穀物作物耳フィールドのカウント条件天頂の RGB 画像を用いた

前年¹から 1% を展開 2017/2018 年に世界の穀物稼働率を報告します。穀物生産と人口使用率、株式が増加気候変更²の効果にも適応しながら、増大する要求を満たすために速い速度で収量を増やす必要があります世界の穀物の最新の予測に基づいています。したがって、改良された作物の育種技術の開発を通して穀物の収量改善に重要な焦点があります。2 地中海地域で最も重要で、収穫した穀物、すなわち本研究の例として選択、デュラム コムギ (Triticum aestivum l. の sspデュラム[Desf.])、大麦 (オオムギL.)。デュラム小麦は、延長によって、地中海沿岸の南と東の余白で最も栽培されている穀物、10 の最も重要な作物の 3700 万トンの年次生産のおかげで、世界中毎年³大麦は第 4 世界穀物 1 億 4460 万トンで世界的な生産と生産面で毎年⁴。

リモートセンシングと近位画像解析手法は、フィールド高スループット植物表現 (HTPP) の発展にますます重要なツールよりアジャイル提供だけではなく、また、多くの場合、ターゲットのより正確で一貫性のある検索をトリミング光合成とバイオマスの評価などの生体制御特徴リソース使用と吸収^{5,6,7 の効率などの特性の遺伝率の収量推定値とも改善を収穫前します。 ,8,9}。マルチ スペクトルに伝統的に集中しているリモートセンシング, ハイパー スペクトル、および熱画像センサー空中プラットフォームからフィールドの縮尺の精密農業用や工場、microplot 表現型解析研究スケール¹⁰.だけ目に見える反射光を測定する一般的な市販のデジタル カメラ空間解像度が非常に高いにもかかわらず、しばしば見落とされたが最近人気となっている新しい革新的な画像処理アルゴリズムがますますできるように詳細な色とそれらが提供する空間情報の利用。農業の高度な画像解析における最新の技術革新の多くはますます (彼らは赤、緑、および青の可視光反射率の測定になります) の非常に高解像度の (VHR) RGB 画像によって提供されるデータの解釈に依存して作物を含む(活力やフェノロジー、病評価、識別) を監視、セグメンテーションと定量化 (出現、耳密度、花と果物の数) ともフル 3 D 再構成運動ワークフロー¹¹から新しい構造に基づきます。

穀物生産性の改善のための最も重要なポイントの一つは収量は、3 つの主要なコンポーネントによって決定されますの効率的評価: 耳の密度または平方メートル (耳/m²) あたりの穂数, 穂当たり粒数と千粒重。耳密度はフィールドで手動で入手することができますが、骨の折れる、時間がかかり、この方法で、1 つの標準化されたプロトコルに欠けている、一緒に可能性がありますエラーの重要な源。耳の自動カウントを組み込むことと、やりがいのある仕事が複雑な作物構造、閉じる栽、重なり合い、背景要素、および芒のプレゼンスの高い範囲のためです。最近の作品は¹²を数える耳でかなり良い結果を示す適切な画像を得るために三脚でサポートされている黒の背景構造を使用してこの方向に進んだ。これで、過度の日光と影は避けた、しかしこのような構造は面倒だろうと圃場条件へのアプリケーションの主要な制限。別の例は、カウント精度の良いパネルで耳密度をカウントするために使用された剛体電動門型で完全に自動化された表現型解析システムを使用して開発されたアルゴリズムは自動耳から成る 5 芒パン小麦 (コムギaestivum l.)¹³異なる窒素条件下で生育する品種。フェルナンデス ギャレゴ¹⁴による最近の仕事は、迅速かつ容易にデータのキャプチャより高度なけれどもまだ完全に自動化された、画像解析に続いて VHR RGB カラー画像を用いたため、このプロセスを最適化します。フィールドの条件で効率的かつ質の高いデータ収集簡素化された標準化されたプロトコルを強調は、一貫性と高データ スループットをキャプチャ、画像処理アルゴリズムを採用、小説中のラプラシアンと周波数ドメインの使用(重複している耳で複数のエラー可能性があります他の先行研究における描写) ではなくローカルのマキシマを見つけることに基づいてカウントのためのセグメンテーションを適用する前に不要な画像成分を除去するフィルター。

この作品は、市販のデジタル カメラから取得したイメージを使用して、フィールド条件で耳密度自動定量化のシンプルなシステムを提案する.このシステムは、フィールドでの自然光を利用条件し、したがって、日と雲のカバーの時間など、いくつかの関連環境要因の検討が必要ですが、有効になります、簡単に実装します。システム デュラム小麦と大麦の例に示されている必要があります、小麦をパンにアプリケーションで拡張可能な似たような形態で耳を展示するほか、頻繁に芒、しかしそれ以上の実験はするために必要になりますこれを確認します。データのキャプチャ、ここで提示されたプロトコル、画像は天頂は単にカメラを手で保持したり、作物の上にデジタル カメラを位置決めの一脚を使用して撮影します。検証データは、画像自体に耳を数えることによってサブプロット フィールドまたは後処理中に手動で耳をカウントすることによって取得できます。画像処理アルゴリズムは、最初に、効果的にできる、その後、後続のセグメンテーションと取得した画像の個々 の小麦の穂のカウント方法で画像の不要なコンポーネントを削除する 3 つのプロセスで構成されます。まず、ラプラシアン周波数フィルター ウィンドウのカーネル サイズを調整することがなくデフォルト ImageJ のフィルター設定を使用してイメージの異なる空間方向の変化を検出するために使用されます (検索マキシマセグメンテーション手法を決定、どの段階で耳に関連するピクセルがある土や葉よりもピクセル値が高い中央の空間フィルターのステップの後のローカル ピーク。したがって、マキシマの検索を使用して、画像で高い値をセグメントし、それらの地域の耳も耳の重複するエラーを削減しながら耳を識別するラベルが。粒子の分析は、カウントおよび/または見つけるマキシマの手順で作成した白と黒の表面間のコントラストによって作成された領域からのパラメーターを測定するバイナリ イメージで使用されます。結果は、フィルターされたイメージで小麦の耳の形状を識別するためにそれぞれの局所最大値の周り最も近い隣人ピクセル差異を分析することによってバイナリ画像の領域分割を作成する処理されます。最後に、耳の密度は、フィジー¹⁵で実装されて、分析の粒子を使用してカウントされます。マキシマの検索と分析粒子の両方がスタンドアロン関数とフィジー (https://imagej.nih.gov/ij/plugins/index.html) のプラグインとして利用可能。プロトコルをここに具体的に提示されていない、補足資料として提示予備的な結果は提案手法は解像度を提供する無人航空機 (Uav) から耳カウント調査に適応できます。十分に高い¹⁴のままです。