Özet

האוזן יבול הדגנים ספירה בשדה תנאי שימוש בתמונות RGB זניתי לשעה

Published: February 02, 2019
doi:

Özet

אנו מציגים את פרוטוקול לספירת דורום האוזניים חיטה ושעורה, באמצעות צבע טבעי (RGB) דיגיטלי תמונות שצולמו באור שמש טבעי בתנאי שדה. עם התאמות מינימליות עבור המצלמה פרמטרים, כמה מגבלות תנאי הסביבה, הטכניקה מספק תוצאות מדויק ועקבי במגוון של שלבי הצמיחה.

Abstract

צפיפות האוזן, או המספר של האוזניים למטר מרובע (אוזניים/m2), היא מוקד מרכזי רבים ביבול הדגנים לגידול תוכניות, כגון חיטה ושעורה, המייצג מרכיב התשואה אגרונומית חשוב עבור הערכת התשואה תבואה. לכן, טכניקה מהיר, יעיל, ו מתוקננים להערכת האוזן צפיפות תסייע בשיפור ניהול חקלאיים, מתן שיפורים התשואה preharvest תחזיות, או יכול אפילו לשמש ככלי חיתוך גידול כשהוגדרה זה כמו תכונה בעלת חשיבות. לא רק הן טכניקות הנוכחי לאוזן ידנית הערכות צפיפות מפרך וצורך, אלא הם גם בלי כל מתוקננת לתקנון, בין אם על ידי מטר ליניארי, אזור רביע, או אקסטרפולציה בהתבסס על צפיפות האוזן צמח וצמח סופרת לאחר הקטיף. אוזן אוטומטית ספירה האלגוריתם מוצג בפירוט עבור הערכת צפיפות האוזן עם רק אור השמש תאורה בתנאי שדה בהתבסס על זניתי לשעה (נדיר) צבע טבעי (אדום, ירוק וכחול [RGB]) תמונות דיגיטליות, מתן אפשרות עבור תפוקה גבוהה מדידות סטנדרטית. ניסויים שונים בשטח של דורום חיטה ושעורה מבוזר גיאוגרפית ברחבי ספרד במהלך של 2014/2015 עד 2015/ריו דה ז’ניירו עונות חיתוך של ניסויים התלויה שימשו כדי לספק תוצאות נציג. פרוטוקול פאזי כולל שלב הצמיחה יבול בשדה תנאי, הנחיות לכידת התמונה, ותכנון באלגוריתם המחשב של שלושה שלבים: (i) # הלפלסיאן הווקטורי תדירות מסנן כדי להסיר לכלוכים נמוך – ו בתדירות גבוהה, (ii) מסנן החציוני כדי להפחית גבוה רעש, פילוח (iii) ו סופר באמצעות הפסגות maxima מקומיים עבור הספירה האחרונה. התאמות קלות לקוד אלגוריתם חייב להיעשות התואם רזולוציית המצלמה, אורך מוקד של המרחק בין המצלמה החופה היבול. התוצאות להדגים שיעור הצלחה גבוה (יותר מ- 90%) והערכים2 R(של 0.62-0.75) בין הסעיפים אלגוריתם וסופרת האוזן מבוססת תמונה ידנית עבור דורום חיטה ושעורה.

Introduction

ניצול הדגנים העולמי ב- 2017/2018 מדווח הרחב ב- 1% מן השנה הקודמת1. מבוסס על הנבואה האחרונה עבור הדגנים ייצור והאוכלוסיה ניצול, הדגנים העולמי מניות צריך להגדיל את התשואות בקצב מהיר יותר על מנת לעמוד בדרישות ההולכות, תוך התאמה גם הגדלת השפעות האקלים שינוי2. לכן, אין מוקד חשוב על שיפור התשואה גידולי גריסים דרך שיפור היבול רבייה טכניקות. שני דגנים שנקטפו והחשוב ביותר באזור הים התיכון נבחרו כדוגמאות עבור מחקר זה, כלומר, חיטה קשים (חיטת הלחם ל’ ה-ssp דורום [Desf.]), שעורה (שעורה מצויה ל’). חיטה דורום הוא, לפי סיומת, הדגנים המפותח ביותר בשולי דרום ומזרח אגן הים התיכון, והוא העשירי הכי חשוב לחתוך ברחבי העולם, בשל הייצור השנתי של 37 מיליון טון בשנה3, אמנם שעורה העולמי הרביעי דגן במונחים של ייצור, בהפקה הכללית ב- 144.6 מיליון טון בשנה4.

