Summary
Vi presenterar ett protokoll för inventering durum vete och korn öron, med naturliga färger (RGB) digitala fotografier tagna i naturligt solljus under fältförhållanden. Med minimala justeringar för kameran parametrar och vissa miljöförhållanden begränsningar ger tekniken exakta och konsekventa resultat inom en rad olika tillväxtfaserna.
Abstract
Öra densitet, eller antalet öron per kvadratmeter (öron/m2), är ett centralt fokus i många flingor gröda avel program, t ex vete och korn, som representerar en viktig agronomiska avkastning komponent för att uppskatta korn avkastning. Därför en snabb, effektiv och standardiserad teknik för att bedöma öra densitet skulle stöd att förbättra jordbrukets förvaltning, som ger förbättringar i preharvest avkastning förutsägelser, eller kan även användas som ett verktyg för gröda avel när den har definierats som ett drag av betydelse. Inte bara är de nuvarande metoder för manuell öra densitet bedömningar mödosam och tidskrävande, men de är också utan någon officiell standardiserade protokoll, antingen genom linjär mätare, området kvadrant, eller en extrapolering utifrån öra planteringstäthet och växt räknar efter skörd. En automatisk öra räknar algoritm presenteras i detalj för uppskatta öra täthet med endast solljus belysning i fältet villkor baserat på zenithal (nadir) naturliga färg (röd, grön och blå [RGB]) digitala bilder, vilket möjliggör hög genomströmning standardiserade mätningar. Olika fältförsök av durumvete och korn spridda geografiskt över Spanien under 2014/2015 och 2015/2016 gröda säsonger i bevattnade och rainfed prövningar användes för att ge representativa resultat. Tre-fas protokollet innehåller gröda tillväxtfas och fältet skick planering, image capture riktlinjer och en datoralgoritm av tre steg: en Laplacian Frekvensfilter ta bort låg - och högfrekventa artefakter, (ii) en median filter för att minska höga buller, och (iii) segmentering och räknar med lokala maxima toppar för den slutliga sammanräkningen. Smärre justeringar av algoritmen koden måste göras motsvarande kamera upplösning, brännvidd och avstånd mellan kameran och gröda trädkronorna. Resultaten visar en hög framgång (högre än 90%) och R2 värden (på 0,62-0,75) mellan algoritm räkningarna och manuell bildbaserade örat räknas för både durumvete och korn.
Introduction
Världen spannmål utilizationen 2017/2018 rapporteras växa med 1% från föregående år1. Baserat på de senaste prognoserna för spannmål produktionen och befolkningen utnyttjande, världen spannmål bestånden behöver öka avkastningen i en snabbare takt för att möta växande krav, medan också anpassning till öka effekterna av klimat förändring2. Därför finns det ett viktigt fokus på avkastning förbättring av spannmål genom förbättrad gröda avel tekniker. Två viktigaste och skördade spannmål i Medelhavsområdet är valt som exempel för denna studie, nämligen, durumvete (Triticum aestivum L. ssp. durumvete [Desf.]) och korn (Hordeum vulgare L.). Durumvete är, i förlängningen, den mest odlade spannmålen i södra och östra marginaler i Medelhavsområdet och är den 10: e viktigaste gröda i världen, på grund av sin årliga produktion på 37 miljoner ton årligen3, medan korn är den fjärde globala spannmål när det gäller produktion, med en global produktion på 144,6 miljoner ton årligen4.
