Summary
Biz durum buğday ve arpa kulaklar, sayım için bir protokol doğal renk (RGB) dijital fotoğraf alan koşullarında doğal güneş ışığı altında çekilen kullanarak mevcut. Kamera parametrelerini için minimal ayarlamaları ve çevre koşulu ile korunmasından, teknik büyüme aşamalarında aralığında hassas ve tutarlı sonuçlar sağlar.
Abstract
Kulak yoğunluğu veya kulak (kulak/m2), metrekareye sayısı çok tahıl ürün programları, buğday ve arpa, buğday verim tahmin etmek için bir önemli tarımsal verim bileşenini temsil gibi üreme merkezi bir odak noktasıdır. Bu nedenle, kulak yoğunluğu değerlendirmek için bir hızlı, verimli ve standartlaştırılmış teknik tarım yönetimi, preharvest verim tahminler, iyileştirmeler sağlayan geliştirmeye yardım edeceğini veya bu tanımlanmış kırpma doğurmak için bir araç olarak bile kullanılabilir önemli bir özellik. Sadece el ile kulak için güncel teknikler yoğunluğu değerlendirmeler zahmetli ve zaman alıcı, ancak bunlar aynı zamanda herhangi bir resmi standart iletişim kuralı doğrusal metre olup olmadığını, alan çeyreği, veya bitki kulak yoğunluğu ve bitki dayalı ekstrapolasyon sayıları hasat sonrası. Kulak yoğunluğu ile sadece güneş ışığı aydınlatma alan koşullarında tahmin zenithal (nadir) doğal renk (kırmızı, yeşil ve mavi [RGB]) tabanlı dijital görüntü, yüksek-üretim için izin için otomatik bir kulak algoritması sayma ayrıntılı olarak sunulan Standart ölçüler. Makarnalık buğday ve arpa 2014/2015 ve 2015 yılları sırasında İspanya arasında coğrafi olarak dağıtılmış farklı alan denemeler/2016 kırpma mevsim sulanan ve rainfed denemeler temsilcisi sonuçlar sağlamak için kullanılmıştır. Üç fazlı Protokolü kırpma büyüme sahne ve koşul alan planlama, görüntü yakalama yönergeleri ve bilgisayar algoritması üç adım içerir: düşük ve yüksek frekans eserler, yüksek azaltmak için medyan (II) bir filtreyi kaldırmak için (i) bir Laplasyen'in frekans filtresi gürültü ve (III) segmentasyon ve yerel maxima tepeler için son rakam kullanarak devam ediyor. Kamera çözünürlüğü, odak uzaklığı ve kamera ve kırpma gölgelik arasındaki uzaklık karşılık gelen algoritması kodu küçük ayarlamalar yapılması gerekir. Sonuçları yüksek başarı oranı (90 %'den daha yüksek) ve R2 değerleri (Toplam 0.62-0,75) algoritması sayıları arasında göstermek ve el ile görüntü tabanlı kulak makarnalık buğday ve arpa için sayar.
Introduction
2017/2018 Dünya tahıl kullanımı genişletmek önceki yıl11 oranında bildirilir. Son tahminler tahıl üretimi ve nüfus kullanımı, dünya tahıl stokları da iklim değişikliği2etkilerini artırmak için adapte ederken artan taleplerini karşılamak için daha hızlı bir oranda verimleri artırmak gerekir için temel. Bu nedenle, tahıl bitkileri yetiştirme teknikleri geliştirilmiş kırpma yoluyla düzelme verim üzerinde önemli bir odak yoktur. Akdeniz bölgesinde en önemli ve hasat tahıl bu çalışma için örnek olarak seçilir Yani iki, makarnalık buğday (Triticum soğanı L. ssp. durum [Desf.]) ve arpa (Hordeum vulgare L.). Makarnalık buğday, uzantısı tarafından Akdeniz havzasının Kuzey ve doğu kısımlarındaki en ekili hububat ve 10 en önemli dünya çapında, 37 milyon ton yıllık üretim sayesinde kırpma arpa dördüncü küresel olmakla birlikte her yıl3, tahıl üretimi, küresel üretim, 144.6 milyon ton ile açısından her yıl4.
