Özet

利用泽尼塔尔 rgb 图像进行田间作物耳计数

Published: February 02, 2019
doi:

Özet

我们提出了一种计算硬质合金小麦和大麦耳朵的协议, 使用自然颜色 (rgb) 数码照片在自然阳光下在野外条件下拍摄。该技术只需对相机参数进行最小的调整, 并存在一些环境条件限制, 可在一系列生长阶段提供精确、一致的结果。

Abstract

耳朵密度, 即每平方米的耳朵数量 (耳朵 2), 是许多谷类作物育种项目 (如小麦和大麦)的核心重点, 是估计粮食产量的重要农艺产量组成部分。因此, 快速、高效和标准化的耳朵密度评估技术将有助于改善农业管理, 改进收获前产量预测, 甚至可以在确定后被用作作物育种的工具作为一个重要的特点。目前手动耳密度评估的技术不仅费力和耗时, 而且没有任何官方的标准化协议, 无论是线性仪表、面积象限, 还是基于植物耳密度和植物的外推法收获后计数。详细介绍了一种基于 zenithal (nadir) 自然颜色 (红色、绿色和蓝色 [rgb)) 数字图像的自动耳计数算法, 用于在现场条件下仅使用阳光照射来估计耳密度, 从而实现高通量标准化的测量。在2012015年和2015年期间, 在灌溉和降雨试验中对分布在西班牙各地的硬质小麦和大麦进行了不同的田间试验, 以提供具有代表性的结果。三阶段协议包括作物生长阶段和现场条件规划、图像捕获指南和三个步骤的计算机算法: (一) 拉普拉斯频率滤波器, 以消除低频和高频伪影, (ii) 中值滤波器, 以降低高噪声, 以及 (iii) 使用局部最大峰值进行分割和计数。必须根据相机的分辨率、焦距以及相机与作物树冠之间的距离对算法代码进行小的调整。结果表明, 在算法计数和基于人工图像的耳朵计数之间, 硬质合金小麦和大麦的成功率 (高于 90%) 和r2值 (0.62-0.62)。

Introduction

据报告, 201201年世界谷物利用率比上一年增长 1%.根据对谷物生产和人口利用的最新预测, 世界谷物库存需要以更快的速度增加产量, 以满足日益增长的需求, 同时也适应气候变化不断增加的影响 2。因此, 通过改进作物育种技术提高谷类作物的产量是一个重要的重点。本研究选取了地中海区域最重要和收获最严重的两种谷物作为研究的例子, 即硬质合金小麦和大麦 (). 另外, 杜鲁姆小麦是地中海盆地南部和东部边缘种植最多的谷物, 也是全世界第10大作物, 因为它每年的产量为 3 700万吨, 而大麦是全球第四大作物粮食产量方面, 全球年产量为1.446亿吨.

遥感和近端图像分析技术日益成为提高田间高通量植物表型 (htpp) 的关键工具, 因为它们不仅提供了更敏捷的检索, 而且往往还提供了更精确、更一致的目标作物检索生物生理特征, 如光合活性和生物量的评估、收获前产量估计, 甚至性状遗传力的改善, 如资源利用效率和吸收5,6,7 ,8,9。遥感传统上侧重于航空平台的多光谱、高光谱和热成像传感器, 用于实地规模的精确农业或在微观地块尺度上进行植物表型研究。尽管新的创新图像处理算法越来越能够使用, 但只测量可见光的商业上可用的普通数码相机往往被忽视, 尽管它们的空间分辨率非常高, 但最近变得很流行以利用它们提供的详细的颜色和空间信息。先进农业图像分析的许多最新创新越来越依赖于对高分辨率 (vhr) rgb 图像 (用于测量红色、绿色和蓝色可见光反射率) (包括作物) 所提供数据的解释监测 (活力、物候、疾病评估和鉴定)、分割和定量 (出现、耳密度、花和果实计数), 甚至基于运动工作流的新结构进行完整的3d 重建11。

提高谷物产量的最重要的一点是更有效地评估产量, 这取决于三个主要组成部分: 耳朵密度或每平方米的耳朵数量 (ears m2)、每穗谷物的数量;千粒重。耳密度可以在现场手动获得, 但这种方法既费力、耗时又缺乏单一的标准化协议, 这可能会导致大量的误差。由于作物结构复杂、植物间距接近、重叠程度高、背景元素和芒的存在, 纳入耳朵自动计数是一项具有挑战性的任务。最近的工作在这方面取得了进展, 使用了一个由三脚架支持的黑色背景结构, 以获得合适的作物图像, 在穗数12方面显示出相当好的结果。这样, 就避免了过多的阳光和阴影效应, 但这样的结构会很繁琐, 也是现场条件应用的主要限制。另一个例子是使用带有刚性机动龙门的全自动表型系统开发的自动能量计数算法, 该算法在由五颗无毛面包小麦组成的面板中用于计算耳朵密度, 精度很高.埃斯蒂姆酒店)品种生长在不同的氮条件下13。ferndez-gallgo14最近的工作优化了这一过程, 以便更快、更轻松地捕获数据, 使用 vhr rgb 彩色图像, 然后进行更高级但仍完全自动化的图像分析。现场条件下高效、高质量的数据采集强调了标准化的标准化协议, 以实现一致性和高数据采集吞吐量, 而图像处理算法则采用了新的拉普拉斯域和频域的应用筛选器, 在应用分段进行计数之前删除不需要的图像组件, 该分割基于查找本地最大值 (而不是像以前的其他研究那样完全划分, 这可能会导致更多的错误, 并与重叠的耳朵重叠)。

