Login processing...

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

Environment

Condições de cereais orelhão contando em campo usando imagens RGB zenital

doi: 10.3791/58695 Published: February 2, 2019

Summary

Apresentamos um protocolo para contar com orelhas de cevada e trigo duro, usando cor natural (RGB) digital fotografias tiradas na luz natural do sol em condições de campo. Com ajustes mínimos para os parâmetros da câmera e algumas limitações de condições ambientais, a técnica fornece resultados precisos e consistentes em uma variedade de estágios de crescimento.

Abstract

Densidade de orelha, ou o número de ouvidos pelo medidor quadrado (orelhas/m2), é um foco central em muitos campos de cereais programas, tais como trigo e cevada, que representa um componente importante de rendimento agronómico para estimar o rendimento de grãos de criação. Portanto, uma técnica rápida, eficiente e padronizada para avaliar a densidade de orelha ajuda na melhoria da gestão agrícola, proporcionando melhorias nas previsões de rendimento pré-colheita, ou até mesmo poderia ser usada como uma ferramenta para colheita de reprodução quando foi definido como uma característica de importância. Não só são as técnicas atuais para orelha manual avaliações de densidade trabalhosas e demoradas, mas eles também são sem qualquer protocolo padronizado oficial, seja por metro linear, quadrante da área, ou uma extrapolação com base na densidade de orelha de plantas e vegetais contagens de pós-colheita. Uma orelha automática contagem algoritmo é apresentada em detalhe para estimar a densidade de orelha com apenas luz solar iluminação em condições de campo com base na cor natural zenital (nadir) (vermelho, verde e azul [RGB]) imagens digitais, permitindo alta produtividade medidas padronizadas. Diferentes ensaios de campo de trigo duro e cevada distribuídos geograficamente em Espanha durante a 2014/2015 e 2015/2016 temporadas de colheita em regadio e sequeiro ensaios foram utilizados para fornecer resultados representativos. O protocolo de três fases inclui estágio de crescimento de colheita e planejamento de condição de campo, diretrizes de captura de imagem e um algoritmo de computador de três etapas: (i) um filtro de frequência do Laplaciano remover artefatos de baixa e alta-frequência, (ii) um filtro mediano para reduzir o alto ruído e (iii) segmentação e contando com picos máximos locais para a contagem final. Pequenos ajustes para o código do algoritmo devem ser feitos correspondente para a resolução da câmera, distância focal e distância entre a câmera e o dossel da cultura. Os resultados demonstram uma taxa de êxito elevada (superior a 90%) e R2 valores (de 0,62-0,75) entre as contagens de algoritmo e conta com a orelha manual baseada em imagem para o trigo e a cevada.

Introduction

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

A utilização de cereais do mundo em 2017/2018 é relatada a expandir-se em 1% no ano anterior,1. Baseado sobre as mais recentes previsões para utilização população e produção de cereais, cereais do mundo precisam de ações para aumentar a produtividade em um ritmo mais rápido para atender a crescente demanda, enquanto também, adaptando-se a aumentar os efeitos da mudança de clima2. Portanto, há um foco importante na melhoria do rendimento em culturas de cereais, através da melhoria das culturas técnicas de reprodução. Dois dos cereais mais importantes e colhidos na região do Mediterrâneo são selecionados como exemplos para este estudo, ou seja, o trigo (Triticum aestivum L. SSP. durum Desf.) e cevada (Hordeum vulgare L.). O trigo é, por extensão, o cereal mais cultivado nas margens Sul e leste da bacia do Mediterrâneo e é a 10ª mais importantes de culturas em todo o mundo, devido à sua produção anual de 37 milhões de toneladas anualmente3, enquanto cevada é o quarto global grãos em termos de produção, com uma produção global em 144,6 milhões de toneladas por ano4.

