האוזן יבול הדגנים ספירה בשדה תנאי שימוש בתמונות RGB זניתי לשעה

ניצול הדגנים העולמי ב- 2017/2018 מדווח הרחב ב- 1% מן השנה הקודמת¹. מבוסס על הנבואה האחרונה עבור הדגנים ייצור והאוכלוסיה ניצול, הדגנים העולמי מניות צריך להגדיל את התשואות בקצב מהיר יותר על מנת לעמוד בדרישות ההולכות, תוך התאמה גם הגדלת השפעות האקלים שינוי². לכן, אין מוקד חשוב על שיפור התשואה גידולי גריסים דרך שיפור היבול רבייה טכניקות. שני דגנים שנקטפו והחשוב ביותר באזור הים התיכון נבחרו כדוגמאות עבור מחקר זה, כלומר, חיטה קשים (חיטת הלחם ל’ ה-ssp דורום [Desf.]), שעורה (שעורה מצויה ל’). חיטה דורום הוא, לפי סיומת, הדגנים המפותח ביותר בשולי דרום ומזרח אגן הים התיכון, והוא העשירי הכי חשוב לחתוך ברחבי העולם, בשל הייצור השנתי של 37 מיליון טון בשנה³, אמנם שעורה העולמי הרביעי דגן במונחים של ייצור, בהפקה הכללית ב- 144.6 מיליון טון בשנה⁴.

חישה מרחוק ודרכי ניתוח התמונה proximal הם כלים יותר ויותר מפתח בקידום שדה תפוקה גבוהה צמח phenotyping (HTPP) כפי שהם מספקים לא רק יותר זריז אך גם, לעיתים קרובות, חיתוך retrievals עקבי ומדויק יותר של המטרה תכונות biophysiological, כגון הערכות של ביומסה, ופעילות פוטוסינתטיים preharvest התשואה הערכות ושיפורים אפילו בתכונה תורשתיות, כגון יעילות משאב ספיגת ושימוש^{5,6,7 8, ,9}. חישה מרחוק התמקדה באופן מסורתי על מולטי ספקטריאליות, היפרספקטרליות ולאחר תרמית הדמיה חיישנים של פלטפורמות אוויריות לחקלאות מדייקת את המשקל שדה או להוראת צמח-phenotyping-microplot קנה המידה של¹⁰. מצלמות דיגיטליות משותף, זמינים מסחרית המודדים רק האור משתקף הנראה היו לעתים קרובות התעלמו, למרות שלהם רזולוציה מרחבית גבוהה מאוד, אבל לאחרונה הפך פופולרי כפי אלגוריתמים עיבוד תמונה חדשני מסוגלים יותר ויותר כדי לנצל צבע מפורט ומידע מרחבי אותו הם מספקים. רבים מן החידושים החדשים ביותר בתחום ניתוחי תמונות חקלאי מתקדם יותר ויותר להסתמך על הפרשנות של נתונים שסופקו על-ידי תמונות RGB (VHR) ברזולוציה גבוהה מאוד (למדידת שלהם אדום, ירוק וכחול השתקפות אור גלוי), כולל חיתוך ניטור (מרץ פנולוגיה, הערכות המחלה, זיהוי), פילוח כמת (הופעתה, צפיפות האוזן, פרחים ופירות ספירות) ו שחזורים תלת-ממדי אפילו מלא המבוסס על מבנה חדש של תנועה זרימות עבודה¹¹.

אחת הנקודות החיוניות ביותר לשיפור התפוקה דגנים היא הערכה יעילה יותר של התשואה, הנקבע על-ידי שלושה מרכיבים עיקריים: האוזן צפיפות או המספר של האוזניים למטר מרובע (אוזניים/m²), מספר הגרגרים לכל אוזן, ו המשקל אלף-ליבה. צפיפות האוזן ניתן להשיג באופן ידני בשדה, אך שיטה זו היא מייגעת, זמן רב, חסר פרוטוקול מתוקננת יחיד, אשר ביחד עלול לגרום מקור משמעותי של שגיאה. שילוב ספירת אוטומטי אוזניים היא משימה מאתגרת המבנה חיתוך מורכבים, צמח קרוב מרווח, במידה גבוהה של חפיפה, רכיבי רקע הנוכחות של מלענים. עבודה כולל מתקדמת בכיוון זה באמצעות מבנה רקע שחור נתמך על ידי חצובה כדי לרכוש תמונות היבול מתאימים, הוכחת תוצאות טובות למדי באוזן סופר¹². בדרך זו, שמש מופרזת ואפקטים של צללים היו להימנע, אבל מבנה כזה יהיה מסורבל ולא מגבלה משמעותית ביישום בתנאי שדה. דוגמה נוספת היא אוזן אוטומטית ספירה האלגוריתם שפותח באמצעות מערכת אוטומטית לחלוטין phenotyping עם גנטרי ממונע נוקשה, אשר שימש עם דיוק טוב עבור ספירה האוזן צפיפות פאנל המורכב חמש awnless לחם חיטה (חיטת הלחם ל’) זנים גדל תחת תנאים שונים חנקן¹³. עבודה על-ידי פרננדז-גייגו¹⁴ יש אופטימיזציה לכידת נתונים מהיר וקל, באמצעות תמונות צבע VHR RGB ואחריו ניתוח תמונה מתקדם יותר, אך עדיין אוטומטית לחלוטין, תהליך זה. האוסף נתונים יעיל באיכות גבוהה בתנאי שדה מדגיש פרוטוקול מתוקננת מפושט עבור עקביות ושימוש תפוקת לכידת נתונים גבוהים, בעוד אלגוריתם עיבוד תמונה מעסיקה את הרומן של תחום # הלפלסיאן הווקטורי ותדירות מסננים כדי להסיר רכיבי תמונה רצויה לפני החלת של פילוח עבור ספירה מבוססת על מציאת maxima המקומי (בניגוד תיחום מלא כמו מחקרים קודמים אחרים, דבר שעלול לגרום לשגיאות יותר עם אוזניים חופפים).

