Name: cereal crop ear counting in field conditions using zenithal rgb images
Uploaded: 2019-02-02T12:30:00
Description: Watch this Scientific Journal Video about Cereal Crop Ear Counting in Field Conditions Using Zenithal RGB Images at JoVE.com

Les auteurs de cette recherche tiens à remercier le personnel de gestion sur le terrain dans les stations expérimentales de Colmenar de Oreja (Aranjuez) de l’Instituto Nacional de Investigación y Tecnología Agraria y Alimentaria (INIA) et Zamadueñas (Valladolid), de la Instituto de Tecnología Agraria de Castilla y León (ITACyL) pour leur appui aux missions des cultures d’étude de recherche utilisé. Cette étude a été financée par le projet de recherche AGL2016-76527-R de MINECO, Espagne et une partie d’un projet de collaboration avec Syngenta, Espagne. La bourse de BPIN 2013000100103 de la « Formación de Talento Humano de Alto Nivel, Gobernación del Tolima - Universidad del Tolima, Colombia » était le seul financement de soutien pour le premier auteur Jose Armando Fernandez-Gallego. La principale source de financement de l’auteur correspondant, Shawn C. Kefauver, est venu du programme grâce à une subvention accordée à Prof. Jose Luis Araus ICREA Academia.

1. x avant le champ x stade de croissance des cultures et des conditions environnementales
<ol><li>Assurez-vous que le stade de croissance des cultures est environ entre le remplissage du grain et à proximité de la maturité des cultures, avec des oreilles qui sont encore vertes, même si les feuilles sont sénescents (ce qui correspond dans le cas du blé à la gamme 60-87 des Zadoks échelle16). Un jaunissement des feuilles est acceptable mais pas nécessaire.</li>
	<li>Préparer un plan d?...