Sensoriamento remoto e técnicas de análise de imagem proximal são ferramentas cada vez mais fundamental no avanço da fenotipagem de planta de alta produtividade de campo (HTPP) como não só fornecem mais ágil, mas também, muitas vezes, recuperações mais precisas e consistentes de alvo de culturas traços de biofisiológicos, como avaliações da atividade fotossintética e da biomassa, preharvest estimativas do rendimento e até mesmo melhorias em herdabilidade da característica, tais como a eficiência em recurso uso e captação de5,6,7 ,8,9. Sensoriamento remoto tem tradicionalmente focado multiespectrais, hiperespectrais e sensores de plataformas aéreas para agricultura de precisão na escala de campo ou para estudos de fenotipagem planta no microplot de imagem térmica escala10. Câmeras digitais comuns, comercialmente disponíveis que medem apenas visível luz refletida foram muitas vezes negligenciadas, apesar de sua alta resolução espacial, mas recentemente se tornaram populares como novos algoritmos de processamento de imagens inovadoras são cada vez mais capazes para aproveitar a cor detalhado e informação espacial que eles fornecem. Muitas das inovações mais recentes em análise avançada de imagens agrícolas cada vez mais dependem da interpretação dos dados fornecidos pelo muito de alta resolução de imagens RGB (VHR) (para a medição de reflectância de luz visível vermelha, verde e azul), incluindo a colheita monitoramento (vigor, fenologia, avaliações de doença e identificação), segmentação e quantificação (surgimento, densidade de orelha, contagens de flor e fruta) e reconstruções 3D mesmo completo baseadas em uma nova estrutura do movimento de fluxos de trabalho11.

Um dos pontos mais essenciais para a melhoria da produtividade de cereais é uma mais eficiente avaliação de rendimento, que é determinada por três componentes principais: densidade ou o número de ouvidos pelo medidor quadrado (orelhas/m2), o número de grãos por orelha, da orelha e o peso de mil-kernel. Densidade de orelha pode ser obtida manualmente no campo, mas este método é trabalhoso, demorado, e carente de um único protocolo padronizado, que juntos podem resultar em uma fonte significativa de erro. Incorporando a contagem automática das orelhas é uma tarefa desafiadora devido à estrutura de cultura complexa, perto planta espaçamento, elevado grau de sobreposição, os elementos de fundo e a presença de aristas. Trabalho recente avançou nesta direção, usando uma estrutura de fundo preto, apoiada por um tripé para adquirir imagens de colheita apropriado, demonstrando bastante bons resultados na orelha contando12. Desta forma, efeitos de sombra e luz solar excessiva foram evitados, mas essa estrutura seria pesada e uma grande limitação em um aplicativo para condições de campo. Outro exemplo é uma orelha automática contagem algoritmo desenvolvido utilizando um sistema totalmente automatizado de fenotipagem com um pórtico motorizado rígido, que foi usado com boa precisão para contar com densidade de orelha em um painel composto por cinco trigo pão awnless (Triticum aestivum L.) variedades de crescimento sob azoto diferentes condições13. Trabalho recente por Fernandez-Gallego14 otimizou-se este processo para captura de dados mais rápida e fácil, usando imagens de cor RGB VHR seguidas mais avançadas, no entanto, ainda é totalmente automatizada, análises de imagem. A coleta de dados eficiente e de alta qualidade em condições de campo enfatiza um protocolo simplificado e padronizado para consistência e throughput de captura de dados de alta, enquanto o algoritmo de processamento de imagem emprega o romance de uso do domínio Laplaciano e frequência filtros para remover componentes indesejáveis da imagem antes de aplicar uma segmentação para a contagem baseiam em encontrar local maxima (em oposição a delineação completa como em outros estudos anteriores, que pode resultar em erros mais com orelhas sobrepostos).