Fjärranalys och proximala bild analystekniker är alltmer viktiga verktyg i befordran av fältet hög genomströmning växt fenotypning (HTPP) som de ger inte bara smidigare men också, ofta, mer exakt och konsekvent hämtningar av målet beskära biophysiological drag, såsom bedömningar av fotosyntetiska aktivitet och biomassa, preharvest avkastning uppskattningar och även förbättringar i drag ärftlighet, såsom effektivitet i resurs användning och upptag5,6,7 ,8,9. Fjärranalys har traditionellt fokuserats på Multispektrala, Hyperspektrala och termisk avbildning sensorer från skyliftar för precisionsjordbruk i fältet skala eller växt fenotypning studier vid microplot skala10. Vanligt, kommersiellt tillgängliga digitala kameror som mäter endast synliga reflekterade ljuset var ofta förbises, trots deras mycket hög rumslig upplösning, men har nyligen blivit populära som nya innovativa bildbehandling algoritmer alltmer kan att dra nytta av detaljerade färg och rumslig information som de tillhandahåller. Många av de nyaste innovationerna i avancerat jordbruk bild analyser alltmer beroende av tolkningen av uppgifter från mycket högupplöst (VHF) RGB-bilder (för sin mätning av röda, gröna och blå synlig ljusreflektion), inklusive gröda övervakning (vigor, fenologi, sjukdom bedömningar och identifiering), segmentering och kvantifiering (uppkomst, öra densitet, blomma och frukt räknas) och även full 3D rekonstruktioner baserat på en ny struktur från motion arbetsflöden11.
En av de viktigaste punkterna för förbättring av spannmål produktivitet är en effektivare bedömning av avkastning, som bestäms av tre huvudkomponenter: öra densitet eller antalet öron per kvadratmeter (öron/m2), antalet korn per öra, och tusen-kernel vikt. Öra densitet kan erhållas manuellt i fältet, men denna metod är mödosam och tidskrävande och saknas i ett standardiserat protokoll, som tillsammans kan leda till en betydande källa till fel. Införliva den automatisk uppräkning av öron är en utmanande uppgift på grund av komplexa gröda strukturera, nära anläggningen avstånd, hög grad av överlappning, bakgrundselement och förekomsten av awns. Senaste arbete har avancerat i denna riktning genom att använda en svart bakgrund struktur stöds av ett stativ för att förvärva lämplig beskära bilder, visar ganska bra resultat i öra räknar12. På detta sätt mycket solljus och skuggeffekter undveks, men sådan struktur skulle vara besvärligt och en stor begränsning i en ansökan till fältförhållanden. Ett annat exempel är en automatisk öra räknar algoritm som utvecklats med en helautomatisk fenotypning system med styva motoriserad Gondolen, som användes med god noggrannhet för inventering öra täthet i en panel bestående av fem awnless brödvete (Triticum aestivum L.) sorter som odlas under olika kväve villkor13. Senaste arbete av Fernandez-Gallego14 har optimerat processen för snabbare och enklare datafångst, med VHR RGB färgbilder följt av mer avancerade, men fortfarande fullt automatiserade, bild analyser. Effektiv och högkvalitativ datainsamlingen i fältförhållanden betonar ett förenklat standardiserade protokoll för konsistens och hög datagenomströmning capture, medan den bildbehandling algoritmen sysselsätter romanen utnyttjar Laplacian och frekvens domän filter för att ta bort oönskad bilden komponenter innan du applicerar en segmentering för inventering baserat på att hitta lokala maxima (i motsats till fullständig avgränsning som i andra tidigare studier, vilket kan resultera i fler fel med överlappande öron).
