Login processing...

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

Environment

Korn beskjære øret telling i feltet betingelser ved hjelp av Zenithal RGB-bilder

doi: 10.3791/58695 Published: February 2, 2019

Summary

Vi presenterer en protokoll for opptelling durumhvete hvete og bygg ører, med naturlige farge (RGB) digitale fotografier tatt i naturlig sollys under feltforhold. Med minimal justeringer for kameraet parametere og noen miljøtilstand begrensninger gir teknikken nøyaktig og konsekvent resultater gjennom en rekke vekst stadier.

Abstract

Øret tetthet eller antall ører per kvadratmeter (ører/m2), er sentralt i mange korn beskjære formering som hvete og bygg, representerer en viktig Agronomisk avkastning komponent for å estimere korn avkastning. Derfor en rask, effektiv og standardisert teknikk for å vurdere øret tetthet vil hjelpe med å forbedre landbruket ledelse, gir forbedringer i grønnsakdistribusjon gir spådommer, eller kan også brukes som et verktøy for å beskjære avl når det er definert som en egenskap av betydning. Ikke bare er de gjeldende teknikkene for manuell øret tetthet vurderinger arbeidskrevende og tidkrevende, men de er også uten alle offisielle standardiserte protokoller, enten ved lineær meter, området kvadrant, eller en ekstrapolering basert på anlegget øret tetthet og plante teller kombinasjonen. Automatisk øre teller algoritmen er presentert i detalj for estimering øret tetthet med bare sollys belysning i feltforhold basert på zenithal (nadir) naturlige farger (rød, grønn og blå [RGB]) digitale bilder, slik at høy gjennomstrømming standardisert målinger. Forskjellige feltforsøk durumhvete og bygg fordelt geografisk over Spania under 2014/2015 og 2015/2016 beskjære sesonger i vannet og rainfed forsøk ble brukt til å gi representant resultater. Trefaset protokollen inneholder beskjære vekst stadium og feltet tilstand planlegging, image fange retningslinjer og en datamaskin algoritme av tre trinn: (i) en Laplacian frekvens filter fjerne lav - og høyfrekvent gjenstander, (ii) en median filter for å redusere høyt støy, og (iii) segmentering og telle bruker lokale maxima topper til finalen teller. Mindre justeringer til algoritmen koden må gjøres tilsvarende kamera oppløsning, brennvidde og avstanden mellom kameraet og beskjære kalesjen. Resultatene viser en høy suksessrate (høyere enn 90%) og R2 -verdier (på 0,62-0,75) mellom algoritmen teller og manuell bildebasert øret teller for både durumhvete og bygg.

Introduction

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

Verden frokostblanding utnyttelse i 2017/2018 rapporteres utvide med 1% fra året1. Basert på de nyeste spådommene for korn produksjon og befolkningen utnyttelse, verden frokostblanding aksjer vil øke gir raskere for å møte økende krav, mens også tilpasse seg øker effekter av klima endring2. Det er derfor en viktig fokus på ytelse forbedring i frokostblanding avlinger gjennom forbedret beskjære formering teknikker. To viktigste og høstet korn i Middelhavsregionen er valgt som eksempler på denne studien, nemlig, durumhvete (Triticum aestivum L. ssp. durumhvete [Desf.]) og bygg (Hordeum vulgare L.). Durumhvete er dermed mest dyrket korn i Sør og Øst margene i middelhavsområdet og er 10 viktigste beskjære over hele verden, på grunn av sin årlige fremvisning av 37 millioner tonn årlig3, mens bygg er den fjerde globale korn i forhold til produksjon, med en global produksjon på 144,6 millioner tonn årlig4.

