개 변수를 측정 하는 이진 이미지에 사용 됩니다. 다음 결과 처리 하 여 필터링 된 이미지에 밀 귀 형태를 식별 하기 위해 각 지역 최대 주위 가까운 이웃 픽셀 차이 분석 하 여 바이너리 이미지 세그먼트를 만들고. 마지막으로, 귀 밀도 계산 됩니다 분석 입자를 사용 하 여 피지15에서 구현 될 때. 찾을 맥시 마와 분석 입자는 독립 실행형 기능 피지 (https://imagej.nih.gov/ij/plugins/index.html)에서 플러그인으로 사용할 수. 여기에 프로토콜에서 구체적으로 제시 하지, 예비 결과 보충 자료로 제시 것을 제안이 기술은 귀 수 조사 무인된 공중 차량 (UAVs)에서 그 해상도 제공에 있을 수 있습니다. 충분히 높은14남아 있다.

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 작물 성장 단계 및 환경 조건

  1. 작물 성장 단계는 곡물 충전 물 사이 약 그리고 작물 성숙 잎이 노화 하는 경우에 여전히 녹색은 귀 근처 (Zadoks' 규모16의 범위 60-87에 밀의 경우 해당). 잎의 일부 yellowing은 허용 하지만 필요 하지 않습니다.
  2. 그림/영역 가변성;를 캡처하기 위해 다양 한 복제 (작 당 사진)와 이미지 캡처 샘플링 계획 준비 이미지 처리 알고리즘 귀 이미지에서의 수를 계산 하 고 변환 하는 평방 미터 (귀/m2) 당 귀를 카메라 사양에 따라.
  3. 이미지를 캡처하는 태양 정오 또는, 양자 택일로, 확산 조명 조건에서 흐린된 날에 2 시간 알고리즘을 계산 하는 귀에 귀 숨김의 부정적인 영향을 피하기 위해 필드 여행을 계획 합니다.
  4. 일단 필드에는 습기에서 반사 빛의 반사를 피하기 위해 건조 되도록 자르기 캐노피의 상단을 확인 합니다.
    참고:이 프로토콜의 목적을 고려 하 고, 그건 처음 작물의 성장 단계 귀 수 적용 적합 한지 여부를 고려 하는 것이 중요. 권장된 성장 단계 외부 이미지 캡처도 높아집니다 차선 또는 의미 없는 결과 (해당 되는 경우 귀 없거나 완전히 등장 하지 않습니다). 이미지 품질은 또한 상당한 해상도 및 센서 크기, 그리고 일부 환경 조건, 날 및 구름 덮개의 시간 등을 포함 하 여 결과 처리에 미치는 영향, 이미지 캡처를 계속 하기 전에 신중 하 게 고려 될 필요가 있다.

2. 이미지 캡처 자연 채광과 함께 필드 조건에서

  1. 신속 하 게 이미지를 캡처할 그림 1 또는 유사한 수집 시스템 (심지어 휴대용)에서 같이 "phenopole"를 준비 하 고 아직를 표준화 하 고 일관 된 방식에서 각 플롯 또는 위치를 대상.

Figure 1
그림 1 : 시스템 계산 귀. "Phenopole" 왼쪽에 필드에 표시 되는 원격 제어 자연 색상 (RGB) 큰 센서와 카메라 기울기와 높이 조정 하기 위해 필요한 매개 변수를 나타내는 고해상도 디지털 카메라 시스템을 사용 하 여 시스템 계산 귀는 이미지 처리 알고리즘입니다. 센서와 이미지 해상도 사용자 렌즈 초점 거리와 캐노피에서 거리에 대 한 특성을 입력 해야 하는 동안 이미지 속성에 의해 자동으로 검색 됩니다. 다음은 귀와 귀 밀도 (귀/m2) 이미지 기반 총 귀 수의 변환 당 픽셀의 추정된 번호에 대 한 알고리즘을 조정 하는 데 필요한. 그 이유로, 필드의 모든 이미지에 대 한 동일한 카메라와 렌즈 초점 길이 사용 하는 것이 좋습니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭 하십시오.

