Orecchio del raccolto di cereali contando nel campo condizioni utilizzando immagini RGB zenitale

Summary

Presentiamo un protocollo per il conteggio di spighe di grano e l’orzo duro, usando a fotografie digitali scattate in luce solare naturale in condizioni di campo naturale colore (RGB). Con minimo aggiustamento per i parametri della telecamera e di alcune limitazioni di condizione ambientale, la tecnica fornisce risultati precisi e coerenti attraverso una serie di fasi di crescita.

Abstract

Densità dell’orecchio, o il numero di orecchie per metro quadrato (orecchie/m²), è un tema centrale nella produzione cerealicola molti programmi, come il grano e orzo, che rappresenta un componente importante resa agronomica per stimare la produzione di granella di allevamento. Di conseguenza, una tecnica rapida, efficiente e standardizzata per la valutazione della densità di orecchio sarebbe di aiuto nel migliorare la gestione agricola, fornendo miglioramenti nelle previsioni di rendimento preharvest, o potrebbe anche essere utilizzata come uno strumento per l’allevamento delle colture quando è stato definito come una caratteristica di importanza. Non solo sono le attuali tecniche di manuale orecchio densità valutazioni laboriose e che richiede tempo, ma sono anche senza qualsiasi ufficiale protocollo standardizzato, per metro lineare, quadrante di zona, o un’estrapolazione basata sulla densità di orecchio pianta e pianta conteggi di post-raccolta. Un orecchio automatico algoritmo di conteggio è presentato in dettaglio per stimare la densità di orecchio con illuminazione a luce solare solo in condizioni di campo basato sul colore naturale zenitale (nadir) (rosso, verde e blu [RGB]) immagini digitali, permettendo di alto-rendimento misure standardizzate. Diverse prove sul campo di frumento e orzo distribuiti geograficamente in Spagna durante il 2014/2015 e 2015/2016 stagioni delle colture irrigue e rainfed prove sono state utilizzate per fornire risultati rappresentativi. Il protocollo di tre fasi include fase di crescita delle colture e campo condizione pianificazione, linee guida di cattura di immagine e un algoritmo informatico di tre fasi: (i) un filtro di frequenza laplaciano per rimuovere gli artefatti di bassa e alta frequenza, (ii) un filtro mediano per ridurre in alto rumore e (iii) segmentazione e conteggio utilizzando picchi massimi locali per il conteggio finale. Piccoli aggiustamenti al codice algoritmo devono essere effettuati corrispondente per la risoluzione della fotocamera, la lunghezza focale e la distanza tra la fotocamera e il baldacchino di raccolto. I risultati dimostrano un alto tasso di successo (superiore al 90%) e R² valori (di 0,62-0,75) tra i conteggi di algoritmo e l’orecchio manuale basata su immagine conta per orzo e frumento.

Introduction

L’utilizzo di cereali del mondo nel 2017/2018 è segnalato espandere 1% dal precedente anno¹. Basato sulle ultime stime per l’utilizzo la produzione e popolazione cereali, cereali mondo scorte necessario aumentare i rendimenti ad un tasso più veloce al fine di soddisfare le crescenti esigenze, adattandosi anche ad aumentare gli effetti del cambiamento climatico². Di conseguenza, c’è un focus importante sul miglioramento della resa in colture di cereali attraverso il miglioramento delle colture tecniche di allevamento. Due i cereali più importanti e raccolti nella regione del Mediterraneo sono selezionati come esempi per questo studio, vale a dire, semola di grano duro (Triticum aestivum L. ssp. semola [Desf.]) e orzo (Hordeum vulgare L.). Semola di grano duro è, per estensione, il cereale più coltivato a margine meridionale e orientale del bacino del Mediterraneo ed è il 10 più importanti delle colture in tutto il mondo, a causa della sua produzione annuale di 37 milioni di tonnellate ogni anno³, mentre l’orzo è il quarto globale grano in termini di produzione, con una produzione globale a 144,6 milioni di tonnellate ogni anno⁴.