Fjernmåling og proksimale bilde analyseteknikker er stadig viktige verktøy innen feltet høy gjennomstrømming anlegget phenotyping (HTPP) som de ikke bare gi mer fleksibelt, men også ofte, mer nøyaktig og konsekvent tilgang på målet beskjære biophysiological egenskaper, for eksempel vurderinger av fotosynteseaktiviteten aktivitet og biomasse, preharvest gir estimater og selv forbedringer i egenskapen heritability, som effektivitet i ressurs bruk og opptak5,6,7 ,8,9. Fjernmåling har tradisjonelt fokusert på multispectral hyperspektral og thermal imaging sensorer antenne plattformer for presisjon landbruk på Feltskalaen eller plante phenotyping studier ved microplot skalere10. Felles, kommersielt tilgjengelige digitale kameraer som måler bare synlig reflektert lys var ofte oversett, til tross for deres svært høy romlig oppløsning, men har nylig blitt populære nye innovative bildebehandling algoritmer er stadig stand Dra nytte av detaljerte farge og romlig informasjon som de leverer. Mange av de nyeste innen avansert landbruket bilde analyser stadig stole på tolkningen av data svært høy oppløsning (VHR) RGB-bilder (for deres måling av rød, grønn og blå synlig lys refleksjon), inkludert Beskjær overvåking (vigor, phenology, sykdom vurderinger og identifikasjon), segmentering og kvantifisering (fremveksten, øret tetthet, blomst og frukt teller) og med full 3D rekonstruksjoner basert på en ny struktur fra bevegelse arbeidsflyter11.

En av de viktigste punktene for forbedring i frokostblanding produktivitet er en mer effektiv vurdering av avkastning, som bestemmes av tre hovedkomponenter: øre tetthet eller antall ører per kvadratmeter (ører/m2), antall korn per øret, og tusen-kjernen vekt. Øret tetthet kan fås manuelt i feltet, men denne metoden er arbeidskrevende, tidkrevende, og mangler i en enkelt standardisert protokoll, som sammen kan medføre en betydelig kilde til feil. Omfatter automatisk telling av ørene er en utfordrende oppgave fordi komplekse beskjære strukturen, nær anlegget avstand, høy grad av overlapping, bakgrunnselementer og tilstedeværelsen av awns. Nyere arbeid har avanserte i denne retningen ved å bruke en svart bakgrunn struktur støttes av et stativ for å skaffe passende beskjære bilder, demonstrere ganske gode resultater i øret teller12. På denne måten, sollys og skyggeeffekter ble unngått, men slik struktur er tungvint og en stor begrensning i et program til feltforhold. Et annet eksempel er automatisk øre teller algoritme utviklet et helautomatisk phenotyping system med en rigid motorisert Pack, som ble brukt med god nøyaktighet for opptelling øret tetthet i et panel bestående av fem awnless brød hvete (Triticum aestivum L.) varianter som vokser under forskjellige nitrogen forhold13. Nyere arbeider av Fernandez-Gallego14 har optimalisert denne prosessen for enklere datafangst, bruker VHR RGB-fargebilder etterfulgt av mer avansert, men fortsatt fullt automatisert, bilde analyser. Effektiv og høy kvalitet datainnsamling i feltforhold understreker en forenklet standardisert protokoll for konsistensen og høy fangst gjennomstrømning, mens bildebehandling algoritmen bruker romanen bruk av Laplacian og frekvens domene filtre for å fjerne uønskede bildekomponenter før en segmentering for opptelling basert på å finne lokale maxima (i motsetning til full avgrensning i andre tidligere studier som kan resultere i mer feil med overlappende ører).