Detta arbete föreslår ett enkelt system för automatisk kvantifiering av örat densitet i fältförhållanden, använda bilder som förvärvats från kommersiellt tillgängliga digitala kameror. Detta system utnyttjar dagsljus i fältet villkor och, därför kräver beaktas vissa relaterade miljöfaktorer, såsom tid dag och molnet täcker, förblir men, i praktiken, enkel att genomföra. Systemet har visat på exempel för durumvete och korn men bör vara utdragbara i ansökan till bröd vete, som förutom uppvisar öron med liknande morfologi, är ofta awnless, men ytterligare experiment skulle krävas för att bekräfta detta. I data capture protokoll som presenteras här, zenithal bilderna tas genom att helt enkelt hålla kameran för hand eller använda en enbent för positionering digitalkameran ovanför grödan. Valideringsdata kan förvärvas genom att räkna öronen manuellt för subplots under efterbearbetning, eller i fältet genom att räkna öron i själva bilden. Den bildbehandling algoritmen består av tre processer som, första, effektivt bort oönskade delar av bilden på ett sätt som, sedan gör för de efterföljande segmenteringen och inventering av enskilda vete öronen i förvärvade bilder. Först en Laplacian Frekvensfilter används för att upptäcka förändringar i de olika rumsliga riktningarna av bilden som använder standardinställningarna för ImageJ utan fönster kernel storlek justeringar (Hitta Maxima segmenteringsteknik avgör den lokala topparna efter medianvärdet rumsliga filter steget, i vilket skede pixlarna relaterade med öronen har högre pixelvärden än jord eller blad. Därför hitta Maxima används för att segmentera de höga värdena i bilden, och dessa regioner är märkta som öron, som identifierar öron samtidigt minska överlappande örat fel. Analysera partiklar används sedan på de binära bilderna att räkna eller mäta parametrar från regionerna som skapats av kontrasten mellan vita och svarta ytan skapad av steget hitta Maxima. Resultatet är sedan bearbetas för att skapa en binär bild segmentering genom att analysera närmaste granne pixel variansen runt varje lokala maximalt för att identifiera vete öra formerna i den filtrerade bilden. Slutligen räknas öra täthet med analysera partiklar, som genomförts i Fiji15. Både hitta Maxima och analysera partiklar är fristående funktioner och finns som plugins i Fiji (https://imagej.nih.gov/ij/plugins/index.html). Men inte presenteras särskilt i protokollet här, tyder preliminära resultat presenteras som kompletterande material på att denna teknik är anpassningsbar till gjort öra räknas undersökningar från obemannade luftfartyg (UAV), förutsatt att resolutionen förblir tillräckligt hög14.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
1. prefield gröda tillväxtfas och miljöförhållanden
- Kontrollera att den gröda tillväxtfas är ungefärligt mellan korn fyllning och nära grödans mognad, med öron som är fortfarande grönt även om bladen är senescent (vilket motsvarar för vete till intervallet 60-87 Zadoks' skala16). Vissa gulfärgning av bladen är acceptabel men inte nödvändigt.
- Förbereda en provtagningsplan för Bildinsamling med olika replikat (bilder per tomt) för att fånga ritytan/variation; bildbehandling algoritmen kommer räkna antalet öron i bilden och konvertera det till öron per kvadratmeter (öron/m2) baserat på specifikationer från kameran.
- Planera de fältet utflykterna för att fånga bilder inom två timmar av sol middagstid eller, alternativt, på en mulen dag i diffusa ljusförhållanden för att undvika de negativa effekterna av örat skuggning på öra räknar algoritm.
- En gång i fältet kontrollera toppen av gröda trädkronorna att se till att det är torrt för att undvika speglande reflexer från fukt.
Obs: I med tanke på målen i detta protokoll, det är viktigt att först överväga om tillväxtfas av grödan är lämplig för att tillämpa öra räknas. Fånga bilder utanför den rekommendera tillväxtfas kommer antingen resultera i suboptimal eller meningslösa resultat (om öronen inte är närvarande eller fullt uppstått). Bildkvalitet har också en betydande inverkan på bearbetning av resultaten, inklusive upplösning och sensorstorlek och vissa miljöförhållanden, som tid på dagen och cloud cover, behöver övervägas noga innan du fortsätter med Bildinsamling.
2. Bildinsamling i fältet villkor med naturligt ljus
- Förbereda en ”phenopole” som visas i figur 1 eller ett liknande förvärv system (även handhållna) ta bilder snabbt och ännu i ett standardiserat och konsekvent sätt på varje tomt eller rikta läge.
Figur 1 : Öra räknar systemet. Öra räknar systemet med hjälp av ”phenopole” visas i fältet till vänster, med en fjärrkontrollerad naturliga färg (RGB) stor sensor och högupplöst digitalkamera system med kamerans lutning och höjd, som anger de nödvändiga parametrarna för att justera den bildbehandling algoritm. Den sensorn och bildupplösning upptäcks automatiskt av bildegenskaperna, medan användaren bör ange detaljerna för objektivets brännvidd och avståndet från trädkronorna. Detta är nödvändigt att justera algoritmen för det uppskattade antalet pixlar per öra och också omvandlingen av antalet bildbaserade totala öra till öra densitet (öron/m2). Därför är det rekommenderat att använda samma kamera och objektiv brännvidd för alla fält bilder. Klicka här för att se en större version av denna siffra.