Uzaktan algılama ve proksimal görüntü analiz teknikleri giderek anahtar alan yüksek üretilen iş bitki fenotipleme (HTPP) ilerlemesi gibi onlar sadece daha çevik sağlar ama Ayrıca, sık sık, daha hassas ve tutarlı alımları hedefinin kırpma araçlardır Fotosentetik etkinlik ve biyokütle, ilişkin değerlendirmeler gibi biophysiological özellikleri özellik kalıtsallığı, kaynak kullanımı ve alımı5,6,7 verimliliği gibi içinde verim tahminleri ve hatta ilerleme preharvest ,8,9. Uzaktan algılama geleneksel spektral üzerinde odaklanmıştır, hyperspectral ve termal görüntüleme sensörleri hava platformları için hassas tarım alanı ölçekte veya microplot bitki fenotipleme çalışmaları için10ölçek. Yalnızca görünür yansıyan ışık ölçmek ortak, piyasada bulunan dijital fotoğraf makineleri genellikle, onların çok yüksek uzaysal çözünürlük rağmen gözardı ama yeni yenilikçi görüntü işleme algoritmaları giderek mümkün olduğu gibi son zamanlarda popüler hale gelmiştir ayrıntılı renk ve sağladıkları mekansal bilgi yararlanmak için. Birçok gelişmiş tarım görüntü analizleri en yeni yenilikler giderek (onların ölçümü kırmızı, yeşil ve mavi görünür ışık yansıma için), çok yüksek çözünürlüklü (VHR) RGB görüntüleri tarafından sağlanan veri yorumlanması itimat ürün de dahil olmak üzere (canlılık, fenoloji, hastalık değerlendirmeler ve kimlik) izleme, segmentasyon ve miktar (ortaya çıkması, kulak yoğunluğu, çiçek ve meyve sayar) ve hatta tam 3D rekonstrüksiyonlar hareket iş akışları11yeni bir yapısını temel alan.
Mısır gevreği verimlilik iyileşme için en önemli noktalarından biri olan üç ana bileşenleri tarafından belirlenir verim daha verimli değerlendirilmesi: kulak yoğunluğu veya kulak (kulak/m2) metrekareye sayısı, kulak, başına tahıl sayısı ve bin-çekirdek ağırlığı. Kulak yoğunluğu alan, el ile elde edilebilir ama bu yöntem zahmetli, zaman alıcı ve tek bir standart iletişim kuralı içinde eksik, hangi birlikte hata önemli bir kaynak neden olabilir. Kulakları otomatik sayma birleştiren bir karmaşık ürün yapısı nedeniyle, yakın bitki boşluk, yüksek ölçüde örtüşme, arka plan öğeleri ve awns varlığı iştir. Son iş bu yönde uygun kırpma görüntüleri, kulakta12sayma oldukça iyi sonuçlar gösteren için bir tripod tarafından desteklenen bir siyah arka plan yapısını kullanarak ilerlemiştir. Bu şekilde, aşırı güneş ışığı ve gölge efektleri atlanma, ama böyle bir yapının hantal olurdu ve alan koşulların bir uygulamada önemli bir sınırlama. İyi doğruluk ile kulak yoğunluğu panelindeki bir sayım için kullanılan sert bir motorlu Portal ile tam otomatik fenotipleme sistemi kullanılarak geliştirilen algoritması sayma otomatik bir kulak beş awnless ekmek buğday (Triticum oluşan başka bir örnektir soğanı L.) farklı azot koşulları13altında büyüyen çeşitleri. Son çalışması Fernandez-Gallego14 ile bu işlem daha hızlı ve daha kolay veri yakalama, daha gelişmiş, henüz hala tam otomatik görüntü analizleri tarafından takip VHR RGB renk görüntüleri kullanarak için optimize. Tutarlılık ve görüntü işleme algoritması roman iken yüksek veri yakalama işlem hacmi, Laplasyen'in ve frekans etki alanını kullanmak için basitleştirilmiş bir standart iletişim kuralı alan koşullarında verimli ve yüksek kaliteli veri koleksiyon vurgular sayım için bir segment uygulamadan önce istenmeyen görüntü bileşenleri kaldırmak için filtre (aksine tam tarif örtüşen kulakları ile daha fazla hata neden olabilir diğer önceki çalışmalarda olduğu gibi) yerel maxima bulmaya dayalı.
