Condições de cereais orelhão contando em campo usando imagens RGB zenital

A utilização de cereais do mundo em 2017/2018 é relatada a expandir-se em 1% no ano anterior,¹. Baseado sobre as mais recentes previsões para utilização população e produção de cereais, cereais do mundo precisam de ações para aumentar a produtividade em um ritmo mais rápido para atender a crescente demanda, enquanto também, adaptando-se a aumentar os efeitos da mudança de clima². Portanto, há um foco importante na melhoria do rendimento em culturas de cereais, através da melhoria das culturas técnicas de reprodução. Dois dos cereais mais importantes e colhidos na região do Mediterrâneo são selecionados como exemplos para este estudo, ou seja, o trigo (Triticum aestivum L. SSP. durum Desf.) e cevada (Hordeum vulgare L.). O trigo é, por extensão, o cereal mais cultivado nas margens Sul e leste da bacia do Mediterrâneo e é a 10ª mais importantes de culturas em todo o mundo, devido à sua produção anual de 37 milhões de toneladas anualmente³, enquanto cevada é o quarto global grãos em termos de produção, com uma produção global em 144,6 milhões de toneladas por ano⁴.

Sensoriamento remoto e técnicas de análise de imagem proximal são ferramentas cada vez mais fundamental no avanço da fenotipagem de planta de alta produtividade de campo (HTPP) como não só fornecem mais ágil, mas também, muitas vezes, recuperações mais precisas e consistentes de alvo de culturas traços de biofisiológicos, como avaliações da atividade fotossintética e da biomassa, preharvest estimativas do rendimento e até mesmo melhorias em herdabilidade da característica, tais como a eficiência em recurso uso e captação de^{5,6,7 ,8,9}. Sensoriamento remoto tem tradicionalmente focado multiespectrais, hiperespectrais e sensores de plataformas aéreas para agricultura de precisão na escala de campo ou para estudos de fenotipagem planta no microplot de imagem térmica escala¹⁰. Câmeras digitais comuns, comercialmente disponíveis que medem apenas visível luz refletida foram muitas vezes negligenciadas, apesar de sua alta resolução espacial, mas recentemente se tornaram populares como novos algoritmos de processamento de imagens inovadoras são cada vez mais capazes para aproveitar a cor detalhado e informação espacial que eles fornecem. Muitas das inovações mais recentes em análise avançada de imagens agrícolas cada vez mais dependem da interpretação dos dados fornecidos pelo muito de alta resolução de imagens RGB (VHR) (para a medição de reflectância de luz visível vermelha, verde e azul), incluindo a colheita monitoramento (vigor, fenologia, avaliações de doença e identificação), segmentação e quantificação (surgimento, densidade de orelha, contagens de flor e fruta) e reconstruções 3D mesmo completo baseadas em uma nova estrutura do movimento de fluxos de trabalho¹¹.

