Nous tenons à vous montrer notre approche pour le comptage des oreilles céréalières dans des conditions de terrain. L’objectif de cette étude est de démontrer un moyen rapide et efficace de compter les épis de blé dans des conditions de champ. Le blé dur et l’orge sont par extension les céréales les plus cultivées dans les régions du sud et de l’est du bassin méditerranéen.

Dans ces domaines, en raison du changement climatique, les conditions environnementales seront modifiées. Nous devons travailler pour augmenter la production. En ce sens, les images de détection à distance et proximales sont devenues un outil important dans le phénotypage à haut débit sur le terrain à l’aide de différents enfants de capteurs.

L’un des points essentiels à l’amélioration de la productivité céréalière est une évaluation plus efficace du rendement. Déterminé par les trois composants de rendement suivants: densité de l’oreille, le nombre de grains par oreille, et le poids mille grains. Nous allons essayer de développer un comptage automatique des oreilles par zone de culture unitaire, c’est-à-dire la densité de l’oreille.

Le protocole que nous avons développé est l’utilisation d’un appareil photo de 20 mégapixels prenant des photos vers le bas à la recherche ou parfaitement xenapho ou natur à une distance d’environ 80 cm du haut de la canopée de la culture. À des fins de validation, nous faisons à la fois dans le domaine des comptes d’oreille de blé, ou des comptes d’oreille d’orge ainsi que des comptes manuels de l’image afin de valider la technique et affiner les algorithmes. Il est également important lors de la prise de photos sur le terrain, que les photos soient capturées dans les deux heures suivant midi solaire.

Ceci est important parce qu’il évite les effets d’ombre, qui compliquent l’analyse d’image dans la 2ème phase du protocole. Dans cette partie, nous aimerions vous montrer notre approche pour le comptage des oreilles céréalières dans des conditions de terrain. Ces travaux ont été réalisés en collaboration avec ITACyL, INIA et Syngenta.

Commençons. La première étape de notre protocole consiste à choisir l’étape appropriée de la croissance des cultures. Dans notre cas, nous avons utilisé les étapes entre le remplissage du grain et la quasi-chromatologie qui correspondent dans le cas du Sud-Est à un nombre compris entre 60 et 87.

Dans la figure A: Blé et figure B:Orge, nous avons choisi un exemple d’images satellites de notre ensemble de données. La capture d’image a 3 paramètres: largeur du capteur, objectif photo et la distance entre l’appareil photo et la verrière. Avec cette information, nous pouvons calculer les mètres carrés de l’image.

Implémentation de l’algorithme et des ajustements, ce sont les étapes pa-blan-y. En tant qu’entrée, nous avons une image RVB. Filtre de fréquence laplacien nous l’utilisons pour enlever une partie du sol, laisser et la luminosité indésirable.

Le filtre moyen passant en revue le bruit, et enfin trouver maxima déterminer les pics locaux. L’image de sortie montre les oreilles détectées. Implémentation et ajustements d’algorithmes.

Si les images ont été prises avec des spécifications de caméra différentes ou la distance entre la verrière et la caméra, nous pouvons ajuster certains paramètres de l’algorithme. Le filtre laplacien est toujours le même. Dans le filtre moyen et trouver des maxima, nous pouvons changer le diamètre et le paramètre de bruit.

Validation de l’algorithme. Pour l’étape de validation, nous avons marqué chaque oreille dans l’image d’origine, puis le nombre de marques dans l’image ont été comptés à l’aide d’un algorithme simple. Les résultats ont été utilisés pour calculer le taux de réussite.

Nous avons également inclus un cercle pour avoir une référence physique dans l’image. Implémentation de l’algorithme à l’aide d’images. C’est le plug-in du scanner de céréales.

Vous trouverez dans le comptage central des données de l’onglet. Dans les options, vous pouvez sélectionner les images d’entrée et aussi l’endroit où vous allez enregistrer les résultats. Je voudrais vous montrer comment fonctionne la macro en utilisant une seule image.

Nous allons sélectionner cette image et maintenant nous allons exécuter la première étape. C’est la formation de fréquence de l’image et ici nous avons le résultat. La deuxième étape est le filtre moyen.