Dette arbeidet foreslår et enkelt system for den automatiske kvantifiseringen av øret i feltforhold, bruker bilder fra kommersielt tilgjengelige digitalkameraer. Dette systemet tar nytte av dagslys i feltet forhold, og derfor krever vurdering av noen relaterte miljømessige faktorer, som tid av dag og cloud, fortsatt men, enkel å implementere. Systemet har vist på eksempler for durumhvete og bygg men skal utvides i programmet til brød hvete, som i tillegg stiller ører med lignende morfologi, er ofte awnless, men ytterligere eksperimenter vil være nødvendig for å bekrefte dette. I data fange protokollen presenteres her, zenithal bilder er tatt ved å holde kameraet for hånd eller med en monopod for posisjonering digitalkameraet over avlingen. Valideringsdata kan skaffes ved å telle ørene manuelt subplots i feltet eller under postprosessering, ved å telle ører i selve bildet. Bildebehandling algoritmen består av tre prosesser som først effektivt fjerner uønskede deler av bildet på en måte som deretter gir den påfølgende segmenteringen og telling av personlige hvete ears i ervervet bilder. Først en Laplacian frekvens filter brukes for å registrere endringer i ulike romlige retninger av bildet med standard ImageJ filterinnstillingene uten vindu kjernen størrelsesjusteringer (Finne Maxima segmentering teknikk bestemmer den lokale topper etter median romlige filter trinn, hvilken etappe bildepunktene med ører har høyere bildepunktverdier enn jord eller blader. Derfor finne Maxima brukes til å segmentere den høye verdier i bildet, og disse områdene er merket som ører, som identifiserer ørene samtidig redusere overlappende øret feil. Analysere partikler brukes deretter på binære bilder å telle og/eller måle parameterne fra regionene skapt av kontrasten mellom hvite og svarte overflaten opprettet steg finne Maxima. Resultatet blir deretter behandlet for å opprette en binære bildesegmentering ved å analysere nærmeste nabo pixel variansen rundt hvert lokale maksimalt å identifisere hvete øret figurene i filtrert bildet. Til slutt, øret tetthet telles med analysere partikler, som gjennomføres i Fiji15. Både finne Maxima og analysere partikler er frittstående funksjoner og tilgjengelig som plugins i Fiji (https://imagej.nih.gov/ij/plugins/index.html). Men ikke presentert i protokollen her, foreslår foreløpige resultatene presentert som supplerende materiale at denne teknikken kan være tilpasses gjennomfører øret antall undersøkelser fra ubemannet antenne kjøretøyer (UAVs), forutsatt at oppløsningen fortsatt tilstrekkelig høy14.

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 avling vekst stadium og miljøforhold

  1. Kontroller at beskjære vekst scenen er ca mellom korn fylling og beskjære modenhet, med ører det er fortsatt grønt selv om bladene er senescent (som tilsvarer ved hvete til området 60-87 Zadoks' skala16). Noen gulfarging av bladene er akseptabel, men ikke nødvendig.
  2. Forberede en prøveplan for bildebehandling med ulike replikat (bilder per tomten) å fange tegneområdet/variasjon; bildebehandling algoritmen vil telle antall ører i bildet og konvertere som ørene per kvadratmeter (ører/m2) basert på kameraet spesifikasjoner.
  3. Planlegge feltet utflukter for å fange opp bilder innen to timer av solenergi formiddag eller alternativt på en overskyet dag i diffus lysforhold for å unngå de negative effektene av øret skygge på øret teller algoritme.
  4. En gang i feltet sjekk toppen av avling kalesjen å sørge for at det er tørt for å unngå speilende lyset refleksjon fra fuktighet.
    Merk: I vurderer målene for denne protokollen, er det viktig å først vurdere om veksten scenen av avling er egnet for bruk øret teller. Ta bilder utenfor anbefalte vekst scenen vil enten resultere i suboptimal eller meningsløse resultater (hvis ører ikke er tilstede eller fullt dukket opp). Bildekvalitet også har en betydelig innvirkning på behandler resultatene, inkludert oppløsning, sensorstørrelse og noen miljømessige forhold, som tid på dagen og Sky, må vurderes nøye før du fortsetter med bildebehandling.

2. image fange i feltforhold med naturlig lys

  1. Forberede en "phenopole" som vist i figur 1 eller lignende oppkjøpet system (selv handheld) å ta bilder raskt og ennå i en standardisert og konsekvent måte på hver tomt eller mål sted.

Figure 1
Figur 1 : Øre teller systemet. Øret teller system som bruker "phenopole" vises i feltet til venstre, med en fjernstyrt naturlige farge (RGB) stor sensor og høy oppløsning digitalkamera system med kameravinkel og høyde, som angir de nødvendige parameterne for justering av bildebehandling algoritme. Sensor og bilde oppløsning oppdages automatisk av bildeegenskapene, mens brukeren taste inn detaljene for brennvidde objektivet og avstanden fra kalesjen. Dette er nødvendig å justere algoritmen for beregnet antall piksler per øret og konvertering av bildebasert totale øret greven øret tetthet (ører/m2). Derfor er det anbefalt å bruker samme kameraet og linsen brennvidde på alle felt bilder. Klikk her for å se en større versjon av dette tallet.

