Spannmål gröda öra räknar i fältet villkor använda Zenithal RGB-bilder

Summary

Vi presenterar ett protokoll för inventering durum vete och korn öron, med naturliga färger (RGB) digitala fotografier tagna i naturligt solljus under fältförhållanden. Med minimala justeringar för kameran parametrar och vissa miljöförhållanden begränsningar ger tekniken exakta och konsekventa resultat inom en rad olika tillväxtfaserna.

Abstract

Öra densitet, eller antalet öron per kvadratmeter (öron/m²), är ett centralt fokus i många flingor gröda avel program, t ex vete och korn, som representerar en viktig agronomiska avkastning komponent för att uppskatta korn avkastning. Därför en snabb, effektiv och standardiserad teknik för att bedöma öra densitet skulle stöd att förbättra jordbrukets förvaltning, som ger förbättringar i preharvest avkastning förutsägelser, eller kan även användas som ett verktyg för gröda avel när den har definierats som ett drag av betydelse. Inte bara är de nuvarande metoder för manuell öra densitet bedömningar mödosam och tidskrävande, men de är också utan någon officiell standardiserade protokoll, antingen genom linjär mätare, området kvadrant, eller en extrapolering utifrån öra planteringstäthet och växt räknar efter skörd. En automatisk öra räknar algoritm presenteras i detalj för uppskatta öra täthet med endast solljus belysning i fältet villkor baserat på zenithal (nadir) naturliga färg (röd, grön och blå [RGB]) digitala bilder, vilket möjliggör hög genomströmning standardiserade mätningar. Olika fältförsök av durumvete och korn spridda geografiskt över Spanien under 2014/2015 och 2015/2016 gröda säsonger i bevattnade och rainfed prövningar användes för att ge representativa resultat. Tre-fas protokollet innehåller gröda tillväxtfas och fältet skick planering, image capture riktlinjer och en datoralgoritm av tre steg: en Laplacian Frekvensfilter ta bort låg – och högfrekventa artefakter, (ii) en median filter för att minska höga buller, och (iii) segmentering och räknar med lokala maxima toppar för den slutliga sammanräkningen. Smärre justeringar av algoritmen koden måste göras motsvarande kamera upplösning, brännvidd och avstånd mellan kameran och gröda trädkronorna. Resultaten visar en hög framgång (högre än 90%) och R² värden (på 0,62-0,75) mellan algoritm räkningarna och manuell bildbaserade örat räknas för både durumvete och korn.

Introduction

Världen spannmål utilizationen 2017/2018 rapporteras växa med 1% från föregående år¹. Baserat på de senaste prognoserna för spannmål produktionen och befolkningen utnyttjande, världen spannmål bestånden behöver öka avkastningen i en snabbare takt för att möta växande krav, medan också anpassning till öka effekterna av klimat förändring². Därför finns det ett viktigt fokus på avkastning förbättring av spannmål genom förbättrad gröda avel tekniker. Två viktigaste och skördade spannmål i Medelhavsområdet är valt som exempel för denna studie, nämligen, durumvete (Triticum aestivum L. ssp. durumvete [Desf.]) och korn (Hordeum vulgare L.). Durumvete är, i förlängningen, den mest odlade spannmålen i södra och östra marginaler i Medelhavsområdet och är den 10: e viktigaste gröda i världen, på grund av sin årliga produktion på 37 miljoner ton årligen³, medan korn är den fjärde globala spannmål när det gäller produktion, med en global produktion på 144,6 miljoner ton årligen⁴.

Fjärranalys och proximala bild analystekniker är alltmer viktiga verktyg i befordran av fältet hög genomströmning växt fenotypning (HTPP) som de ger inte bara smidigare men också, ofta, mer exakt och konsekvent hämtningar av målet beskära biophysiological drag, såsom bedömningar av fotosyntetiska aktivitet och biomassa, preharvest avkastning uppskattningar och även förbättringar i drag ärftlighet, såsom effektivitet i resurs användning och upptag^{5,6,7 ,8,9}. Fjärranalys har traditionellt fokuserats på Multispektrala, Hyperspektrala och termisk avbildning sensorer från skyliftar för precisionsjordbruk i fältet skala eller växt fenotypning studier vid microplot skala¹⁰. Vanligt, kommersiellt tillgängliga digitala kameror som mäter endast synliga reflekterade ljuset var ofta förbises, trots deras mycket hög rumslig upplösning, men har nyligen blivit populära som nya innovativa bildbehandling algoritmer alltmer kan att dra nytta av detaljerade färg och rumslig information som de tillhandahåller. Många av de nyaste innovationerna i avancerat jordbruk bild analyser alltmer beroende av tolkningen av uppgifter från mycket högupplöst (VHF) RGB-bilder (för sin mätning av röda, gröna och blå synlig ljusreflektion), inklusive gröda övervakning (vigor, fenologi, sjukdom bedömningar och identifiering), segmentering och kvantifiering (uppkomst, öra densitet, blomma och frukt räknas) och även full 3D rekonstruktioner baserat på en ny struktur från motion arbetsflöden¹¹.