Telerilevamento e tecniche di analisi di immagine prossimale sono strumenti sempre più fondamentali nel progresso della fenotipizzazione di alto-rendimento impianto campo (HTPP) come essi forniscono non solo più agile, ma anche, spesso, ritagliare recuperi più precisi e coerenti del target BIOFISIOLOGICO tratti, quali le valutazioni di attività fotosintetica e biomassa, preharvest stime di rendimento e anche miglioramenti in ereditabilità di tratto, come l’efficienza delle risorse utilizzo e assorbimento^5,,^{6,7 ,8,9}. Telerilevamento è tradizionalmente focalizzato sul multispettrale, iperspettrale e sensori da piattaforme aeree per l’agricoltura di precisione a scala di campo o per gli studi di fenotipizzazione pianta presso la parcella dell’imaging termico scala¹⁰. Fotocamere digitali comuni, disponibili in commercio che misurano solo la luce visibile riflessa erano spesso trascurate, nonostante la loro altissima risoluzione spaziale, ma recentemente sono diventati popolari come nuovi innovativi algoritmi di elaborazione dell’immagine sono sempre più in grado per poter sfruttare il colore dettagliate e informazioni spaziali che essi forniscono. Molte delle più recenti innovazioni nelle analisi avanzata delle immagini agricole si affidano sempre di più l’interpretazione dei dati forniti da immagini di molto ad alta risoluzione (VHR) RGB (per la loro misura di riflessione della luce visibile rosso, verde e blu), tra cui ritaglio monitoraggio (vigor, fenologia, malattia valutazione e identificazione), segmentazione e quantificazione (emersione, densità dell’orecchio, i conteggi di fiore e frutta) e ricostruzioni 3D anche completo basati su una nuova struttura dal movimento dei flussi di lavoro¹¹.

Uno dei punti più essenziali per il miglioramento della produttività di cereali è una più efficiente valutazione del rendimento, che è determinato da tre componenti principali: orecchio densità o il numero di orecchie per metro quadrato (orecchie/m²), il numero dei grani per orecchio, e il peso di mille-kernel. Densità dell’orecchio può essere ottenuto manualmente nel campo, ma questo metodo è laborioso, richiede tempo e privo di un singolo protocollo standardizzato, che insieme possono provocare una significativa fonte di errore. Incorporando il conteggio automatico delle orecchie è un compito impegnativo a causa della struttura complessa delle colture, pianta stretta, spaziatura, alto limite di sovrapposizione, gli elementi di sfondo e la presenza di ariste. Lavoro recente ha avanzato in questa direzione utilizzando una struttura di sfondo nero supportata da un treppiede al fine di acquisire immagini di coltura adatto, dimostrando risultati abbastanza buoni in orecchio conteggio¹². In questo modo, sono stati evitati effetti di ombra e luce solare eccessiva, ma tale struttura sarebbe ingombrante e una limitazione importante di un’applicazione in condizioni di campo. Un altro esempio è un orecchio automatico algoritmo sviluppato utilizzando un sistema completamente automatizzato che phenotyping con un cavalletto motorizzato rigido, che è stato usato con buona precisione per densità di orecchio in un pannello di conteggio di conteggio è composto da cinque inerme pane di grano (Triticum di Aestivum L.) varietà che cresce sotto azoto diverse circostanze¹³. Recenti lavori di Fernandez-Gallego¹⁴ ha ottimizzato questo processo per l’acquisizione di dati più semplice e veloce, utilizzando immagini a colori RGB VHR seguite da analisi di immagine più avanzati, ma ancora completamente automatizzato. La collezione di dati efficiente e di alta qualità in condizioni di campo sottolinea un protocollo standardizzato semplificato per coerenza e dati ad alta velocità effettiva di cattura, mentre l’algoritmo di elaborazione immagini impiega il romanzo uso di dominio laplaciano e frequenza filtri per rimuovere i componenti indesiderati immagine prima di applicare una segmentazione per il conteggio si basa sulla ricerca di massimi locali (al contrario di delineazione completa come in altri studi precedenti, che può provocare ulteriori errori con sovrapposte le orecchie).