  1. Plasser kameraet på en egnet monopod eller "selfie" pole slik at den kan opprettholdes nivå, enten bruker nivå bobler eller et kamera stabilization system, hente zenithal bilder.
  2. Bruke en mobiltelefon, tavle eller en annen enhet for å koble kameraet for begge fjernkontroll image fange og image visualisering best resultat med riktig fokusert bilder. Programmet kameraet for autofokus for å redusere feil i tilfelle brukeren ikke er kjent nok med deres kamera eller fotografering teknikker for å angi riktig manuell fokus, som demonstrert av eksempler på zenithal bilder med riktig fokus og eksponering i Figur 2.

Figure 2
Figur 2 : Zenithal beskjære bildene. Durumhvete og bygg øre zenithal bilder for øret teller datasett eksempler med et akseptabelt stadium av vekst og senescence fra ca 61 til 87 etter Zadoks' skala. (Venstre) Durumhvete hvete zenithal bilde datasett eksempel. (Høyre) Bygg zenithal bilde datasett eksempel. Klikk her for å se en større versjon av dette tallet.

  1. Legg merke til hvor bildet før bildeoppløsning for å matche bildene riktig med feltet tomter. Registrere ett bilde av generelle feltet området i starten og ett bilde av bakken/feltet mellom blokker for postprosessering kontroller.
  2. Plasser kameraet på ca 80 cm over toppen av avling baldakinen, ved hjelp av en hersker eller måler streng regelmessig sjekke kameraet høyden over kalesjen. Kontroller at kameraet er nivå og lagre avbildningen. Denne teknikken krever 1-2 researcher(s).
  3. Hvis tilleggsfelt øret telle validering er ønskelig fra en manuell bilde teller validering, installere filtypen armen til rammen (f.eks en liten sirkel) og plasser den i midten av bildet for å utføre manuell feltet Antall et nøyaktig bilde delsett; Denne teknikken krever 2-3 personer til å implementere.
    Merk: Tre major hensyn i velge et kamera, derfor inkluderer: (1) kamera Spesifikasjoner; i dette tilfellet sensoren fysiske størrelse; (2) brennvidden på objektivet bildet; (3) avstand mellom kalesjen og kameraet: mindre avstanden eller større zoom objektiver vil fange et mindre område mens bilder tatt fra en større avstand vil fange en større beskjæringsområdet. Se figur 1 for detaljer på relevant kamera spesifikasjoner.

3. Algoritmeimplementeringen og justeringer

Merk: Her vi presenterer algoritmen implementering og justeringer for forskjellige kamera Spesifikasjoner (sensorstørrelse, megapiksler, brennvidde, avstand beskjære) og beskjære (durumhvete eller bygg) for automatisk øret opptelling. En oversikt over algoritmen er presentert grafisk i Figur 3.

Figure 3
Figur 3 : Bildebehandling rørledningen for to rader Bygg øret opptelling. Bildebehandling rørledningen for to rader Bygg øret teller som implementert ved hjelp av datamaskinen koden eller CerealScanner programvaren, begge operere innenfor Fiji (ImageJ). Kontrollpanel 1 viser det opprinnelige bildet. Panelet 2 viser resultatene av programmene i Laplacian filteret. Panelet 3 viser programmet median filter, og panelet 4 viser resultatene av den endelige finne Maxima og segmentering for å produsere den endelige øre tellingen. Beregningene gjøres deretter konvertere bildet greven øret tetthet, som vist i figur 1. Disse bildene er et eksempel fra webområdet Arazuri feltet (Reus, 42 ° 48' 33,9" N 1 ° 43' 37,9" W) i diffuse lysforhold. Klikk her for å se en større versjon av dette tallet.