Este trabalho propõe um sistema simples para a quantificação automática da densidade de orelha em condições de campo, usando imagens adquiridas de câmera digital comercialmente disponível. Este sistema aproveita-se da luz natural em campo as condições e, portanto, exige a consideração de alguns fatores ambientais relacionados, como hora do dia e nuvem tampa, mas permanece, em vigor, simples de implementar. O sistema foi demonstrado nos exemplos para o trigo e a cevada, mas deve ser extensível no aplicativo com o pão de trigo, que, além de expor as orelhas com morfologia semelhante, são frequentemente awnless, mas experiências mais seria necessárias a fim de Confirme isso. Nos dados de captura protocolo aqui apresentado, zenital imagens são tiradas por simplesmente segurando a câmera com a mão ou usando um monopé para posicionar a câmera digital acima da cultura. Validação de dados pode ser adquiridas através da contagem das orelhas manualmente para subtramas no campo ou durante o pós-processamento, contando as orelhas na imagem em si. O algoritmo de processamento de imagem é composto por três processos que, primeiro, efetivamente removem componentes indesejados da imagem de forma que, em seguida, permite a segmentação subsequente e contagem das espigas de trigo individuais nas imagens adquiridas. Primeiro, um filtro de frequência do Laplaciano é usado para detectar alterações nas diferentes direções espaciais da imagem usando as configurações de filtro padrão ImageJ sem ajustes de tamanho janela do kernel (técnica de segmentação deEncontrar Maxima determina o picos locais após a etapa de filtragem espacial mediano, em qual estágio os pixels relacionados com orelhas têm valores de pixel maiores do que o solo ou folhas. Portanto, encontrar Maxima é usado para segmentar os valores altos na imagem, e nessas regiões são rotuladas como orelhas, que identifica as orelhas enquanto também reduz erros de orelha sobrepostos. Analisar partículas é usado nas imagens binárias para contar e/ou medir os parâmetros das regiões, criados pelo contraste entre a superfície branca e preta, criado por etapa a encontrar Maxima. O resultado é então processado para criar uma segmentação de imagem binária através da análise da variância de pixel vizinho mais próxima ao redor de cada máximo local para identificar as formas de orelha do trigo na imagem filtrada. Finalmente, a densidade de orelha é contada analisar partículas, conforme implementado no Fiji15. Tanto encontrar Maxima e analisar as partículas são funções autônomas e disponível como plugins em Fiji (https://imagej.nih.gov/ij/plugins/index.html). Embora não apresentado especificamente no protocolo aqui, resultados preliminares apresentados como material suplementar sugerem que essa técnica pode ser adaptável para levar a cabo inquéritos de contagem orelha de veículos aéreos não tripulados (UAVs), desde que a resolução continua a ser suficientemente 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. prefield a fase de crescimento das culturas e das condições ambientais

  1. Certifique-se de que o estágio de crescimento de colheita é aproximadamente entre o enchimento de grãos e perto de maturidade de colheita, com orelhas que são ainda verdes, mesmo se as folhas são senescentes (que corresponde, no caso de trigo ao intervalo 60-87 de escala16 dos Zadoks). Alguns amarelecimento das folhas é aceitável, mas não necessário.
  2. Preparar um plano de amostragem para captura de imagem com várias repetições (fotos por parcela) a fim de capturar a variabilidade/área de plotagem; o algoritmo de processamento de imagem irá contar o número de ouvidos na imagem e convertê-lo para os ouvidos pelo medidor quadrado (orelhas/m2) com base nas especificações da câmera.
  3. Planeje as excursões de campo para capturar as imagens dentro de duas horas de meio-dia solar ou, alternativamente, em um dia nublado em condições de iluminação difusa, a fim de evitar os efeitos negativos de sombreamento de ouvido na orelha algoritmo de contagem.
  4. Uma vez no campo, verificar a parte superior do dossel da cultura para certificar-se de que está seco, para evitar a reflexão especular da luz da umidade.
    Nota: Considerando os objectivos do presente protocolo, é importante de considerar primeiro o estágio de crescimento da cultura é apropriado para a aplicação de contagens de orelha. Captura de imagens fora da fase de crescimento recomendado também resultará em qualidade inferior ou em resultados sem sentido (se as orelhas não são totalmente emersa ou presente). Qualidade da imagem também tem um considerável impacto no tratamento dos resultados, incluindo a resolução e tamanho do sensor e algumas condições ambientais, como hora do dia e nuvem tampa, precisam ser cuidadosamente considerados antes de prosseguir com a captura de imagem.

2. captura de imagem em condições de campo, com luz natural

  1. Preparar um "phenopole", como mostrado na Figura 1 ou um sistema de aquisição semelhantes (mesmo portátil) para capturar imagens rapidamente e ainda em um padronizado e consistente maneira em cada parcela ou local de destino.

Figure 1
Figura 1 : Conta o sistema da orelha. Orelha, conta o sistema usando o "phenopole", mostrado no campo da esquerda, com um grande sensor de cor natural controlado remotamente (RGB) e sistema de câmera digital de alta resolução com a câmera inclinação e altura, indicando os parâmetros necessários para ajustar o algoritmo de processamento de imagem. A resolução do sensor e a imagem são detectados automaticamente pelas propriedades de imagem, enquanto o usuário deve entrada as especificidades para o comprimento focal da lente e a distância da campânula. Estas são necessárias adaptar o algoritmo para o número de pixels por orelha e, também, a conversão da contagem baseada em imagem total orelha à densidade de orelha (orelhas/m2). Por esse motivo, é recomendável usar a mesma câmera e lente de distância focal para todas as imagens de campo. Clique aqui para ver uma versão maior desta figura.

