Зерновых культур уха подсчета в поле условия с использованием зенитное RGB-изображений
Summary
Мы представляем собой протокол для подсчета твердых сортов пшеницы и ячменя уши, используя естественный цвет (RGB) Цифровые фотографии, сделанные в естественного солнечного света в полевых условиях. С минимальной корректировки параметров камеры и некоторые ограничения, условия окружающей среды техника обеспечивает точных и согласованных результатов в различных стадиях роста.
Abstract
Плотность уха, или количество уши на квадратный метр (уши/м2), является центральным элементом многих зерновых культур, селекционных программ, такие как пшеница и ячмень, представляющий компонент важные агротехнические доходности для оценки урожая зерновых. Следовательно быстрой, эффективной и стандартизированный метод для оценки плотности уха будет помощь в улучшении управления сельским хозяйством, обеспечивая улучшение в preharvest урожайность предсказаниям, или даже могут использоваться в качестве инструмента для сельскохозяйственных культур селекции, когда он был определен как черта важности. Не только являются текущие методы ручной уха оценки плотности кропотливый и трудоемкий, но они также без каких-либо официальных стандартизированный протокол, будь то на погонный метр, площадь квадрант, или экстраполяции основанные на завод и завод уха плотности отсчеты БМ. Для оценки плотности уха с только солнечного освещения в полевых условиях на основе зенитное (Надир) естественный цвет (красный, зеленый и синий [RGB]) цифровых изображений, позволяя для высокой пропускной способности подробно представлена колоса автоматический алгоритм подсчета стандартные измерения. Различные полевые испытания твердых сортов пшеницы и ячменя, географически распределенных по Испании в течение 2014/2015 и 2015/2016 урожая сезона в орошаемых и богарных испытаний были использованы для оказания представитель результаты. Трехфазные протокол включает в себя стадии роста сельскохозяйственных культур и поле условие планирования, рекомендации захвата изображения и компьютерный алгоритм из трех этапов: (i Частотный фильтр Лапласа для удаления артефактов низко – и высокочастотные, (ii) Средний фильтр для уменьшения высокого шум и (iii) сегментации и подсчета, используя локальные максимумы пиков для окончательного подсчета. Незначительные изменения в код алгоритма необходимо соответствующее разрешение камеры, фокусного расстояния и расстояние между камерой и канапе культур. Результаты показывают высокий уровень успеха (выше чем 90%) и R2 значения (0,62-0,75) между отсчеты алгоритм и вручную на основе образов уха для твердых сортов пшеницы и ячменя.
Introduction
Использование зерновых мир в 2017/2018 сообщается на 1% от предыдущего года1. На основании последних прогнозов использования зерновых производства и населения, мир зерновых запасов необходимо увеличить урожайность более быстрыми темпами для удовлетворения растущих потребностей, а также адаптации к увеличению воздействия изменения климата2. Таким образом существует большое внимание на улучшение урожайности зерновых культур путем улучшения сельскохозяйственных культур, животноводство методы. Два наиболее важных и заготовленной зерновых в средиземноморском регионе выбраны в качестве примеров для этого исследования, а именно, твердых сортов пшеницы (Triticum aestivum L. ssp. дурум [Desf.]) и ячменя (Hordeum vulgare L.). Пшеница, выдвижением, наиболее культивируемых зерновых на полях Южного и Восточного Средиземноморья и 10 наиболее важных сельскохозяйственных культур во всем мире, благодаря своей годовой объем производства 37 миллионов тонн ежегодно3, в то время как ячмень является четвертой глобальной зерно с точки зрения производства, с глобального производства на 144,6 млн тонн ежегодно4.