  1. Last ned og Installer Fiji, Java 8, og behandlingskoden eller University of Barcelonas proprietære CerealScanner plugg (https://fiji.sc/, https://www.java.com/en/download/, og https://integrativecropecophysiology.com/software-development/cerealscanner/ [informasjon] eller https://gitlab/sckefauver/CerealScanner [koden oppbevaringssted]); Kontakt tilsvarende forfatterne for tillatelser. Plugin er installert i Fiji ved å kopiere den inn i plugins-mappen.
  2. Åpne plugin fra toppmenyen gjennom Plugins > CerealScanner > Åpne frokostblanding skanner.
    Merk: Bortsett fra arbeidet presentert her, CerealScanner plugin inkluderer flere forskjellige RGB-baserte vegetasjon indekser relatert til beskjære vigor, stress eller klorofyll17,18. Delen for bestemte CerealScanner inneholder spesielle algoritmer for Tidlig Vigor (Fernandez-Gallego, i gjennomgang), Øret teller14og Beskjære Senescence19, som vist i Figur 4.
  3. Hvis de er forskjellige fra standardverdiene (se figur 1 og Figur 4 for detaljer), angir du innstillingene av kamera Spesifikasjoner og fange bildedetaljer.
    1. Justere parameteren algoritme for kamera brennvidde.
    2. Justere parameteren algoritme for avstanden fra beskjære kalesjen.

Figure 4
Figur 4 : The CerealScanner 2.12 Beta sentrale kategorien på begge nivåer, merking funksjonen øret teller i samlingen CerealScanner algoritmen. Brukeren må velge den... knappen til høyre i Batch innganger til å velge mappen hvor bildefilene er lagret, endre standardverdiene for H avstand (avstand fra kameraet til toppen av avling kalesjen) og brennvidde, hvis forskjellig fra standard t-verdiene, og velg deretter den...-knappen til høyre i Filen velge navn og plassering av filen endelige resultater. De andre kategoriene av CerealScanner gir algoritmer for trekk-basert phenotyping for Tidlig kraft og utbruddet av forfall som del av CerealScanner koden suite. Under fanen biomasse er det flere algoritmer for beregninger av mer generelle beskjære kraft og biomasse beregninger, også for RGB digitale bilder. Eksempelet refererer til to rader bygg, som det ble vist i detalj i Figur 3. Klikk her for å se en større versjon av dette tallet.

Figure 5
Figur 5 : Algoritmen justeringer. Justeringer kreves i bildebehandlingen rørledning for å kunne telle både hvete og bygg ører med den samme algoritmen behandles automatisk som en del av kamera-spesifikke H avstand (avstanden mellom kameraet og beskjære kalesjen) og brennvidde og tjene til å sikre at antall piksler per øret forblir mer eller mindre konstant mellom ulike programmer. Klikk her for å se en større versjon av dette tallet.

  1. Velg kategorien Midtstill CerealScanner og påfølgende sentrale kategorien Øret teller for å beregne antall ører i hvert bilde til et feltet datasett.
    1. Under Alternativer, angi i Batch innganger, plasseringen av bilder for å analysere.
    2. I Resultater-filer, velger du hvor du vil lagre filen. Filen vil inneholde to kolonner med filnavnet på bildet og øret telling resultater.
    3. Til slutt, klikk på prosessen, og filen med øret tettheten i kvadratmeter (ører/m2), med et enkelt forhold med kamerainnstillingene og avstanden mellom baldakin og kameraet for å konvertere bildeområdet til et faktisk baldakin område i square meter etter figur 1, vil bli automatisk produsert i noen minutter, avhengig av datamaskinens hastighet.
  2. Gjennomføre en etterbehandling validering etter datainnsamling ved manuelt å telle antall hvete eller bygg ører i bildet og deretter konvertere dette til antall ører per kvadratmeter (ører/m2), som vist i figur 1, sammenligne den resultatene med de basert på algoritmen.
    1. Bruke enkel punkt plasseringsverktøyet bygget i Fiji, som gir enkel støtte for denne prosessen, og funksjonen Fiji Analysere partikler for å produsere teller automatisk. Dette vises grafisk i figur 6.
    2. Du kan også utføre en validering bruker et lite område sirkelen under feltet datainnsamling som beskrevet i trinn 2.6; manuell teller i feltet og manuell bilde teller i laboratoriet kan deretter brukes for algoritmen validering som vist i figur 7.

