Summary
Presentamos un protocolo para contar los durum trigo y cebada los oídos, mediante fotografías digitales de color natural (RGB) en luz solar natural en condiciones de campo. Con mínimos ajustes de parámetros de la cámara y algunas limitaciones de la condición ambiental, la técnica proporciona resultados precisos y consistentes en una serie de etapas de crecimiento.
Abstract
Densidad de oído, o el número de mazorcas por metro cuadrado (orejas/m2), es un foco central en el cultivo de cereales muchos programas, como el trigo y cebada, que representan un componente importante de rendimiento agronómico para estimar el rendimiento de grano de mejoramiento. Por lo tanto, una técnica rápida, eficiente y estandarizada para evaluar la densidad de oído ayudaría en mejorar la gestión agrícola, proporcionando mejoras en las predicciones de rendimiento de cosecha, o incluso podría ser utilizada como una herramienta para cultivo de cría cuando se ha definido como un rasgo de importancia. No sólo son las técnicas actuales para el oído manual evaluaciones densidad laboriosas y desperdiciador de tiempo, pero también son sin ningún protocolo estandarizado oficial, ya sea por metro lineal, cuadrante de la zona, o una extrapolación basada en densidad de oído y de la planta cuenta de poscosecha. Un oído automático contando algoritmo se presenta en detalle para estimar densidad de oído con iluminación de luz del sol sólo en condiciones de campo basado en color natural cenital (nadir) (rojo, verde y azul [RGB]) imágenes digitales, lo que permite alto rendimiento mediciones estandarizadas. Diferentes ensayos de campo de trigo y cebada distribuidos geográficamente en toda España durante el 2014/2015 y 2015/2016 temporadas de cultivo en regadío y secano ensayos se usaron para proporcionar resultados representativos. El protocolo de tres fases incluye la etapa de crecimiento del cultivo y campo condición planificación, lineamientos de captura de imagen y un algoritmo de computadora de tres pasos: (i) un filtro de frecuencia de Laplaciano para eliminar artefactos de baja y alta frecuencia, (ii) un filtro de mediana para reducir la alta ruido y (iii) segmentación y cuenta con picos de máximos locales de la cuenta final. Deben hacer pequeños ajustes al código del algoritmo correspondiente a la resolución de la cámara, la focal y la distancia entre la cámara y el dosel del cultivo. Los resultados demuestran una alta tasa de éxito (superior al 90%) y valores de2 R(de 0.62-0.75) entre las cuentas del algoritmo y la oreja manual basado en imágenes cuenta para trigo y cebada.
Introduction
La utilización de cereales del mundo en 2017/2018 se divulga ampliar en un 1% del año anterior1. Basado en las predicciones más recientes para la utilización de población y producción de cereal, cereal del mundo las poblaciones necesitan para aumentar la producción a un ritmo más rápido para satisfacer la demanda creciente, mientras que también adaptándose al aumento de efectos de cambio climático2. Por lo tanto, hay un enfoque importante en la mejora del rendimiento en cultivos de cereales a través de cultivo mejorada técnicas de mejora. Dos de los cereales más importantes y cosechados en la región mediterránea son seleccionados como ejemplos para este estudio, es decir, trigo (Triticum aestivum L. SSP durum [Desf.]) y cebada (Hordeum vulgare L.). Trigo es, por extensión, el cereal más cultivado en los márgenes sur y este de la cuenca mediterránea y es 10 más importante de los cultivos en todo el mundo, debido a su producción anual de 37 millones de toneladas anualmente3, mientras que la cebada es el cuarto mundial grano en términos de producción, con una producción global en 144,6 millones de toneladas anualmente4.
Sensores remotos y técnicas de análisis de imagen proximal son herramientas cada vez más clave en el avance del fenotipo de la planta de alto rendimiento de campo (HTPP) ya que no sólo proporcionan más ágil pero también, a menudo, recuperaciones más precisas y uniforme de objetivo recortar características biophysiological, como evaluaciones de la actividad fotosintética y la biomasa, preharvest estimaciones de rendimiento y mejoras incluso en heredabilidad del rasgo, como la eficiencia en recursos uso y absorción5,6,7 ,8,9. Teledetección se ha centrado tradicionalmente en multiespectrales, hiperespectrales y termográfica sensores de plataformas aéreas para agricultura de precisión en la escala de campo o estudios de fenotipado de la planta en la microplot la escala de10. Cámaras digitales comunes, comercialmente disponibles que miden la luz reflejada sólo visible eran a menudo pasado por alto, a pesar de su muy alta resolución espacial, pero recientemente han vuelto populares como nuevos innovadores algoritmos de procesamiento de imágenes son cada vez más capaces para aprovechar el color detallado y la información espacial que proporcionan. Muchas de las innovaciones más recientes en análisis avanzado de imágenes agrícolas dependen cada vez más en la interpretación de los datos facilitados por imágenes de muy alta resolución (VHR) RGB (para su medición de reflectividad de luz visible rojo, verde y azul), incluyendo cultivos Monitoreo (vigor, fenología, evaluaciones de la enfermedad e identificación), segmentación y cuantificación (aparición, densidad de oído, cuenta flor y fruto) y reconstrucciones incluso 3D basadas en una nueva estructura del movimiento de flujos de trabajo11.
