Cereales cultivos oído contar en campo las condiciones usando imágenes RGB cenital

La utilización de cereales del mundo en 2017/2018 se divulga ampliar en un 1% del año anterior¹. Basado en las predicciones más recientes para la utilización de población y producción de cereal, cereal del mundo las poblaciones necesitan para aumentar la producción a un ritmo más rápido para satisfacer la demanda creciente, mientras que también adaptándose al aumento de efectos de cambio climático². Por lo tanto, hay un enfoque importante en la mejora del rendimiento en cultivos de cereales a través de cultivo mejorada técnicas de mejora. Dos de los cereales más importantes y cosechados en la región mediterránea son seleccionados como ejemplos para este estudio, es decir, trigo (Triticum aestivum L. SSP durum [Desf.]) y cebada (Hordeum vulgare L.). Trigo es, por extensión, el cereal más cultivado en los márgenes sur y este de la cuenca mediterránea y es 10 más importante de los cultivos en todo el mundo, debido a su producción anual de 37 millones de toneladas anualmente³, mientras que la cebada es el cuarto mundial grano en términos de producción, con una producción global en 144,6 millones de toneladas anualmente⁴.

Sensores remotos y técnicas de análisis de imagen proximal son herramientas cada vez más clave en el avance del fenotipo de la planta de alto rendimiento de campo (HTPP) ya que no sólo proporcionan más ágil pero también, a menudo, recuperaciones más precisas y uniforme de objetivo recortar características biophysiological, como evaluaciones de la actividad fotosintética y la biomasa, preharvest estimaciones de rendimiento y mejoras incluso en heredabilidad del rasgo, como la eficiencia en recursos uso y absorción^{5,6,7 ,8,9}. Teledetección se ha centrado tradicionalmente en multiespectrales, hiperespectrales y termográfica sensores de plataformas aéreas para agricultura de precisión en la escala de campo o estudios de fenotipado de la planta en la microplot la escala de¹⁰. Cámaras digitales comunes, comercialmente disponibles que miden la luz reflejada sólo visible eran a menudo pasado por alto, a pesar de su muy alta resolución espacial, pero recientemente han vuelto populares como nuevos innovadores algoritmos de procesamiento de imágenes son cada vez más capaces para aprovechar el color detallado y la información espacial que proporcionan. Muchas de las innovaciones más recientes en análisis avanzado de imágenes agrícolas dependen cada vez más en la interpretación de los datos facilitados por imágenes de muy alta resolución (VHR) RGB (para su medición de reflectividad de luz visible rojo, verde y azul), incluyendo cultivos Monitoreo (vigor, fenología, evaluaciones de la enfermedad e identificación), segmentación y cuantificación (aparición, densidad de oído, cuenta flor y fruto) y reconstrucciones incluso 3D basadas en una nueva estructura del movimiento de flujos de trabajo¹¹.

Uno de los puntos más esenciales para la mejora en la productividad de cereales es una evaluación más eficiente de producción, que está determinada por tres componentes principales: densidad o el número de mazorcas por metro cuadrado (orejas/m²), el número de granos por mazorca, del oído y el peso de mil granos. Densidad de oído puede obtenerse manualmente en el campo, pero este método es laborioso, lento y sin un solo protocolo estandarizado, que juntos puede resultar en una importante fuente de error. Incorporación de la cuenta automática de las orejas es una tarea difícil debido a la estructura de cultivo complejo, planta estrecha espaciamiento, alto grado de superposición, elementos de fondo y la presencia de aristas. Trabajos recientes se ha avanzado en esta dirección utilizando una estructura de fondo negro, apoyada por un trípode para adquirir imágenes de cosecha adecuado, demostrando muy buenos resultados en oído contar¹². De este modo, se evitaron efectos de sombra y luz solar excesiva, pero tal estructura sería engorrosa y una limitación importante en una aplicación para condiciones de campo. Otro ejemplo es un oído automático contando algoritmo desarrollado con un sistema totalmente automatizado phenotyping un pórtico motorizado rígido, que fue utilizado con buena exactitud para el recuento de la densidad de oído en un panel compuesto por cinco trigo pan imberbes (Triticum aestivum L.) variedades de crecimiento bajo condiciones de nitrógeno diferentes¹³. Trabajo reciente de Fernandez-Gallego¹⁴ ha optimizado este proceso de captura de datos más rápido y sencillo, con imágenes de color RGB VHR seguidos por análisis de imagen más avanzados, pero aún completamente automatizada. La recopilación de datos eficiente y de alta calidad en condiciones de campo destaca un protocolo estandarizado simplificado para consistencia y datos de alta captura de rendimiento, mientras que el algoritmo de procesamiento de imagen emplea la novela dominio laplaciano y la frecuencia filtros para eliminar componentes no deseados de la imagen antes de aplicar una segmentación para contar basan en la búsqueda de máximos locales (en comparación con el trazado completo como en otros estudios anteriores, que puede provocar más errores con espigas superpuestas).