Bu eser kulak yoğunluğu piyasada bulunan dijital kameralardan alınan görüntüleri kullanarak alan koşullarında otomatik miktar için basit bir sistem önerir. Bu sistem doğal ışık alan yararlanır koşulları ve bu nedenle, zaman kapağının, gün ve bulut gibi ilgili bazı çevresel faktörlerin dikkate gerekir ama, sonuç olarak, uygulanması kolay kalır. Sistem makarnalık buğday ve arpa örnekleri üzerinde göstermiştir ancak, benzer görünümdeki, kulaklarıyla sergilenmesi yanı sıra sık sık awnless buğday, ekmek uygulamada uzatılabilir olması gereken, ancak daha fazla deneyler için gerekli olacaktır Bu onaylayın. Burada sunulan iletişim kuralı veri yakalama, zenithal görüntüleri sadece el ile kamera tutarak ya da dijital fotoğraf makinesi ürün üzerinde konumlandırma için bir monopod kullanarak alınır. Doğrulama veri elle subplots alanında veya postprocessing sırasında için kulaklar kulaklar görüntüdeki sayarak sayılarak elde edilebilir. Görüntü işleme algoritması, ilk olarak, etkili, daha sonra sonraki segmentasyon ve edinsel görüntüler bireysel buğday kulaklarında saymak için izin verir bir şekilde görüntünün istenmeyen bileşenleri kaldırmak üç işlemden oluşur. İlk olarak, Laplasyen'in frekans filtresi görüntünün varsayılan ImageJ filtre ayarları penceresi çekirdek boyut ayarlamaları olmadan kullanarak kayma farklı yönlere değişiklikleri algılamak için kullanılır (Bulmak Maxima segmentasyon tekniği belirler hangi aşamada piksel kulakları ile ilgili ortalama kayma filtre adım sonra yerel zirveleri daha yüksek piksel değerlerini toprak veya yaprakları daha var. Bu nedenle, bul Maxima görüntü yüksek değerlerde segmentlere ayırmak için kullanılır ve bu bölgeleri, kulaklar da üst üste gelen kulak hataları azaltırken tanımladığı kulakları etiketlenir. Parçacıklar analiz daha sonra ikili görüntülerde saymak ve/veya parametreler bulmak Maxima adım tarafından oluşturulan beyaz ve siyah yüzey arasındaki kontrast oluşturan bölgelerden ölçmek için kullanılır. Sonuç o zaman ikili görüntü segmentasyonu filtre uygulanan görüntüdeki buğday kulak şekillerini tanımlamak için her yerel maksimum çevresinde en yakın komşu piksel varyans analiz ederek oluşturmak için işlenir. Son olarak, kulak yoğunluğu parçacıklar, analiz kullanarak Fiji15dakika içinde uygulanan olarak sayılır. Maxima bulmak ve partikülleri analiz tek başına işlevleri vardır ve eklentileri Fiji (https://imagej.nih.gov/ij/plugins/index.html) olarak kullanılabilir. Özellikle protokol burada sunulan değil rağmen ön sonuçları ek malzeme olarak sunulan bu tekniği bu çözünürlük sağlayan kulak sayısı anketler insansız hava aracı (İHA), üzerinden yürütülmesi için uyarlanabilir olabilir öneririz yeterince yüksek14kalır.
Subscription Required. Please recommend JoVE to your librarian.
Protocol
1. prefield bitki büyüme sahne ve çevre koşulları
- Bitki büyüme sahne tahıl dolgu arasında yaklaşık ve ürün olgunluk, yaprakları senescent olsa bile hala yeşil kulakları ile yakın olduğundan emin olun (hangi karşılık gelen buğday Zadoks ölçek1660-87 dizi durumunda). Bazı yaprakları sararma kabul edilebilir ama gerekli de değil.
- Çizim/alanı değişkenlik yakalamak için çeşitli çoğaltır (Arsa başına fotoğraf) ile görüntü yakalama için bir örnekleme planı hazırlamak; görüntü işleme algoritması kulakları görüntüde saymak ve buna kulak (kulak/m2) metrekareye kamera belirtimlere bağlı olarak dönüştürmek.
- Algoritma sayma kulak kulak gölgelemenin olumsuz etkileri önlemek için güneş öğle veya alternatif olarak, diffüz ışık koşullarında bulutlu bir günde iki saat içinde görüntüleri yakalamak için alan gezi planı.
- Bir kez alan, aynasal ışık yansıması nem gelen önlemek için kuru olduğundan emin olmak için ürün gölgelik üst kontrol ediniz.
Not: Bu protokolü hedefleri dikkate alınarak, ilk ürün büyüme aşamasında kulak sayımları uygulamak için uygun olup olmadığına karar verin ki. (Kulakları değil mevcut veya tam olarak ortaya çıktı) esir alma imge önerilen büyüme sahne dışında da suboptimal veya anlamsız sonuçlar neden. Görüntü kalitesi de çözünürlük ve sensör boyutu ve süresi gün ve bulut örtüsünün gibi bazı çevresel koşullar gibi sonuçlar, işleme üzerinde etkisi, dikkatli bir şekilde görüntü yakalama işlemine devam etmeden önce dikkat edilmesi gereken önemli bir var.
2. görüntü yakalama ile doğal ışık alan koşullarında
- Şekil 1 veya benzer bir koordinat belirleme sistemi (bile el) hızlı bir şekilde çekim gösterildiği gibi bir "phenopole" hazırlamak ve henüz bir standart ve tutarlı bir şekilde, her arsa veya konumu hedef.