Uno de los puntos más esenciales para la mejora en la productividad de cereales es una evaluación más eficiente de producción, que está determinada por tres componentes principales: densidad o el número de mazorcas por metro cuadrado (orejas/m2), el número de granos por mazorca, del oído y el peso de mil granos. Densidad de oído puede obtenerse manualmente en el campo, pero este método es laborioso, lento y sin un solo protocolo estandarizado, que juntos puede resultar en una importante fuente de error. Incorporación de la cuenta automática de las orejas es una tarea difícil debido a la estructura de cultivo complejo, planta estrecha espaciamiento, alto grado de superposición, elementos de fondo y la presencia de aristas. Trabajos recientes se ha avanzado en esta dirección utilizando una estructura de fondo negro, apoyada por un trípode para adquirir imágenes de cosecha adecuado, demostrando muy buenos resultados en oído contar12. De este modo, se evitaron efectos de sombra y luz solar excesiva, pero tal estructura sería engorrosa y una limitación importante en una aplicación para condiciones de campo. Otro ejemplo es un oído automático contando algoritmo desarrollado con un sistema totalmente automatizado phenotyping un pórtico motorizado rígido, que fue utilizado con buena exactitud para el recuento de la densidad de oído en un panel compuesto por cinco trigo pan imberbes (Triticum aestivum L.) variedades de crecimiento bajo condiciones de nitrógeno diferentes13. Trabajo reciente de Fernandez-Gallego14 ha optimizado este proceso de captura de datos más rápido y sencillo, con imágenes de color RGB VHR seguidos por análisis de imagen más avanzados, pero aún completamente automatizada. La recopilación de datos eficiente y de alta calidad en condiciones de campo destaca un protocolo estandarizado simplificado para consistencia y datos de alta captura de rendimiento, mientras que el algoritmo de procesamiento de imagen emplea la novela dominio laplaciano y la frecuencia filtros para eliminar componentes no deseados de la imagen antes de aplicar una segmentación para contar basan en la búsqueda de máximos locales (en comparación con el trazado completo como en otros estudios anteriores, que puede provocar más errores con espigas superpuestas).
Este trabajo propone un sistema sencillo para la cuantificación automática de la densidad de la oreja en condiciones de campo, usando imágenes obtenidas de cámaras digitales disponibles en el mercado. Este sistema se aprovecha la luz natural en campo las condiciones y, por lo tanto, requiere la consideración de algunos factores ambientales relacionados, tales como el tiempo de la cubierta de nubes y el día, pero sigue siendo, en efecto, fácil de implementar. El sistema se ha demostrado en los ejemplos para trigo y cebada pero debe ser extensible en aplicación al pan de trigo, que, además de exponer los oídos con morfología similar, son con frecuencia imberbes, pero otros experimentos sería necesarios a fin de confirman esto. En los datos de captura de protocolo presentado aquí, imágenes cenitales se toman simplemente sosteniendo la cámara con la mano o usando un monopié para el posicionamiento de la cámara digital por encima del cultivo. Datos de validación pueden ser adquiridos al contar las orejas manualmente para parcelas en el campo o durante el postprocesado, contando orejas en la propia imagen. El algoritmo de procesamiento de imágenes se compone de tres procesos que, en primer lugar, efectivamente eliminar componentes no deseados de la imagen de manera que, entonces, permite la posterior segmentación y conteo de las espigas individuales en las imágenes adquiridas. En primer lugar, un filtro Laplaciano de frecuencia se utiliza para detectar cambios en las diversas direcciones espaciales de la imagen usando la configuración predeterminada de filtro de ImageJ sin ajustes de tamaño de núcleo de ventana (técnica de segmentaciónEncuentra Maxima determina la picos locales después del paso de mediana filtro espacial, en que etapa los píxeles relacionados con orejas tienen mayores valores de los píxeles de suelo o de hojas. Por lo tanto, encontrar Maxima se utiliza para segmentar los altos valores de la imagen, y las regiones se etiquetan como orejas, que identifica a oídos mientras que también reduce los errores de oído