Este trabajo propone un sistema sencillo para la cuantificación automática de la densidad de la oreja en condiciones de campo, usando imágenes obtenidas de cámaras digitales disponibles en el mercado. Este sistema se aprovecha la luz natural en campo las condiciones y, por lo tanto, requiere la consideración de algunos factores ambientales relacionados, tales como el tiempo de la cubierta de nubes y el día, pero sigue siendo, en efecto, fácil de implementar. El sistema se ha demostrado en los ejemplos para trigo y cebada pero debe ser extensible en aplicación al pan de trigo, que, además de exponer los oídos con morfología similar, son con frecuencia imberbes, pero otros experimentos sería necesarios a fin de confirman esto. En los datos de captura de protocolo presentado aquí, imágenes cenitales se toman simplemente sosteniendo la cámara con la mano o usando un monopié para el posicionamiento de la cámara digital por encima del cultivo. Datos de validación pueden ser adquiridos al contar las orejas manualmente para parcelas en el campo o durante el postprocesado, contando orejas en la propia imagen. El algoritmo de procesamiento de imágenes se compone de tres procesos que, en primer lugar, efectivamente eliminar componentes no deseados de la imagen de manera que, entonces, permite la posterior segmentación y conteo de las espigas individuales en las imágenes adquiridas. En primer lugar, un filtro Laplaciano de frecuencia se utiliza para detectar cambios en las diversas direcciones espaciales de la imagen usando la configuración predeterminada de filtro de ImageJ sin ajustes de tamaño de núcleo de ventana (técnica de segmentaciónEncuentra Maxima determina la picos locales después del paso de mediana filtro espacial, en que etapa los píxeles relacionados con orejas tienen mayores valores de los píxeles de suelo o de hojas. Por lo tanto, encontrar Maxima se utiliza para segmentar los altos valores de la imagen, y las regiones se etiquetan como orejas, que identifica a oídos mientras que también reduce los errores de oído superpuestas. Analizar las partículas se utiliza en las imágenes binarias para contar o medir los parámetros de las regiones creados por el contraste entre la superficie del blanco y negro creado por el paso de encontrar la Maxima. El resultado es procesado para crear una segmentación de la imagen binaria mediante el análisis de la varianza de píxel vecino más cercana alrededor de cada máximo local para identificar las formas de la oreja de trigo en la imagen filtrada. Por último, la densidad de oído cuenta analizar partículas, como se implementó en Fiji¹⁵. Encontrar máximos y analizar las partículas son funciones independientes y disponibles como complementos en Fiji (https://imagej.nih.gov/ij/plugins/index.html). Aunque no presentó específicamente en el protocolo aquí, resultados preliminares presentados como material complementario sugieren que esta técnica puede ser adaptable a encuestas oído cuenta de vehículos aéreos no tripulados (UAVs), siempre que la resolución sigue siendo suficientemente alta¹⁴.