Resim 1 : Sistem sayma kulak. "Phenopole" bir uzaktan kumandalı doğal renk (RGB) büyük sensör ve kamera tilt ve yüksekliği ayarlamak için gerekli parametreleri belirten, yüksek çözünürlüklü dijital kamera sistemi ile solda, alanında gösterilen kullanarak sistem sayma kulak görüntü işleme algoritması. Sensörü ve görüntü çözünürlüğü algılanır otomatik olarak görüntü özellikleri tarafından kullanıcı özelliklerini lens odak uzaklığı ve gölgelik mesafe için giriş iken. Bunlar kulak ve kulak yoğunluğu (kulakları/m2) Toplam kulak yansıma tabanlı sayı dönüştürme başına piksel sayısı tahmini için bir algoritma ayarlamak gereklidir. Bu nedenle, aynı kamera ve lens odak uzaklığı tüm alan resimler için kullanılması önerilir. Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.
- Kamerayı uygun bir monopod üzerinde yerleştirin veya "selfie" kutup bu düzeyi, ya korunması zenithal görüntüleri elde etmek için düzey kabarcıklar veya bir kamera sabitleme sistemini kullanarak.
- Bir cep telefonu, tablet veya başka bir aygıt düzgün odaklı görüntüleri ile en iyi sonuç için her iki uzaktan kumanda görüntü yakalama ve resim görüntüleme için kamera bağlamak için kullanın. Program kullanıcı doğru odak ve korunmasızlık içinde zenithal görüntülerle örnekleri tarafından gösterildiği gibi doğru bir manuel odak ayarlamak için kamera veya fotoğraf teknikleri ile tanıdık değil diye hataları azaltmak için otofokus kamera Şekil 2.
Resim 2 : Zenithal ekin imge. Makarnalık buğday ve arpa zenithal görüntüler için veri kümesi örnekler kabul edilebilir bir sahne ile büyüme ve yaşlanma Zadoks ölçeğine göre yaklaşık 61-87 sayma kulak kulak. (Sol) Durum buğday zenithal resim veri kümesi örneği. (Sağ) Arpa zenithal resim veri kümesi örneği. Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.
- Görüntüleri doğru alan araziler ile eşleşmesi için görüntü yakalama önce resim numarasını not alın. Başında genel alan çevrenin bir resim ve bir yere/alan denetimleri postprocessing için bloklar arasında görüntüsünü kaydeder.
- Pozisyon yaklaşık 80 cm yukarısında bir cetvel veya ölçüm dize gölgelik üzerindeki kamera yükseklik düzenli olarak denetlemesini kullanarak kırpma çardağın üstünde kameraya. Kamera düzeyi olduğundan emin olun ve görüntü yakalama. Bu tekniği 1-2 researcher(s) gerektirebilir.
- Ek alan kulak doğrulama sayarsan bir el ile görüntü sayısı doğrulama dışında bir uzantısı kareye (örneğin, küçük bir daire) kol ve el ile alan sayıları kesin görüntü alt yapmak için görüntünün ortasında konumlandırın yükleme isteniyorsa; Bu tekniği uygulamak 2-3 kişi gerektirebilir.
Not: Bu nedenle, bir fotoğraf makinesi seçiminde üç önemli hususlar şunlardır: (1) fotoğraf makinesinin teknik özellikleri; Bu durumda, sensör fiziksel boyutu; (2) görüntü lens odak uzaklığı; (3) gölgelik ve kamera arasındaki mesafeyi: daha küçük mesafelerde daha fazla zoom lensler yakalama veya daha küçük bir alanına ise bir daha uzak mesafeden yakalanan görüntüleri daha büyük bir kırpma alanı yakalayacaktır. İlgili fotoğraf makinesinin teknik özellikleri hakkında ayrıntılı bilgi için bkz: Şekil 1 .
3. algoritma uygulaması ve ayarlamalar
Not: Burada algoritma uygulaması ve düzeltmeleri farklı fotoğraf makinesinin teknik özellikleri (sensör boyutu, megapiksel, odak uzaklığı, kırpmak için mesafe) için mevcut ve otomatik kulak sayımı için kırpma (makarnalık buğday veya arpa). Algoritma bir bakış grafik olarak Şekil 3' te sunulmuştur.
Şekil 3 : Kulak iki satıra arpa sayımı için görüntü işleme boru hattı. Görüntü işleme boru hattı olarak kulak iki satıra arpa sayımı için belirli bilgisayar kodu veya ikisi de Fiji (ImageJ) içinde faaliyet CerealScanner yazılım kullanılarak uygulanmaktadır. Panel 1 orijinal görüntü gösterir. Panel 2 Laplasyen'in filtre uygulama sonuçlarını gösterir. Masası 3 Medyan filtresi uygulama ve paneli 4 son bulmak Maxima ve son kulak sayı üretmek için segmentasyon sonuçlarını gösterir. Daha sonra hesaplamaları görüntü sayısı kulak yoğunluğu, Şekil 1' de gösterildiği gibi dönüştürmek için yapılır. Bu görüntüler Arazuri alan sitesinden alınan bir örnektir (kuzeydoğu İspanya, 42 ° 48'33.9 "N 1 ° 43' 37,9" W) olarak ışık koşullarında yaygın. Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.