  1. 적합 한 모노 포드에 카메라 위치 또는 "selfie" 그것도 수준, 유지 될 수 있도록 극 방들은 이미지를 수준 거품 또는 카메라 안정화 시스템을 사용 하 여.
  2. 휴대 전화, 태블릿, 또는 다른 장치를 사용 하 여 제대로 초점 을된 이미지와 함께 최상의 결과 얻으려면 두 원격 제어 이미지 캡처 및 이미지 시각화에 대 한 카메라를 연결 하. 프로그램 사용자 익숙하지 않은 만큼 정확한 수동 초점 설정 하 그들의 카메라 또는 사진 기술을 정확한 초점 및 에 노출 된 방들은 이미지의 예에서 같이 경우에 오류를 줄이기 위해 자동 초점 카메라 그림 2.

Figure 2
그림 2 : 방들은 자르기 이미지. 듀 럼 밀과 보 리 귀 방들은 이미지 61에 87 Zadoks의 규모에 따라 약 성장과 노화의 수용 단계는 데이터 집합 예제 계산 귀에 대 한. (왼쪽) 듀 럼 밀 방들은 이미지 데이터 집합 예입니다. (오른쪽) 보 리 방들은 이미지 데이터 집합 예입니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭 하십시오.

  1. 이미지 캡처 전에 이미지 번호 필드 플롯으로 올바르게 이미지를 맞추기 위해 주의 합니다. 일반 필드 영역 시작에의 한 이미지와 포스트 프로세싱 컨트롤에 대 한 블록 사이 지상/필드의 하나의 이미지를 기록 합니다.
  2. 캐노피 위 카메라 높이 정기적으로 확인 하 통치자 또는 측정 문자열을 사용 하 여 자르기 캐노피의 상단 위에 대략 80 cm에 카메라 위치입니다. 카메라 수준 인지 확인 하 고 이미지를 캡처하십시오. 이 기술은 1-2 researcher(s) 필요할 수 있습니다.
  3. 수동 이미지 개수 유효성 검사, 설치 확장 프레임 (예를 들어, 작은 원)에 팔 및 정밀한 이미지 하위 집합;의 수동 필드 계산을 수행 하려면 이미지의 중간에 위치를 제외 하 고 원하는 경우 추가 필드 귀 셀 유효성 검사 이 기술을 구현 하기 위해 2-3 명이 필요할 수 있습니다.
    참고: 따라서, 카메라 선택에 세 가지 주요 고려 사항 포함: (1) 카메라 사양; 이 경우, 센서의 실제 크기; (2); 이미지 렌즈의 초점 거리 (3) 캐노피와 카메라 사이의 거리: 작은 거리 또는 큰 줌 렌즈 사로잡을 것입니다 작은 지역 더 큰 거리에서 캡처한 이미지 더 큰 자르기 영역을 사로잡을 것입니다 하는 동안. 에 대 한 자세한 내용은 관련 카메라 사양 그림 1 을 참조 하십시오.

3. 알고리즘 구현 및 조정

참고: 여기에 우리가 현재 알고리즘 구현 및 다른 카메라 사양 (센서 크기, 화소, 초점 거리, 거리 자르려면)에 대 한 조정 및 자동 귀 계산에 대 한 자르기 (듀 럼 밀 또는 보 리). 알고리즘에 대 한 개요는 그림 3에 그래픽으로 표시 됩니다.