- Placera kameran på en lämplig enbent eller ”selfie” pole så att det får bibehållas nivå, antingen med hjälp av nivå bubblor eller en i kameran stabilisering system, för att få zenithal bilder.
- Använda en mobiltelefon, surfplatta eller en annan enhet för att ansluta kameran för både fjärrkontrollen bild ta till fånga och bild visualisering för bästa resultat med korrekt fokuserade bilder. Programmet kameran för autofokus för att minska eventuella fel ifall användaren inte känner nog med sin kamera eller fotografi tekniker för att ställa en korrekt manuell fokus, vilket framgår av exempel på zenithal bilder med rätt fokus och exponering i Figur 2.
Figur 2 : Zenithal beskära bilder. Durumvete och korn öra zenithal bilder för öra räknar datauppsättning exempel med ett acceptabelt Stadium tillväxt och åldras på hösten från cirka 61 till 87 enligt Zadoks' skala. (Vänster) Durum vete zenithal bilddata föredöme. (Höger) Korn zenithal bilddata föredöme. Klicka här för att se en större version av denna siffra.
- Notera bildnumret före Bildinsamling för att matcha bilderna korrekt med fältet tomterna. Spela in en bild av allmänna fältområdet i början och en bild av marken/fältet mellan blocken för efterbehandling kontroller.
- Placera kameran på ca 80 cm ovanför toppen av gröda kapell, med en linjal eller mätning sträng att regelbundet kontrollera kameran höjden ovanför trädkronorna. Se till att kameran är nivå och fånga bilden. Denna teknik kan kräva 1-2 III.3.
- Om ytterligare fält öra räkna validering önskas förutom en manuell bilden räkna validering, installera en förlängning arm till RAM (t.ex. en liten cirkel) och placera den i mitten av bilden för att genomföra manuella fält räknas av en exakt bild delmängd; Denna teknik kan kräva 2-3 personer att genomföra.
Obs: Tre stora överväganden i välja en kamera, därför omfattar: (1) kamera specifikationer; i detta fall, sensorns fysiska storlek; (2) brännvidd av bild linsen; (3) avståndet mellan trädkronorna och kameran: mindre avstånd eller större zoomobjektiv kommer att fånga upp ett mindre område medan bilder tagna från en större avstånd kommer att fånga en större beskärningsområdet. Se figur 1 för detaljer om de relevanta kamera specifikationerna.
3. algoritm genomförande och justeringar
Obs: Här presenterar vi algoritm genomförande och justeringar för olika kamera specifikationer (sensorstorlek, megapixlar, brännvidd, avstånd till beskära) och gröda (durumvete eller korn) för automatiska öra räknar. En översikt av algoritmen presenteras grafiskt i figur 3.
Figur 3 : Bildbehandling rörledning för tvåradigt korn öra räknar. Bildbehandling rörledning för tvåradigt korn öra inventering som genomförts med hjälp av specifika datorkod eller programvaran CerealScanner , båda verksamma inom Fiji (ImageJ). Panel 1 visar den ursprungliga bilden. Panel 2 visar resultatet av tillämpningar av filtret Laplacian. Panel 3 visar tillämpningen av filtret median, och Panel 4 visar resultaten av den slutliga hitta Maxima och segmentering för att producera slutlig öra räkningen. Då görs beräkningarna att konvertera bilden räkningen till örat täthet, som visas i figur 1. Dessa bilder är ett exempel som hämtats från webbplatsen Arazuri fält (nordöstra Spanien, 42 ° 48' 33,9 ”N 1 ° 43' 37,9” W) i diffusa ljusförhållanden. Klicka här för att se en större version av denna siffra.