superpuestas. Analizar las partículas se utiliza en las imágenes binarias para contar o medir los parámetros de las regiones creados por el contraste entre la superficie del blanco y negro creado por el paso de encontrar la Maxima. El resultado es procesado para crear una segmentación de la imagen binaria mediante el análisis de la varianza de píxel vecino más cercana alrededor de cada máximo local para identificar las formas de la oreja de trigo en la imagen filtrada. Por último, la densidad de oído cuenta analizar partículas, como se implementó en Fiji15. Encontrar máximos y analizar las partículas son funciones independientes y disponibles como complementos en Fiji (https://imagej.nih.gov/ij/plugins/index.html). Aunque no presentó específicamente en el protocolo aquí, resultados preliminares presentados como material complementario sugieren que esta técnica puede ser adaptable a encuestas oído cuenta de vehículos aéreos no tripulados (UAVs), siempre que la resolución sigue siendo suficientemente alta14.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
1. prefield la etapa de crecimiento del cultivo y condiciones ambientales
- Asegúrese de que la etapa de crecimiento del cultivo es aproximadamente entre el llenado del grano y cerca de la madurez del cultivo, con las orejas que están todavía verdes, incluso si las hojas senescentes (que corresponde en el caso de trigo a la gama 60-87 de de escala de Zadoks16). Un amarillamiento de las hojas es aceptable pero no necesario.
- Preparar un plan de muestreo para la captura de imágenes con varias repeticiones (fotos por parcela) para captar la variabilidad del área de trazado; el algoritmo de procesamiento de imágenes contará el número de mazorcas en la imagen y convertir a oídos por metro cuadrado (orejas/m2) basados en las especificaciones de la cámara.
- Planificar las excursiones de campo para capturar las imágenes a las dos horas del mediodía solar o, alternativamente, en un día nublado en condiciones de luz difusa para evitar los efectos negativos del oído sombreado en el oído contar algoritmo.
- Una vez en el campo, verifique la parte superior del dosel del cultivo para asegurarse de que esté seco para evitar la reflexión especular de la luz de la humedad.
Nota: Considerar los objetivos de este protocolo, es importante considerar primero si la etapa de crecimiento del cultivo es adecuada para la aplicación de cuentas de oído. Captura de imágenes fuera de la etapa de crecimiento recomendado tampoco resultará en subóptima o en resultados sin sentido (si los oídos no son presentes o totalmente emergidas). Calidad de imagen también tiene un considerable impacto sobre el procesamiento de los resultados, incluyendo la resolución y tamaño del sensor y algunas condiciones ambientales, tales como tiempo de día y nube cubierta, deben ser considerados cuidadosamente antes de proceder con la captura de la imagen.
2. captura de imagen en condiciones de campo con luz natural
- Preparar un "phenopole" como se muestra en la figura 1 o un sistema de adquisición similar (incluso portátil) para capturar imágenes rápidamente y todavía en un estandarizado y consistente forma en cada parcela o lugar de destino.
Figura 1 : Sistema de conteo del oído. Oído contar sistema usando el "phenopole" aparece en el campo de la izquierda, con un sensor grande color natural controlado remotamente (RGB) y sistema de cámara digital de alta resolución con cámara la inclinación y altura, que indica los parámetros necesarios para el ajuste de la algoritmo de procesamiento de imágenes. La resolución del sensor y la imagen son detectados automáticamente por las propiedades de la imagen, mientras el usuario debe poner las características de la lente distancia focal y la distancia desde la cabina. Estas son necesarias para ajustar el algoritmo para el número de píxeles por oído y también la conversión de la cuenta de oído total basada en imágenes en densidad de oído (orejas/m2). Por esa razón, se recomienda utilizar la misma cámara y lente de distancia focal para todas las imágenes de campo. Haga clic aquí para ver una versión más grande de esta figura.
- Coloque la cámara sobre un monopié adecuado o "selfie" del poste de modo que se puede mantener nivel, ya sea mediante burbujas de nivel o un sistema de estabilización en la cámara para obtener imágenes cenitales.