En av de viktigaste punkterna för förbättring av spannmål produktivitet är en effektivare bedömning av avkastning, som bestäms av tre huvudkomponenter: öra densitet eller antalet öron per kvadratmeter (öron/m²), antalet korn per öra, och tusen-kernel vikt. Öra densitet kan erhållas manuellt i fältet, men denna metod är mödosam och tidskrävande och saknas i ett standardiserat protokoll, som tillsammans kan leda till en betydande källa till fel. Införliva den automatisk uppräkning av öron är en utmanande uppgift på grund av komplexa gröda strukturera, nära anläggningen avstånd, hög grad av överlappning, bakgrundselement och förekomsten av awns. Senaste arbete har avancerat i denna riktning genom att använda en svart bakgrund struktur stöds av ett stativ för att förvärva lämplig beskära bilder, visar ganska bra resultat i öra räknar¹². På detta sätt mycket solljus och skuggeffekter undveks, men sådan struktur skulle vara besvärligt och en stor begränsning i en ansökan till fältförhållanden. Ett annat exempel är en automatisk öra räknar algoritm som utvecklats med en helautomatisk fenotypning system med styva motoriserad Gondolen, som användes med god noggrannhet för inventering öra täthet i en panel bestående av fem awnless brödvete (Triticum aestivum L.) sorter som odlas under olika kväve villkor¹³. Senaste arbete av Fernandez-Gallego¹⁴ har optimerat processen för snabbare och enklare datafångst, med VHR RGB färgbilder följt av mer avancerade, men fortfarande fullt automatiserade, bild analyser. Effektiv och högkvalitativ datainsamlingen i fältförhållanden betonar ett förenklat standardiserade protokoll för konsistens och hög datagenomströmning capture, medan den bildbehandling algoritmen sysselsätter romanen utnyttjar Laplacian och frekvens domän filter för att ta bort oönskad bilden komponenter innan du applicerar en segmentering för inventering baserat på att hitta lokala maxima (i motsats till fullständig avgränsning som i andra tidigare studier, vilket kan resultera i fler fel med överlappande öron).

Detta arbete föreslår ett enkelt system för automatisk kvantifiering av örat densitet i fältförhållanden, använda bilder som förvärvats från kommersiellt tillgängliga digitala kameror. Detta system utnyttjar dagsljus i fältet villkor och, därför kräver beaktas vissa relaterade miljöfaktorer, såsom tid dag och molnet täcker, förblir men, i praktiken, enkel att genomföra. Systemet har visat på exempel för durumvete och korn men bör vara utdragbara i ansökan till bröd vete, som förutom uppvisar öron med liknande morfologi, är ofta awnless, men ytterligare experiment skulle krävas för att bekräfta detta. I data capture protokoll som presenteras här, zenithal bilderna tas genom att helt enkelt hålla kameran för hand eller använda en enbent för positionering digitalkameran ovanför grödan. Valideringsdata kan förvärvas genom att räkna öronen manuellt för subplots under efterbearbetning, eller i fältet genom att räkna öron i själva bilden. Den bildbehandling algoritmen består av tre processer som, första, effektivt bort oönskade delar av bilden på ett sätt som, sedan gör för de efterföljande segmenteringen och inventering av enskilda vete öronen i förvärvade bilder. Först en Laplacian Frekvensfilter används för att upptäcka förändringar i de olika rumsliga riktningarna av bilden som använder standardinställningarna för ImageJ utan fönster kernel storlek justeringar (Hitta Maxima segmenteringsteknik avgör den lokala topparna efter medianvärdet rumsliga filter steget, i vilket skede pixlarna relaterade med öronen har högre pixelvärden än jord eller blad. Därför hitta Maxima används för att segmentera de höga värdena i bilden, och dessa regioner är märkta som öron, som identifierar öron samtidigt minska överlappande örat fel. Analysera partiklar används sedan på de binära bilderna att räkna eller mäta parametrar från regionerna som skapats av kontrasten mellan vita och svarta ytan skapad av steget hitta Maxima. Resultatet är sedan bearbetas för att skapa en binär bild segmentering genom att analysera närmaste granne pixel variansen runt varje lokala maximalt för att identifiera vete öra formerna i den filtrerade bilden. Slutligen räknas öra täthet med analysera partiklar, som genomförts i Fiji¹⁵. Både hitta Maxima och analysera partiklar är fristående funktioner och finns som plugins i Fiji (https://imagej.nih.gov/ij/plugins/index.html). Men inte presenteras särskilt i protokollet här, tyder preliminära resultat presenteras som kompletterande material på att denna teknik är anpassningsbar till gjort öra räknas undersökningar från obemannade luftfartyg (UAV), förutsatt att resolutionen förblir tillräckligt hög¹⁴.

Protocol

1. prefield gröda tillväxtfas och miljöförhållanden Kontrollera att den gröda tillväxtfas är ungefärligt mellan korn fyllning och nära grödans mognad, med öron som är fortfarande grönt även om bladen är senescent (vilket motsvarar för vete till intervallet 60-87 Zadoks’ skala16). Vissa gulfärgning av bladen är acceptabel men inte nödvändigt. Förbereda en provtagningsplan för Bildinsamling med olika replikat (bilder per tomt) för att fånga ritytan/variat…

Representative Results

I figur 8, resultaten visar beslutsamhet koefficienten mellan örat densiteten (antal öron per kvadratmeter) med manuell räknar och örat räknar algoritm för vete och korn på tre olika gröda tillväxtfaserna. Den första är durumvete med en Zadoks’ skala mellan 61 och 65 (R2 = 0,62). Den andra är tvåradigt korn med en Zadoks’ skala mellan 71 och 77 (R2 = 0,75), och den sista är durumvete med en Zadoks’ skala m…

Discussion

Ökad smidighet, konsekvens och precision är nyckeln till att utveckla användbara nya fenotypning verktyg för att hjälpa gemenskapens gröda-avel i deras ansträngningar att öka korn avkastning trots negativa tryck relaterade till globala klimatförändringar. Effektiva och korrekta bedömningar av spannmål öra densitet, kommer som en viktig agronomiska del av avkastningen av viktiga krampa grödor, att ge de verktyg som behövs för att mata framtida generationer. Med fokus på förbättring och stöd av gröda-a…

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