- Karşıdan yükleyip Fiji, Java 8 ve işleme kodunda veya Barcelona Üniversitesi özel CerealScanner eklenti (https://fiji.sc/, https://www.java.com/en/download/ ve https://integrativecropecophysiology.com/software-development/cerealscanner/ [bilgi] veya https://gitlab/sckefauver/CerealScanner [kod depo]); karşılık gelen yazarlar için erişim izinlerini başvurun. Eklenti Eklentiler klasörüne kopyalayarak Fiji içinde yüklenir.
- Eklenti ile üst menüden açmak Eklentiler > CerealScanner > açık tahıl inceden inceye gözden geçirmek.
Not: burada sunulan iş dışında CerealScanner eklenti ürün canlılığı, stres veya klorofil17,18ile ilgili birkaç farklı bitki örtüsü RGB tabanlı dizinler içerir. Şekil 4' te gösterildiği gibi Erken canlılığı (Fernandez-Gallego İnceleme), Kulak sayma14ve Ürün yaşlanma19, özel algoritmalar belirli CerealScanner bölümü içerir. - (Ayrıntılı bilgi için bkz: Şekil 1 ve Şekil 4 ) varsayılan değerlerden farklı olduklarında ayarlamaları fotoğraf makinesinin teknik özellikleri ve görüntü yakalama ayrıntılarını girin.
- Kamera odak uzaklığı için algoritma parametresini ayarlayın.
- Kırpma gölgelik mesafe için algoritma parametresini ayarlayın.
Şekil 4 : CerealScanner 2.12 Beta Merkezi sekmesini CerealScanner algoritması koleksiyonundaki kulak sayma fonksiyonu işaretleme her iki düzeyde,. Kullanıcı seçmelisiniz... görüntü dosyalarının depolanacağı klasörü seçin, varsayılan farklıysa H mesafe (kırpma gölgelik üst kamera mesafe) ve odak uzaklığı, varsayılan değerleri değiştirmek için Toplu işlem girişleri düğmeyi t değerlerini seçip ardından... düğmesini sonuçlar dosyasının konumunu ve adını seçmek için sağdaki Sonuçları dosyasının. CerealScanner diğer sekmeler algoritmaları Erken canlılık ve olgunluk CerealScanner kod paketinin bir parçası olarak başlangıcı için özellik tabanlı fenotipleme için sağlar. Biyokütle sekmesi altında RGB dijital görüntüler için de canlılık ve biyokütle hesaplamalar daha genel mahsulün tahminler için çeşitli algoritmalar vardır. Şekil 3' te ayrıntılı olarak gösterildiği örnek iki satıra arpa için başvuruyor. Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.
Şekil 5 : Algoritma ayarlamalar. Ayarlamaları gerekli görüntü işleme, başarılı bir şekilde her iki buğday saymak için boru hattı ve arpa kulakları aynı algoritmayı kullanarak otomatik olarak H mesafe (kamera ve ürün arasındaki mesafe kamera özel ayarlamalar bir parçası olarak yönetilir gölgelik) ve odak uzaklığı ve kulak başına piksel sayısı farklı uygulamalar arasında daha fazla veya daha az sabit kalmasını sağlamak için hizmet vermektedir. Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.
- Merkezi CerealScanner ve sonraki merkezi sekmelerinde Kulak sayma kulakları her görüntüde bir alan veri kümesinin sayısını hesaplamak için seçin.
- Seçenekler' in altında, Toplu işlem girişlerianaliz etmek için fotoğraf konumu girin.
- Sonuç dosyalarını, sonuç dosyasının kaydedileceği konumu seçin. Sonuç dosyası resim dosyasının adını ve sonuçları sayma kulak ile iki sütun içerir.
- Son olarak, sürecive metrekare (kulakları/m2), kulak dansitesi ile sonuçları dosyasını kullanarak basit bir oran kullanarak kamera ayarlarını ve gölgelik ve kamera arasındaki mesafeyi Meydanı'nda bir gerçek gölgelik alana görüntü alanına dönüştürmek tıklayın Şekil 1, takip metre otomatik olarak üretilen bilgisayar hızına bağlı olarak birkaç dakika içinde.
- Veri toplama sonra son işlem doğrulama kuralları el ile görüntü buğday veya arpa kulaklarında sayılması ve sonra bu numarayı kulak (kulak/m2), metre kare başına 1 rakam, karşılaştırmak için gösterildiği gibi dönüştürme Bu algoritma değerlere göre sonuçlar.
- Bu işlem ve sayıları otomatik olarak üretmek için Fiji Parçacıklar analiz fonksiyonu için kolay destekler Fiji içinde inşa basit noktası yerleşim aracını kullanın; Bu grafik olarak Şekil 6' da gösterilmiştir.