- Utilizar un teléfono móvil, tablet u otro dispositivo para conectar la cámara por tanto visualización de imagen y captura la imagen control remoto para los mejores resultados con imágenes correctamente enfocados. Programa de la cámara de enfoque automático con el fin de reducir los errores en caso de que el usuario no está lo suficientemente familiarizado con sus técnicas de fotografía o cámara para establecer un correcto enfoque manual, como lo demuestran los ejemplos de imágenes cenitales con enfoque correcto y la exposición en Figura 2.
Figura 2 : Imágenes de cultivos cenital. Cebada y trigo del oído imágenes cenitales para oído contar ejemplos de conjunto de datos con una etapa aceptable de crecimiento y senescencia de aproximadamente de 61 a 87 según escala de Zadoks. (Izquierda) Ejemplo de conjunto de datos de durum trigo imagen cenital. (Derecha) Ejemplo de conjunto de datos de imagen cenital de cebada. Haga clic aquí para ver una versión más grande de esta figura.
- Anote el número de la imagen antes de la captura de la imagen para emparejar las imágenes correctamente con las parcelas de campo. Grabar una imagen de la zona de campo general en el comienzo y una imagen del campo y tierra entre bloques para postelaboración controles.
- Posición de la cámara aproximadamente a 80 cm arriba del follaje de los cultivos, utilizando una cadena de regla o medida para comprobar periódicamente la altura de la cámara sobre el dosel. Asegúrese de que la cámara esté nivelada y capturar la imagen. Esta técnica puede requerir 1-2 researcher(s).
- Si oreja de campo adicional cuenta validación se desea además una validación de cuenta manual de imagen, instale una extensión del brazo a la estructura (por ejemplo, un círculo pequeño) y colóquelo en el centro de la imagen para realizar cuentas de campo manual de un subconjunto de exactas de la imagen; Esta técnica puede requerir 2-3 personas a implementar.
Nota: Tres consideraciones principales en la selección de una cámara, por lo tanto, incluyen: especificaciones de la cámara (1); en este caso, el tamaño físico del sensor; (2) distancia focal de la lente de la imagen; (3) la distancia entre la cubierta y la cámara: distancias más pequeñas o más lentes de zoom se captura un área más pequeña mientras que imágenes capturadas desde una mayor distancia capturan una mayor zona de cultivo. Vea la figura 1 para los detalles sobre las especificaciones de la cámara correspondiente.
3. ajustes e implementación del algoritmo
Nota: Aquí presentamos implementación del algoritmo y ajustes de cámara diferentes especificaciones (tamaño del sensor, megapixels, distancia focal, distancia al cultivo) y cultivo (trigo o cebada) para automático oído contar. Una descripción del algoritmo se presenta gráficamente en la figura 3.
Figura 3 : Canalización de procesamiento de imágenes para cebada de la dos-fila oído contar. Tubería de proceso de imagen para cebada de la dos-fila oído contar como puesto en ejecución utilizando código de equipo específico o utilizando el software de CerealScanner , los cuales operan dentro de Fiji (ImageJ). Panel 1 muestra la imagen original. Panel 2 muestra los resultados de las aplicaciones del filtro laplaciano. Panel 3 muestra la aplicación del filtro promedio y Panel 4 muestra los resultados de la final encontrar máximos y segmentación para la producción de la cuenta final de la oreja. Luego, los cálculos se hacen para convertir la cuenta de la imagen a la densidad de la oreja, como se muestra en la figura 1. Estas imágenes son un ejemplo tomado del sitio de campo de Arazuri (noreste de España, 42 ° 48' 33,9" N 1 ° 43' 37,9" W) en difundir las condiciones de luz. Haga clic aquí para ver una versión más grande de esta figura.
- Descargar e instalar Fiji, Java 8 y el código de procesamiento o plugin de CerealScanner propiedad de la Universidad de Barcelona (https://fiji.sc/, https://www.java.com/en/download/ y https://integrativecropecophysiology.com/software-development/cerealscanner/ [información] o https://gitlab/sckefauver/CerealScanner [repositorio de código]); para permisos de acceso, póngase en contacto con los autores correspondientes. El plugin se instala dentro de Fiji por simplemente copiarlo en la carpeta plugins.
- Abrir el plugin desde el menú superior a través de Plugins > CerealScanner > abrir explorador de Cereal.
Nota: Aparte de los trabajos presentados aquí, el plugin de CerealScanner incluye varios índices de vegetación basado en RGB diferentes relacionados con el vigor del cultivo, el estrés o la clorofila17,18. Una porción específica de la CerealScanner incluye algoritmos específicos para Vigor temprano (Fernandez-Gallego, en revisión), Oído contar14y19de la Senescencia del cultivo, como se muestra en la figura 4. - Introduzca los ajustes de la cámara especificaciones y detalles de la captura de imagen si son diferentes de los valores por defecto (ver figura 1 y figura 4 para detalles).
