Özet

Granen gewas oor tellen in het veld voorwaarden gebruik Zenithal RGB-afbeeldingen

Published: February 02, 2019
doi:

Özet

Presenteren we een protocol voor het tellen van durum tarwe en gerst oren, met behulp van natuurlijke kleur (RGB) digitale foto’s genomen in natuurlijk zonlicht onder veldomstandigheden. Met minimale aanpassingen voor camera parameters en enkele beperkingen van de ecologische toestand biedt de techniek precisie en consistente resultaten in een heel scala van groeifasen.

Abstract

Dichtheid van het oor, of het aantal oren per vierkante meter (oren/m2), is een centraal in veel granen gewas fokken van programma’s, zoals tarwe en gerst, vertegenwoordigen een belangrijk agronomische rendement-onderdeel voor het schatten van graan opbrengst. Daarom een snelle, efficiënte en gestandaardiseerde techniek voor de beoordeling van de dichtheid van het oor zou de steun in de verbetering van de agrarische beheer, verbeteringen in preharvest rendement voorspellingen, of kan zelfs worden gebruikt als een instrument voor het gewas fokken als deze is gedefinieerd Als een kenmerk van belang. Niet alleen zijn de huidige technieken voor handmatige oor dichtheid evaluaties moeizaam en tijdrovend, maar ze zijn ook zonder enige officiële gestandaardiseerde protocol, of dit nu per lineaire meter, gebied Kwadrant, of een extrapolatie op basis van plantaardige oor dichtheid en plant graven-Sensortechnologiegroep. Een automatische oor tellen algoritme wordt gepresenteerd in detail voor het schatten van oor dichtheid met alleen zonlicht verlichting in veldomstandigheden gebaseerd op zenithal (nadir) natuurlijke kleur (rood, groen en blauw [RGB]) digitale beelden, waardoor hoge-doorvoer gestandaardiseerde metingen. Verschillende veldproeven van harde tarwe en gerst geografisch verspreid over Spanje tijdens de 2014/2015 en 2015/2016 gewas seizoenen in geïrrigeerde en neerslag proeven werden gebruikt om representatieve resultaten te leveren. Het drie-fase-protocol bevat gewas groei fase en veld voorwaarde planning, richtlijnen voor het vastleggen van afbeeldingen en een computer algoritme uit drie stappen: (i) een Laplaciaan frequentie filter laag – en hoogfrequente artefacten, (ii) een mediaan om filter te verwijderen om hoog lawaai, en (iii) segmentatie en tellen met behulp van lokale maxima pieken voor de definitieve telling. Kleine aanpassingen aan de code van het algoritme moeten worden gemaakt, overeenkomt met de cameraresolutie brandpuntsafstand en de afstand tussen de camera en de luifel van het gewas. De resultaten tonen een hoog slagingspercentage (hoger dan 90%) en R2 waarden (van 0.62-0,75) tussen de graven van de algoritme en de handmatige beeld-gebaseerde oor telt voor zowel harde tarwe en gerst.

Introduction

De wereld granen gebruik in 2017/2018 wordt gemeld uit te breiden met 1% van het voorgaande jaar1. Gebaseerd op de meest recente voorspellingen voor graan productie en bevolking gebruik, wereld graan voorraden moeten opbrengst te verhogen in een sneller tempo om te voldoen aan de groeiende eisen, terwijl ook aanpassen aan de gevolgen van de klimaat verandering2verhogen. Daarom is er een belangrijke focus op rendement verbetering van graan via verbeterde gewas fokken technieken. De belangrijkste en meest geoogste graan in het Middellandse-Zeegebied zijn geselecteerd als voorbeelden voor deze studie, namelijk twee harde tarwe (Triticum aestivum L. ssp. “durum” [Desf.]) en gerst (Hordeum vulgare L.). Harde tarwe is, in het verlengde daarvan, het meest geteelde graangewas in de Zuid- en Oost-marge van het Middellandse-Zeegebied en is de 10e meest belangrijk gewas wereldwijd, als gevolg van de jaarproductie van 37 miljoen ton per jaar3, terwijl de gerst is het vierde wereldwijde in termen van productie, met een wereldwijde productie van 144,6 miljoen ton graan jaarlijks4.