- İsteğe bağlı olarak, bir küçük alan daire kullanarak 2.6 adımda anlatıldığı gibi alan veri toplama sırasında bir doğrulama kuralları; Manuel alanında sayar ve Laboratuvar el ile görüntü sayıları daha sonra Şekil 7gösterildiği gibi doğrulama algoritması için kullanılabilir.
Şekil 6 : El ile resim kulak sayıları kullanarak algoritma doğrulama. El ile resim kulak (sol) makarnalık buğday ve (sağ) arpa için sayar. Küçük noktalar Fiji Noktası aracını kullanarak ve 0.90-1.00 ile Analiz parçacıklar işlevini kullanarak sayılır oluşturuldu Hue Saturation Renk eşiği uygulandıktan sonra Döngüsellik kısıtlaması Yoğunluğu renk alanı Noktası aracıtarafından belirtilen renk için. Bu yöntem daha doğru yansıma tabanlı el ile kulak sayımları sağlar. Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.
Şekil 7 : Kılavuzu kullanarak algoritma doğrulama alanı ve buğday ve arpa, bir daire kullanarak el ile resim kulak sayıları sayar. (Sol) Buğday resim sayısı doğrulama örneği kullanarak bir daire. (Sağ) Arpa resim sayısı doğrulama örneği kullanarak bir daire. Alt küme küme küme sayıları beyaz daire içinde kulak döngü ile Şekil 6 Noktası aracı, Renk eşiğive o zaman, Analiz parçacıklar işlevi ile açıklandığı gibi aynı teknikle sayıldı kısıtlamaları ve renk kullanarak renk seçimi. Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
Şekil 8' de, sonuçlar gösterir belirleme katsayısı kulak yoğunluğu (kulakları metrekare başına sayısı) arasında el ile sayma ve algoritma buğday ve arpa için üç farklı ürün büyüme aşamalarında sayma kulak kullanarak. Makarnalık buğday 61 ve 65 arasında bir Zadoks ölçekli kadar ilk defa gerçekleşiyor (R2 0.62 =). İkinci olanıdır 71 ve 77 arasında bir Zadoks ölçekli iki satıra arpa (R2 0,75 =), ve son durum buğdayından bir Zadoks ölçekli 81 ve 87 arasında (R2 0,75 =).
Şekil 8 : Kulak yoğunluğu arasında katsayısı (kulakları/m2numara) makarnalık buğday ve iki satıra arpa farklı kabul edilebilir ürün büyüme, kulak sayım için el ile görüntü tabanlı sayma ve görüntü algoritması kullanma aşamalarında (Zadoks ölçek 61-87). Her iki eksen hesaplamalar, yansıma tabanlı sadece sonuçları yerine kulak yoğunluğu dönüştürme de dahil olmak üzere gösterir. İki farklı bitkileri üç farklı büyüme aşamaları üzerinde yanı sıra farklı ışık koşullarında yani makarnalık buğday Zadoks adlı güneş ışığı görüntüleri büyütmek 61-65 üst doğrudan için temsilcisi sonuçları burada sunulmuştur (R2 0.62, = n 72 =), diffüz ışık görüntüleri arpa Zadoks ölçekte 71-77 Orta (R2 0,75, n = 30 =) ve ışık koşulları için durum buğdayından altındaki 81-87 Zadoks ölçekte diffüz (R2 0,75, n = = 24). Ayrıca her bir örnek görüntü bir iç metin içinde belgili tanımlık dip olarak her grafiğin sağ köşe gösterilir. Bu rakam daha büyük bir versiyonunu görüntülemek için buraya tıklayınız.
Subscription Required. Please recommend JoVE to your librarian.
Discussion
Artan çeviklik, tutarlılık ve kesinlik çabalarını olumsuz baskılar için küresel iklim değişikliği ile ilgili rağmen tahıl verim artışı için kırpma-doğurmak topluluk yardımcı olan yararlı yeni fenotipleme araçlar geliştirmek için anahtarıdır. Önemli elyaf verimini önemli bir tarımsal bileşeni kırpar gibi verimli ve doğru değerlendirmeler tahıl kulak yoğunluğu, gelecek nesillere beslenmesi için gerekli araçları size yardımcı olacaktır. Geliştirme ve destek tutmaya yardımcı olur bu araştırma ve burada sunulan teknikleri alan koşullarında bitki ıslahı çabaları odaklanarak daha yakından bağlı gerçek iklim için senaryoları ve üreme toplumun ihtiyaçlarını değiştirmek ama de sunar Teknik sorunlar. Bu nedenle, sadece veri yakalama ve görüntü işleme bu protokol için aynı zamanda en uygun çevre koşulları için öneriler ve kırpma büyüme aşamalarında başarılı uygulama11için yakın bağlılık ödemek önemlidir. Verim büyük çifçiliği bileşeni olarak, kulak yoğunluğu push (Slafer ve ark.20 ve referanslar tarafından Makale orada görmek) tahıl ürün verimleri artırmak için en önemli hedef özelliklerinden biri olarak kabul edilir. Bu iletişim kuralı bir en iyi şekilde çevik, maliyet-etkin ve basit alan fenotipleme tekniği doğru odakta protokol bu yönlerini evlat edinme ve uygulama tarafından ıslah toplumun anahtarıdır dikkate alır. Buna ek olarak, önceki ilgili çalışmalar kulak yoğunluğu veya diğer verim bileşen miktar değerlendirirken, benzer amaçları olan daha karmaşık veri yakalama kullanmış ve yapıları ve sabit kamera kapsayan gibi çevre denetim yapılarını destekler ya da etkili bir şekilde engel pratik uygulama alanı koşullar ve uygulama gerçek altında yapay ışık girişi, programları12,20,22ıslahı.