עבודה זו מציעה מערכת פשוטה עבור כימות אוטומטית של האוזן צפיפות בתנאי שדה, שימוש בתמונות שנרכשה מן המצלמות הדיגיטליות. המערכת מנצלת אור טבעי בשדה תנאים, איפוא, מחייב התחשבות של כמה גורמים סביבתיים קשורים, כגון זמן של יום וענן הכיסוי, אבל נשאר, למעשה, פשוט ליישם. המערכת הוכח על דוגמאות דורום חיטה ושעורה אבל צריך להיות להארכה ביישום כדי לחם חיטה, אשר, מלבד המציגות את האוזניים עם מורפולוגיה דומה, הם לעתים קרובות awnless, אבל לניסויים נוספים יידרשו על מנת לאמת את זה. הנתונים ללכוד את פרוטוקול המובאת כאן, תמונות זניתי לשעה נלקחים על ידי פשוט מחזיק את המצלמה ביד או באמצעות חדרגל לצורך מיקום המצלמה הדיגיטלית מעל היבול. אימות נתונים ניתן לרכוש על ידי ספירת האוזניים באופן ידני עבור subplots בשדה או במהלך postprocessing, על ידי ספירת האוזניים בתמונה עצמה. האלגוריתם עיבוד תמונה מורכבת משלושה תהליכים כי, ראשית, להסיר ביעילות רכיבים לא רצויים של התמונה באופן המאפשר, לאחר מכן, את פילוח עוקבות וספירת האוזניים חיטה בודדים של תמונות נרכשות. ראשית, מסנן תדירות # הלפלסיאן הווקטורי משמש כדי לזהות שינויים בכיוונים מרחביים שונים של התמונה באמצעות הגדרות ברירת המחדל ImageJ מסנן ללא התאמות גודל חלון ליבה (קובעמקסימה למצוא פילוח בטכניקה פסגות המקומי לאחר השלב המסנן ‘ חציון ‘ מרחבית, בשלב הפיקסלים הקשורים עם האוזניים יש ערכי פיקסלים גבוהה יותר מאשר קרקע או עלים. לכן, למצוא Maxima משמש כדי לחלק את הערכים גבוהים בתמונה, אזורים אלה מסומנים כמו אוזניים, אשר מזהה את האוזניים תוך כדי הקטנת שגיאות האוזן חופפים. חלקיקים לנתח משמש לאחר מכן על תמונות בינאריות לספור ו/או למדוד פרמטרים מאזורים שנוצרו על-ידי הניגוד בין השטח שחור ולבן שנוצרו על ידי השלב Maxima למצוא. התוצאה מעובד ואז ליצור סגמנטציה בינארית באמצעות ניתוח השונות פיקסל השכן הקרוב ביותר סביב כל המקסימלי המקומי כדי לזהות את הצורות האוזן חיטה בתמונה המסוננת. לבסוף, צפיפות האוזן נספרת באמצעות ניתוח חלקיקים, כפי מיושם פיג’י¹⁵. Maxima למצוא והן לנתח חלקיקים הם פונקציות עצמאיות זמין כמו תוספים בפיג’י (https://imagej.nih.gov/ij/plugins/index.html). למרות שאינו מוצג במפורש בפרוטוקול כאן, תוצאות ראשוניות שהוצגו כחומר משלים מראים כי טכניקה זו עשוי להיות לצורכי ביצוע סקרים של הרוזן האוזן מן מאוישים (מל טים), מתן זה הפתרון נשאר מספיק גבוה¹⁴.