  1. Posicionar a câmera em um monopé apropriado ou "selfie" de polo para que pode ser mantido ou nível, usando bolhas de nível ou de um sistema de estabilização na câmera, para obter imagens zenital.
  2. Use um telefone celular, tablet ou outro dispositivo para conectar a câmera para ambos visualização controle remoto de captura e imagem de imagem para os melhores resultados com imagens corretamente focalizadas. Programa da câmera para autofocus para reduzir erros, caso o usuário não está bastante familiarizado com suas técnicas de fotografia ou câmera para definir um foco manual correto, como demonstrado pelos exemplos de imagens zenital com foco correto e exposição em Figura 2.

Figure 2
Figura 2 : Imagens de colheita zenital. Cevada e trigo duro de ouvido zenital imagens para orelha contando exemplos do conjunto de dados com um palco aceitável de crescimento e senescência de aproximadamente 61 a 87 de acordo com a escala dos Zadoks. (Esquerda) Exemplo de conjunto de dados de imagem zenital de trigo duro. (Direito) Exemplo de conjunto de dados de imagem zenital cevada. Clique aqui para ver uma versão maior desta figura.

  1. Anote o número de imagem antes da captura de imagem para fazer coincidir as imagens corretamente com as parcelas do campo. Grave uma imagem da área no início do campo geral e uma imagem do chão/campo entre blocos para pós-processamento de controles.
  2. Posição da câmera em cerca de 80 cm acima do topo do dossel da cultura, usando uma sequência de régua ou medição para verificar periodicamente a altura da câmera acima do dossel. Certifique-se de que a câmera é nível e capturar a imagem. Esta técnica pode exigir investigador de 1-2.
  3. Se orelha de campo adicional contar validação é desejada para além de uma validação de contagem manual de imagem, instalar uma extensão do braço para o quadro (por exemplo, um pequeno círculo) e posicioná-lo no meio da imagem, a fim de realizar a contagem manual de campo de um subconjunto de imagem precisos; Esta técnica pode exigir 2-3 pessoas para implementar.
    Nota: Três considerações importantes na escolha de uma câmera, portanto, incluem: especificações da câmera (1); Neste caso, o tamanho físico do sensor; (2) distância focal da lente a imagem; (3) a distância entre a câmera e o dossel: distâncias menores ou maiores zoom lentes irá capturar uma área menor, enquanto imagens capturadas de uma distância maior irão capturar uma maior área de corte. Veja a Figura 1 para obter detalhes sobre as especificações de câmera relevantes.

3. ajustes e implementação do algoritmo

Nota: Aqui apresentamos a implementação do algoritmo e ajustes para especificações diferentes de câmera (tamanho do sensor, megapixels, distância focal, distância de cultura) e da agricultura (trigo ou cevada) automática orelha contando. Uma visão geral do algoritmo é apresentada graficamente na Figura 3.

Figure 3
Figura 3 : Pipeline de processamento de imagem para a contagem de orelha de cevada da dois-fileira. Pipeline de processamento de imagem para a cevada da dois-fileira orelha contando como implementado usando código de computador específico ou usar o software CerealScanner , ambos os quais operam dentro Fiji (ImageJ). Painel 1 mostra a imagem original. Painel 2 mostra os resultados das aplicações do filtro laplaciano. Painel 3 mostra a aplicação do filtro mediano, e painel 4 mostra os resultados da final encontrar Maxima e segmentação para produzir a contagem final de orelha. Então, os cálculos são feitos para converter a imagem de contagem para densidade de orelha, como mostrado na Figura 1. Estas imagens são um exemplo retirado do site campo Arazuri (nordeste da Espanha, 42 ° 48' 33,9" N 1 ° 43' 37,9" W) difusa em condições de luz. Clique aqui para ver uma versão maior desta figura.