- Hämta och installera Fiji, Java 8, och kod för bearbetning eller Barcelonas universitets egenutvecklade CerealScanner plugin (https://fiji.sc/, https://www.java.com/en/download/, och https://integrativecropecophysiology.com/software-development/cerealscanner/ [information] eller https://gitlab/sckefauver/CerealScanner [kod databasen]); Kontakta motsvarande författarna för åtkomstbehörigheter. Plugin är installerat inom Fiji genom att helt enkelt kopiera det till mappen plugins.
- Öppna plugin från toppmenyn genom Plugins > CerealScanner > Öppna spannmål Scanner.
Obs: Utöver det arbete som presenteras här, CerealScanner plugin omfattar flera olika RGB-baserade vegetation index relaterade till gröda vigor, stress eller klorofyll17,18. Den angivna CerealScanner-delen innehåller särskilda algoritmer för Tidig Vigor (Fernandez-Gallego, i review), Öra räknar14och Gröda åldras19, som visas i figur 4. - Ange justeringarna av kamera specifikationer och bild fånga detaljer om de skiljer sig från de standardvärden som (se figur 1 och figur 4 för detaljer).
- Justera parametern algoritm för kamerans brännvidd.
- Justera parametern algoritm för avståndet från gröda trädkronorna.
Figur 4 : The CerealScanner 2.12 Beta central fliken på båda nivåerna, märkning öra räknar funktionen inom samlingen CerealScanner algoritm. Användaren måste välja den... knappen till höger om Batch ingångar Välj mappen där bildfilerna lagras, ändra standardvärdena för H avståndet (avståndet från kameran till toppen av gröda trädkronorna) och brännvidd, om annan än defaul t-värden, och välj sedan den... knappen till höger om Fil att välja namn och plats för slutliga resultatfilen. De andra flikarna i CerealScanner ger algoritmer för drag-baserade fenotypning för Tidig Vigor och uppkomsten av mognad som en del av programserien CerealScanner kod. Under fliken biomassa finns det flera algoritmer för anseende av mer allmänna gröda vigor och biomassa beräkningar, också för RGB-digitala bilder. Exemplet avser tvåradigt korn, som det visades i detalj i figur 3. Klicka här för att se en större version av denna siffra.
Figur 5 : Algoritm justeringar. Justeringar krävs i bild-bearbetningen rörledningen för att framgångsrikt räknas både vete och korn öron med samma algoritm som hanteras automatiskt som en del av kamera-specifika anpassningar av H avstånd (avståndet mellan kameran och grödan trädkronorna) och brännvidd och servera så att antalet pixlar per öra förblir mer eller mindre konstant mellan olika program. Klicka här för att se en större version av denna siffra.
- Välj fliken center CerealScanner och fliken efterföljande centrala Öra räknar för att beräkna antalet öron i varje bild av en uppsättning data för fältet.
- Under alternativ, ange, i Batch ingångar, platsen av bilder för att analysera.
- Resultatfiler, Välj var du vill spara resultatfilen. Resultatfilen kommer att omfatta två kolumner med bildnamnet och örat räknar resultat.
- Slutligen, klicka på Processoch resultatfilen med örat tätheten i kvadratmeter (öron/m2), med en enkel förhållandet med kamerainställningar och avståndet mellan trädkronorna och kameran för att konvertera bildområdet till ett faktiska trädkronorna område i kvadrat meter enligt figur 1, produceras automatiskt i några minuter, beroende på datorhastighet.
- Genomföra en efterbearbetning validering efter datainsamlingen genom manuellt räkna antalet vete eller korn öron i bilden och sedan konvertera det till antalet öron per kvadratmeter (öron/m2), som visas i figur 1, att jämföra den resultat med de baserade på algoritmen värdena.
- Använd verktyget enkelt peka placering byggd i Fiji, som ger lätt stöd för denna process och funktionen Fiji Analysera partiklar för att producera räkningarna automatiskt; Detta visas grafiskt i figur 6.
- Du kan också genomföra en validering med hjälp av ett litet område cirkel under fältet datainsamling som beskrivs i steg 2,6; manuell räknar i fältet och manuell bild räknas i laboratoriet kan sedan användas för algoritm validering som visas i figur 7.
