Getreide Ernte Ohr zählen im Feld Bedingungen mit zenitalen RGB-Bilder

Die Welt-Getreide-Auslastung in 2017/2018 wird berichtet, um 1 % gegenüber dem Vorjahr¹erweitern. Basierend auf die neuesten Vorhersagen für Getreide Produktion und Bevölkerung Auslastung, Welt-Getreide Bestände Erträge mit einer schnelleren Rate zu erhöhen, um die wachsenden Anforderungen, auch zur Steigerung der Wirkung von Climate Change²anzupassen müssen. Daher ist ein wichtiger Schwerpunkt auf Verbesserung der Ausbeute Getreide durch verbesserte Ernte Zuchttechniken. Zwei der wichtigsten und geernteten Getreide im Mittelmeerraum werden nämlich als Beispiele für diese Studie ausgewählt, Hartweizen (Triticum Aestivum L. SSP. Durum [Desf.]) und Gerste (Hordeum Vulgare L.(). Hartweizen ist, durch Verlängerung, die am häufigsten angebaute Getreide in den Süden und Osten Rändern des Mittelmeerraums und ist die 10. wichtigsten Ernte weltweit, aufgrund seiner Jahresproduktion von 37 Millionen Tonnen jährlich³, während Gerste die vierte global ist in Bezug auf Produktion, eine Gesamtproduktion von 144,6 Millionen Tonnen Getreide pro Jahr⁴.

Fernerkundung und proximalen Bild-Analyse-Techniken sind zunehmend wichtige Werkzeuge in der Weiterentwicklung der Bereich Hochdurchsatz-Pflanze Phänotypisierung (HTPP) wie sie nicht nur agiler bieten, aber auch oft, präzise und konsistente Abrufe des Ziels zuschneiden Biophysiological Merkmale, wie Bewertungen von photosynthetische Aktivität und Biomasse, preharvest Ausbeute Schätzungen und auch Verbesserungen im Merkmal Erblichkeit, wie Energieeffizienz in Ressource Verwendung und Aufnahme^{5,6,7 ,8,9}. ^{Fernerkundung konzentriert sich traditionell auf die multispektralen hyperspektralen und Wärmebildkamera-Sensoren von Arbeitsbühnen für Präzisionslandwirtschaft in das Feld Maßstab oder Pflanze Phänotypisierung Studium an der Microplot 10}, Robbe. Gemeinsame, im Handel erhältlichen Digitalkameras, die nur sichtbares reflektiertes Licht zu messen waren oft übersehen wird, trotz ihrer sehr hohen räumlichen Auflösung, aber haben vor kurzem populär geworden, da immer neue innovative Bildverarbeitungs-Algorithmen können Nutzen Sie die detaillierte Farbe und räumliche Informationen, den sie anbieten. Viele der neuesten Innovationen in fortschrittlichen landwirtschaftlichen Bild Analysen setzen zunehmend auf die Interpretation der Angaben sehr hochauflösende (VHR) RGB-Bilder (für die Messung von rot, grün und blau sichtbar Lichtreflexion), einschließlich der Ernte Überwachung (Kraft, Phänologie, Krankheit Bewertungen und Identifizierung), Segmentierung und Quantifizierung (Entstehung, Ohr Dichte, Blüte und Frucht zählt) und sogar 3D Rekonstruktionen anhand einer neuen Struktur von Bewegung Workflows¹¹.

Einer der wesentlichsten Punkte für Getreide Produktivitätssteigerung ist eine effizientere Bewertung der Rendite, bestimmt durch drei Hauptkomponenten: Ohr, Dichte oder die Anzahl der Ohren pro Quadratmeter (Ohren/m²), die Anzahl der Körner pro Ohr, und die tausend-Kernel-Gewicht. Ohr Dichte erhalten Sie manuell im Feld, aber diese Methode ist umständlich, zeitraubend und fehlt in ein einziges standardisiertes Protokoll, die zusammen in eine bedeutende Quelle des Fehlers führen kann. Einbeziehung der automatische Zählung der Ohren ist eine anspruchsvolle Aufgabe aufgrund der komplexen Ernte Struktur, enge Anlage, Abstand, hohe Ausmaß der Überlappung, Elemente im Hintergrund und das Vorhandensein von Grannen. Neuere Arbeiten fortgeschritten in dieser Richtung mit einer schwarzen Hintergrund Struktur unterstützt durch ein Stativ um Bilder geeignet beschneiden, zeigen recht gute Ergebnisse im Ohr zählen¹²zu erwerben. Auf diese Weise übermäßiges Sonnenlicht und Schatteneffekte vermieden, aber eine solche Struktur wäre umständlich und eine erhebliche Einschränkung in einer Anwendung auf Freilandbedingungen. Ein weiteres Beispiel ist, dass eine automatische Ohr zählen Algorithmus entwickelt, mit einem vollautomatischen Phänotypisierung System mit einer starren motorisierte Gantry mit guter Genauigkeit verwendet wurde, für die Zählung Ohr Dichte in einem Panel, bestehend aus fünf granneloser Brotweizen (Triticum Aestivum L.) Sorten, die unter verschiedenen Stickstoff Bedingungen¹³wachsen. Jüngsten Arbeiten von Fernandez Gallego¹⁴ optimiert diesen Prozess für schnellere und einfachere Datenerfassung mit VHR RGB-Farbbilder, gefolgt von weiter fortgeschritten, aber noch voll automatisierte, Bild-Analysen. Die effiziente und qualitativ hochwertige Datenerfassung unter Feldbedingungen betont ein vereinfachte, standardisiertes Protokoll für Konsistenz und hohe Aufnahme Datendurchsatz, während die Bildverarbeitungs-Algorithmus den Roman beschäftigt der Laplace-Operator und Frequenzbereich verwenden Filter, um unerwünschte Image-Komponenten zu entfernen, vor dem Auftragen einer Segmentierung für die Zählung basiert auf der Suche nach lokalen Maxima (im Gegensatz zur vollständigen Darstellung wie in anderen früheren Studien, die zu mehr Fehlern mit überlappenden Ohren führen kann).