חישה מרחוק ודרכי ניתוח התמונה proximal הם כלים יותר ויותר מפתח בקידום שדה תפוקה גבוהה צמח phenotyping (HTPP) כפי שהם מספקים לא רק יותר זריז אך גם, לעיתים קרובות, חיתוך retrievals עקבי ומדויק יותר של המטרה תכונות biophysiological, כגון הערכות של ביומסה, ופעילות פוטוסינתטיים preharvest התשואה הערכות ושיפורים אפילו בתכונה תורשתיות, כגון יעילות משאב ספיגת ושימוש5,6,7 8, ,9. חישה מרחוק התמקדה באופן מסורתי על מולטי ספקטריאליות, היפרספקטרליות ולאחר תרמית הדמיה חיישנים של פלטפורמות אוויריות לחקלאות מדייקת את המשקל שדה או להוראת צמח-phenotyping-microplot קנה המידה של10. מצלמות דיגיטליות משותף, זמינים מסחרית המודדים רק האור משתקף הנראה היו לעתים קרובות התעלמו, למרות שלהם רזולוציה מרחבית גבוהה מאוד, אבל לאחרונה הפך פופולרי כפי אלגוריתמים עיבוד תמונה חדשני מסוגלים יותר ויותר כדי לנצל צבע מפורט ומידע מרחבי אותו הם מספקים. רבים מן החידושים החדשים ביותר בתחום ניתוחי תמונות חקלאי מתקדם יותר ויותר להסתמך על הפרשנות של נתונים שסופקו על-ידי תמונות RGB (VHR) ברזולוציה גבוהה מאוד (למדידת שלהם אדום, ירוק וכחול השתקפות אור גלוי), כולל חיתוך ניטור (מרץ פנולוגיה, הערכות המחלה, זיהוי), פילוח כמת (הופעתה, צפיפות האוזן, פרחים ופירות ספירות) ו שחזורים תלת-ממדי אפילו מלא המבוסס על מבנה חדש של תנועה זרימות עבודה11.

אחת הנקודות החיוניות ביותר לשיפור התפוקה דגנים היא הערכה יעילה יותר של התשואה, הנקבע על-ידי שלושה מרכיבים עיקריים: האוזן צפיפות או המספר של האוזניים למטר מרובע (אוזניים/m2), מספר הגרגרים לכל אוזן, ו המשקל אלף-ליבה. צפיפות האוזן ניתן להשיג באופן ידני בשדה, אך שיטה זו היא מייגעת, זמן רב, חסר פרוטוקול מתוקננת יחיד, אשר ביחד עלול לגרום מקור משמעותי של שגיאה. שילוב ספירת אוטומטי אוזניים היא משימה מאתגרת המבנה חיתוך מורכבים, צמח קרוב מרווח, במידה גבוהה של חפיפה, רכיבי רקע הנוכחות של מלענים. עבודה כולל מתקדמת בכיוון זה באמצעות מבנה רקע שחור נתמך על ידי חצובה כדי לרכוש תמונות היבול מתאימים, הוכחת תוצאות טובות למדי באוזן סופר12. בדרך זו, שמש מופרזת ואפקטים של צללים היו להימנע, אבל מבנה כזה יהיה מסורבל ולא מגבלה משמעותית ביישום בתנאי שדה. דוגמה נוספת היא אוזן אוטומטית ספירה האלגוריתם שפותח באמצעות מערכת אוטומטית לחלוטין phenotyping עם גנטרי ממונע נוקשה, אשר שימש עם דיוק טוב עבור ספירה האוזן צפיפות פאנל המורכב חמש awnless לחם חיטה (חיטת הלחם ל’) זנים גדל תחת תנאים שונים חנקן13. עבודה על-ידי פרננדז-גייגו14 יש אופטימיזציה לכידת נתונים מהיר וקל, באמצעות תמונות צבע VHR RGB ואחריו ניתוח תמונה מתקדם יותר, אך עדיין אוטומטית לחלוטין, תהליך זה. האוסף נתונים יעיל באיכות גבוהה בתנאי שדה מדגיש פרוטוקול מתוקננת מפושט עבור עקביות ושימוש תפוקת לכידת נתונים גבוהים, בעוד אלגוריתם עיבוד תמונה מעסיקה את הרומן של תחום # הלפלסיאן הווקטורי ותדירות מסננים כדי להסיר רכיבי תמונה רצויה לפני החלת של פילוח עבור ספירה מבוססת על מציאת maxima המקומי (בניגוד תיחום מלא כמו מחקרים קודמים אחרים, דבר שעלול לגרום לשגיאות יותר עם אוזניים חופפים).