Quest’opera propone un sistema semplice per la quantificazione automatica della densità di orecchio in condizioni di campo, utilizzando immagini acquisite da fotocamere digitali disponibili in commercio. Questo sistema si avvale della luce naturale nel campo condizioni e, pertanto, richiede la considerazione di alcuni fattori ambientali correlati, quali tempo di giorno e cloud cover, ma resta, in effetti, semplice da implementare. Il sistema è stato dimostrato su esempi per il frumento e l’orzo, ma dovrebbe essere estensibile in applicazione al pane di grano, che, oltre a esporre le orecchie con morfologia simile, sono frequentemente inerme, ma ulteriori esperimenti sarebbe necessari al fine di confermare questo. Nei dati di acquisizione protocollo presentato qui, zenitale immagini sono prese semplicemente tenendo la fotocamera a mano o utilizzando un monopiede per posizionamento della telecamera digitale sopra il raccolto. Dati di convalida possono essere acquisiti contando le orecchie manualmente per sottotrame nel campo o durante la post-elaborazione, contando le orecchie nell’immagine stessa. L’algoritmo di elaborazione delle immagini è composto da tre processi che, in primo luogo, efficacemente rimuovono componenti indesiderate dell’immagine in modo che, poi, permette per la successiva segmentazione e contando i singoli delle orecchie del frumento nelle immagini acquisite. In primo luogo, viene utilizzato un filtro di frequenza del laplaciano al fine di rilevare i cambiamenti nelle diverse direzioni spaziale dell’immagine utilizzando le impostazioni di filtro predefinite ImageJ senza modifiche di dimensione di finestra del kernel (tecnica di segmentazione diTrovare Maxima determina la picchi locali dopo la fase di filtro spaziale mediano, in quale fase i pixel correlati con le orecchie hanno più alti valori di pixel che suolo o foglie. Di conseguenza, trovare Maxima viene utilizzato per segmentare i valori elevati nell’immagine, e quelle regioni sono etichettate come orecchie, che identifica le orecchie ma anche di ridurre errori di sovrapposizione dell’orecchio. Analizzare particelle viene quindi utilizzato sulle immagini binarie a contare e/o misurare parametri dalle regioni create dal contrasto tra il bianco e nero superficie creata nel passaggio di trovare Maxima. Il risultato viene poi elaborato per creare una segmentazione di immagine binaria analizzando la varianza di pixel più vicina vicino intorno ogni massimo locale per identificare le forme di orecchio di frumento nell’immagine filtrata. Infine, la densità di orecchio è conteggiata utilizzando analizzare particelle, come è implementato in Fiji¹⁵. Sia trovare Maxima e analizzare particelle sono funzioni autonome e disponibili come plugin in Fiji (https://imagej.nih.gov/ij/plugins/index.html). Anche se non ha presentato in particolare il protocollo qui, risultati preliminari presentati come materiale supplementare suggeriscono che questa tecnica possa essere adattabile a condurre indagini di conteggio dell’orecchio da veicoli aerei senza equipaggio (UAV), purché la risoluzione rimane sufficientemente alta¹⁴.

Protocol

1. zona antistante la fase di crescita delle colture e delle condizioni ambientali Assicurarsi che la fase di crescita delle colture è approssimativamente fra ripieno di grano, nei pressi di maturità delle colture, con le orecchie che sono ancora verdi, anche se le foglie sono senescenti (che corrisponde nel caso del frumento alla gamma 60-87 di scala16 degli Zadoks). Qualche ingiallimento delle foglie è accettabile, ma non necessario. Preparare un piano di campionamento per…

Representative Results

In Figura 8, i risultati mostrano il coefficiente di determinazione tra la densità dell’orecchio (numero delle orecchie per metri quadrati) con conteggio manuale e l’orecchio di algoritmo per il frumento e l’orzo di conteggio nelle tre fasi di crescita delle colture differenti. Il primo è semola di grano duro con la scala di un Zadoks tra 61 e 65 (R2 = 0,62). La seconda è orzo di due-fila con scala di un Zadoks tra 71 e 77 (R<s…

Discussion

Precisione, coerenza e una maggiore agilità sono la chiave per sviluppare strumenti che phenotyping nuove utili per assistere la comunità di allevamento delle colture nei loro sforzi per aumentare la produzione di granella nonostante pressioni negative legate al cambiamento climatico globale. Efficienti e accurate valutazioni di densità di orecchio di cereali, come un importante componente agronomico della resa della graffetta importante colture, contribuirà a fornire gli strumenti necessari per la nutrizione delle g…

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