Figur 6 : Algoritm validering med manuell i-image öra räknas. Manuell i-image öra räknas (vänster) durumvete och (höger) korn. Små prickar har skapats med hjälp av Fiji Punkt verktyget och sedan räknas med hjälp av Funktionen analysera partiklar med en 0,90-1,00 loopkontroll tvång efter tillämpar en Tröskelvärdet färg från nyans mättnad Intensitet Cologne utrymme för den färg som anges i Punkt verktyg. Denna metod säkerställer mer exakt bildbaserade manuell öra räknas. Klicka här för att se en större version av denna siffra.
Figur 7 : Algoritm validering med manuell räknas i fältet manuell i-image öra räkningarna av vete och korn, med hjälp av en cirkel och. (Vänster) Vete bilden räkna validering exempel med en cirkel. (Höger) Korn bilden räkna validering exempel med en cirkel. Delmängd räkningarna av öronen inom den vita cirkeln räknades med samma teknik som beskrivs i figur 6 med Punkt verktyg, Tröskelvärdet färgoch sedan Analysera partiklar funktion med vid loopkontroll begränsningar och färgval med nyans. Klicka här för att se en större version av denna siffra.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
I figur 8, resultaten visar beslutsamhet koefficienten mellan örat densiteten (antal öron per kvadratmeter) med manuell räknar och örat räknar algoritm för vete och korn på tre olika gröda tillväxtfaserna. Den första är durumvete med en Zadoks' skala mellan 61 och 65 (R2 = 0,62). Den andra är tvåradigt korn med en Zadoks' skala mellan 71 och 77 (R2 = 0,75), och den sista är durumvete med en Zadoks' skala mellan 81 och 87 (R2 = 0,75).
Figur 8 : Determinationskoefficienten mellan örat densitet (antal öron/m2) med hjälp av manuell image-baserad inventering och bild algoritmen för örat inventering av durumvete och tvåradigt korn på olika godtagbar grödornas tillväxt arrangerar (på Zadoks' skala 61–87). Båda axlarna visar beräkningar, inklusive konverteringar till örat densitet, i stället för image-baserad resultat endast. De representativa resultat presenteras här för två olika grödor över tre olika tillväxtfaserna, liksom under olika ljusförhållanden, nämligen direkt solljus bilder av durumvete på Zadoks' skala 61-65 på toppen (R2 = 0,62, n = 72), diffust ljus bilder av korn på Zadoks' skala 71-77 i mitten (R2 = 0,75, n = 30), och diffusa ljusförhållanden för durumvete Zadoks' skala 81-87 längst (R2 = 0,75, n = 24). En exempel-bild av varje visas också som en infälld i nederkant högra hörnet av varje graf. Klicka här för att se en större version av denna siffra.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Ökad smidighet, konsekvens och precision är nyckeln till att utveckla användbara nya fenotypning verktyg för att hjälpa gemenskapens gröda-avel i deras ansträngningar att öka korn avkastning trots negativa tryck relaterade till globala klimatförändringar. Effektiva och korrekta bedömningar av spannmål öra densitet, kommer som en viktig agronomiska del av avkastningen av viktiga krampa grödor, att ge de verktyg som behövs för att mata framtida generationer. Med fokus på förbättring och stöd av gröda-avel insatser i fältförhållanden som hjälper till att hålla denna forskning och de tekniker som presenteras här mer nära knuten till verkliga klimat ändra scenarier och behoven hos gemenskapens avel men presenterar också tekniska svårigheter. Som sådan, är det viktigt att betala nära följsamhet inte bara till datafångst och bildbehandling i detta protokoll, men också att rekommendationerna för optimala omgivande förhållanden och gröda tillväxtstadierna för dess framgångsrika genomförande11. Som en viktig agronomiska komponent av avkastningen anses öra densitet vara en av de viktigaste mål egenskaper i tryck för att öka skördarna för spannmål (se artikeln av Slafer et al.20 och referenser däri). Fokus i detta protokoll mot ett optimalt kostnadseffektiv, flexibel och okomplicerad området fenotypning teknik anser att dessa aspekter av protokollet är nyckeln till dess antagande och genomförande av gemenskapens avel i stort. Däremot relaterade tidigare studier med liknande syftar till att bedöma öra densitet eller andra avkastning komponent kvantifiering har använt mer engagerade datafångst och miljökontroll strukturer, såsom omslutande strukturer och fast kamera stöder eller ens konstgjort ljus ingångar, som effektivt hindrar praktiska tillämpningen under fältmässiga förhållanden och genomförande i faktiska avel program12,20,22.
