Mısır gevreği kesik kulak alanında sayma Zenithal RGB görüntüleri kullanarak koşulları
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.
Protocol
Representative Results
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 olu…
Divulgations
The authors have nothing to disclose.
Acknowledgements
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
| 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. , (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. , (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).
