Özet

곡물 작물 귀 필드에서 조건 방들은 RGB 이미지를 사용 하 여

Published: February 02, 2019
doi:

Özet

선물이 듀 럼 밀과 보 리 귀를 계산에 대 한 프로토콜 사용 하 여 필드 조건 하에서 자연 햇빛에서 자연 색상 (RGB) 디지털 사진. 카메라 매개 변수에 대 한 최소한의 조정, 일부 환경 조건 제한 기술 성장 단계의 범위에 걸쳐 정확 하 고 일관 된 결과를 제공합니다.

Abstract

귀 농도, 또는 평방 미터 (귀/m2), 당 귀 수 많은 시리얼 작물 번 식 프로그램, 밀과 보 리, 곡물 수확량을 예측에 대 한 중요 한 농경 항복 요소를 나타내는 중앙 초점 이다. 따라서, 귀 밀도 평가 하기 위한 신속, 효율적이 고 표준화 된 기술을 제공 하는 preharvest 수확량 예측, 개선 농업 관리 개선 지원 또는 자르기가 정의 때 사육에 대 한 도구로 사용 될 수 있습니다. 중요성의는 특성으로 뿐만 아니라 수동 귀에 대 한 현재 기술 밀도 평가 힘들고 시간이 걸리는, 하지만 그들은 또한 어떤 공식 표준화 된 프로토콜 없이 선형 미터, 지역 사분면, 또는 식물 귀 밀도 및 식물에 따라 추정 된 postharvest 계산합니다. 디지털 이미지, 높은 처리량에 대 한 허용 방들은 (nadir) 자연 색상 (빨강, 녹색 및 파랑 [RGB])에 기반 필드 조건에만 햇빛 조명 귀 밀도 추정 알고리즘을 계산 하는 자동 귀 자세히 제시 표준화 된 측량입니다. 듀 럼 밀과 보 리 2014/2015, 2015 동안 스페인 지리적으로 분산의 다른 현장 실험/2016 작물 계절에 관개와 rainfed 재판 대표적인 결과 제공 하는 데 사용 했다. 작물 성장 단계 및 필드 조건 계획, 이미지 캡처 지침 및 컴퓨터 알고리즘의 세 단계를 포함 하는 3 단계 프로토콜: (i) Laplacian 주파수 필터를 제거 낮은 및 높은 주파수, (ii)을 줄이기 위해 높은 중간 필터 잡음, (iii) 세분화 하 고 최종 계산에 대 한 로컬 맥시 마 봉우리를 사용 하 여 계산. 약간 조정 알고리즘 코드는 카메라 해상도, 초점, 그리고 카메라와 자르기 캐노피 사이의 거리에 해당 되어야 합니다. 결과 알고리즘 계산 사이 높은 성공률 (90% 이상)과 R2 값 (0.62-0.75) 설명 하 고 수동 이미지 기반 귀 듀 럼 밀과 보 리에 대 한 건의.

Introduction

전년도1에서 1%에 의해 확장 2017/2018에서 세계 시리얼 사용률을 보고. 곡물 생산 및 인구 사용률, 세계 곡물 주식 또한 기후 변화2의 효과 증가에 적응 하면서 성장 요구를 충족 하기 위해 빠른 속도로 생산량을 증가 하는 데 필요한에 대 한 최신 예측을 기반으로 합니다. 따라서, 향상 된 작물 번 식 기술을 통해 곡물 수율 향상에 중요 한 초점을 맞추고가 있다. 2 지중해 지역에서 가장 중요 하 고 수확 곡물 즉이 연구에 대 한 예제로 선택, 듀 럼 밀 (Triticum aestivum L. ssp. 파스타 [Desf.])과 보 리 (Hordeum vulgare L.). 듀 럼 밀, 확장 하 여, 지중해 분 지의 남쪽 및 동쪽 여백에서 가장 재배 시리얼 이며 가장 중요 한 10 자르기 37 백만 톤의 연례 생산으로 인하여 세계적으로 매년3, 보 리는 4 글로벌 곡물 생산, 144.6 백만 톤에서 글로벌 생산 측면에서 매년4.

