Özet

شروط الإذن محصول الحبوب عد في مجال استخدام الصور RGB السمتي

Published: February 02, 2019
doi:

Özet

نقدم بروتوكول لعد آذان القمح والشعير القاسي، باستخدام الصور الفوتوغرافية الرقمية الطبيعية لون (RGB) اتخذت في ضوء الشمس الطبيعي في الظروف الحقلية. مع تسويات الحد الأدنى للمعلمات الكاميرا وبعض القيود الظروف البيئية، توفر التقنية نتائج دقيقة ومتناسقة عبر مجموعة من مراحل النمو.

Abstract

الكثافة الإذن، أو العدد من الأذنين في المتر المربع (آذان/م2)، محور تركيز في كثير من محاصيل الحبوب تربية برامج، مثل القمح والشعير، الذي يمثل عنصرا هاما غلة زراعية لتقدير محصول الحبوب. ولذلك، سيساعد في تحسين الإدارة الزراعية، وتوفير التحسينات في التنبؤات الغلة بريهارفيست، تقنية سريعة وفعالة وموحدة لتقييم كثافة الإذن أو حتى أن يستخدم كأداة لتربية المحاصيل عند أنه تم تعريف كسمة ذات أهمية. ليس فقط هي التقنيات الحالية للإذن دليل التقييمات كثافة شاقة وتستغرق وقتاً طويلاً، ولكن أيضا دون أي بروتوكول موحد الرسمية، سواء عن طريق خطي متر، منطقة رباعي، أو الاستقراء على أساس كثافة النباتات الإذن والنبات حساب ما بعد الحصاد. إذن تلقائي عد خوارزمية يرد بالتفصيل لتقدير كثافة الإذن مع أشعة الشمس في الإضاءة فقط في الظروف الميدانية استناداً إلى الصور الرقمية، مما يسمح للفائق السمتي (نادر) اللون الطبيعي (الأحمر والأخضر والأزرق [RGB]) القياسات الموحدة. تجارب ميدانية مختلفة من القمح القاسي والشعير موزعة جغرافيا إسبانيا خلال عام 2014/2015 وعام 2015/2016 مواسم المحاصيل في المروية والمحاكمات البعلية استخدمت لتقديم نتائج تمثيلية. ويشمل البروتوكول ثلاث مراحل مرحلة نمو المحاصيل وتخطيط الحقل الشرط، والمبادئ التوجيهية لالتقاط الصورة وخوارزميه كمبيوتر من ثلاث خطوات: (ط) عامل تصفية Laplacian تردد لإزالة القطع الأثرية منخفضة وعالية التردد، (ثانيا) عامل تصفية الوسطية للحد من ارتفاع الضوضاء، وتجزئة (ثالثا) والعد باستخدام قمم ماكسيما المحلية للعد النهائي. يجب أن يتم إدخال بعض التعديلات الطفيفة على قانون خوارزمية المقابلة لدقة الكاميرا والبعد البؤري، والمسافة بين الكاميرا ومظلة المحاصيل. تدل النتائج نسبة نجاح عالية (أعلى من 90 ٪) وقيم2 R(من 0.62-0.75) بين التهم خوارزمية وتعول الإذن المستندة إلى الصور اليدوية للقمح القاسي والشعير.

Introduction

استخدام الحبوب العالمي في عام 2017/2018 يقال زيادة بنسبة 1% من العام السابق1. استناداً إلى أحدث التنبؤات لاستغلال الإنتاج والسكان الحبوب، الحبوب العالمي مخزونات تحتاج إلى زيادة الغلة بمعدل أسرع من أجل تلبية الطلبات المتزايدة، بينما تتكيف أيضا زيادة آثار تغير المناخ2. ولذلك، هناك نقطة تركيز هامة في تحسين غلة محاصيل الحبوب من خلال تقنيات تربية المحاصيل المحسنة. اثنين يتم تحديد أهم وحصاد الحبوب في منطقة البحر الأبيض المتوسط كأمثلة لهذه الدراسة، هي والقمح القاسي (قمح aestivum L. موفر القاسي [دسف.]) والشعير (فولغاري شعير ل.). القمح القاسي، استطرادا، الحبوب المزروعة أكثر على هامش جنوب وشرق حوض البحر الأبيض المتوسط وهو العاشر أهم المحاصيل في جميع أنحاء العالم، نظراً لإنتاجها السنوي من 37 مليون طن سنوياً3، بينما هو الشعير العالمي الرابع الحبوب من حيث الإنتاج، مع إنتاج عالمي 144.6 مليون طن سنوياً4.

