利用泽尼塔尔 rgb 图像进行田间作物耳计数

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。