Remote sensing en proximale afbeelding analysetechnieken worden steeds belangrijke hulpmiddelen in de vooruitgang van de veld plant high-throughput fenotypering (HTPP) als ze niet alleen meer agile maar ook vaak meer precisie en consistente opvragingen van doel gewas biophysiological eigenschappen, zoals evaluaties van fotosynthetische activiteit en biomassa, preharvest rendement ramingen, en zelfs verbeteringen in trait erfelijkheidsgraad, zoals efficiëntie in resource gebruik en opname5,,6,7 ,8,9. Teledetectie is traditioneel gericht op multispectrale, hyperspectrale, en thermische imaging sensoren van hoogwerkers voor precisielandbouw op het veld schaal of plant fenotypering studies aan de microplot schaal10. Gemeenschappelijk, verkrijgbare digitale camera’s die alleen zichtbaar gereflecteerd licht meten waren vaak over het hoofd gezien, ondanks hun zeer hoge ruimtelijke resolutie, maar onlangs populair geworden als nieuwe innovatieve beeldverwerking algoritmen steeds kunnen om te profiteren van de gedetailleerde kleur- en ruimtelijke informatie die zij bieden. Veel van de nieuwste innovaties in geavanceerde landbouw beeld analyses is steeds meer afhankelijk van de interpretatie van de gegevens die worden verstrekt door de zeer hoge resolutie (VHR) RGB-afbeeldingen (voor hun meting van rode, groene en blauwe zichtbaar licht reflectie), met inbegrip van gewas monitoring (vigor, fenologie ziekte evaluaties en identificatie), segmentatie en kwantificering (opkomst, oor dichtheid, bloem en fruit graven) en zelfs volledige 3D-reconstructies op basis van een nieuwe structuur van beweging werkstromen11.

Een van de meest essentiële punten voor verbetering in de productiviteit van de granen is een efficiëntere evaluatie van opbrengst, die wordt bepaald door drie belangrijke componenten: oor dichtheid of het aantal oren per vierkante meter (oren/m2), het aantal van de korrels per oor, en het gewicht van de duizend-kernel. Oor dichtheid kan handmatig worden verkregen in het veld, maar deze methode is omslachtig, tijdrovend en ontbreekt in een enkel gestandaardiseerde protocol, die samen kan leiden tot een belangrijke bron van de fout. Opnemen van de automatische tellen van de oren is een uitdagende taak vanwege de complexe gewas structuur, nauwe plant afstand, hoge mate van overlapping, achtergrondelementen, en de aanwezigheid van awns. Recente geboekt in deze richting met behulp van een zwarte achtergrond structuur ondersteund door een statief om te verwerven geschikt gewas beelden, redelijk goede resultaten in oor tellen12demonstreren. Op deze manier, overmatig zonlicht en schaduweffecten werden vermeden, maar een dergelijke structuur zou omslachtig en een grote beperking in een toepassing voor veldomstandigheden. Een ander voorbeeld is een automatische oor tellen algoritme ontwikkeld met behulp van een volledig geautomatiseerde fenotypering systeem met een rigide gemotoriseerde gantry, dat werd gebruikt met goede nauwkeurigheid voor het tellen van oor dichtheid in een panel bestaande uit vijf awnless broodtarwe (Triticum aestivum L.) variëteiten groeien onder verschillende stikstof voorwaarden13. Recent werk van Fernandez-Gallego14 heeft dit proces voor het vastleggen van de gegevens sneller en gemakkelijker, met behulp van de VHR RGB kleurenafbeeldingen gevolgd door meer geavanceerde, maar nog steeds volledig geautomatiseerde, beeld analyses geoptimaliseerd. De efficiënte en kwalitatief hoogwaardige gegevensverzameling in veldomstandigheden benadrukt een vereenvoudigde gestandaardiseerde protocol voor consistentie en hoge opname gegevensdoorvoer, terwijl de beeldverwerking algoritme maakt gebruik van de roman gebruik van Laplaciaan en frequentie-domein filters voor het verwijderen van ongewenste imageonderdelen alvorens een segmentatie voor het tellen van gebaseerd op het vinden van lokale maxima (in tegenstelling tot volledige afbakening zoals in andere eerdere studies, die leiden meer fouten met overlappende oren tot kan).