Figure 3
그림 3 : 2 줄 보 리 귀 계산에 대 한 이미지 처리 파이프라인. 2 줄 보 리 귀로 계산에 대 한 이미지 처리 파이프라인 특정 컴퓨터 코드를 사용 하 여 또는 둘 다 피지 (ImageJ) 내에서 작동 하는 CerealScanner 소프트웨어를 사용 하 여 구현. 패널 1 원본 이미지를 보여줍니다. 패널 2 Laplacian 필터의 응용 프로그램의 결과 보여 줍니다. 패널 3 중 필터의 응용 프로그램을 표시 하 고 패널 4 최종 찾을 최대 및 최종 귀 수 생산을 위한 시장 세분화의 결과 보여 줍니다. 그런 다음 계산 변환할 이미지 수 귀 밀도, 그림 1에서 같이 만들어집니다. 이러한 이미지는 Arazuri 필드 사이트에서 가져온 예 (북동 스페인, 42 ° 48'33.9 "N 1 ° 43'37.9" W) 조명 조건에 확산. 이 그림의 더 큰 버전을 보려면 여기를 클릭 하십시오.

  1. 다운로드 및 설치 피지, 자바 8, 및 처리 코드 또는 대학 바르셀로나의 독자적인 CerealScanner 플러그인 (https://fiji.sc/, https://www.java.com/en/download/, 및 https://integrativecropecophysiology.com/software-development/cerealscanner/ [정보] 또는 https://gitlab/sckefauver/CerealScanner [코드 저장소]); 액세스 권한을 해당 작가 문의 하십시오. 플러그인은 단순히 플러그인 폴더에 그것을 복사 하 여 피지 내에서 설치 됩니다.
  2. 통해 상단 메뉴에서 플러그인을 열고 플러그인 > CerealScanner > 오픈 시리얼 스캐너.
    참고: 여기에 제시 된 작품은 그렇다 하 고 CerealScanner 플러그인 작물 활력, 스트레스, 또는 염 록 소17,18에 관련 된 여러 다른 RGB 기반 식물 색인을 포함 한다. 특정 CerealScanner 부분 그림 4에서처럼 초기 활력 (페르난데스-Gallego, 검토에), 귀 세14, 및 작물 노화19, 특정 알고리즘을 포함 합니다.
  3. (자세한 내용은 그림 1그림 4 참조) 기본값에서 다른 경우 카메라 사양 및 이미지 캡처 정보 조정을 입력 합니다.
    1. 카메라 초점 길이 대 한 알고리즘 매개 변수 조정.
    2. 자르기 캐노피에서 거리에 대 한 알고리즘 매개 변수 조정.

Figure 4
그림 4 : CerealScanner 알고리즘 컬렉션에서 귀 계산 기능 표시는 CerealScanner 2.12 베타 중앙 탭 두 수준에. 사용자를 선택 해야 합니다 합니다... 일괄 입력 이미지 파일 저장 폴더를 선택 하는 기본에서 다른 경우 H 거리 (자르기 캐노피의 상단에는 카메라에서 거리)과 초점 거리의 기본 값을 변경의 오른쪽 버튼을 t 값, 선택한 다음 선택은... 이름 및 최종 결과 파일의 위치를 선택 하려면 결과 파일 의 오른쪽 버튼을. CerealScanner의 다른 탭 이른 활기 및 CerealScanner 코드 제품군의 일환으로 성숙 의 발병 특성 기반 형질에 대 한 알고리즘을 제공합니다. 바이오 매스 탭 보다 일반적인 작물의 의견에 대 한 여러 가지 알고리즘 또한 RGB 디지털 이미지에 대 한 활기 및 바이오 매스 계산 있다. 예제 에서처럼 그것은 그림 3에서 두 줄 보 리를 말합니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭 하십시오.

Figure 5
그림 5 : 알고리즘 조정. 성공적으로 두 밀을 계산 하기 위해 파이프라인 및 보 리 귀 같은 알고리즘을 사용 하 여 H 거리 (카메라와 작물 사이 거리의 카메라 관련 조정의 일환으로 자동으로 관리 됩니다 조정 이미지 처리에 필요한 캐노피)와 초점 길이 귀 당 픽셀 수가 더 많거나 적은 다른 응용 프로그램 간에 일정 하 게 유지 되도록 서브. 이 그림의 더 큰 버전을 보려면 여기를 클릭 하십시오.

