Orecchio del raccolto di cereali contando nel campo condizioni utilizzando immagini RGB zenitale

L’utilizzo di cereali del mondo nel 2017/2018 è segnalato espandere 1% dal precedente anno¹. Basato sulle ultime stime per l’utilizzo la produzione e popolazione cereali, cereali mondo scorte necessario aumentare i rendimenti ad un tasso più veloce al fine di soddisfare le crescenti esigenze, adattandosi anche ad aumentare gli effetti del cambiamento climatico². Di conseguenza, c’è un focus importante sul miglioramento della resa in colture di cereali attraverso il miglioramento delle colture tecniche di allevamento. Due i cereali più importanti e raccolti nella regione del Mediterraneo sono selezionati come esempi per questo studio, vale a dire, semola di grano duro (Triticum aestivum L. ssp. semola [Desf.]) e orzo (Hordeum vulgare L.). Semola di grano duro è, per estensione, il cereale più coltivato a margine meridionale e orientale del bacino del Mediterraneo ed è il 10 più importanti delle colture in tutto il mondo, a causa della sua produzione annuale di 37 milioni di tonnellate ogni anno³, mentre l’orzo è il quarto globale grano in termini di produzione, con una produzione globale a 144,6 milioni di tonnellate ogni anno⁴.

Telerilevamento e tecniche di analisi di immagine prossimale sono strumenti sempre più fondamentali nel progresso della fenotipizzazione di alto-rendimento impianto campo (HTPP) come essi forniscono non solo più agile, ma anche, spesso, ritagliare recuperi più precisi e coerenti del target BIOFISIOLOGICO tratti, quali le valutazioni di attività fotosintetica e biomassa, preharvest stime di rendimento e anche miglioramenti in ereditabilità di tratto, come l’efficienza delle risorse utilizzo e assorbimento^5,,^{6,7 ,8,9}. Telerilevamento è tradizionalmente focalizzato sul multispettrale, iperspettrale e sensori da piattaforme aeree per l’agricoltura di precisione a scala di campo o per gli studi di fenotipizzazione pianta presso la parcella dell’imaging termico scala¹⁰. Fotocamere digitali comuni, disponibili in commercio che misurano solo la luce visibile riflessa erano spesso trascurate, nonostante la loro altissima risoluzione spaziale, ma recentemente sono diventati popolari come nuovi innovativi algoritmi di elaborazione dell’immagine sono sempre più in grado per poter sfruttare il colore dettagliate e informazioni spaziali che essi forniscono. Molte delle più recenti innovazioni nelle analisi avanzata delle immagini agricole si affidano sempre di più l’interpretazione dei dati forniti da immagini di molto ad alta risoluzione (VHR) RGB (per la loro misura di riflessione della luce visibile rosso, verde e blu), tra cui ritaglio monitoraggio (vigor, fenologia, malattia valutazione e identificazione), segmentazione e quantificazione (emersione, densità dell’orecchio, i conteggi di fiore e frutta) e ricostruzioni 3D anche completo basati su una nuova struttura dal movimento dei flussi di lavoro¹¹.

Uno dei punti più essenziali per il miglioramento della produttività di cereali è una più efficiente valutazione del rendimento, che è determinato da tre componenti principali: orecchio densità o il numero di orecchie per metro quadrato (orecchie/m²), il numero dei grani per orecchio, e il peso di mille-kernel. Densità dell’orecchio può essere ottenuto manualmente nel campo, ma questo metodo è laborioso, richiede tempo e privo di un singolo protocollo standardizzato, che insieme possono provocare una significativa fonte di errore. Incorporando il conteggio automatico delle orecchie è un compito impegnativo a causa della struttura complessa delle colture, pianta stretta, spaziatura, alto limite di sovrapposizione, gli elementi di sfondo e la presenza di ariste. Lavoro recente ha avanzato in questa direzione utilizzando una struttura di sfondo nero supportata da un treppiede al fine di acquisire immagini di coltura adatto, dimostrando risultati abbastanza buoni in orecchio conteggio¹². In questo modo, sono stati evitati effetti di ombra e luce solare eccessiva, ma tale struttura sarebbe ingombrante e una limitazione importante di un’applicazione in condizioni di campo. Un altro esempio è un orecchio automatico algoritmo sviluppato utilizzando un sistema completamente automatizzato che phenotyping con un cavalletto motorizzato rigido, che è stato usato con buona precisione per densità di orecchio in un pannello di conteggio di conteggio è composto da cinque inerme pane di grano (Triticum di Aestivum L.) varietà che cresce sotto azoto diverse circostanze¹³. Recenti lavori di Fernandez-Gallego¹⁴ ha ottimizzato questo processo per l’acquisizione di dati più semplice e veloce, utilizzando immagini a colori RGB VHR seguite da analisi di immagine più avanzati, ma ancora completamente automatizzato. La collezione di dati efficiente e di alta qualità in condizioni di campo sottolinea un protocollo standardizzato semplificato per coerenza e dati ad alta velocità effettiva di cattura, mentre l’algoritmo di elaborazione immagini impiega il romanzo uso di dominio laplaciano e frequenza filtri per rimuovere i componenti indesiderati immagine prima di applicare una segmentazione per il conteggio si basa sulla ricerca di massimi locali (al contrario di delineazione completa come in altri studi precedenti, che può provocare ulteriori errori con sovrapposte le orecchie).