Således, vi här har lagt fram ett detaljerat protokoll som är resultatet av testning olika olika tekniker i en iterativ optimeringsprocessen, vilket resulterar i en enkel men effektiv bild data capture metoden kräver endast en kommersiellt tillgänglig, måttligt högupplösta RGB digital kamera och en rudimentär ”phenopole” för att hålla kameran ovanför gröda trädkronorna. Andra bilden-filtrering försök baserat på RGB-färgen eller alternativa färgrymder, såsom nyans-mättnad-intensitet eller CIELAB, var inte lika effektiv eller konsekvent som användningen av Laplacian och median frekvens domän filter att ta bort oönskade bildelement, särskilt awns. Vi har utformat image capture rörledningssystemet med olika delar, av vilka några kan enkelt justeras med mindre ändringar i bildbehandling algoritm genomförandet. I fallstudierna presenteras här, har vi använt två olika kompaktkameror med relativt stora sensorer och 20,1 megapixlar (MP) och 16,0 MP upplösning för att fånga bilder med vidvinkelobjektiv 16-20 mm från ett avstånd av 80 cm från gröda trädkronorna. Detta har visat sig vara mer än tillräcklig för att ge detaljerad trädkronorna korn och vete information, med simuleringar visar att tekniken håller hög precision ned till cirka 8 MP14 (med liknande objektiv och avstånd från den trädkronorna).
Även om konsekvens och precision av de presenterade bildbehandling teknikerna beroende av miljöförhållanden och fenologiska scenen vid tidpunkten för Bildinsamling, visar algoritmer löfte att tillhandahålla en robust prestanda i sin ansökan till olika små korn spannmål, inklusive durumvete och bröd vete och två rader och sex-rad korn sorter. Medan denna algoritm har ännu inte testas, skulle stillbilder detsamma, med kanske några mindre justeringar när det gäller relativa storlek och placering av örat i bilder för att ge optimal öra räknar resultat. I protokollet presenteras, uppskattar bildbaserade öra tätheten uppnås maximal noggrannhet och korrelerade bäst med manuell bilden räknas och korn avkastning jämfört med bilder som tagits på senare tillväxtfaserna, när grödan åldras resulterade i en förlust av färg och belysning kontrasten mellan resten av gröda trädkronorna och öronen. Detta kan vara ett resultat av högre temperaturer eller lägre vatten tillgänglighet på de sena delarna av korn som fyllning, som är särskilt vanliga i typisk Medelhavet förhållanden, som kan orsaka blad och culm till senesce innan öronen gör23; denna kontrast är viktigt för effektiviteten av separationen mellan öronen, blad och jord. I alltför mogna eller senescent skärmtak med öronen redan gul är kontrasten mellan de olika bildelement inte tillräcklig för örat inventering. Som sådan, i andra klimat vara den optimala tidpunkten något annorlunda om det finns ingen vattenstress under åldras debut.