עבודה זו מציעה מערכת פשוטה עבור כימות אוטומטית של האוזן צפיפות בתנאי שדה, שימוש בתמונות שנרכשה מן המצלמות הדיגיטליות. המערכת מנצלת אור טבעי בשדה תנאים, איפוא, מחייב התחשבות של כמה גורמים סביבתיים קשורים, כגון זמן של יום וענן הכיסוי, אבל נשאר, למעשה, פשוט ליישם. המערכת הוכח על דוגמאות דורום חיטה ושעורה אבל צריך להיות להארכה ביישום כדי לחם חיטה, אשר, מלבד המציגות את האוזניים עם מורפולוגיה דומה, הם לעתים קרובות awnless, אבל לניסויים נוספים יידרשו על מנת לאמת את זה. הנתונים ללכוד את פרוטוקול המובאת כאן, תמונות זניתי לשעה נלקחים על ידי פשוט מחזיק את המצלמה ביד או באמצעות חדרגל לצורך מיקום המצלמה הדיגיטלית מעל היבול. אימות נתונים ניתן לרכוש על ידי ספירת האוזניים באופן ידני עבור subplots בשדה או במהלך postprocessing, על ידי ספירת האוזניים בתמונה עצמה. האלגוריתם עיבוד תמונה מורכבת משלושה תהליכים כי, ראשית, להסיר ביעילות רכיבים לא רצויים של התמונה באופן המאפשר, לאחר מכן, את פילוח עוקבות וספירת האוזניים חיטה בודדים של תמונות נרכשות. ראשית, מסנן תדירות # הלפלסיאן הווקטורי משמש כדי לזהות שינויים בכיוונים מרחביים שונים של התמונה באמצעות הגדרות ברירת המחדל ImageJ מסנן ללא התאמות גודל חלון ליבה (קובעמקסימה למצוא פילוח בטכניקה פסגות המקומי לאחר השלב המסנן ‘ חציון ‘ מרחבית, בשלב הפיקסלים הקשורים עם האוזניים יש ערכי פיקסלים גבוהה יותר מאשר קרקע או עלים. לכן, למצוא Maxima משמש כדי לחלק את הערכים גבוהים בתמונה, אזורים אלה מסומנים כמו אוזניים, אשר מזהה את האוזניים תוך כדי הקטנת שגיאות האוזן חופפים. חלקיקים לנתח משמש לאחר מכן על תמונות בינאריות לספור ו/או למדוד פרמטרים מאזורים שנוצרו על-ידי הניגוד בין השטח שחור ולבן שנוצרו על ידי השלב Maxima למצוא. התוצאה מעובד ואז ליצור סגמנטציה בינארית באמצעות ניתוח השונות פיקסל השכן הקרוב ביותר סביב כל המקסימלי המקומי כדי לזהות את הצורות האוזן חיטה בתמונה המסוננת. לבסוף, צפיפות האוזן נספרת באמצעות ניתוח חלקיקים, כפי מיושם פיג’י15. Maxima למצוא והן לנתח חלקיקים הם פונקציות עצמאיות זמין כמו תוספים בפיג’י (https://imagej.nih.gov/ij/plugins/index.html). למרות שאינו מוצג במפורש בפרוטוקול כאן, תוצאות ראשוניות שהוצגו כחומר משלים מראים כי טכניקה זו עשוי להיות לצורכי ביצוע סקרים של הרוזן האוזן מן מאוישים (מל טים), מתן זה הפתרון נשאר מספיק גבוה14.

Protocol

1. prefield שלב הצמיחה יבול ותנאים סביבתיים ודא שלב הצמיחה יבול הוא בערך בין מילוי תבואה, ליד חיתוך לבגרות, עם האוזניים כי הם עדיין ירוק גם אם העלים senescent (אשר תואמת במקרה של חיטה לטווח 60-87 Zadoks’ מידה16). מסוימים הצהבה של העלים הוא מקובל, אבל לא הכרחי. הכנת תוכנית דגימה עבור לכ?…

Representative Results

באיור 8, התוצאות מציגות את המקדם בנחישות בין צפיפות האוזן (מספר האוזניים לכל מטר מרובע) באמצעות ספירה ידנית את האוזן לספור אלגוריתם עבור חיטה ושעורה שלושה שלבי הצמיחה חיתוך שונות. הראשון הוא חיטה קשים עם קנה המידה של Zadoks בין 61-65 (R2 = 0.62). הדרך השניי…

Discussion

זריזות מוגברת, עקביות ודיוק, הם המפתח בפיתוח כלים שימושיים phenotyping חדשים כדי לסייע לקהילה חיתוך מטלטלין את מאמציהם כדי להגדיל את תפוקת התבואה למרות לחצים שליליים הקשורים שינוי האקלים הגלובלי. הערכות יעילה ומדויקת של דגנים האוזן צפיפות, כפי אגרונומית מרכיב עיקרי של התשואה של מצרך חשוב גידו?…

Açıklamalar

The authors have nothing to disclose.

Acknowledgements

המחברים של המחקר הזה רוצה להודות הצוות ניהול שדה בתחנות ניסיוני של Oreja de Colmenar (ארנחואס) של y אינסטיטוטו נאסיונאל דה Investigación Tecnología Agraria y Alimentaria (INIA), Zamadueñas (ויאדוליד) של אינסטיטוטו Tecnología דה Agraria דה ולאון (ITACyL) על תמיכתם שדה מחקר מחקר הגידולים בשימוש. מחקר זה נתמך על ידי הפרויקט מחקר AGL2016-76527-R MINECO, ספרד, חלק מפרויקט שיתוף פעולה עם הפריבט, ספרד. המשפחה BPIN 2013000100103 מן “Formación דה Talento אלטו דה Humano 刀, הממשל דל Tolima – למד דל Tolima, קולומביה” היה הבלעדית מימון תמיכה המחבר הראשון חוזה ארמנדו פרננדז-גייגו…. מקור המימון העיקרי המחבר המקביל, שון ג קיפאובר, הגיעה התוכנית אקדמיה ICREA באמצעות מענק מוענק פרופסור חוסה לואיס 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