Böylece, biz burada bir yinelemeli optimizasyon sürecinde çeşitli farklı teknikleri test sonucu detaylı bir iletişim kuralı yalnızca ticari olarak mevcut, orta derecede gerektiren basit ama etkili görüntü veri yakalama yönteminde kaynaklanan sundu yüksek çözünürlüklü RGB dijital kamera ve "fotoğraf makinesi ürün gölgelik yukarıda tutmak için ilkel bir phenopole". Diğer görüntü filtreleme girişimleri RGB rengine göre veya alternatif renk uzayları, renk doygunluğu yoğunluğu veya CIELAB, gibi gibi etkili veya Laplasyen'in ve medyan frekans etki alanı filtreler istenmeyen görüntü öğelerini kaldırma kullanımı olarak tutarlı değildi, Özellikle awns. Biraz-in hangi görüntü işleme algoritması uygulama küçük değişiklikler ile kolaylıkla ayarlanabilir farklı elemanları ile görüntü yakalama boru hattı sistemi tasarladık. Vaka çalışmaları, burada sunulan biz iki farklı kompakt kamera nispeten büyük sensörler ve 20,1 megapiksel (MP) ve 16.0 MP çözünürlük ile görüntüleri kırpma gölgelik 80 cm mesafeden 16-20 mm geniş açı lensler ile yakalamak için kullandık. Bu tekniği aşağı yaklaşık 8 MP14 duyarlık yüksek düzeyde tutar gösteren simülasyonları ile detaylı gölgelik bilgi, arpa ve buğday üretmek daha--dan yeterli kanıtlamıştır (benzer lensler ve mesafeler gölgelik).
Tutarlılık ve kesinlik sunulan görüntü işleme teknikleri çevre koşullarına ve phenological sahne alanı üzerinde görüntü yakalama anda bağlı olsa da, algoritmalar kendi uygulama için bir performans sağlama konusunda umut verici durum ve ekmek buğday ve iki satıra ve altı satır arpa çeşitleri de dahil olmak üzere farklı küçük tahıl tahıllar. Bu algoritma henüz tam olarak test sahipken, görüntü yakalama göreli boyutu ve kulak konumunu görüntüler için en iyi kulak sonuçları sayma sağlamak açısından belki de bazı küçük ayarlamalar ile aynı olur. Sunulan protokolünde yansıma tabanlı kulak yoğunluk elde maksimal doğruluğunu tahminleri ve kılavuz ile ilişkili en iyi görüntü sayar ve tahıl ürün yaşlanma renk kaybına neden daha sonra büyüme aşamalarında yakalanan görüntüleri göre verim ve kırpma gölgelik kalan ve kulakları arasındaki kontrast aydınlatma. Bu yüksek sıcaklıklarda veya daha düşük su durumu kulakları23yapmadan önce bu yaprak ve culm senesce için neden olabilir tipik Akdeniz koşullarında, özellikle ortak olan daha sonraki bölümleri doldurma, tahıl, bir sonucu olabilir; Bu kontrast kulaklar, yaprak ve toprak arasındaki mesafeyi etkinliğini gereklidir. Zaten sarı kulaklı aşırı olgun veya senescent Kanopiler içinde farklı görüntü öğelerini arasındaki kontrast kulak sayım için yeterli değil. Bu nedenle, diğer iklimlerde, en uygun zamanlama yaşlanma başlangıcı sırasında su stres yok ise biraz daha farklı olabilir.