  1. Baixe e instale o Fiji, Java 8 e o código de processamento ou plugin de CerealScanner proprietário da Universidade de Barcelona (https://fiji.sc/, https://www.java.com/en/download/ e https://integrativecropecophysiology.com/software-development/cerealscanner/ [informações] ou https://gitlab/sckefauver/CerealScanner [repositório de código]); entrar em contato com os autores correspondentes para as permissões de acesso. O plugin é instalado dentro Fiji por simplesmente copiá-lo para a pasta plugins.
  2. Abra o plugin através do menu superior Plugins > CerealScanner > Scanner de cereais aberto.
    Nota: Além do trabalho aqui apresentado, o plugin CerealScanner inclui vários índices de vegetação baseados em RGB diferentes relacionados ao vigor da colheita, estresse ou clorofila17,18. A parte específica do CerealScanner inclui algoritmos específicos para Vigor inicial (Fernandez-Gallego, em revisão), Orelha contando14e Colheita senescência19, conforme mostrado na Figura 4.
  3. Insira os ajustes da câmera especificações e detalhes de captura de imagem se eles são diferentes dos valores padrão (consulte a Figura 1 e Figura 4 para detalhes).
    1. Ajuste o parâmetro de algoritmo para o comprimento focal de câmera.
    2. Ajuste o parâmetro de algoritmo para a distância entre o dossel de colheita.

Figure 4
Figura 4 : Guia central do CerealScanner 2.12 Beta em ambos os níveis, marcando a função de contagem de orelha dentro da coleção do algoritmo de CerealScanner. O usuário deve selecionar o... botão direito do Lote entradas para selecionar a pasta onde os arquivos de imagem são armazenados, mudar os valores padrão da distância H (distância da câmera ao topo do dossel da cultura) e distância focal, se for diferente do defaul valores de t e em seguida, selecione o... botão direito do Arquivo de resultados para escolher o nome e o local do arquivo de resultados finais. As outras abas da CerealScanner fornecem algoritmos para fenotipagem baseada no traço para Início de Vigor e início da maturidade , como parte da suíte de código CerealScanner. Sob a guia de biomassa , existem diversos algoritmos para estimativas de colheita mais geral cálculos vigor e biomassa, também para imagens digitais de RGB. O exemplo refere-se a cevada da dois-fileira, como foi demonstrado detalhadamente na Figura 3. Clique aqui para ver uma versão maior desta figura.

Figure 5
Figura 5 : Ajustes de algoritmo. Ajustes necessários no processamento do imagem pipeline para contar com êxito tanto trigo e orelhas de cevada usando o mesmo algoritmo são gerenciadas automaticamente como parte dos ajustes de distância H (distância entre a câmera e a colheita câmera específica dossel) e distância focal e servem para garantir que o número de pixels por orelha permanece mais ou menos constante entre diferentes aplicativos. Clique aqui para ver uma versão maior desta figura.

  1. Selecione o centro CerealScanner subsequentes central interurbanas e Orelha contando a fim de calcular o número de orelhas em cada imagem de um conjunto de dados de campo.
    1. Em Opções, digite, no Lote de entradas, o local das fotos para analisar.
    2. Nos Arquivos de resultados, selecione onde deseja salvar o arquivo de resultados. O arquivo de resultados incluirá duas colunas com o nome de arquivo de imagem e a orelha contando os resultados.
    3. Finalmente, clique no processoe o arquivo de resultados com a densidade de orelha em metros quadrados (orelhas/m2), usando uma simples proporção usando as configurações da câmera e a distância entre a câmera e dossel para converter a área de imagem em uma área de dossel real na Praça metros, Figura 1, a seguir serão produzidos automaticamente em poucos minutos, dependendo da velocidade do computador.
  2. Realizar uma validação de pós-processamento, após a coleta de dados manualmente a contagem do número de espigas de trigo ou cevada na imagem e convertendo isto ao número de orelhas por medidores quadrados (orelhas/m2), como é mostrado na Figura 1, para comparar o resultados com aqueles baseados em valores de algoritmo.
    1. Use a ferramenta de colocação de ponto simples construída dentro Fiji, que fornece suporte fácil para este processo e a função de Fiji Analisar partículas para produzir as contagens automaticamente; Isso é mostrado graficamente na Figura 6.
    2. Opcionalmente, realizar uma validação usando um círculo de área pequena durante a aquisição de dados de campo como descrito na etapa 2.6; Manual de conta no campo e contagens de imagem manual no laboratório podem, então, ser usadas para validação do algoritmo como mostrado na Figura 7.