- Ajustar el parámetro del algoritmo para la cámara distancia focal.
- Ajustar el parámetro del algoritmo para la distancia desde el dosel del cultivo.
Figura 4 : Ficha del CerealScanner 2.12 Beta central en ambos niveles, marcando la función oído contar dentro de la colección de algoritmo de CerealScanner. El usuario debe seleccionar el... botón a la derecha de Batch Inputs para seleccionar la carpeta donde se almacenan los archivos de imagen, cambiar los valores predeterminados de la distancia H (distancia desde la cámara a la parte superior del dosel del cultivo) y la longitud Focal, si es diferente el defaul valores de t y luego SELECCION el... botón a la derecha del Archivo de resultados para elegir el nombre y la ubicación del archivo de resultados finales. Las otras fichas de la CerealScanner preven algoritmos phenotyping basada en el rasgo de Vigor temprano y el inicio de la madurez como parte de la suite de código CerealScanner. En la pestaña de la biomasa , existen varios algoritmos para las estimaciones de cosecha más general cálculos el vigor y la biomasa, también para imágenes digitales RGB. En el ejemplo se refiere a cebada de dos filas, como fue demostrado en detalle en la figura 3. Haga clic aquí para ver una versión más grande de esta figura.
Figura 5 : Ajustes de algoritmo. Ajustes necesarios en el tratamiento de la imagen de la tubería con el fin de contar con éxito ambos trigo y orejas de cebada utilizando el mismo algoritmo se gestionan automáticamente como parte de los ajustes específicos de cámara de la distancia H (distancia entre la cámara y el cultivo pabellón) y longitud Focal y sirven para asegurar que el número de píxeles por oído sigue siendo más o menos constante entre diferentes aplicaciones. Haga clic aquí para ver una versión más grande de esta figura.
- Seleccione la pestaña Centro de CerealScanner y la ficha central posterior Oído contar para calcular el número de mazorcas en cada imagen de un conjunto de datos de campo.
- De Opciones, introduzca, Batch Inputs, de la ubicación de las fotos para analizar.
- En los Archivos de resultados, seleccione dónde desea guardar el archivo de resultados. El archivo de resultados incluirá dos columnas con el nombre de archivo de imagen y la oreja contando resultados.
- Por último, haga clic en procesoy el archivo de resultados con la densidad de oído en metros cuadrados (orejas/m2), usando una simple proporción usando la configuración de la cámara y la distancia entre cámara y cubierta para convertir el área de imagen a una superficie real en la Plaza metros, siguiendo la figura 1, se producirá automáticamente en unos pocos minutos, dependiendo de la velocidad de la computadora.
- Llevar a cabo una validación posterior procesamiento después de la recolección de datos manualmente contando el número de espigas de trigo o cebada en la imagen y luego convertir esto en el número de mazorcas por metros cuadrados (orejas/m2), como se muestra en la figura 1, para comparar la resultados con los que se basan en los valores del algoritmo.
- Utilice la herramienta de colocación simple punto construida dentro de Fiji, que admite fácil este proceso y la función de Analizar partículas de Fiji para producir las cuentas automáticamente; Esto se muestra gráficamente en la figura 6.
- Opcionalmente, realizar una validación con un círculo de área pequeña durante la adquisición de datos de campo como se describe en el paso 2.6; manual de cuentas en el campo y cuentas del manual de imagen en el laboratorio, entonces, sirven para la validación del algoritmo como se muestra en la figura 7.
Figura 6 : Validación del algoritmo utilizando cuentas manual oreja en imagen. Manual de imagen oído cuenta para trigo (izquierda) y cebada (derecha). Los pequeños puntos fueron creados con la Fiji Herramienta punto y cuentan con la Función de partículas analizar un 0.90-1.00 restricción circularidad después de aplicar un Umbral de Color de tono saturación Intensidad espacio para el color especificado por la Herramienta de puntode color. Este método garantiza más exacta cuenta de oído manual basado en imágenes. Haga clic aquí para ver una versión más grande de esta figura.