Även om datainsamlingen i fältet villkor kräver stor uppmärksamhet åt sådana miljöförhållanden som solljus intensitet och solljus belysning vinklar, ger robust bild analys algoritmen presenteras här visst utrymme i stillbilder fönster med rumsliga tekniker som ignorerar albedo bildeffekter, med tanke på att den rätta bildexponering användes för de speciella ljusförhållandena vid tidpunkten för Bildinsamling; automatiska inställningar har fungerat bra i det avseendet. I tidigare arbete testades en fylligare rad ljuseffekter, vilket indikerar att den enda större felkälla när det gäller ljuseffekter är produktionen av stark skuggorna i bilden när fånga bilder i direkt solljus antingen tidigt eller sent på dagen , på grund av vinkeln av solen14. De första två bild filter program bidrar till att minimera eventuella synbara effekter från överflödig belysning (även om inte via kamerans överexponering) samtidigt minska någon bakgrund delar av bilden; samtidigt, dessa filter också bidra till utjämning och buller minskning, båda som medhjälpare i den efterföljande hitta Maxima bearbeta23,24. Därför, medan den naturliga belysningen faktorer måste redovisas, till exempel vinkeln på solen när bilderna tas i direkt i stället för att i diffust ljus, detta är främst för att minska fel relaterade till shadow artefakter.
Dessutom korrelationer mellan algoritm öra räknas från presenteras protokoll och säd avkastningen var större och mer betydande än manuell (fältbaserade) öra räknas av samma experiment11, som stöder påståendet att detta protokoll är inte bara Mer exakt men också mer konsekvent som ett standardiserat protokoll för bedömning av örat densitet. Medan inte presenteras här specifikt, liknande data capture och bearbetning tekniker verkar vara genomförbart med mobiltelefon, antenn eller andra automatiserade plattformar som de utför ganska väl under simulerade reducerad bildupplösningar. Ytterligare tester för gråskala minskning (för snabbare bildbehandling) och lägre upplösning bild simuleringar (från tillämpningen av andra kamerorna eller UAV) utfördes genom att tillämpa de bild konverteringarna före den första filter14 och föreslog att, under optimala förhållanden, handläggningstider kan minskas på följande sätt utan någon förlust i noggrannhet. När det gäller möjliga framtida inriktningar dra bildbehandling algoritmer presenteras här bara nytta av VHR RGB färgdata som fångas av kameran (liknande det mänskliga ögat), men andra potentiella förbättringar kan resultera från omvandlingen till hybrid färg utrymmen såsom nyans-mättnad-intensitet, eller genom data fusion i kombination med andra mer avancerade vetenskapliga sensorer, såsom Multispektrala eller termisk, som både har blivit mer prisvärda nyligen och erbjuda förbättringspotentialen i örat densitet anseende, även om kanske på olika tillväxtfaserna eller i olika fältförhållanden.
Sammanfattningsvis inkluderar de kritiska steg för genomförandet av detta protokoll främst ordentlig planering för tiden på året och miljöförhållanden av grödan, som är optimala när grödan är i tillväxtfaserna 60-87 Zadoks' skala och antingen på Solar middagstid eller i diffust ljus. Förvärvet av digitala bilder bör dessutom utföras på ett kontrollerat sätt redovisning för kameravinkel, avstånd från trädkronorna och kamerans fokus för varje bild. Slutligen, optimerad dator-bearbetar alternativ presenteras i detalj för att återge bearbetning kod rörledningen, eller kontakta författarna för antingen den ursprungliga koden eller koden integrerad som ett grafiskt användargränssnitt (GUI) i en plug-in för Fiji, nämligen den CerealScanner.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Författarna har något att avslöja.
Acknowledgments
Författarna till denna forskning vill tacka fältet ledningspersonalen på experimentella stationer Colmenar de Oreja (Aranjuez) av Instituto Nacional de Investigación y Tecnología Agraria y Alimentaria (INIA) och Zamadueñas (Valladolid) av den Instituto de Tecnología Agraria de Castilla y León (ITACyL) för deras fältet stöd av forskning studie grödor används. Denna studie stöddes av forskningsprojektet AGL2016-76527-R från MINECO, Spanien och en del av ett samarbetsprojekt med Syngenta, Spanien. Det BPIN 2013000100103 stipendiet från den ”Formación de Talento Humano de Alto Nivel, Gobernación del Tolima - Universidad del Tolima, Colombia” var den enda finansiering av stöd till den första författaren José Armando Fernandez-Gallego. Den primära finansieringskällan av motsvarande författare, Shawn C. Kefauver, kom från ICREA Academia programmet genom ett bidrag till 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 |
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).