Figure 6
Figur 6 : Algoritmen validering bruker manuell i bilde øret teller. Manuell i bilde øret teller (venstre) durumhvete og (høyre) bygg. Små prikker ble opprettet ved hjelp av Fiji Punkt-verktøyet og deretter regnet Analysere partikler funksjonen med en 0.90-1,00 sirkularitet begrensning etter anvender en Terskelverdien farge fra Hue metning Intensitet fargeområde for fargen angitte Punkt-verktøyet. Denne metoden sikrer mer nøyaktig bildebasert manuell øret teller. Klikk her for å se en større versjon av dette tallet.

Figure 7
Figur 7 : Algoritmen validering bruker manuell teller i feltet og manuell i bilde øret teller hvete og bygg, med en sirkel. (Venstre) Hvete bildet greve validering eksempel bruker en sirkel. (Høyre) Bygg bildet greve validering eksempel bruker en sirkel. Delsett grevene av ørene innenfor den hvite sirkelen var regnet ved hjelp av samme teknikk som beskrevet i figur 6 Punkt-verktøyet, Terskelverdien farge, og deretter Analysere partikler funksjon med sirkularitet begrensninger og fargevalg ved hjelp av Hue. Klikk her for å se en større versjon av dette tallet.

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

I Figur 8resultatene viser besluttsomhet koeffisient mellom øret tetthet (antall ører per kvadratmeter) ved hjelp av manuelle telle og øret teller algoritme for hvete og bygg på tre forskjellige beskjære vekst stadier. Den første er durumhvete med en Zadoks' skala mellom 61 og 65 (R2 = 0,62). Den andre er to rader bygg med en Zadoks' skala mellom 71 og 77 (R2 = 0,75), og den siste er durumhvete med en Zadoks' skala mellom 81 og 87 (R2 = 0,75).

Figure 8
Figur 8 : Bestemmelseskoeffisient mellom øret tetthet (antall ører/m2) bruke manuell image-basert maskintelling og bilde algoritmen for øret telling av durumhvete og to rader Bygg på ulike akseptabel beskjære vekst stadier (på Zadoks' skalere 61-87). Begge aksene viser beregningene, inkludert konverteringer til øret tetthet, i stedet for avbildningsbasert resultater bare. Representant resultatene presenteres her for to ulike avlinger over tre forskjellige vekst stadier, samt under forskjellige lysforhold, nemlig direkte sollys bilder av durumhvete på Zadoks' skalere 61-65 på toppen (R2 = 0,62, n = 72), diffus lys bilder av Bygg på Zadoks' skala 71-77 i midten (R2 = 0,75, n = 30), og diffuse lysforhold for durumhvete på Zadoks' skala 81-87 nederst (R2 = 0,75, n = 24). Et eksempel bilde av hver vises også som en innsats i nedre høyre hjørne av hvert enkelt diagram. Klikk her for å se en større versjon av dette tallet.

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

Økt fleksibilitet, konsekvens og presisjon er avgjørende for å utvikle nyttige nye phenotyping verktøy for å hjelpe Beskjær-formering samfunnet i arbeidet med å øke korn avkastning til tross for negative presset knyttet til globale klimaendringer. Effektiv og nøyaktig vurderinger av frokostblanding øret tetthet, vil som en Agronomisk hovedkomponenten av avkastning av viktig stift avlinger, hjelpe gir verktøyene som trengs for fôring fremtidige generasjoner. Fokus på forbedring og støtte av avling-avl arbeidet i feltforhold holder denne forskningen og teknikker som presenteres her mer nært knyttet til reelle klima endre scenarier og behovene til avl samfunnet, men også presenterer tekniske problemer. Som sådan, er det viktig å betale nær tilslutning ikke bare datafangst og bildebehandling i denne protokollen, men også anbefalinger for optimal miljøforhold og beskjære vekst stadier for sin vellykkede gjennomføringen11. Som en viktig agronomical del avkastning, er øret tetthet betraktet en av de viktigste mål trekkene i push for økende frokostblanding avlinger (se artikkelen av Slafer et al.20 og referanser der). Fokus i denne protokollen mot et optimalt kostnadseffektiv, fleksibel og enkel phenotyping teknikk vurderer at disse aspektene av protokollen er nøkkelen til sin adopsjon og gjennomføring av avl samfunnet generelt. Derimot relaterte tidligere studier med lignende mål på vurdere øret tetthet eller andre avkastning komponent kvantifisering har brukt mer involvert datafangst og miljøkontroll strukturer, for eksempel vedlagt strukturer og fast kamera støtter eller kunstig lys innganger, som effektivt hindrer praktisk anvendelse under feltforhold og implementering i faktiske avl programmer12,20,22.