Figura 7 : Validación del algoritmo utilizando el manual de cuentas en el campo y oído en imagen manual de trigo y cebada, utilizando un círculo. (Izquierda) Trigo imagen cuenta ejemplo de validación utilizando un círculo. (Derecha) Cebada imagen cuenta ejemplo de validación utilizando un círculo. Las cuentas del subgrupo de las orejas dentro del círculo blanco se contaron utilizando la misma técnica como se describe en la figura 6 con la Herramienta de punto, Umbral de Colory luego, Analizar la función de las partículas con circularidad limitaciones y selección de color con color. Haga clic aquí para ver una versión más grande de esta figura.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
En la figura 8, los resultados muestran el coeficiente de determinación entre la densidad (número de mazorcas por metros cuadrados) de la oreja usando conteo manual y el oído contar algoritmo para trigo y cebada en tres etapas de crecimiento de diferentes cultivos. El primero es el trigo con la escala de Zadoks entre 61 y 65 años (R2 = 0.62). La segunda es la cebada de dos filas con la escala de Zadoks entre 71 y 77 (R2 = 0.75), y el último es el trigo con la escala de Zadoks entre 81 y 87 (R2 = 0.75).
Figura 8 : El coeficiente de determinación entre la densidad de oído (número de orejas/m2) usando manual basada en la imagen cuenta y el algoritmo de imagen para oído contar de trigo y cebada de dos filas en el crecimiento de los cultivos aceptables diferentes etapas (en 'Zadoks escala 61–87). Ambos ejes Mostrar cálculos, incluyendo conversiones de densidad de oído, en lugar de sólo en resultados basados en imágenes. Se presentan aquí los resultados representativos para dos cultivos diferentes en tres diferentes etapas de crecimiento, así como bajo diferentes condiciones de luz, es decir, dirigen de imágenes de luz del sol de trigo de Zadoks escalan 61-65 en la parte superior (R2 = 0.62, n = 72), difusa la luz imágenes de la cebada en la escala de Zadoks 71-77 en el centro (R2 = 0.75, n = 30) y difundir las condiciones de luz para el trigo duro en la escala de Zadoks 81-87 en la parte inferior (R2 = 0.75, n = 24). Una imagen de ejemplo de cada uno es mostrada también como un recuadro en la parte inferior derecha esquina de cada gráfico. Haga clic aquí para ver una versión más grande de esta figura.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Mayor agilidad, precisión y consistencia son la clave para el desarrollo de nuevas herramientas de fenotipado útil para ayudar a la comunidad de cultivo de cría en sus esfuerzos para aumentar el rendimiento de grano a pesar de las presiones negativas relacionadas con el cambio climático global. Evaluaciones eficientes y precisas de la densidad de la oreja del cereal, como un componente agronómico importante del rendimiento de la grapa importante de cultivos, ayudará a proporcionar las herramientas necesarias para la alimentación de las generaciones futuras. Centrándose en la mejora y el apoyo de los esfuerzos de mejoramiento de cultivos en condiciones de campo, ayuda a mantener esta investigación y las técnicas presentadas aquí más ligada al mundo real clima cambian escenarios y las necesidades de la comunidad de crianza pero también presenta dificultades técnicas. Como tal, es importante prestar adhesión estrecha a la captura de datos y procesamiento de imágenes en este protocolo, sino también a las recomendaciones para las condiciones ambientales óptimas y etapas de crecimiento del cultivo para su exitosa implementación11. Como un componente agronómico importante de rendimiento, densidad de oído es considerado uno de los rasgos más importantes de destino en el empuje para aumentar el rendimiento de los cultivos cereales (véase el artículo de Slafer et al20 y referencias en esto). El foco en el presente Protocolo hacia una técnica de fenotipado de óptimo costo-eficiente, ágil y sencillo de campo considera que estos aspectos del protocolo son clave para su adopción y aplicación por parte de la comunidad de la crianza en general. En cambio, anterior relacionadas con los estudios con fines similares a evaluar densidad de oído u otra cuantificación de componentes de rendimiento han utilizado más de captura de datos y estructuras de control ambiental, como el que encierra las estructuras y la cámara fija soporta o incluso entradas de luz artificiales, que impiden la efectiva aplicación práctica bajo condiciones de campo y aplicación en real crianza programas12,20,22.