Figure 6
Figura 6 : Validação do algoritmo usando contagem manual em imagem de orelha. Manual em imagem-orelha conta (esquerdo) do trigo e a cevada (à direita). Os pequenos pontos foram criados usando a Ferramenta ponto de Fiji e então contadas usando a Função de partículas analisar com um 0.90-1.00 restrição circularidade após a aplicação de um Limiar de cores desde o Hue Saturation Intensidade espaço para a cor especificada pela Ferramenta pontode cor. Esse método garante mais precisas contagens de orelha manual baseada em imagem. Clique aqui para ver uma versão maior desta figura.

Figure 7
Figura 7 : Validação do algoritmo usando manual conta no campo e contagem manual em imagem-orelha de trigo e cevada, usando um círculo. (Esquerda) Trigo imagem contagem validação exemplo usando um círculo. (Direito) Cevada imagem contagem validação exemplo usando um círculo. As contagens de subconjunto das orelhas dentro do círculo branco foram contadas usando a mesma técnica, conforme descrito na Figura 6 , com a Ferramenta ponto, Limiar de corese em seguida, Analisar a função de partículas com circularidade restrições de e seleção de cor usando Hue. Clique aqui para ver uma versão maior desta 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

Na Figura 8, os resultados mostram que o coeficiente de determinação entre a densidade de orelha (número de orelhas por medidores quadrados) usando a contagem manual e a orelha contando o algoritmo para o trigo e a cevada em três estágios de crescimento de culturas diferentes. O primeiro é o trigo duro com a escala de um Zadoks entre 61 e 65 (R2 = 0.62). A segunda é cevada da dois-fileira com escala de um Zadoks entre 71 e 77 (R2 = 0,75), e o último é o trigo duro com a escala de um Zadoks entre 81 e 87 (R2 = 0,75).

Figure 8
Figura 8 : O coeficiente de determinação entre a densidade de orelha (número de orelhas/m2) usar o manual de contagem baseada em imagem e o algoritmo de imagem para orelha contando de trigo duro e cevada da dois-fileira no crescimento de diferentes culturas aceitável dos estágios (em 'Zadoks escala de 6187). Ambos os eixos mostram cálculos, incluindo conversões para densidade de orelha, ao invés de somente os resultados com base em imagem. Os resultados representativos são apresentados aqui para duas culturas diferentes ao longo de três estágios de crescimento diferentes, bem como sob diferentes condições de luz, ou seja directo imagens de luz solar de trigo duro dos Zadoks escala 61-65 no topo (R2 = 0.62, n = 72), difusa luz imagens de cevada na escala dos Zadoks 71-77 no meio (R2 = 0,75, n = 30) e difundir as condições de luz para o trigo na escala dos Zadoks 81-87, na parte inferior (R2 = 0,75, n = 24). Uma imagem de exemplo de cada um também é mostrada como um baixo-relevo na parte inferior direita de cada gráfico. Clique aqui para ver uma versão maior desta 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

Maior agilidade, precisão e consistência são a chave para desenvolver ferramentas úteis fenotipagem de novo para ajudar a Comunidade da colheita-reprodução nos seus esforços para aumentar o rendimento de grãos, apesar das pressões negativas relacionadas à mudança climática global. Avaliações de eficientes e precisas da densidade de orelha de cereais, como um importante componente Agronômico do rendimento de grampo importante para as culturas, ajudará a fornecer as ferramentas necessárias para a alimentação de gerações futuras. Com foco na melhoria e apoio dos esforços de criação de cultura em condições de campo, ajuda a manter esta pesquisa e as técnicas apresentadas aqui mais intimamente ligada ao mundo real clima mudam cenários e às necessidades da comunidade de reprodução mas também apresenta dificuldades técnicas. Como tal, é importante prestar estreita aderência não só para a captura de dados e processamento no presente protocolo de imagem, mas também para as recomendações para as condições ambientais ideais e estágios de crescimento das culturas para sua implementação bem sucedida de11. Como um importante componente agrárias do rendimento, densidade de orelha é considerada um dos mais importantes traços alvo no impulso para aumentar as colheitas de cereais (ver o artigo de Slafer et al.20 e referências nele). O foco neste protocolo em direção a uma técnica de fenotipagem de campo optimamente eficiente, ágil e simples considera que estes aspectos do protocolo são chave para a sua adopção e aplicação pela comunidade de criação em geral. Em contraste, anteriores relacionados com estudos com semelhante tem como objetivo avaliar a densidade de orelha ou outra quantificação de componente de rendimento tem usado envolver mais captura de dados e estruturas de controle ambiental, como delimitador de estruturas e câmera fixa suporta ou mesmo entradas de luz artificiais, que efetivamente impedem a aplicação prática sob condições de campo e implementação em real criando programas12,20,22.

