Özet

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

Published: February 02, 2019
doi:

Özet

圃場条件下での自然な日光で撮影した自然な色 (RGB) デジタル写真を用いたデュラム小麦と大麦の耳を数えるためのプロトコルを提案します。カメラパラ メーターの最小限の調整といくつかの環境条件の制限、技術は成長段階の範囲にわたって正確で一貫性のある結果を提供します。

Abstract

耳密度平方メートル (耳/m2) あたり穂数は、繁殖プログラム、小麦、大麦、子実収量の推定の重要な農業収量コンポーネントを表すなど多くの穀物の中心。したがって、耳密度を評価するための迅速で効率的、かつ標準化された技術の収穫前落果収量予測の改善を提供する農業経営の改善に役立つだろうか、作物は、それが定義されている場合を繁殖させるためのツールとしても使えるとして重要な特性です。密度評価手間と時間がかかり、マニュアルの耳のための現在の技術は、だけでなく、線形メートル、面積象限または外挿耳の栽植密度と植物に基づいて、任意の公式の標準化されたプロトコルを使用せずまたです。ポストハー ベストをカウントします。カウント アルゴリズム自動耳は高スループットを可能にする、デジタル画像の天頂 (天底) 自然な色 (赤、緑、および青 [RGB]) フィールドの条件でのみ太陽光照明で耳密度の推定に基づいて詳細に提示します。標準化された測定。デュラム小麦と大麦 2014/2015 年と 2015 年の間にスペインに地理的に分散の異なるフィールド試験で 2016 シーズン灌漑・天水試験は代表的な結果を提供するために使用されました。3 段階のプロトコルには、作物生育とフィールド条件計画、イメージ キャプチャ ガイドライン、およびコンピューター アルゴリズムの 3 つの手順が含まれている: (i) (ii) 高を抑えるメディアン フィルター低と高周波の成果物を削除するラプラシアン周波数フィルターノイズ、および (iii) セグメンテーションと極大ピークを用いた最終的なカウントを数えます。カメラの解像度、焦点距離と、カメラと作物群落間の距離に対応するアルゴリズム コードにマイナーな調整を行う必要があります。結果はアルゴリズム カウントの間高い成功率 (90% 以上) とR(0.62 0.75) の2 つの値を示す、手動イメージ ベース耳がデュラム小麦と大麦に数えられます。

Introduction

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。

Protocol

1. prefield 作物の生育と環境条件 作物の生育が登熟とまだ緑は、たとえ葉が老化耳の穀物の成熟に近い約を確認 (Zadoks のスケール16の範囲 60-87 に小麦の場合対応する)。いくつかの葉の黄変は許容されるが必須ではありません。 プロット/エリア変動; をキャプチャするために様々 な複製 (プロットあたり写真) と画像キャプチャのサンプリング プランを準備し?…

Representative Results

耳密度 (平方メートルあたり穂数) と決定係数図 8で示した手動カウントとカウント小麦と大麦のアルゴリズムは 3 つの別の作物生育段階で耳を使用しています。一つ目は 61 ~ 65 Zadoks のスケールとデュラム小麦 (R2 = 0.62)。2 つ目は 71 ~ 77 Zadoks のスケールと二条大麦 (R2 = 0.75)、最後の 1 つ、81 ~ 87 Zadoks のスケールとデ?…

Discussion

敏捷性が高まり、一貫性、および精度が全体的な気候変動に関連する否定的な圧力にもかかわらず収量を増加するための努力で作物育種コミュニティを支援する便利な新しい表現型解析ツールを開発する鍵。穀物の耳密度の効率的かつ正確な評価を重要な主食の収量の主要な農業のコンポーネントの作物として将来の世代を供給するために必要なツールを提供する役立ちます。もっと密接に?…

Açıklamalar

The authors have nothing to disclose.

Acknowledgements

この研究の著者らはコルメナル ・ デ ・ Oreja (アランフェス) セルバンテス ナシオナル ・ デ ・危惧 y テクノロジー Agraria y Alimentaria (INIA) と Zamadueñas (バリャド リード) の試験所での現場管理スタッフを感謝したい、セルバンテス ・ デ ・ テクノロジー Agraria ・ デ ・ カスティーリャ ・ イ ・ レオン (ITACyL) 研究研究作物のフィールド サポートのために使用されます。本研究は、MINECO、スペイン、シンジェンタ、スペインとのコラボレーション企画の一部から研究プロジェクト AGL2016 76527 R によって支えられました。「トレーニング ・ デ ・ タレント圏環境共生分野・ ド ・ アルト ィプロマ レベル、ゴベルナシオン ・ デル ・ トリマー ・ トリマー大学、コロンビア」から BPIN 2013000100103 交わりは唯一資金応援初めて著者ホセ ・ アルマンド ・ フェルナンデス-ガリェゴ川だった対応する著者、ショーン c. Kefauver の主な資金源は、教授ホセ ルイス Araus に与えられる助成金を介して ICREA アカデミア プログラムから来た。

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