本工作提出了一个简单的系统, 利用从商业上可用的数码相机获得的图像, 在现场条件下自动量化耳朵密度。该系统利用了野外条件下的自然光, 因此需要考虑一些相关的环境因素, 如白天的时间和云量, 但实际上仍然很容易实施。该系统已在硬质合金小麦和大麦的实例中进行了演示, 但在应用于面包小麦时应具有可扩展性, 面包小麦除了显示具有相似形态的耳朵外, 往往是无异的, 但还需要进一步的实验才能确认这一点。在这里介绍的数据采集协议中, 天顶的图像是通过简单地手持相机或使用单脚架将数码相机定位在作物上方来拍摄的。验证数据可以通过手动计数字段中或在后期处理过程中的子图的耳朵来获取, 也可以通过计算图像本身中的耳朵来获取。图像处理算法由三个过程组成, 首先, 以一种有效地删除图像中不需要的成分的方式, 然后, 允许随后分割和计数被获取的图像中的单个小麦耳朵。首先, 使用 laplacian 频率滤波器来检测图像不同空间方向的变化, 使用默认的 imagej 滤波器设置, 而不进行窗口内核大小调整 (查找 maxima 分割技术确定中值空间滤波器步长后的局部峰值, 在这一阶段, 与耳朵相关的像素的像素像素值高于土壤或叶片。因此, find maxima 用于分割图像中的高值, 并且这些区域被标记为耳朵, 这可以识别耳朵, 同时还可以减少重叠的耳朵错误。然后在二进制图像上使用 “分析粒子” 来计算和/测量由 “查找最大值” 步骤创建的白色和黑色曲面之间的对比度所创建的区域中的参数。然后, 通过分析每个局部最大值周围的最近邻域像素方差来处理结果以创建二值图像分割, 从而识别筛选图像中的小麦耳朵形状。最后, 使用分析粒子来计算耳朵密度, 如斐济15所示。查找 maxima 和分析粒子都是独立的功能, 可作为斐济的插件使用 (https://imagej.nih.gov/ij/plugins/index.html)。虽然这里的议定书没有具体说明, 但作为补充材料提出的初步结果表明, 这种技术可能适用于对无人驾驶飞行器进行的耳朵计数调查, 条件是解决这一问题保持足够高14。

Protocol

1. 田前作物生长阶段和环境条件 确保作物生长阶段大约在灌浆和接近作物成熟之间, 即使叶子已经衰老, 耳朵仍然是绿色的 (这与 zadoks 16号规模的60-87 之间是相对应的)。叶子有些发黄是可以接受的, 但不是必要的。 准备一个具有各种复制 (每个图形的图片) 的图像捕获采样计划, 以便捕获图域区域的可变性;图像处理算法将根据相机规格计算图像中的耳朵数量, 并将?…

Representative Results

在图 8中, 结果显示了在三个不同作物生长阶段使用人工计数的耳朵密度 (每平方米的耳朵数量) 与小麦和大麦的耳朵计数算法之间的确定系数。第一个是在61至 65 (r2 = 0.62) 之间的 zadoks 规模的硬质合金小麦。第二列大麦是两排大麦, zadoks 的规模在71和77之间 (r2 = 0.75), 最后一个是 zadoks 的沙杜姆小麦, 其规模在81和 87 (r</em…

Discussion

提高敏捷性、一致性和精确性是开发有用的新表型工具的关键, 以协助作物育种界在全球气候变化带来负面压力的情况下努力提高粮食产量。有效和准确地评估谷物耳密度, 作为重要主要作物产量的主要农艺组成部分, 将有助于为养活后代提供所需的工具。注重改善和支持在田间条件下的作物育种工作, 有助于使这项研究和这里介绍的技术与现实世界中的气候变化情景和繁殖界的需求更加紧密地联?…

Açıklamalar

The authors have nothing to disclose.

Acknowledgements

这项研究的作者要感谢国家调查研究所 colmenar de oreja (aranjuez) 实验站的现场管理人员。农业技术研究所 (itcyl) 为所使用的研究作物提供实地支助。这项研究得到了西班牙 mineco agl2016-76527-r 研究项目和与西班牙先正达合作项目的一部分的支持。来自哥伦比亚托利马大学的 bpin 2013000100103 研究金, 来自 “哥伦比亚托利马大学” 的 “人权与 alto nivel 基金会” 是唯一的资助。相应作者 shawn c. kefauver 的主要资金来源来自 icrea 学术界方案, 向 jose luis araus 教授提供了赠款。

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