Assim, apresentamos aqui um protocolo detalhado que é o resultado de várias técnicas diferentes de teste em um processo iterativo de otimização, resultando em um método de captura de dados de imagem simples, mas eficaz que exigem apenas um comercialmente disponível, moderadamente câmera digital de alta resolução RGB e um rudimentar "phenopole" para segurar a câmera acima do dossel da cultura. Outras tentativas de filtragem de imagem baseiam em cor RGB ou espaços de cores alternativos, tais como matiz-saturação-intensidade ou CIELAB, não eram tão eficazes ou consistente como o uso do Laplaciano e filtros de domínio frequência mediana em remover elementos indesejados da imagem, especialmente as aristas. Nós projetamos o sistema de encanamento de captura de imagem com diferentes elementos, alguns dos quais podem ser facilmente ajustada com pequenas alterações na implementação do algoritmo de processamento de imagem. Os estudos de caso apresentados aqui, usamos duas diferentes câmeras compactas com sensores relativamente grandes e 20,1 megapixels (MP) e 16,0 resoluções do MP para captura de imagens com lentes grande angular de 16-20 mm a uma distância de 80 cm do dossel da cultura. Isto provou mais do que suficiente para produzir o dossel detalhadas informações de cevada e trigo, com simulações, demonstrando que a técnica mantém altos níveis de precisão até aproximadamente 8 MP14 (com lentes semelhantes e distâncias desde o dossel).

Embora a consistência e a precisão das técnicas de processamento de imagem apresentadas dependem as condições ambientais e fase fenológicas no momento da captura de imagem, os algoritmos são promissores em fornecer um desempenho robusto a aplicação a cereais de pequeno-grão diferentes, incluindo variedades de duas linhas e seis-fileira de cevada e trigo duro e pão. Enquanto este algoritmo ainda tem que ser totalmente testado, a captura de imagem seria a mesma, com talvez alguns pequenos ajustes no que se refere o tamanho relativo e a posição da orelha nas imagens a fim de proporcionar para orelha ideal contando os resultados. O protocolo apresentado, a densidade de orelha baseada em imagem estima precisão máxima alcançada e melhor correlacionada com manual contagens de imagem e rendimento comparado com imagens capturadas nas fases de crescimento mais tarde, quando a colheita senescência resultou em uma perda de cor de grão e contraste de iluminação entre o resto do dossel da cultura e das orelhas. Isso pode ser um resultado de umas mais altas temperaturas ou baixa disponibilidade de água para as partes posteriores do grão de enchimento, que são especialmente comuns em condições mediterrânicas típicas, que podem causar as folhas e colmo para senesce antes das orelhas fazer23; Este contraste é essencial para a eficácia da separação entre as orelhas, folhas e solo. Em excessivamente maduros ou senescentes dosséis das orelhas já amarelo, o contraste entre os elementos de imagem diferente não é adequado para a contagem de orelha. Como tal, em outras climas, o timing ideal pode ser ligeiramente diferente, se não houver nenhum estresse hídrico durante o início da senescência.