الاستشعار عن بعد وتقنيات تحليل الصورة الدانية هي الأدوات الرئيسية على نحو متزايد في النهوض بمجال النبات الفائق phenotyping (HTPP) كما أنها لا توفر أكثر مرونة ولكن أيضا، في كثير من الأحيان، المحاصيل استرجاع البيانات أكثر دقة واتساقا للهدف بريهارفيست الصفات بيوفيسيولوجيكال، مثل تقييمات لنشاط التمثيل الضوئي، والكتلة الحيوية، وتقديرات العائد، والتحسينات حتى في التوريث سمة، مثل الكفاءة في الموارد استخدام واستيعاب5،6،7 ،،من89. الاستشعار عن بعد وقد تركز تقليديا على متعددة الأطياف، والنطاق الطيفي، وأجهزة الاستشعار من منصات جوية للزراعة الدقيقة في مقياس الحقل أو لمصنع فينوتيبينج دراسات في ميكروبلوت التصوير الحراري10. الكاميرات الرقمية المشتركة المتاحة تجارياً، وقياس الضوء المنعكس مرئية فقط كانت كثيرا ما يغفل عنها، على الرغم من حلها مكانية عالية جداً، ولكن مؤخرا أصبحت شعبية كما خوارزميات معالجة الصور مبتكرة جديدة قادرة على نحو متزايد للاستفادة من اللون المفصلة والمعلومات المكانية التي يقدمونها. العديد من أحدث الابتكارات في تحليل الصور الزراعية المتقدمة يتزايد الاعتماد على تفسير البيانات التي قدمتها صور RGB (VHR) ذات الدقة العالية جداً (لقياسها لانعكاس الضوء المرئي الأحمر والأخضر والأزرق)، بما في ذلك المحاصيل رصد (حيوية ومراقبة وتقييم المرض وتحديد الهوية) وتجزئة والقياس الكمي (ظهور والكثافة الإذن وتهم بالزهور والفواكه) وإعادة البناء حتى كامل 3D على أساس هيكل جديد من اقتراح مسارات العمل11.

إحدى النقاط الأساسية للتحسين في إنتاجية الحبوب هو إجراء تقييم أكثر كفاءة من الغلة، التي تتحدد بثلاثة عناصر رئيسية: الإذن الكثافة أو عدد الأذنين في المتر المربع (آذان/م2)، وعدد الحبوب في الإذن، و وزن ألف-النواة. الكثافة الإذن يمكن الحصول عليها يدوياً في الحقل، ولكن هذا الأسلوب، شاقة وتستغرق وقتاً طويلاً، وتفتقر إلى بروتوكول موحد واحد، الذي معا ربما يسفر مصدرا هاما للخطأ. إدراج تلقائي عد آذان مهمة صعبة بسبب بنية معقدة المحاصيل، إغلاق مصنع التباعد، ارتفاع مدى التداخل وعناصر أساسية، ووجود أونس. العمل الأخيرة تقدما في هذا الاتجاه باستخدام بنية خلفية سوداء تدعمها ترايبود بغية الحصول على صور المحاصيل المناسبة، مما يدل على نتائج جيدة إلى حد ما في الإذن عد12. وبهذه الطريقة، تجنب أشعة الشمس المفرطة، وتأثيرات الظل، ولكن مثل هذا هيكل سيكون مرهقة وقيدا رئيسيا في تطبيق للظروف الميدانية. وثمة مثال آخر هو إذن تلقائي عد الخوارزمية التي تم تطويرها باستخدام نظام phenotyping مؤتمتة بالكامل مع الهزال يجهز جامدة، التي استخدمت بقدر جيد من الدقة لعد كثافة الإذن في فريق يتألف من خمسة من قمح الخبز عونلس (قمح أيستيفوم ل.) أصناف تنمو تحت ظروف مختلفة النيتروجين13. وقد الأمثل العمل مؤخرا فرنانديز-جاليجو14 هذه العملية لالتقاط البيانات أسهل وأسرع، واستخدام صور لون VHR RGB تليها تحليلات الصورة أكثر تقدما، ولكن لا يزال مؤتمتة بالكامل،. جمع البيانات تتسم بالكفاءة والجودة العالية في الظروف الميدانية تؤكد على بروتوكول موحد مبسط للاتساق والإنتاجية التقاط البيانات عالية، بينما يستخدم خوارزمية معالجة الصور الرواية واستخدام المجال Laplacian والتردد مرشحات لإزالة مكونات الصورة غير مرغوب فيه قبل تطبيق تجزئة لعد استناداً إلى إيجاد ماكسيما المحلية (في مقابل الحصول على ترسيم كامل كما هو الحال في غيرها من الدراسات السابقة، مما قد يتسبب في المزيد من الأخطاء مع آذان متداخلة).