  1. 필드 데이터 집합의 각 이미지에 귀 수를 계산 하려면 센터 탭 CerealScanner귀 세 이후 중앙 탭을 선택 합니다.
    1. 옵션에서 일괄 입력, 위치 입력 분석 사진.
    2. 결과 파일에 결과 파일을 저장할 위치를 선택 합니다. 결과 파일은 이미지 파일 이름 및 결과 계산 하는 귀 두 개의 열을 포함 됩니다.
    3. 마지막으로, 프로세스, 그리고 평방 미터 (귀/m2), 귀 밀도와 결과 파일에 카메라 설정 및 캐노피와 카메라 사이의 거리를 사용 하 여 광장에 실제 캐노피 지역 이미지 영역을 변환 하는 단순한 비율을 사용 하 여 클릭 다음 그림 1, 미터는 컴퓨터 속도 따라 몇 분에서 자동으로 제작 됩니다.
  2. 수동으로 밀 또는 보 리 귀는 이미지에서의 수를 계산 하 고 다음이 변환 평방 미터 (귀/m2), 당 귀 수와 같이 그림 1에 비교 하 여 데이터 수집 후 후 처리 유효성 검사를 수행 합니다 알고리즘 값에 따라 그 결과입니다.
    1. 피지,이 과정과 개수를 자동으로; 생산 피지 입자 분석 기능에 대 한 쉬운 지원을 제공 하는 내에서 기본 제공 하는 간단한 포인트 배치 도구를 사용 하 여 이 그림 6에 그래픽으로 표시 됩니다.
    2. 필요한 경우 필드 데이터 수집 단계 2.6;에 설명 된 대로 동안 작은 동그라미를 사용 하 여 유효성 검사를 수행 수동 필드에 계산 하 고 실험실에서 수동 이미지 조사 다음, 그림 7과 같이 유효성 검사 알고리즘에 사용할 수 있습니다.

Figure 6
그림 6 : 수동 이미지에 귀 수를 사용 하 여 알고리즘 유효성 검사. 수동 이미지에 귀 (왼쪽된) 듀 럼 밀과 보 리 (오른쪽)에 대 한 건의. 작은 점 만들어진 피지 도구 를 사용 하 여 다음 계산 0.90 1.00 분석 입자 함수 를 사용 하 여 순환 제약 조건 채도에서 색상 임계값 을 적용 한 후 강도 색상 도구에 지정 된 색상 공간. 이 메서드는 더 정확한 이미지 기반 수동 귀 수를 보장합니다. 이 그림의 더 큰 버전을 보려면 여기를 클릭 하십시오.

Figure 7
그림 7 : 알고리즘 유효성 검사 설명서를 사용 하 여 계산 필드에의 밀과 보 리, 원을 사용 하 여 수동 이미지에 귀 수. (왼쪽) 밀 이미지 수 유효성 검사 예 원을 사용 하 여입니다. (오른쪽) 보 리 이미지 수 유효성 검사 예 원을 사용 하 여입니다. 흰색 원 안에 귀 하위 집합 건의 했다 순환으로와 도구, 색상 임계값, 다음, 입자 함수 분석 그림 6 에서 설명한 대로 동일한 기술을 사용 하 여 계산 제약 조건 및 색조를 사용 하 여 색상 선택. 이 그림의 더 큰 버전을 보려면 여기를 클릭 하십시오.

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

그림 8에서 결과 보여 귀 밀도 (평방 미터 당 귀 수) 사이의 결정 계수 수동 계산 및 3 개의 다른 작물 성장 단계에 밀과 보 리에 대 한 알고리즘을 계산 하는 귀를 사용 하 여. 첫 번째는 61 ~ 65 사이 Zadoks' 규모와 듀 럼 밀 (R2 = 0.62). 두 번째는 71에서 77 사이 Zadoks' 규모와 두 줄 보 리 (R2 = 0.75), 그리고 마지막 하나는 81과 87 사이 Zadoks' 규모와 듀 럼 밀 (R2 = 0.75).