Quest’opera propone un sistema semplice per la quantificazione automatica della densità di orecchio in condizioni di campo, utilizzando immagini acquisite da fotocamere digitali disponibili in commercio. Questo sistema si avvale della luce naturale nel campo condizioni e, pertanto, richiede la considerazione di alcuni fattori ambientali correlati, quali tempo di giorno e cloud cover, ma resta, in effetti, semplice da implementare. Il sistema è stato dimostrato su esempi per il frumento e l’orzo, ma dovrebbe essere estensibile in applicazione al pane di grano, che, oltre a esporre le orecchie con morfologia simile, sono frequentemente inerme, ma ulteriori esperimenti sarebbe necessari al fine di confermare questo. Nei dati di acquisizione protocollo presentato qui, zenitale immagini sono prese semplicemente tenendo la fotocamera a mano o utilizzando un monopiede per posizionamento della telecamera digitale sopra il raccolto. Dati di convalida possono essere acquisiti contando le orecchie manualmente per sottotrame nel campo o durante la post-elaborazione, contando le orecchie nell’immagine stessa. L’algoritmo di elaborazione delle immagini è composto da tre processi che, in primo luogo, efficacemente rimuovono componenti indesiderate dell’immagine in modo che, poi, permette per la successiva segmentazione e contando i singoli delle orecchie del frumento nelle immagini acquisite. In primo luogo, viene utilizzato un filtro di frequenza del laplaciano al fine di rilevare i cambiamenti nelle diverse direzioni spaziale dell’immagine utilizzando le impostazioni di filtro predefinite ImageJ senza modifiche di dimensione di finestra del kernel (tecnica di segmentazione diTrovare Maxima determina la picchi locali dopo la fase di filtro spaziale mediano, in quale fase i pixel correlati con le orecchie hanno più alti valori di pixel che suolo o foglie. Di conseguenza, trovare Maxima viene utilizzato per segmentare i valori elevati nell’immagine, e quelle regioni sono etichettate come orecchie, che identifica le orecchie ma anche di ridurre errori di sovrapposizione dell’orecchio. Analizzare particelle viene quindi utilizzato sulle immagini binarie a contare e/o misurare parametri dalle regioni create dal contrasto tra il bianco e nero superficie creata nel passaggio di trovare Maxima. Il risultato viene poi elaborato per creare una segmentazione di immagine binaria analizzando la varianza di pixel più vicina vicino intorno ogni massimo locale per identificare le forme di orecchio di frumento nell’immagine filtrata. Infine, la densità di orecchio è conteggiata utilizzando analizzare particelle, come è implementato in Fiji¹⁵. Sia trovare Maxima e analizzare particelle sono funzioni autonome e disponibili come plugin in Fiji (https://imagej.nih.gov/ij/plugins/index.html). Anche se non ha presentato in particolare il protocollo qui, risultati preliminari presentati come materiale supplementare suggeriscono che questa tecnica possa essere adattabile a condurre indagini di conteggio dell’orecchio da veicoli aerei senza equipaggio (UAV), purché la risoluzione rimane sufficientemente alta¹⁴.