원격 감지 및 인접 이미지 분석 기법 도구도 점점 키 필드 높은 처리량 식물 형질 (HTPP)의 발전에 그들은 뿐만 아니라 더 민첩 한 제공 하지만 또한, 자주, 더 정확 하 고 일관 된 검색 대상의 자르기 biophysiological 특성, 광합성 활동 및 바이오 매스의 평가 같은 리소스 사용과 이해5,6,7 효율성 등 특성이 상속 가능성에 수익률 추정, 그리고 심지어 개선 preharvest ,,89. 원격 탐사는 전통적으로에 초점을 맞춘 multispectral, hyperspectral, 및 열 이미징 필드 규모 정밀 농업에 대 한 또는 식물 형질 연구는 microplot에서 공중 플랫폼에서 센서 규모10. 만 보이는 반사 된 빛을 측정 하는 일반적인, 상용 디지털 카메라 그들의 매우 높은 공간 해상도도 불구 하 고 종종 간과 했다 하지만 최근 인기 끌고있다 새로운 혁신적인 이미지 처리 알고리즘은 점점 수 자세한 색상 및 그들이 제공 하는 공간 정보 활용을 걸릴. 많은 고급 농업 이미지 분석에서 최신 혁신의 점점 (측정에 대 한 그들의 빨강, 녹색 및 파란색 표시 빛 반사율), 매우 높은 해상도 (VHR) RGB 이미지에서 제공 하는 데이터의 해석에 의존 하 고 작물을 포함 하 여 (활기, 기후학, 질병 평가 및 식별) 모니터링, 세분화 정량화 (출현, 귀 밀도, 꽃 및 과일 수), 그리고 심지어 풀 3D 복원 모션 워크플로11에서 새로운 구조에 따라.

시리얼 생산성에서 개선 위한 가장 중요 포인트 중 하나는 세 가지 주요 구성 요소에 의해 결정 되는 수확량의 더 효율적인 평가: 밀도 또는 평방 미터 (귀/m2) 당 귀 수, 당 귀, 곡물의 수 귀와 천-커널 무게입니다. 필드 수동으로 귀 밀도 얻을 수 있습니다 하지만이 방법은 힘 드는, 소모, 그리고 단일 표준화 된 프로토콜에서 부족을 함께 발생할 수 있습니다 오류의 중요 한 소스. 귀의 자동 세 통합 복잡 한 작물 구조, 가까운 식물 간격, 오버랩, 배경 요소 및 awns의 존재의 높은 범위 때문에 어려운 작업입니다. 최근 작품은12세의 귀에 상당히 좋은 결과 보여주는 적당 한 자르기 이미지를 얻기 위해서는 삼각대에서 지 원하는 검은색 구조를 사용 하 여이 방향에서 전진 했다. 이 방법에서는, 과도 한 햇빛 및 그림자 효과 피할 수 했다, 하지만 이러한 구조는 성가신 될 것 이라고 하 고 필드 조건에 응용 프로그램에서 주요 한계. 또 다른 예는 패널에 귀 밀도 계산에 대 한 좋은 정확도 함께 사용 된 엄밀한 동력된 갠트리와 완전 자동화 된 형질 시스템을 사용 하 여 개발 하는 알고리즘을 계산 하는 자동 귀 5 awnless 빵 밀 (Triticum의 구성 aestivum L.) 다른 질소 조건13에서 성장 하는 품종. 페르난데스 Gallego14 최근 작품은 VHR RGB 컬러 이미지 뒤에 고급, 아직 여전히 완전 자동화 된 이미지 분석을 사용 하 여 빠르고 쉽게 데이터 캡처에 대 한이 프로세스를 최적화 하 고. 필드 조건에서 효율적이 고 양질의 데이터 수집 단순화 된 표준화 된 프로토콜을 강조 하는 일관성과 높은 데이터 캡처 처리, 이미지 처리 알고리즘 사용 소설 동안 Laplacian 및 주파수 도메인의 사용 (겹치는 귀로 더 많은 오류가 발생할 수 있습니다 다른 이전 연구에서 전체 묘사) 반대로 로컬 맥시 마를 찾는 것에 따라 계산에 대 한 세분화를 적용 하기 전에 원하지 않는 이미지 구성 요소를 제거 하는 필터.