ويقترح هذا العمل نظام بسيط للتحديد الكمي التلقائي لكثافة الإذن في الظروف الميدانية، باستخدام الصور التي تم الحصول عليها من الكاميرات الرقمية المتاحة تجارياً. هذا النظام يستفيد من الضوء الطبيعي في مجال شروط، ويتطلب بالتالي، النظر في بعض العوامل البيئية ذات الصلة، مثل الوقت من اليوم وسحابة الغطاء، ولكنه يبقى، في الواقع، بسيطة لتنفيذ. النظام قد ثبت على أمثلة للقمح القاسي والشعير ولكن ينبغي أن تكون قابلة للتمديد في التطبيق خبز القمح، التي تعتبر، إلى جانب العارضة آذان مع مورفولوجيا مماثلة، كثيرا ما عونلس، ولكن تجارب أخرى ستكون مطلوبة من أجل ويؤكد ذلك. التقاط البيانات بروتوكول المعروضة هنا، يتم أخذ صور السمتي بمجرد عقد الكاميرا باليد أو باستخدام monopod للكاميرا الرقمية أعلاه المحاصيل لتحديد المواقع. يمكن الحصول على التحقق من صحة البيانات عن طريق العد آذان يدوياً للحبكات الجانبية في الميدان أو من خلال تحليل نتائج العمل، عن طريق العد الأذنين في الصورة نفسها. خوارزمية معالجة الصور تتكون من ثلاث عمليات، أولاً، فعالية إزالة العناصر غير المرغوب فيها من الصورة بطريقة، ثم يسمح لتجزئة اللاحقة والعد في آذان القمح الفردية في الصور المكتسبة. أولاً، يتم استخدام عامل تصفية تردد Laplacian بغية الكشف عن التغييرات في مختلف الاتجاهات المكانية للصورة باستخدام إعدادات عامل التصفية الافتراضي ImageJ دون تعديلات حجم نواة نافذة (يحدد أسلوب تجزئةماكسيما العثور وقد قمم المحلية بعد الخطوة التصفية المكانية الوسيط، في المرحلة التي تتعلق بكسل مع آذان قيم بكسل أعلى من التربة أو يترك. ولذلك “تجد ماكسيما” يستخدم للجزء القيم السامية في الصورة، وتلك المناطق المسماة الأذنين، الذي يحدد آذان أيضا تقليل أخطاء الإذن المتداخلة. ثم يتم استخدام تحليل الجزيئات على صور ثنائية للاعتماد و/أو قياس المعلمات من المناطق التي تم إنشاؤها بواسطة التباين بين سطح أبيض وأسود تم إنشاؤها بواسطة خطوة “البحث عن ماكسيما”. ثم تتم معالجتها النتيجة لإنشاء تجزئة صورة ثنائية من خلال تحليل التباين بكسل الجار أقرب حول كل الحد الأقصى المحلية لتحديد الأشكال الإذن القمح في الصورة التي تمت تصفيتها. يتم حساب كثافة الإذن أخيرا، استخدام “تحليل الجزيئات”، كما نفذت في فيجي15. ماكسيما البحث وتحليل الجزيئات وظائف مستقلة والمتاحة الإضافات في فيجي (https://imagej.nih.gov/ij/plugins/index.html). ولو لم يقدم على وجه التحديد في البروتوكول هنا، تشير النتائج الأولية التي قدمت كمواد تكميلية إلى أن هذا الأسلوب قد تكون قابلة للتكيف لإجراء استقصاءات الإذن عدد من المركبات الجوية غير المأهولة (الطائرات)، تنص على أن القرار وما زالت مرتفعة بما فيه الكفاية14.