Nous allons exécuter cette étape, et c’est le résultat. Enfin, nous allons exécuter la dernière partie de la coupe et ce sont le résultat, ces chiffres fin tablent sur le nombre d’oreilles détectées. L’autre façon de le faire est de cliquer ici, nous traiter, trouver maxima, et cliquez ici.

C’est une autre façon d’utiliser l’algorithme de comptage des oreilles. Vous pouvez visiter notre site web integrativecropecophysiologygroup. com et ici dans le développement de logiciels, vous trouverez le scanner de céréales.

Pour accéder à la permission s’il vous plaît écrire directement à cet e-mail. S’il vous plaît suivre les étapes pour installer le plug-in. Avec le plug-in installé s’il vous plaît aller directement aux plug-ins, scanner de céréales, scanner de céréales ouvert.

Maintenant, nous allons utiliser deux images. Allez directement au scanner de céréales, le comptage des oreilles, et dans les options, sélectionnez vos fichiers. Ici, vous pouvez utiliser la distance entre la verrière et la caméra.

Dans notre cas, nous l’utilisons 80 cm. Ici, vous pouvez sélectionner la longueur focale. Enfin, dans le fichier de résultats, vous trouverez les résultats de comptage de l’oreille et il suffit de traiter.

Ce sont nos résultats. Ici, nous avons le nom de l’image et en face nous avons le nombre d’oreilles détectées. Ce sont les résultats pour le blé et l’orge.

Pour chaque graphique, l’axe X représente le comptage manuel. Cliquez par clic, et l’axe Y représente le comptage des algorithmes. Les deux axes dans une échelle de mètre carré.

Dans le cinquième graphique pour le blé, nous avons obtenu un coefficient de détermination égal à 0,62 et dans le deuxième graphique pour l’orge, nous avons obtenu un coefficient de détermination égal à 0,75. Dans l’image finale du blé, nous avons également obtenu un coefficient de détermination égal à 0,75. Dans le comptage est l’un des plus laborieux de travailler et de temps pendant le cycle d’évaluation des variétés et la prévision de rendement.

Pour cette raison, une technique rapide et conviviale est nécessaire pour améliorer et élargir son utilisation dans la sélection agricole et agricole précise et pour la prévision des rendements. Cette utilisation de notre scanner céréalier est le fruit de la collaboration de public Provides Corporation avec l’objectif de faire le comptage des oreilles avec une efficacité améliorée et le temps et les ressources. D’autre part pour capturer des données de haute qualité pour se retrouver avec une base de données de produits plus précise.

Bien qu’encore à conclure, je tiens à souligner des aspects similaires de la mis-a-lory vous auriez été présenté ici, l’un est le local, donc c’est vraiment une forme de technologie qui n’a pas besoin de tout type de complément afin que les gens puissent aller sur le terrain avec leur appareil photo, avec un téléphone mobile, prendre des images sous la lumière du soleil et c’est tout. Deuxièmement, un point très important, c’est qu’il ne s’agit que d’une méthodologie inondée qui contraste vraiment avec la connaissance d’une question de personnes comptant le nombre d’oreilles d’une manière très différente. Donc, le local qui a un ex-tres-cent avant est important parce que vous pouvez faire en quelques minutes ce qu’un couple ou trois personnes auront besoin peut-être dans plusieurs heures.

Donc, le comptage, le budget est un point très important. Un autre aspect est que la méthodologie est minimale pour diminuer la résolution. Cela signifie que vous pouvez monter la caméra RVB dans une mégaplant dans une sorte de plante automatique de forme et puis vous pouvez faire un comptage automatique sur ces faits.

Et enfin, je dis que ce n’est pas la fin du chemin, donc nous avons vraiment une méthodologie en pourcentage qui peut s’améliorer à l’avenir grâce à la combinaison avec toutes les approches comme par exemple l’utilisation de différentes couleurs et espaces RVB par exemple en combinaison avec l’imagination multispectrale ou même l’utilisation d’images thermiques ou thermiques. Et c’est tout, merci.