Проксимальный изображение анализа методов дистанционного зондирования и являются все более ключевыми инструментами в деле улучшения поля высок объём завод фенотипирование (HTPP) как они не только обеспечивают более гибкой, но также, часто, более точной и последовательной получений целевых культур биофизиологических черты, например оценки фотосинтетической активности и биомассы, preharvest оценки урожайности и даже улучшения в наследуемость черта, как эффективность ресурсов использования и поглощения5,6,7 ,8,9. Дистанционное зондирование традиционно ориентирована на многоспектральных, гиперспектрального и инфракрасные датчики от воздушных платформ для точного земледелия в масштабе области или для исследований фенотипирование завод в microplot масштабе10. Общие, коммерчески доступных цифровых камер, которые измеряют только видимые отраженного света были часто упускается из виду, несмотря на их очень высоким пространственным разрешением, но последнее время стали популярны как новые инновационные алгоритмы обработки изображений во все большей степени способны чтобы воспользоваться преимуществами подробных цвета и пространственной информации, которую они обеспечивают. Многие из новейших инноваций в передовых сельскохозяйственных изображения анализы все больше полагаться на интерпретации данных, предоставляемых очень высоким разрешением (VHR) RGB-изображения (для их измерения красного, зеленого и синего видимых светоотражения), включая культур мониторинг (бодрости, Фенология, болезни оценки и идентификации), сегментации и количественной (появление, уха плотности, количества цветов и фруктов) и даже полное 3D реконструкций на основе новой структуры движения процессы11.
Одним из наиболее важных пунктов для улучшения производительности зерновых является более эффективной оценки доходности, которая определяется три основных компонента: уха плотность уши на квадратный метр (уши/м2), или количество зерна за ухо, и Вес тысяч ядра. Ухо плотности могут быть получены вручную в поле, но этот метод является трудоемкой, требует много времени, и не хватает одного стандартного протокола, которые вместе могут привести к значительным источником ошибки. Включение автоматического подсчета уши является сложной задачей из-за структуры сложных культур, закрыть завод, интервал, высокая степень параллелизма, элементы фона и наличие усов. Недавняя работа продвинулась в этом направлении, используя черный фон структуры, поддерживаемые штатив для приобретения подходящего обрезать изображения, демонстрируя довольно хорошие результаты в ухе, считая12. Таким образом, избегать чрезмерного солнечного света и тени, но такая структура будет громоздким и одним из основных ограничений в приложении в полевых условиях. Еще одним примером является колоса автоматического подсчета алгоритм, разработанный с использованием фенотип полностью автоматизированной системы с жесткую моторизованных козловые, который использовался с хорошей точностью для подсчета уха плотность в панели, состоящие из пяти Кострец пшеницы (Triticum aestivum L.) разновидности растет под различными азота условия13. Последние работы Фернандес-Гальего14 оптимизировал этот процесс для захвата данных быстрее и проще, используя VHR RGB цвет изображения следуют более продвинутых, но по-прежнему полностью автоматизированный, анализа изображения. Эффективных и высокое качество сбора данных в полевых условиях подчеркивает упрощенный стандартизированный протокол для согласованности и высокая данных захвата пропускную способность, в то время как алгоритм обработки изображений использует Роман Лапласа и частоты домена Фильтры для удаления нежелательных изображений компонентов перед применением сегментации для подсчета, основанные на поиске локальные максимумы (в отличие от полной делимитации как и других предыдущих исследований, которые могут привести к более ошибок с перекрывающимися уши).
Эта работа предлагает простой системы для автоматического количественного определения плотности уха в полевых условиях, с использованием изображений, полученных от коммерчески доступных цифровых камер. Эта система принимает преимущество естественного света в поле условия и, следовательно, требует рассмотрения некоторых связанных с ними экологических факторов, таких как время дня и облако покрова, но остается в силе, простым в реализации. Системы было продемонстрировано на примерах для твердых сортов пшеницы и ячменя, но должно быть расширяемой в приложении для хлеба пшеницы, которая, помимо экспонируется уши с аналогичными морфологии, часто костер, но потребуются дальнейшие эксперименты для того чтобы подтверждают это. В данных захватить протокола, представленные здесь, зенитное изображения взяты просто держа камеру вручную или с помощью монопод для позиционирования цифровой камеры выше урожая. Данные проверки может быть приобретено путем подсчета уши вручную для сюжетных линий, в поле или в постобработке, подсчитывая уши в самом изображении. Алгоритм обработки изображений состоит из трех процессов, которые, во-первых, эффективно удалить нежелательные компоненты изображения таким образом, который затем позволяет последующими сегментацию и учёта индивидуальных колосья в полученные изображения. Во-первых, Частотный фильтр Лапласа используется для того, чтобы обнаружить изменения в различных пространственных направлениях изображения, используя параметры фильтра по умолчанию ImageJ без корректировки размеров окна ядра (определяет метод сегментацииНайти Maxima местные пики после этапа средний пространственного фильтра, на каком этапе связанных с ушами Пиксели имеют более высокие значения пикселей, чем почвы или листья. Таким образом найти Максима используется для сегмента высокие значения в изображении, и эти регионы помечены как уши, который идентифицирует уши при одновременном сокращении перекрывающихся уха ошибки. Анализ частиц затем используется на двоичных изображений для подсчета и/или измерения параметров из регионов, созданные контраст между белой и черной поверхности, созданные найти Максима шаг. Результат затем обработаны для создания бинарного образа сегментации, анализируя ближайшего соседа пиксель дисперсия вокруг каждого локального максимума для идентификации формы уха пшеницы в фильтрованного изображения. Наконец плотность уха подсчитывается с помощью анализа частиц, как это реализовано в Фиджи15. Найти Максима и анализировать частицы являются отдельные функции и доступны как плагины в Фиджи (https://imagej.nih.gov/ij/plugins/index.html). Хотя не представлены специально в протоколе здесь, предварительные результаты, представленные в качестве дополнительного материала предположить, что этот метод может быть адаптированы для проведения обследований уха фото от беспилотных летательных аппаратов (БЛА), предусматривающий, что в резолюции остается достаточно высокой14.