Mesmo que a coleta de dados em condições de campo requer muita atenção a tais condições ambientais como a intensidade de luz solar e os ângulos de iluminação de luz solar, o algoritmo de análise de imagem robusta aqui apresentado fornece alguma margem de manobra na captura imagem janela por meio de técnicas espaciais que ignorar efeitos de albedo de imagem, dado que a exposição correta da imagem foi usada para condições de luz particulares no momento da captura de imagem; configurações automáticas trabalharam bem a esse respeito. Em trabalho anterior, foi testada uma gama mais completa de efeitos de iluminação, indicando que a única grande fonte de erro no que diz respeito a efeitos de luz é a produção de sombras fortes na imagem ao capturar imagens em luz solar direta ou cedo ou tarde , devido ao ângulo do sol14. As primeiras aplicações de filtro de dois imagem ajudam a minimizar quaisquer efeitos aparentes de iluminação em excesso (embora não via superexposição de câmera), reduzindo também quaisquer componentes do plano de fundo da imagem; ao mesmo tempo, estes filtros também contribuem para alisamento e redução de ruído, ambos que assessor na Maxima encontrar subsequentes do processam de23,24. Portanto, enquanto a iluminação natural que fatores devem ser contabilizados, tais como o ângulo do sol quando as imagens são tiradas em directo ao invés de em condições de luz difusa, isto é principalmente para reduzir os erros relacionados a artefatos de sombra.

Além disso, as correlações entre contagens de orelha algoritmo do rendimento apresentado protocolo e grãos eram maior e mais significativa do que a contagem manual de orelha (baseada em campo) do mesmo experimento11, que suporta a alegação de que o presente protocolo é não só mais precisos, mas também mais consistente como um protocolo padronizado para a avaliação da densidade de orelha. Enquanto não apresentados aqui especificamente, técnicas de captura e processamento de dados similares parece ser viável usando telefone celular, aéreas ou outras plataformas automatizadas como eles executa muito bem abaixo dos simularam resoluções de imagem reduzida. Testes adicionais para a redução de escala de cinza (para mais rápido processamento de imagem) e simulações de imagem resolução reduzida (a partir da aplicação de outras câmeras ou UAVs) foram conduzidos aplicando as conversões de imagem antes do primeiro filtro14 e sugeriu que, em condições ideais, tempos de processamento podem ser reduzidos desta forma sem nenhuma perda de precisão. Quanto a possíveis direções futuras, os algoritmos de processamento de imagem, aqui apresentados apenas aproveitar os dados de cor VHR RGB como é capturado pela câmera (semelhante ao olho humano), mas outras potenciais melhorias podem resultar da conversão de cor híbrido espaços, tais como matiz-saturação-intensidade, ou através de fusão de dados em combinação com outros sensores científicos mais avançados, tais como multiespectrais ou térmica, ambos recentemente tornaram mais acessíveis e oferecem o potencial para melhoria da densidade de orelha estimativas, embora talvez em estágios de crescimento diferentes ou em condições de campo diferentes.

Em resumo, os passos críticos para a implementação do presente protocolo incluem sobretudo adequado planejamento para esta época do ano e as condições ambientais da cultura, que são ideais quando a colheita está em fase de crescimento 60-87 de escala dos Zadoks e também no meio-dia solar ou difusa em condições de luz. Além disso, a aquisição de imagens digitais deve ser conduzida em uma contabilidade de forma controlada para o ângulo da câmera, a distância de dossel e o foco da câmera para cada imagem. Finalmente, são apresentadas em detalhes para reproduzir o pipeline de processamento de código otimizadas opções de processamento do computador ou entre em contato com os autores para o código original ou o código integrado como uma interface gráfica do usuário (GUI) em um plug-in para Fiji, ou seja, o CerealScanner.

Subscription Required. Please recommend JoVE to your librarian.

Disclosures

Os autores não têm nada para divulgar.

Acknowledgments

Os autores desta pesquisa gostaria de agradecer o pessoal de gestão de campo nas estações experimentais de Colmenar de Oreja (Aranjuez) do Instituto Nacional de Investigación y Tecnología Agraria y Alimentaria (INIA) e Zamadueñas (Valladolid) do Instituto de Tecnología Agraria de Castilla y León (ITACyL) por seu apoio de campo de culturas de estudo a pesquisa usada. Este estudo foi suportado pelo projecto de investigação AGL2016-76527-R de MINECO, Espanha e parte de um projeto de colaboração com a Syngenta, Espanha. A irmandade BPIN 2013000100103 do "Formación de Talento Humano de Alto Nivel, Gobernación del Tolima - Universidad del Tolima, Colômbia" foi o único financiamento apoio para o primeiro autor Jose Armando Fernandez-Gallego. O principal fonte de financiamento do autor, Shawn C. Kefauver, veio o programa ICREA Academia através de uma concessão atribuída a Prof 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).
Condições de cereais orelhão contando em campo usando imagens RGB zenital
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