Diese Arbeit schlägt vor, ein einfaches System für die automatische Quantifizierung von Ohr Dichte unter Feldbedingungen, mit Bildern von handelsüblichen Digitalkameras erworben. Dieses System nutzt die Vorteile des natürlichen Lichts im Feld Bedingungen und deshalb erfordert die Berücksichtigung von einigen Verwandten Umweltfaktoren, wie Zeit des Tages und Cloud Cover, bleibt aber in der Tat einfach zu implementieren. Das System ist demonstriert worden, auf Beispiele für Durum-Weizen und Gerste sollte jedoch erweiterbar in Anwendung auf Weizen, Brot, die neben der ausstellenden Ohren mit ähnlichen Morphologie, häufig granneloser sind, aber weitere Experimente wären erforderlich, um bestätigen Sie dies. In den Daten erfassen hier vorgestellten Protokoll, zenitalen Aufnahmen durch einfaches halten Sie die Kamera von hand oder mit einem Einbeinstativ für die Positionierung der Digitalkameras über die Ernte. Validierungsdaten können durch zählen der Ohren für Nebenhandlungen im Feld oder während der Nachbearbeitung, manuell durch zählen Ohren in das Bild selbst erworben werden. Die Bildverarbeitungs-Algorithmus besteht aus drei Prozesse, die Erstens effektiv unerwünschte Bestandteile des Bildes zu entfernen, die dann für die nachfolgenden Segmentierung und Auszählung der einzelnen Ähren in den erworbenen Bildern ermöglicht. Zunächst ein Frequenzfilter Laplace-Operator wird verwendet, um Änderungen in den verschiedenen Raumrichtungen das Bild mit den Standardeinstellungen ImageJ Filter ohne Fenster Kernel Größe Anpassungen zu erkennen (Finden Maxima Segmentierung Technik bestimmt die lokale Spitzen nach dem räumlichen Medianfilter Schritt, in welchem Stadium die Pixel im Zusammenhang mit Ohren haben höhere Pixelwerte als Boden- oder Blätter. Daher finden Maxima wird verwendet, um die hohen Werte im Bild segmentieren und diese Regionen sind beschriftet als Ohren, die Ohren und gleichzeitig reduzieren sich überschneidende Ohr Fehler identifiziert. Analysieren Sie Partikel wird dann auf die binäre Bilder zu zählen/messen Parameter aus den Regionen, die durch den Kontrast zwischen der weißen und schwarzen Oberfläche finden Maxima Schritt erstellten erstellt oder verwendet. Das Ergebnis wird dann verarbeitet, um ein binäres Bild Segmentierung zu erstellen, durch die Analyse der nächste Nachbar Pixel Varianz um jedes lokales Maximum, die Weizen-Ohr-Formen im gefilterten Bild zu identifizieren. Schließlich zählt die Ohr-Dichte analysieren Partikel mit, wie in Fidschi¹⁵umgesetzt. Maxima finden und analysieren Partikel sind eigenständige Funktionen und Plugins in Fidschi (https://imagej.nih.gov/ij/plugins/index.html) erhältlich. Wenn nicht ausdrücklich in das Protokoll hier vorgestellt, deuten vorläufige Ergebnisse als ergänzendes Material, dass diese Technik an Ohr zählen Untersuchungen von unbemannten Luftfahrzeugen (UAV), vorausgesetzt, dass die Auflösung angepasst werden kann bleibt ausreichend hohe¹⁴.