Figure 8
그림 8 : 귀 밀도 사이의 결정 계수 (귀/m2의 번호) (에서 Zadoks' 단계 귀 듀 럼 밀과 다른 수락 가능한 작물 성장에 2 줄 보 리의 계산에 대 한 수동 이미지 기반 계산과 이미지 알고리즘을 사용 하 여 61 규모-87). 양 축 계산, 변환 귀 밀도 보다는 이미지를 기반으로 결과 포함 하 여 표시 합니다. 3 개의 다른 성장 단계에 뿐만 아니라 다른 조명 조건 하에서 두 개의 다른 작물 즉 Zadoks'에 듀 럼의 햇빛 이미지 상단에 61-65 확장 직접 대 한 대표적인 결과 여기에 표시 됩니다 (R2 = 0.62, n = 72), 확산 Zadoks의 규모는 중간에 71-77 보 리의 이미지를 빛 (R2 0.75, n = = 30), 그리고 확산 Zadoks' 규모 81-87 하단에 듀 럼 밀에 대 한 조명 조건 (R2 = 0.75, n = 24). 각각의 예제 이미지는 또한 표시 아래쪽에는 인세트로 각 그래프의 오른쪽. 이 그림의 더 큰 버전을 보려면 여기를 클릭 하십시오.

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

증가 민첩성, 일관성, 그리고 정밀 글로벌 기후 변화에 관련 된 부정적인 압력에도 불구 하 고 곡물 수확량을 증가 하는 그들의 노력에 작물 번 식 지역 사회를 지원 하기 위해 유용한 새로운 형질 도구를 개발 하는 열쇠입니다. 시리얼 귀 밀도의 효율적이 고 정확한 평가의 중요 한 주식 수익률의 주요 농경 구성 작물로 먹이 미래 세대에 필요한 도구를 제공 도움이 됩니다. 개선 및 작물 번 식 노력 도움이 계속이 연구와 여기에 제시 된 기술 필드 조건에서의 지원에 초점을 맞추고 실제 기후에 구속 더 시나리오 및 번 식 커뮤니티의 요구를 변경 하지만 또한 선물 기술는 어려움 이와 같이, 그것은 데이터 캡처 및 이미지가 프로토콜에서 처리 뿐만 아니라 최적의 환경 조건에 대 한 권장 사항 및 그것의 성공적인 구현을11작물 성장 단계에 가까운 준수를 지불 하는 것이 중요. 주요 농경의 컴포넌트로 항복, 귀 밀도 곡물 수확량 (거기에 Slafer 외20 및 참조 문서를 참조)를 증가 대 한 추진에서 가장 중요 한 대상 특성 중 하나 간주 됩니다. 최적으로, 민첩 한, 비용 효율적이 고 간단 필드 형질 기법으로이 프로토콜에 프로토콜의 이러한 측면 그것의 채용 및 번 식 지역 사회에 의해 구현 하는 열쇠는 고려 합니다. 대조적으로, 이전 관련 귀 밀도 또는 다른 수확량 구성 요소 정량화 평가에 유사한 목적으로 연구 더 관련된 데이터 캡처를 사용 하 고 구조와 고정된 카메라 포함 등 환경 제어 구조 지원 또는 필드 조건 및 실제 구현에서 실용적인 응용 프로그램을 효과적으로 방해 하는 인공 빛 입력 프로그램12,,2022사육.