Dit werk stelt een eenvoudig systeem voor de automatische kwantificering van oor dichtheid in veldomstandigheden, met behulp van beelden verkregen uit commercieel beschikbare digitale camera’s. Dit systeem maakt gebruik van natuurlijk licht in het veld voorwaarden en vereist daarom aandacht van sommige verwante milieufactoren, zoals tijd van dag en cloud cover, blijft maar, in feite, eenvoudig te implementeren. Het systeem heeft aangetoond op voorbeelden voor harde tarwe en gerst, maar moet worden verlengd in toepassing op brood tarwe, die naast het tentoonstellen van oren met soortgelijke morfologie, vaak awnless, maar verdere experimenten zou nodig zijn om dit bevestigen. In de gegevens vastleggen protocol hier gepresenteerd, zenithal images zijn geschoten door gewoon met de hand vasthouden van de camera of een monopod gebruiken voor het plaatsen van de digitale camera boven het gewas. Validatie gegevens kan worden verkregen door het tellen van de oren voor subverhalen tijdens postprocessing, of in het veld handmatig door het tellen van de oren in het beeld zelf. De beeldverwerking algoritme is samengesteld uit drie processen die, ten eerste effectief verwijderen ongewenste componenten van de afbeelding op een wijze waarmee, vervolgens, voor de daaropvolgende segmentatie en telling van de individuele tarwe oren in de verworven beelden. Ten eerste, een Laplaciaan frequentie filter wordt gebruikt om de opsporing van wijzigingen in de verschillende ruimtelijke richtingen van de afbeelding met de standaardinstellingen voor het filteren van ImageJ zonder venster kernel grootte aanpassingen (Vinden Maxima segmentatie techniek bepaalt de lokale pieken na de mediane ruimtelijke filter deelactiviteit, in welk stadium de pixels met oren hebben hogere pixelwaarden dan bodem of bladeren. Daarom vinden Maxima wordt gebruikt om het segment van de hoge waarden in het beeld, en die regio’s worden aangeduid als oren, waarin oren terwijl ook het verminderen van overlappende oor fouten. Analyseren deeltjes wordt vervolgens gebruikt op de binaire afbeeldingen te tellen en/of meten van parameters uit de regio’s gemaakt door het contrast tussen de witte en zwarte oppervlakte gemaakt door de Maxima vinden stap. Het resultaat wordt vervolgens verwerkt tot een binaire beeldsegmentatie door het analyseren van de afwijking van de dichtstbijzijnde buurman pixel rond elke lokale maximaal te identificeren van de shapes voor het oor van tarwe in de gefilterde afbeelding. Tot slot, de dichtheid van het oor wordt geteld met behulp van analyseren deeltjes, zoals dit is geïmplementeerd in Fiji15. Zowel Maxima vinden en analyseren deeltjes zijn standalone functies en beschikbaar als plugins in Fiji (https://imagej.nih.gov/ij/plugins/index.html). Hoewel niet specifiek in het protocol hier gepresenteerd, de voorlopige resultaten gepresenteerd als aanvullend materiaal suggereren dat deze techniek aangepast worden kan aan het uitvoeren van oor telling blijkt uit enquêtes in onbemande vliegtuigen (UAV’s), voorwaarde dat de resolutie blijft voldoende hoog14.

Protocol

1. prefield gewas groei fase en milieu-omstandigheden Zorg ervoor dat het gewas groei fase ongeveer tussen graan vullen en in de buurt van gewas looptijd, met oren die nog groen zijn, zelfs als de bladeren verouderend (wat overeenkomt met in het geval van tarwe naar het bereik 60-87 Zadoks schaal16). Sommige vergeling van de bladeren is aanvaardbaar, maar niet noodzakelijk. Fotolader met verschillende replicatieonderzoeken (foto’s per proefvlak) een bemonsteringsplan voorbereid…

Representative Results

In Figuur 8, uit de resultaten blijkt de vastberadenheid coëfficiënt tussen de oor dichtheid (aantal oren per vierkante meter) met behulp van handmatige tellen en het oor tellen algoritme voor tarwe en gerst bij drie verschillende gewas groeifasen. De eerste is harde tarwe met een Zadoks schaal tussen 61 en 65 (R2 = 0,62). De tweede is twee rijen gerst met een Zadoks schaal tussen 71 en 77 (R2 = 0,75), en de laatste i…

Discussion

Verhoogde wendbaarheid, consistentie en nauwkeurigheid zijn de sleutel tot de ontwikkeling van nuttige nieuwe fenotypering tools om te helpen de gewas-fokken Gemeenschap bij hun inspanningen te verhogen van graan opbrengst ondanks negatieve druk aan wereldwijde klimaatverandering gerelateerde. Efficiënte en nauwkeurige beoordeling van granen oor dichtheid, zal zoals een grote agronomische onderdeel van rendement van belang nietje gewassen, bijdragen tot de instrumenten die nodig zijn voor het voederen van toekomstige ge…

Açıklamalar

The authors have nothing to disclose.

Acknowledgements

De auteurs van dit onderzoek wil bedanken van de medewerkers in het veld beheer bij de experimentele stations van Colmenar de Oreja (Aranjuez) van het Instituto Nacional de Investigación y Tecnología Agraria y Alimentaria (INIA) en Zamadueñas (Valladolid) van de Instituto de Tecnología Agraria de Castilla y León (ITACyL) voor de ondersteuning van hun veld van de onderzoek studie gewassen gebruikt. Deze studie werd ondersteund door het onderzoeksproject AGL2016-76527-R uit MINECO, Spanje en een deel van een samenwerkingsproject met Syngenta, Spanje. De fellowship van de BPIN 2013000100103 van de “Formación de Talento Humano de Alto Nivel, Gobernación del Tolima – Universidad del Tolima, Colombia” was de enige die financiering van de steun voor de eerste auteur Jose Armando Fernandez-Gallego. De primaire financieringsbron van de overeenkomstige auteur, Shawn C. Kefauver, kwam uit het programma van de ICREA academische wereld door middel van een subsidie toegekend aan Prof. Jose Luis Araus.

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