Derfor har vi presentert her en detaljert protokoll som er resultatet av tester ulike ulike teknikker i en iterativ optimaliseringsprosessen, som resulterer i en enkel, men effektiv image fange datametode krever bare en kommersielt tilgjengelig, moderat høyoppløselig RGB digitalkamera og en rudimentær "phenopole" for å holde kameraet over beskjære kalesjen. Andre forsøk på bildet-filtrering basert på RGB-farge eller alternative fargeområder, som Nyanse-metning-intensitet eller CIELAB, var ikke like effektiv eller konsekvent som bruk av Laplacian og median frekvens domene filtre fjerner uønskede bildeelementer, spesielt awns. Vi har utviklet image capture rørledningssystemet med ulike elementer, noe som lett kan justeres med mindre endringer i bildebehandling algoritmen gjennomføringen. I case-studier som presenteres her, har vi brukt to forskjellige kompakt kamera med relativt store sensorer og 20,1 megapiksler (MP) og 16,0 MP oppløsning for å ta bilder med vidvinkelobjektiver 16-20 mm fra en avstand på 80 cm fra beskjære kalesjen. Dette har vist seg mer enn nok å produsere detaljert baldakin bygg og hvete informasjon, med simuleringer demonstrere at teknikken opprettholder høye nivåer av presisjon ned til ca 8 MP14 (med tilsvarende objektiver og avstander fra den kalesjen).

Selv om konsekvens og presisjon av presentert bildebehandling teknikker avhenger miljøforhold og phenological scenen ved bildeoppløsning, viser algoritmer lover å gi en robust ytelse i sin søknad til forskjellige små-korn korn, inkludert durumhvete og brød hvete og to rader og seks rad Bygg varianter. Mens denne algoritmen har ennå å bli fullt testet, ville bildet fange den samme, med kanskje noen små justeringer med hensyn til relative størrelsen og plasseringen av øret i bildene for å sørge for optimal øret telling resultater. I presentert protokollen, bildebasert øret tetthet anslår oppnådde maksimal nøyaktighet og korrelerte beste med manuell bilde teller og korn avkastning i forhold til bilder tatt på vekst fasen når beskjære senescence resulterte i tap av farge og belysning kontrasten mellom resten av avling kalesjen og ørene. Dette kan være et resultat av høyere temperaturer eller lavere tilgangen på de senere delene av korn fyller, som er spesielt vanlig i typisk Middelhavet forhold, som kan forårsake bladene og culm til senesce før ørene23; Denne kontrast er avgjørende for effektiviteten av avstanden mellom ørene, bladene og jord. I altfor modne eller senescent kalesjer med ørene allerede gul er kontrasten mellom de ulike bildeelementer ikke tilstrekkelig for øret opptelling. Som sådan, i andre klima, kan optimale tidspunktet være litt forskjellige hvis det er ingen vann stress under senescence utbruddet.