따라서, 우리가 제시 여기 반복 최적화 과정에서 다양 한 다른 기술을 테스트의 결과 자세한 프로토콜 적당히만 상업적으로 사용할 수, 필요한 간단 하지만 효과적인 이미지 데이터 캡처 방법 결과 고해상도 RGB 디지털 카메라와 자르기 캐노피 위의 카메라를 들고에 대 한 초보적인 "phenopole". 다른 이미지 필터링 시도 RGB 색상 또는 색조-채도-강도 또는 균일, 같은 다른 색 공간으로 또는 Laplacian 및 원치 않는 이미지 요소 제거에서 중간 주파수 도메인 필터의 사용으로 일관 된 되지 않았습니다. 특히 awns입니다. 우리 중 일부는 이미지 처리 알고리즘 구현에서 사소한 변경으로 쉽게 조정 될 수 있다 다른 요소와 이미지 캡처 파이프라인 시스템을 설계 했습니다. 여기에 제시 된 사례 연구에서 우리는 사용 두 다른 컴팩트 카메라 비교적 큰 센서와 20.1 메가 픽셀 (MP)와 16.0 MP 해상도 자르기 캐노피에서 80 cm의 거리에서 16-20 m m의 광각 렌즈와 이미지를 캡처. 이 이상 시뮬레이션 시연 기술을 높은 수준의 약 8 MP14 까지 정밀도 유지와 상세한 캐노피 보 리와 밀 정보를 생산 하는 충분 한 입증 (비슷한 렌즈와 거리는 캐노피)입니다.

일관성과 제시 이미지 처리 기술의 정밀 이미지 캡처 시 환경 조건 및 phenological 무대에 따라, 알고리즘을 응용 프로그램에서 강력한 성능을 제공 하 약속을 보여줍니다. 다른 작은 곡물 시리얼, 파스타와 빵 밀과 2 행과 6 행 보 리 품종을 포함 하 여. 이 알고리즘은 아직 완벽 하 게 테스트, 이미지 캡처 상대적 크기 및 이미지를 제공 하기 위해 결과 계산 하는 최적의 귀 귀의 위치 아마도 몇 가지 사소한 조정 같은 것. 제시 프로토콜에서 이미지 기반 귀 밀도 달성된 최대한 정확도 추정 및 수동 상관된 최고 카운트 이미지 곡물 작물 노화 색깔의 손실 귀착되는 때 나중의 성장 단계에서 캡처한 이미지에 비해 수율 및 조명 자르기 캐노피의 나머지와 귀 사이의 대조. 이 더 높은 온도 또는 귀23; 전에 나뭇잎과 줄기 senesce 일으킬 수 있는 전형적인 지중해 조건에서 특히 일반적, 곡물의 나중 부분에서 낮은 물 가용성의 결과 수 있습니다. 이 대조 귀, 잎, 및 토양 사이의 분리의 효과 대 한 필수적입니다. 이미 노란 귀와 지나치게 성숙 또는 노화 캐노피, 다른 이미지 요소 사이의 대조 귀 계산에 적합 하지 않습니다. 따라서, 다른 기후에서 최적의 타이밍 노화 증상 중 물 스트레스 라면 약간 달라질 수 있습니다.

도 불구 하 고 필드 조건에서 데이터 수집 필요 햇빛 조명 각도 햇빛 같은 환경 조건에 세심 한 관심, 여기에 제시 된 강력한 이미지 분석 알고리즘 제공 이미지 캡처에 좀 여유 공간 기술을 사용 하 여 이미지 반사율 효과, 무시는 올바른 이미지 노출 이미지 캡처;의 순간에 특정 조명 조건에 대 한 사용 되었다 창 자동 설정 그 점에서 잘 했습니다. 이전 작품에서 풀러 조명 효과의 테스트 했습니다, 나타내는 빛의 효과 관해서는 오류의 유일한 주요 소스 이미지에 강한 그림자의 생산 초기 또는 하루 늦게 직접적인 햇빛에 있는 이미지를 캡처할 때 태양14의 각도 때문. 첫 번째 두 개의 이미지 필터 응용 프로그램 또한 이미지;의 어떤 배경 구성 요소를 감소 시키고 있는 동안 (비록 하지 통해 카메라 노출 과도) 초과 조명에서 어떤 명백한 효과 최소화 하는 데 도움이 동시에 이러한 필터도 기여할 스무 딩 및 소음 감소, 후속 찾을 맥시 마에는 보좌관의 둘 다23,24처리. 따라서, 자연 조명 요인 때 이미지는 직접에서 확산 조명 조건에서 이것은 주로 감소 시키기 위하여 보다는 오히려 태양의 각도 등, 설명 되어야 하는 동안 오류 관련 그림자 유물.