Bu çevresel koşullar güneş ışığı yoğunluğu ve güneş ışığı aydınlatma açı olarak yakın ilgi alanı koşullarda veri toplama gerektirir rağmen burada sunulan güçlü görüntü analiz algoritması biraz serbesti görüntü yakalamak sağlar doğru görüntü pozlaması imge esir alma an belirli ışık koşulları için kullanılan verilen bu albedo etkisi resim, görmezden kayma teknikleri kullanarak pencere; Otomatik ayarları bu açıdan iyi çalıştı. Önceki çalışmalarda, aydınlatma efektleri daha dolgun bir dizi, sadece önemli kaynak hata ışık efektleri ile ilgili olarak, ne zaman esir alma imge doğrudan güneş ışığı erken ya da geç bir gün içinde güçlü gölgeler görüntü üretimi olduğunu belirten test edildi , Güneş14açısı nedeniyle. İlk iki görüntü filtresi uygulamalar fazla aydınlatma herhangi bir belirgin etkileri (kamera dozun rağmen) e de görüntünün herhangi bir arka plan bileşenleri azaltırken en aza indirmek için yardım; aynı zamanda, bu filtreleri ayrıca yumuşatma ve gürültü azaltma için katkıda hangi Yardımcısı sonraki bul Maxima içinde her ikisi de23,24işlemek. Bu nedenle, doğal aydınlatma faktörler için esas olarak azaltmak için bu diffüz ışık koşullarında yerine görüntüleri direkt olarak alındığında güneş açısı gibi muhasebesi gerekir iken gölge yapılara ilgili hataları.
Ayrıca, daha fazla ve daha önemli bu iletişim kuralı iddia destekleyen11, el ile (alan bazlı) kulak sayıları aynı deneme daha algoritma kulak sayıları üzerinden sunulan Protokolü ve tahıl verim arasındaki bağıntıları sadece daha kesin ama aynı zamanda kulak yoğunluğu değerlendirilmesi için standart bir protokol daha tutarlı. Burada özel olarak sunulan değil, benzer veri yakalama ve işleme teknikleri cep telefonuyla mümkün gibi görünüyor, onlar yapar gibi oldukça iyi altında hava ya da diğer otomatik platform azaltılmış resim çözünürlükleri simüle. Gri tonlama azaltma (için daha hızlı görüntü işleme) ve düşük çözünürlüklü görüntü simülasyonları (diğer kameralar veya UAVs uygulamasından) için ek testler ilk filtre14 önce görüntü dönüşümleri uygulayarak yürütülen ve önerilen Bu, bu şekilde doğruluk kaybı olmadan işleme kez en uygun koşullarda azaltılabilir. Olası gelecekteki yönelimler gelince, burada sadece sunulan görüntü işleme algoritmaları VHR RGB renk verilerini (insan gözünün benzer) kamera tarafından yakalanan, ancak diğer potansiyel iyileştirmeler Hibrid Renk dönüştürme neden olabilir yararlanmak hem son zamanlarda daha uygun hale gelmiştir ve gelişme potansiyeli kulak dansitesi teklif alanlarda, renk doygunluğu yoğunlukta gibi veya spektral veya termal, gibi daha gelişmiş diğer bilimsel sensörleri ile birlikte veri tümleştirme aracılığıyla tahminler, belki farklı büyüme aşamalarında rağmen veya farklı alan koşullarında.
Özet olarak, bu iletişim kuralının uygulanması için kritik adımlar her şeyden önce plan yıl ve kırpma, kırpma büyüme evresinde 60-87 Zadoks ölçek ve ya olduğunda en uygun olan çevre koşulları için uygun içerir Güneş öğle veya buna ışık koşullarında yaygın. Ayrıca, dijital görüntüler edinimi için kamera açısı, gölgelik uzaktan kontrollü şekilde muhasebe ve kamera odaklama her resim için yapılmalıdır. Son olarak, en iyi duruma getirilmiş bilgisayar işleme seçeneklerini işleme kodu boru hattı çoğaltılması için ayrıntılı olarak sunulan veya orijinal kodu veya bir grafik kullanıcı arabirimi (GUI) ile bir eklenti Fiji, yani, entegre kod yazarlar başvurun CerealScanner.
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
Yazarlar ifşa gerek yok.
Acknowledgments
Yazarlar bu araştırmanın saha yönetimi personeli Colmenar de Oreja (Aranjuez) Instituto Nacional de Investigación y Tecnología Agraria y Alimentaria (INİA) ve Zamadueñas (Valladolid), deneysel istasyonlarında teşekkür etmek istiyorum Instituto de Tecnología Agraria de Castilla y Leon (ITACYL) alan destek araştırma çalışma bitkileri için kullanılır. Bu çalışmada MINECO, İspanya ve Syngenta, İspanya ile bir işbirliği projesi araştırma projesi AGL2016-76527-R tarafından desteklenmiştir. "Formación de Talento Humano de Alto Nivel, Gobernación del Tolima - Universidad del: Tolima, Colombia" BPIN 2013000100103 bursu ilk yazar Jose Armando Fernandez-Gallego desteği finansman sole yapıldı. Birincil finansman kaynağı yazarın, Shawn C. Kefauver, ICREA Akademi programı Prof. Jose Luis Araus için layık bir hibe yoluyla geldi.
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).