Protocol

1-بريفيلد مرحلة نمو المحاصيل والظروف البيئية تأكد من أن مرحلة نمو المحاصيل تقريبا بين شغل الحبوب وقرب نضج المحاصيل، مع الأذنين التي لا تزال خضراء حتى ولو كانت الأوراق مسن (الذي يقابل في حالة القمح إلى طائفة زادوكس بمقياس1660-87). بعض اصفرار الأوراق مقبول ولكن ليس من الضروري.<…

Representative Results

وتظهر النتائج في الشكل 8، معامل العزم بين كثافة الإذن (عدد آذان كل متر مربع) باستخدام العد اليدوي والإذن عد خوارزمية للقمح والشعير في ثلاث مراحل نمو المحاصيل المختلفة. أول واحد هو القمح القاسي مع مقياس زادوكس بين 61 و 65 (ص2 = 0.62). والثاني هو الشعير ص?…

Discussion

زيادة سرعة والاتساق والدقة مفتاح تطوير أدوات phenotyping جديدة مفيدة لمساعدة المجتمع تربية المحاصيل فيما تبذله من جهود لزيادة إنتاج الحبوب على الرغم من الضغوط السلبية المتصلة بتغير المناخ العالمي. تقييم كفاءة ودقة من الحبوب الإذن الكثافة، كالمحاصيل زراعية عنصرا رئيسيا من غلة المحصول هامة، س?…

Açıklamalar

The authors have nothing to disclose.

Acknowledgements

واضعو هذا البحث أود أن أشكر موظفي الإدارة الميدانية في مراكز تجريبية كولمينار دي اوريخا (ارانخويث) من ذ المعهد الوطني لبحوث التكنولوجيا الزراعي y اليمنتيريا (المعهد) و Zamadueñas (بلد الوليد) من معهد التكنولوجيا دي دي الزراعي قشتالة وليون (إيتاسيل) لدعمهم الحقل من المحاصيل الدراسة البحثية المستخدمة. وأيد هذه الدراسة مشروع البحوث AGL2016-76527-R مينيكو، إسبانيا وجزء من مشروع التعاون مع سينجينتا، إسبانيا. الزمالة 2013000100103 ببين، من “Talento de التدريب ألتو دي حول مستوى، الحكومة ديل توليما-جامعة ديل توليما، كولومبيا” كان الوحيد الدعم التمويلي لصاحب البلاغ الأول خوسيه أرماندو فرنانديز-غاليغو. مصدر التمويل الأساسي لصاحب البلاغ المقابلة، شون جيم كيفوفير، جاءت من “الأوساط الأكاديمية إيكريا” البرنامج من خلال منحة من منح البروفيسور خوسيه لويس أروس.

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

Referanslar

  1. Food and Agriculture Organization (FAO). . Food outlook: Biannual report on global food markets. , (2017).
  2. Araus, J. L., Kefauver, S. C. Breeding to adapt agriculture to climate change: affordable phenotyping solutions. Current Opinion in Plant Biology. , (2018).
  3. Ranieri, R. Geography of the Durum Wheat Crop. Pastaria International. 6, (2015).
  4. Food Agriculture Organization (FAO). . The State of Food Insecurity in the World. , (2014).
  5. Araus, J. L., Cairns, J. E. Field high-throughput phenotyping: the new crop breeding frontier. Trends in Plant Science. 19 (1), 52-61 (2014).
  6. Fiorani, F., Schurr, U. Future Scenarios for Plant Phenotyping. Annual Review of Plant Biology. 64 (1), 267-291 (2013).
  7. 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).
  8. 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).
  9. Furbank, R. T., Tester, M. Phenomics – technologies to relieve the phenotyping bottleneck. Trends in Plant Science. 16 (12), 635-644 (2011).
  10. 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).
  11. 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).
  12. 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).
  13. Dornbusch, T., et al. . Digital Field Phenotyping by LemnaTec. , (2015).
  14. 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).
  15. 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).
  16. Zadoks, J., Chang, T., Konzak, C. A decimal growth code for the growth stages of cereals. Weed Research. 14 (14), 415-421 (1974).
  17. 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).
  18. 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).
  19. Zaman-Allah, M., et al. Unmanned aerial platform-based multi-spectral imaging for field phenotyping of maize. Plant Methods. 11 (1), 35 (2015).
  20. 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).
  21. 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).
  22. 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).
  23. 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).
  24. 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).
  25. Smołka, B. Nonlinear techniques of noise reduction in digital color images. Wydawnictwo Politechniki Śląskiej. , (2004).

Play Video

Bu Makaleden Alıntı Yapın
Fernandez-Gallego, J. A., Buchaillot, M. L., Gracia-Romero, A., Vatter, T., Diaz, O. V., Aparicio Gutiérrez, N., Nieto-Taladriz, M. T., Kerfal, S., Serret, M. D., Araus, J. L., Kefauver, S. C. Cereal Crop Ear Counting in Field Conditions Using Zenithal RGB Images. J. Vis. Exp. (144), e58695, doi:10.3791/58695 (2019).

View Video