Um dos pontos mais essenciais para a melhoria da produtividade de cereais é uma mais eficiente avaliação de rendimento, que é determinada por três componentes principais: densidade ou o número de ouvidos pelo medidor quadrado (orelhas/m²), o número de grãos por orelha, da orelha e o peso de mil-kernel. Densidade de orelha pode ser obtida manualmente no campo, mas este método é trabalhoso, demorado, e carente de um único protocolo padronizado, que juntos podem resultar em uma fonte significativa de erro. Incorporando a contagem automática das orelhas é uma tarefa desafiadora devido à estrutura de cultura complexa, perto planta espaçamento, elevado grau de sobreposição, os elementos de fundo e a presença de aristas. Trabalho recente avançou nesta direção, usando uma estrutura de fundo preto, apoiada por um tripé para adquirir imagens de colheita apropriado, demonstrando bastante bons resultados na orelha contando¹². Desta forma, efeitos de sombra e luz solar excessiva foram evitados, mas essa estrutura seria pesada e uma grande limitação em um aplicativo para condições de campo. Outro exemplo é uma orelha automática contagem algoritmo desenvolvido utilizando um sistema totalmente automatizado de fenotipagem com um pórtico motorizado rígido, que foi usado com boa precisão para contar com densidade de orelha em um painel composto por cinco trigo pão awnless (Triticum aestivum L.) variedades de crescimento sob azoto diferentes condições¹³. Trabalho recente por Fernandez-Gallego¹⁴ otimizou-se este processo para captura de dados mais rápida e fácil, usando imagens de cor RGB VHR seguidas mais avançadas, no entanto, ainda é totalmente automatizada, análises de imagem. A coleta de dados eficiente e de alta qualidade em condições de campo enfatiza um protocolo simplificado e padronizado para consistência e throughput de captura de dados de alta, enquanto o algoritmo de processamento de imagem emprega o romance de uso do domínio Laplaciano e frequência filtros para remover componentes indesejáveis da imagem antes de aplicar uma segmentação para a contagem baseiam em encontrar local maxima (em oposição a delineação completa como em outros estudos anteriores, que pode resultar em erros mais com orelhas sobrepostos).

Este trabalho propõe um sistema simples para a quantificação automática da densidade de orelha em condições de campo, usando imagens adquiridas de câmera digital comercialmente disponível. Este sistema aproveita-se da luz natural em campo as condições e, portanto, exige a consideração de alguns fatores ambientais relacionados, como hora do dia e nuvem tampa, mas permanece, em vigor, simples de implementar. O sistema foi demonstrado nos exemplos para o trigo e a cevada, mas deve ser extensível no aplicativo com o pão de trigo, que, além de expor as orelhas com morfologia semelhante, são frequentemente awnless, mas experiências mais seria necessárias a fim de Confirme isso. Nos dados de captura protocolo aqui apresentado, zenital imagens são tiradas por simplesmente segurando a câmera com a mão ou usando um monopé para posicionar a câmera digital acima da cultura. Validação de dados pode ser adquiridas através da contagem das orelhas manualmente para subtramas no campo ou durante o pós-processamento, contando as orelhas na imagem em si. O algoritmo de processamento de imagem é composto por três processos que, primeiro, efetivamente removem componentes indesejados da imagem de forma que, em seguida, permite a segmentação subsequente e contagem das espigas de trigo individuais nas imagens adquiridas. Primeiro, um filtro de frequência do Laplaciano é usado para detectar alterações nas diferentes direções espaciais da imagem usando as configurações de filtro padrão ImageJ sem ajustes de tamanho janela do kernel (técnica de segmentação deEncontrar Maxima determina o picos locais após a etapa de filtragem espacial mediano, em qual estágio os pixels relacionados com orelhas têm valores de pixel maiores do que o solo ou folhas. Portanto, encontrar Maxima é usado para segmentar os valores altos na imagem, e nessas regiões são rotuladas como orelhas, que identifica as orelhas enquanto também reduz erros de orelha sobrepostos. Analisar partículas é usado nas imagens binárias para contar e/ou medir os parâmetros das regiões, criados pelo contraste entre a superfície branca e preta, criado por etapa a encontrar Maxima. O resultado é então processado para criar uma segmentação de imagem binária através da análise da variância de pixel vizinho mais próxima ao redor de cada máximo local para identificar as formas de orelha do trigo na imagem filtrada. Finalmente, a densidade de orelha é contada analisar partículas, conforme implementado no Fiji¹⁵. Tanto encontrar Maxima e analisar as partículas são funções autônomas e disponível como plugins em Fiji (https://imagej.nih.gov/ij/plugins/index.html). Embora não apresentado especificamente no protocolo aqui, resultados preliminares apresentados como material suplementar sugerem que essa técnica pode ser adaptável para levar a cabo inquéritos de contagem orelha de veículos aéreos não tripulados (UAVs), desde que a resolução continua a ser suficientemente alta¹⁴.