이 작품은 상용 디지털 카메라에서 획득 한 이미지를 사용 하 여 필드 조건에서 귀 밀도의 자동 정량화에 대 한 간단한 시스템을 제안 합니다. 이 시스템 필드에 자연 채광의 활용 조건 하며, 따라서, 하루와 구름 덮개의 시간 등 일부 관련된 환경 요소를 고려 하지만, 남아 있다 적용, 구현 하는 간단한. 시스템은 듀 럼 밀과 보 리에 대 한 예제에 입증 되었습니다 해야 밀, 빵을 응용 프로그램에 확장 가능한는, 유사한 형태학으로 귀를 전시 외 자주 awnless, 하지만 추가 실험에 필요한 것 이 확인 합니다. 데이터에서 캡처 여기에 제시 된 프로토콜, 방들은 이미지는 단순히 카메라를 손으로 들고 하거나 자르기 위에 디지털 카메라 위치에 대 한 모노 포드를 사용 하 여 촬영. 유효성 검사 데이터는 이미지 자체에 귀에 의해 수동으로 subplots 필드에서 또는 포스트 프로세싱, 동안에 대 한 귀를 계산 하 여 인수 될 수 있습니다. 이미지 처리 알고리즘은 먼저, 다음, 후속 세분화와 인수 이미지에서 개별 밀 귀의 계산을 허용 하는 방식으로 이미지의 원치 않는 구성 요소를 효과적으로 제거 하는 세 가지 프로세스 구성 되어있습니다. 첫째, Laplacian 주파수 필터 창 커널 크기 조정 없이 기본 ImageJ 필터 설정을 사용 하 여 이미지의 다른 공간 방향에서 변화를 감지 하기 위해 사용 됩니다 (맥시 마 찾을 세분화 기술 결정에 어느 단계에서 픽셀은 귀와 관련 된 중간 공간 필터 단계 후 로컬 봉우리는 토양 또는 잎 보다 더 높은 픽셀 값. 따라서, 맥시 마 찾을 이미지, 높은 값을 세그먼트에 사용 되 고 그 지구는 겹치는 귀 오류도 줄이면서 귀를 식별 귀로 표시 됩니다. 분석 입자 는 계산 찾을 최대 단계에서 만든 흰색과 검은색 표면 사이의 대조에 의해 만들어진 영역에서 매개 변수를 측정 하는 이진 이미지에 사용 됩니다. 다음 결과 처리 하 여 필터링 된 이미지에 밀 귀 형태를 식별 하기 위해 각 지역 최대 주위 가까운 이웃 픽셀 차이 분석 하 여 바이너리 이미지 세그먼트를 만들고. 마지막으로, 귀 밀도 계산 됩니다 분석 입자를 사용 하 여 피지15에서 구현 될 때. 찾을 맥시 마와 분석 입자는 독립 실행형 기능 피지 (https://imagej.nih.gov/ij/plugins/index.html)에서 플러그인으로 사용할 수. 여기에 프로토콜에서 구체적으로 제시 하지, 예비 결과 보충 자료로 제시 것을 제안이 기술은 귀 수 조사 무인된 공중 차량 (UAVs)에서 그 해상도 제공에 있을 수 있습니다. 충분히 높은14남아 있다.

Protocol

1. prefield 작물 성장 단계 및 환경 조건 작물 성장 단계는 곡물 충전 물 사이 약 그리고 작물 성숙 잎이 노화 하는 경우에 여전히 녹색은 귀 근처 (Zadoks’ 규모16의 범위 60-87에 밀의 경우 해당). 잎의 일부 yellowing은 허용 하지만 필요 하지 않습니다. 그림/영역 가변성;를 캡처하기 위해 다양 한 복제 (작 당 사진)와 이미지 캡처 샘플링 계획 준비 이미지 처리 알고리즘 귀…

Representative Results

그림 8에서 결과 보여 귀 밀도 (평방 미터 당 귀 수) 사이의 결정 계수 수동 계산 및 3 개의 다른 작물 성장 단계에 밀과 보 리에 대 한 알고리즘을 계산 하는 귀를 사용 하 여. 첫 번째는 61 ~ 65 사이 Zadoks’ 규모와 듀 럼 밀 (R2 = 0.62). 두 번째는 71에서 77 사이 Zadoks’ 규모와 두 줄 보 리 (R2 = 0.75), 그리고 마지막 하나는 81과 87 사…

Discussion

증가 민첩성, 일관성, 그리고 정밀 글로벌 기후 변화에 관련 된 부정적인 압력에도 불구 하 고 곡물 수확량을 증가 하는 그들의 노력에 작물 번 식 지역 사회를 지원 하기 위해 유용한 새로운 형질 도구를 개발 하는 열쇠입니다. 시리얼 귀 밀도의 효율적이 고 정확한 평가의 중요 한 주식 수익률의 주요 농경 구성 작물로 먹이 미래 세대에 필요한 도구를 제공 도움이 됩니다. 개선 및 작물 번 식 노?…

Açıklamalar

The authors have nothing to disclose.

Acknowledgements

콜 메 르 나 드 Oreja (아 랑 페 즈) Instituto Nacional de Investigación y 기술과 Agraria y 섬유 (INIA) 및 Zamadueñas (바 야 돌 리드)의 실험 역에 현장 관리 직원을 감사 하 고 싶습니다이 연구의 저자는 Instituto de 기술과 Agraria 데 카스 티 야와 레온 (ITACyL) 연구 연구 작물 분야 지원에 대 한 사용. 이 연구는 MINECO, 스페인, Syngenta, 스페인과 협력 프로젝트의 일부에서 연구 프로젝트 AGL2016-76527-R에 의해 지원 되었다. BPIN 2013000100103 친교는 “중동 드 Talento Humano 드 알토 수준, Gobernación 델 Tolima-대학 델 Tolima, 콜롬비아”에서 첫 번째 저자 호세 아 르만 페르난데스-Gallego에 대 한 지원 자금 단독 이었다. 해당 작가, 숀 C. Kefauver의 기본 자금 소스 교수 호세 루이스 Araus에 게 수 여 하는 부여를 통해 ICREA 학계 프로그램에서 왔다.

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