Selv om datainnsamling i feltforhold krever nøye slik miljøforhold som sollys intensitet og sollys belysning vinkler, gir robust bildet analyse algoritmen presenteres her litt spillerom i image fange vinduet ved hjelp av romlige teknikker som ignorere albedo bildeeffekter, gitt at den riktige bildeeksponeringen brukte bestemt lysforholdene i øyeblikket av image fange; automatiske innstillinger har fungert bra i respekt. I tidligere arbeid, ble en fyldigere rekke lyseffekter testet, som angir at den eneste større kilden feil med hensyn til lyseffekter er produksjon av sterke skyggene i bildet når du tar bilder i direkte sollys tidlig eller sent på dagen , på grunn av vinkelen på sun14. De første to bilde filter programmene hjelpe for å minimere eventuelle åpenbare effekter fra overflødig belysning (men ikke via kameraet overeksponering) samtidig redusere noen bakgrunn komponenter av bildet; samtidig, disse filtrene også bidra til utjevning og bråk reduksjon, begge som rådgiver i den påfølgende finne Maxima behandle23,24. Derfor, mens naturlig belysning faktorer må bli redegjort for, for eksempel vinkelen av solen når bildene er tatt i direkte i stedet for under diffus lysforhold, dette er hovedsakelig for å redusere feil knyttet til skygge gjenstander.

Videre sammenhenger mellom algoritmen øret teller fra presentert protokollen og korn avkastningen var større og mer betydningsfulle enn manuell (feltbaserte) øret teller av samme eksperimentere11, som støtter påstanden om at denne protokollen er ikke bare mer nøyaktig, men også mer konsekvent som en standardisert protokoll for vurderingen av øret. Mens ikke presentert her spesielt, lignende data fangst og prosessering teknikker synes å være mulig bruke mobiltelefon, antenne eller andre automatiserte plattformer som de utfører ganske godt under simulert redusert bildeoppløsninger. Flere tester for gråskala reduksjon (for raskere bildebehandling) og redusert oppløsning bildet simuleringer (fra programmet andre kameraer eller UAVs) ble utført ved å bruke bilde konverteringer før det første filter14 og foreslo at under optimale forhold, saksbehandlingstid kan bli redusert på følgende måter uten tap av nøyaktighet. Som for mulige fremtidige retninger dra bildebehandling algoritmer presenteres her bare nytte av VHR RGB fargedataene som det er fanget av kameraet (ligner på det menneskelige øyet), men andre potensielle forbedringer kan skyldes konvertering til hybrid farge mellomrom, for eksempel Nyanse-metning-intensitet eller gjennom data fusjon i kombinasjon med andre mer avanserte vitenskapelige sensorer, som multispectral eller termisk, som både har blitt rimeligere nylig og tilbyr muligheten for forbedring i øret tetthet vurderingen, men kanskje på ulike vekst stadier eller i ulike forhold.

I sammendraget inkludere kritisk trinnene for gjennomføringen av denne protokollen først og fremst riktig planlegging for år og miljøforhold av avling, som er optimale når avlingen er i vekst fase 60-87 av Zadoks' skala og enten på Solar noon eller i diffuse lysforhold. Videre bør oppkjøp av digitale bilder gjennomføres på en kontrollert måte regnskap for kameravinkel, avstand fra kalesjen og kameraet fokus for hvert bilde. Endelig optimalisert PC-behandlingsalternativer presenteres i detalj for gjengivelse rørledningen behandling koden, eller kontakte forfatterne for den opprinnelige koden eller koden integrert som et grafisk brukergrensesnitt (GUI) i en plug-in for Fiji, nemlig de CerealScanner.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Forfatterne ikke avsløre.

Acknowledgments

Forfatterne av denne forskningen ønsker å takke de felt ledelse på eksperimentell stasjonene Colmenar de Oreja (Aranjuez) av Instituto Nacional de Investigación y Tecnología Agraria y Alimentaria (INIA) og Zamadueñas (Valladolid) av den Instituto de Tecnología Agraria de Castilla y León (ITACyL) for deres feltet støtte forskning studie avlinger brukes. Denne studien ble støttet av prosjektet AGL2016-76527-R fra MINECO, Spania og en del av et samarbeid med Syngenta, Spania. BPIN 2013000100103 fellesskap fra den "Formación de Talento Humano de Alto Nivel, Gobernación del Tolima - Universidad del Tolima, Colombia" var den eneste finansiering støtte for den første forfatteren Jose Armando Fernandez-Gallego. Den primære finansieringskilden tilsvarende forfatteren, Shawn C. Kefauver, kom fra ICREA akademia programmet gjennom et tilskudd til professor Jose Luis Araus.

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).
Korn beskjære øret telling i feltet betingelser ved hjelp av Zenithal 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