Protocol
Representative Results
Discussion
Увеличение ловкости, последовательность и точность являются ключом к разработке полезных новых фенотипирование инструментов для оказания помощи селекции сообщества в их усилиях по увеличению урожай несмотря на отрицательное давление, связанных с глобальным изменением климата. Эффе…
Disclosures
The authors have nothing to disclose.
Acknowledgements
Авторы этого исследования хотел бы поблагодарить сотрудников управления поля на экспериментальных участках Кольменар-де-Oreja (Aranjuez) из Instituto Nacional de Investigación y Tecnología агрария y Alimentaria (МИС) и Zamadueñas (Вальядолид) в Instituto de Tecnología агрария-де-Кастилья и Леон (ITACyL) за их поддержку полевых исследований исследования культур используется. Это исследование было поддержано исследовательского проекта AGL2016-76527-R от МИНЕКО, Испании и частью проекта сотрудничества с Syngenta, Испания. BPIN 2013000100103 стипендий от «Таленто de Formación Альто де Humano Nivel, Gobernación дель Толима – Universidad дель Толима, Колумбия» был единственным, финансовую поддержку для первого автора Хосе Армандо Фернандес-Гальего. Основным источником финансирования соответствующего автора, Шон C. Kefauver, пришли из программы ICREA Academia через гранта для профессор Хосе Луис 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 |
References
- Food and Agriculture Organization (FAO). . Food outlook: Biannual report on global food markets. , (2017).
- Araus, J. L., Kefauver, S. C. Breeding to adapt agriculture to climate change: affordable phenotyping solutions. Current Opinion in Plant Biology. , (2018).
- Ranieri, R. Geography of the Durum Wheat Crop. Pastaria International. 6, (2015).
- Food Agriculture Organization (FAO). . The State of Food Insecurity in the World. , (2014).
- Araus, J. L., Cairns, J. E. Field high-throughput phenotyping: the new crop breeding frontier. Trends in Plant Science. 19 (1), 52-61 (2014).
- Fiorani, F., Schurr, U. Future Scenarios for Plant Phenotyping. Annual Review of Plant Biology. 64 (1), 267-291 (2013).
- 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).
- 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).
- Furbank, R. T., Tester, M. Phenomics – technologies to relieve the phenotyping bottleneck. Trends in Plant Science. 16 (12), 635-644 (2011).
- 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).
- 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).
- 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).
- Dornbusch, T., et al. . Digital Field Phenotyping by LemnaTec. , (2015).
- 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).
- 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).
- Zadoks, J., Chang, T., Konzak, C. A decimal growth code for the growth stages of cereals. Weed Research. 14 (14), 415-421 (1974).
- 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).
- 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).
- Zaman-Allah, M., et al. Unmanned aerial platform-based multi-spectral imaging for field phenotyping of maize. Plant Methods. 11 (1), 35 (2015).
- 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).
- 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).
- 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).
- 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).
- 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).
- Smołka, B. Nonlinear techniques of noise reduction in digital color images. Wydawnictwo Politechniki Śląskiej. , (2004).