Por lo tanto, hemos presentado aquí un protocolo detallado que es el resultado de diferentes técnicas de prueba en un proceso iterativo de optimización, dando por resultado un método de captura de datos de imagen simple pero eficaz que requieren solamente un disponible comercialmente, moderadamente Cámara digital de alta resolución RGB y un rudimentario "phenopole" para la celebración de la cámara sobre el dosel del cultivo. Otros intentos de filtrado de imágenes basan en color RGB o espacios de color alternativos, como la intensidad de saturación de matiz o CIELAB, no eran tan eficaces o constante como el uso del laplaciano y filtros de dominio de frecuencia media en la eliminación de elementos no deseados de la imagen, especialmente las aristas. Hemos diseñado el sistema de tuberías de captura de imagen con diferentes elementos, algunos de los cuales se pueden ajustar fácilmente con cambios menores en la implementación del algoritmo de procesamiento de imágenes. En los estudios de caso presentados aquí, hemos utilizado dos cámaras compactas diferentes con sensores relativamente grandes y 20,1 megapíxeles (MP) y 16,0 resoluciones MP para captura de imágenes con lentes gran angular de 16-20 mm a una distancia de 80 cm desde el dosel del cultivo. Esto ha demostrado ser más que suficiente para producir capota detallada información de cebada y trigo, con simulaciones que demuestran que la técnica mantiene altos niveles de precisión hasta aproximadamente 8 MP14 (con lentes similares y Distancias desde la toldo).
Aunque la consistencia y la precisión de las técnicas de procesamiento de imágenes presentadas dependen de las condiciones ambientales y la etapa fenológica en el momento de la captura de imágenes, los algoritmos muestran prometedores para proporcionar un desempeño robusto en su aplicación a diferentes pequeñas cereales, como Trigo Candeal y pan y variedades de cebada de dos hileras y seis hileras. Aunque este algoritmo todavía no se ha probado completamente, la captura de la imagen sería la misma, con tal vez algunos ajustes de menor importancia con respecto al tamaño relativo y posición de la oreja en las imágenes para proporcionar óptima oído contar resultados. En el protocolo presentado, la densidad de oído basada en imágenes estima lograr precisión máxima y mejor correlacionado con el manual de cuentas la imagen y rendimiento en comparación con imágenes capturadas en fases posteriores de crecimiento, cuando la senescencia del cultivo resultó en una pérdida de color del grano y contraste de iluminación entre el resto del dosel del cultivo y las orejas. Esto puede ser el resultado de temperaturas más altas o menor disponibilidad de agua en las partes posteriores del llenado del grano, que son especialmente comunes en condiciones mediterráneas típicas, que pueden causar las hojas y caña a envejecen antes que los oídos23; Este contraste es esencial para la eficacia de la separación entre las orejas, hojas y suelo. En toldos demasiado maduros o senescentes con las orejas ya amarillas, el contraste entre los elementos de imagen diferente no es adecuado para oído contar. Como tal, en otros climas, el momento óptimo pueden variar si no hay estrés de agua durante el inicio de la senescencia.
A pesar de que la recogida de datos en condiciones de campo requiere mucha atención a estas condiciones ambientales como la intensidad de la luz del sol y ángulos de iluminación de la luz del sol, el algoritmo de análisis de imagen robusta presentado proporciona cierta libertad de acción en la captura de imagen ventana mediante técnicas espaciales que ignoran los efectos del albedo de imagen, dado que la exposición correcta de la imagen fue utilizada para las condiciones particulares de luz en el momento de la captura de la imagen; ajustes automáticos han trabajado bien en ese sentido. En trabajos anteriores, ha sido probada una gama más completa de efectos de iluminación, lo que indica que la única fuente de error en relación con efectos de luz es la producción de sombras fuertes en la imagen cuando la captura de imágenes en luz directa del sol ya sea temprano o tarde en el día , debido al ángulo del sol14. Las primeras aplicaciones de filtro de dos imagen ayudan a minimizar cualquier efecto aparente de iluminación exceso (aunque no a través de exposición de cámara) mientras que también reduce los componentes de fondo de la imagen. al mismo tiempo, estos filtros también contribuyen a la reducción de ruido y alisar, ambos que ayudante en los máximos posteriores encontrar procesan23,24. Por lo tanto, mientras que la iluminación natural de factores deben ser tratadas contablemente, tales como el ángulo del sol cuando las imágenes están tomadas en directo en lugar de en condiciones de luz difusas, esto es principalmente para reducir errores relacionados con artefactos de sombra.