또한, 제시 프로토콜 및 곡물 수확량에서 알고리즘 귀 수 간의 상관 관계 했다 더 큰과 같은 수동 (필드 기반) 귀 수 실험11이 프로토콜은 요구를 지 원하는 것 보다 더 중요 한 뿐만 아니라 더 정확 하지만, 또한 더 귀 밀도의 평가 위한 표준화 된 프로토콜으로 일관 된. 특히에 여기 제시 되지, 하는 동안 유사한 데이터 캡처 및 처리 기술을 휴대 전화를 사용 하 여 가능한 것 처럼 보인다, 공중 또는 다른 자동화 된 플랫폼으로 그들은 꽤 잘에서 수행 시뮬레이션 감소 이미지 해상도. 그레이 스케일 감소 (대 한 빠른 이미지 처리)와 (다른 카메라 또는 UAVs의 응용 프로그램)에서 줄어든된 해상도 이미지 시뮬레이션에 대 한 추가 테스트는 첫 번째 필터14 전에 이미지 변환을 적용 하 여 실시 되었고 제안 최적의 조건에서 처리 시간이 줄어들 수 있습니다 이러한 방법으로 정밀도의 손실 없이. 가능한 미래 방향에 대해서만 여기에 제시 된 이미지 처리 알고리즘의 활용 VHR RGB 색상 데이터 (인간의 눈과 유사), 카메라에 의해 캡처됩니다 있지만 다른 잠재적인 개선 하이브리드 색상 변환에서 발생할 수 있습니다. 공간, 색조-채도-강도, 또는 함께 multispectral 등 열, 다른 고급 과학 센서 데이터 융합을 통해 최근 더 저렴 한 되고있다와 귀 밀도 개선 위한 잠재력을 제공 의견, 하지만 아마도 다른 성장 단계에서 또는 다른 필드 조건에서.

요약 하자면,이 프로토콜의 구현에 대 한 중요 한 단계 포함 먼저 적절 한 년 조건과 환경, 작물의 작물 Zadoks' 규모와에서의 성장 단계 60-87에에서 있을 때 최적의의 시간에 대 한 계획 태양 정오에 확산 조명 조건 또는. 또한, 디지털 이미지의 수집 카메라 앵글, 캐노피, 거리에 대 한 제어 방식으로 회계 및 각 이미지에 대 한 카메라 초점에서 실시 한다. 마지막으로, 최적화 된 컴퓨터 처리 옵션 처리 코드 파이프라인 재현에 대 한 세부 사항에 제시 하거나 저자 한 원래의 코드 또는 그래픽 사용자 인터페이스 (GUI) 피지, 플러그인에 즉, 통합 하는 코드는 CerealScanner입니다.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

저자는 공개 없다.

Acknowledgments

콜 메 르 나 드 Oreja (아 랑 페 즈) Instituto Nacional de Investigación y 기술과 Agraria y 섬유 (INIA) 및 Zamadueñas (바 야 돌 리드)의 실험 역에 현장 관리 직원을 감사 하 고 싶습니다이 연구의 저자는 Instituto de 기술과 Agraria 데 카스 티 야와 레온 (ITACyL) 연구 연구 작물 분야 지원에 대 한 사용. 이 연구는 MINECO, 스페인, Syngenta, 스페인과 협력 프로젝트의 일부에서 연구 프로젝트 AGL2016-76527-R에 의해 지원 되었다. BPIN 2013000100103 친교는 "중동 드 Talento Humano 드 알토 수준, Gobernación 델 Tolima-대학 델 Tolima, 콜롬비아"에서 첫 번째 저자 호세 아 르만 페르난데스-Gallego에 대 한 지원 자금 단독 이었다. 해당 작가, 숀 C. Kefauver의 기본 자금 소스 교수 호세 루이스 Araus에 게 수 여 하는 부여를 통해 ICREA 학계 프로그램에서 왔다.

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).
곡물 작물 귀 필드에서 조건 방들은 RGB 이미지를 사용 하 여
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