Además, las correlaciones entre algoritmo oído cuenta desde el actual protocolo y rendimiento de grano fueron mayores y más importantes de cuentas de oído (campo base) manual del mismo experimentan11, que apoya la afirmación de que este protocolo es no sólo más preciso pero también más consistente como un protocolo estandarizado para la evaluación de la densidad de la oreja. Aunque no presenta específicamente similares técnicas de captura y el procesamiento de datos parece ser factible mediante teléfono móvil, aéreas u otras plataformas automatizadas que realiza bastante bien bajo simularon resoluciones de imagen reducida. Pruebas adicionales para la reducción de escala de grises (para procesamiento de imagen más rápido) y simulaciones de imagen de resolución reducida (de la aplicación de otras cámaras o UAVs) se llevó a cabo mediante la aplicación de las conversiones de imagen antes del primer filtro14 y sugirió que, en condiciones óptimas, tiempos de procesamiento pueden reducirse en estas formas sin pérdida de precisión. En cuanto a las direcciones futuras posibles, los algoritmos de procesamiento de imagen presentados aquí sólo aprovechan los datos de color de RGB VHR es capturado por la cámara (similar al ojo humano), pero otras mejoras potenciales pueden resultar de la conversión a color de híbridos espacios, como intensidad de tono saturación, o a través de la fusión de datos en combinación con otros sensores científicos más avanzados, como multiespectrales o térmica, que se han vuelto más asequibles recientemente y ofrecen el potencial de mejora en la densidad de oído estimaciones, aunque quizás en diferentes etapas de crecimiento o en condiciones de campo diferentes.
En Resumen, los pasos críticos para la implementación de este protocolo incluyen primer lugar apropiado para la época del año y las condiciones ambientales del cultivo, que son óptimas cuando el cultivo está en etapas de crecimiento 60-87 de la escala de Zadoks y en mediodía solar o difusa en las condiciones de luz. Además, se realizará la adquisición de imágenes digitales en una contabilidad de forma controlada para el ángulo de la cámara, distancia del dosel y enfoque de la cámara para cada imagen. Finalmente, se presentan en detalle para reproducir la canalización de procesamiento de código optimizados computadora-opciones de procesamiento de o póngase en contacto con los autores para el código original o el código integrado como una interfaz gráfica de usuario (GUI) en un plug-in para Fiyi, a saber, la CerealScanner.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Los autores no tienen nada que revelar.
Acknowledgments
Los autores de esta investigación quiere agradecer el personal de la administración de campo en las estaciones experimentales de Colmenar de Oreja (Aranjuez) del Instituto Nacional de Investigación y Tecnología Agraria y Alimentaria (INIA) y Zamadueñas (Valladolid) de la Instituto de Tecnología Agraria de Castilla y León (ITACyL) para su ayuda de campo de los cultivos de estudio de investigación utilizado. Este estudio fue apoyado por el proyecto de investigación AGL2016-76527-R del MINECO, España y parte de un proyecto de colaboración con Syngenta, España. El BPIN 2013000100103 beca de la "Formación de Talento Humano de Alto Nivel, Gobernación del Tolima - Universidad del Tolima, Colombia" fue el único de financiamiento para el primer autor Jose Armando Fernandez-Gallego. La principal fuente de financiación del autor correspondiente, Shawn C. Kefauver, vino del programa ICREA Academia a través de un subsidio otorgado al Prof. José 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 |
References
- Food and Agriculture Organization (FAO). Food outlook: Biannual report on global food markets. , Food and Agriculture Organization of the United Nations. (2017).
- Araus, J. L., Kefauver, S. C. Breeding to adapt agriculture to climate change: affordable phenotyping solutions. Current Opinion in Plant Biology. , (2018).
- Ranieri, R. Geography of the Durum Wheat Crop. Pastaria International. 6, (2015).
- Food Agriculture Organization (FAO). The State of Food Insecurity in the World. , Food and Agriculture Organization of the United Nations. (2014).
- Araus, J. L., Cairns, J. E. Field high-throughput phenotyping: the new crop breeding frontier. Trends in Plant Science. 19 (1), 52-61 (2014).
- Fiorani, F., Schurr, U. Future Scenarios for Plant Phenotyping. Annual Review of Plant Biology. 64 (1), 267-291 (2013).
- 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).
- 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).
- Furbank, R. T., Tester, M. Phenomics – technologies to relieve the phenotyping bottleneck. Trends in Plant Science. 16 (12), 635-644 (2011).
- 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).
- 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).
- 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).
- Dornbusch, T., et al. Digital Field Phenotyping by LemnaTec. , (2015).
- 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).
- 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).
- Zadoks, J., Chang, T., Konzak, C. A decimal growth code for the growth stages of cereals. Weed Research. 14 (14), 415-421 (1974).
- 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).
- 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).
- Zaman-Allah, M., et al. Unmanned aerial platform-based multi-spectral imaging for field phenotyping of maize. Plant Methods. 11 (1), 35 (2015).
- 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).
- 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).
- 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).
- 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).
- 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).
- Smołka, B. Nonlinear techniques of noise reduction in digital color images. Wydawnictwo Politechniki Śląskiej. , (2004).