<ol>
	<li>Food and Agriculture Organization (FAO). <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Food outlook: Biannual report on global food markets. , (2017).</li><li>Araus, J. L., Kefauver, S. C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Breeding+to+adapt+agriculture+to+climate+change:+affordable+phenotyping+solutions.">Breeding to adapt agriculture to climate change: affordable phenotyping solutions.</a> Current Opinion in Plant Biology. , (2018).</li><li>Ranieri, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Geography+of+the+Durum+Wheat+Crop.">Geography of the Durum Wheat Crop.</a> Pastaria International. 6, (2015).</li><li>Food Agriculture Organization (FAO). <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> The State of Food Insecurity in the World. , (2014).</li><li>Araus, J. L., Cairns, J. E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Field+high-throughput+phenotyping:+the+new+crop+breeding+frontier.">Field high-throughput phenotyping: the new crop breeding frontier.</a> Trends in Plant Science. 19 (1), 52-61 (2014).</li><li>Fiorani, F., Schurr, U. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Future+Scenarios+for+Plant+Phenotyping.">Future Scenarios for Plant Phenotyping.</a> Annual Review of Plant Biology. 64 (1), 267-291 (2013).</li><li>Cabrera-Bosquet, L., Crossa, J., von Zitzewitz, J., Serret, M. D., Luis Araus, J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=High-throughput+Phenotyping+and+Genomic+Selection:+The+Frontiers+of+Crop+Breeding+ConvergeF.">High-throughput Phenotyping and Genomic Selection: The Frontiers of Crop Breeding ConvergeF.</a> Journal of Integrative Plant Biology. 54 (5), 312-320 (2012).</li><li>Araus, J. L., Ferrio, J. P., Voltas, J., Aguilera, M., Bux&#243;, R. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Agronomic+conditions+and+crop+evolution+in+ancient+Near+East+agriculture.">Agronomic conditions and crop evolution in ancient Near East agriculture.</a> Nature Communications. 5 (1), 3953 (2014).</li><li>Furbank, R. T., Tester, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Phenomics+&#8211;+technologies+to+relieve+the+phenotyping+bottleneck.">Phenomics &#8211; technologies to relieve the phenotyping bottleneck.</a> Trends in Plant Science. 16 (12), 635-644 (2011).</li><li>Araus, J. L., Kefauver, S. C., Zaman-Allah, M., Olsen, M. S., Cairns, J. E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Translating+High-Throughput+Phenotyping+into+Genetic+Gain.">Translating High-Throughput Phenotyping into Genetic Gain.</a> Trends in Plant Science. 23 (5), P451-P466 (2018).</li><li>Duan, T., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Dynamic+quantification+of+canopy+structure+to+characterize+early+plant+vigour+in+wheat+genotypes.">Dynamic quantification of canopy structure to characterize early plant vigour in wheat genotypes.</a> Journal of Experimental Botany. 67 (15), 4523-4534 (2016).</li><li>Cointault, F., Guerin, D., Guillemin, J., Chopinet, B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=In-field+Triticum+aestivum+ear+counting+using+colour-texture+image+analysis.">In-field Triticum aestivum ear counting using colour-texture image analysis.</a> New Zealand Journal of Crop and Horticultural Science. 36 (2), 117-130 (2008).</li><li>Dornbusch, T., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=.">.</a> Digital Field Phenotyping by LemnaTec. , (2015).</li><li>Fernandez-Gallego, J. A., Kefauver, S. C., Guti&#233;rrez, N. A., Nieto-Taladriz, M. T., Araus, J. L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Wheat+ear+counting+in-field+conditions:+high+throughput+and+low-cost+approach+using+RGB+images.">Wheat ear counting in-field conditions: high throughput and low-cost approach using RGB images.</a> Plant Methods. 14 (1), 22 (2018).</li><li>Schneider, C. A., Rasband, W. S., Eliceiri, K. W. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=NIH+Image+to+ImageJ:+25+years+of+image+analysis.">NIH Image to ImageJ: 25 years of image analysis.</a> Nature Methods. 9 (7), 671-675 (2012).</li><li>Zadoks, J., Chang, T., Konzak, C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+decimal+growth+code+for+the+growth+stages+of+cereals.">A decimal growth code for the growth stages of cereals.</a> Weed Research. 14 (14), 415-421 (1974).</li><li>Casades&#250;s, J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Using+vegetation+indices+derived+from+conventional+digital+cameras+as+selection+criteria+for+wheat+breeding+in+water-limited+environments.">Using vegetation indices derived from conventional digital cameras as selection criteria for wheat breeding in water-limited environments.</a> Annals of Applied Biology. 150 (2), 227-236 (2007).</li><li>Hunt, E. R., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=A+visible+band+index+for+remote+sensing+leaf+chlorophyll+content+at+the+canopy+scale.">A visible band index for remote sensing leaf chlorophyll content at the canopy scale.</a> International Journal of Applied Earth Observation and Geoinformation. 21 (1), 103-112 (2013).</li><li>Zaman-Allah, M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Unmanned+aerial+platform-based+multi-spectral+imaging+for+field+phenotyping+of+maize.">Unmanned aerial platform-based multi-spectral imaging for field phenotyping of maize.</a> Plant Methods. 11 (1), 35 (2015).</li><li>Slafer, G. A., Savin, R., Sadras, V. O. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Coarse+and+fine+regulation+of+wheat+yield+components+in+response+to+genotype+and+environment.">Coarse and fine regulation of wheat yield components in response to genotype and environment.</a> Field Crops Research. 157, 71-83 (2014).</li><li>Liu, T., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=In-field+wheatear+counting+based+on+image+processing+technology.">In-field wheatear counting based on image processing technology.</a> Nongye Jixie Xuebao/Transactions of the Chinese Society for Agricultural Machinery. 45 (2), 282-290 (2014).</li><li>Cointault, F., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Color+and+Frequential+Proxy-Detection+Image+Processing+for+Crop+Characterization+in+a+Context+of+Precision+Agriculture.">Color and Frequential Proxy-Detection Image Processing for Crop Characterization in a Context of Precision Agriculture.</a> Agricultural Science. , 49-70 (2012).</li><li>Abbad, H., El Jaafari, S., Bort, J., Araus, J. L. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=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.">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.</a> Agronomie. 24, 19-28 (2004).</li><li>Ko, S. J., Lee, Y. H. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Center+weighted+median+filters+and+their+applications+to+image+enhancement.">Center weighted median filters and their applications to image enhancement.</a> IEEE Transactions on Circuits and Systems. 38 (9), 984-993 (1991).</li><li>Smo&#322;ka, B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/entrez/query.fcgi?db=PubMed&cmd=Search&doptcmdl=Citation&defaultField=Title+Word&term=Nonlinear+techniques+of+noise+reduction+in+digital+color+images.">Nonlinear techniques of noise reduction in digital color images.</a> Wydawnictwo Politechniki &#346;l&#261;skiej. , (2004).</li></ol>

Précision, la cohérence et agilité accrue sont essentiels au développement de nouveaux outils de phénotypage utile pour aider la communauté de culture-élevage dans leurs efforts pour augmenter le rendement en grain en dépit des pressions négatives liées au changement climatique mondial. Évaluations efficaces et précises de la densité de céréales d’oreille, comme une composante majeure d’agronomique de rendement de base importante cultures, aidera à fournir les outils nécessaires pour nourrir les gén...

L’utilisation mondiale de céréales en 2017/2018 est signalée à augmenter de 1 % par rapport à l’année précédente1. Basé sur les dernières prévisions pour utilisation de production et de la population des céréales, céréales de monde les stocks ont besoin d’accroître les rendements à un rythme plus rapide afin de répondre aux demandes croissantes, tout en s’adaptant aussi à accroître les effets de climat changement2. Il y a donc une place importante sur l’amélioration du rendement dans les cultures de céréales par le biais de cultures améliorées, techniques de reproduction. Deux céréales plus importants et récoltés dans la région méditerranéenne sont choisis comme exemples pour cette étude, à savoir, le blé dur (Triticum aestivum L. SSP durum [Desf.]) et l’orge (Hordeum vulgare L.). Le blé est, par extension, la céréale la plus cultivée dans les marges Sud et est du bassin méditerranéen et est le 10e plus important des cultures dans le monde entier, en raison de sa production annuelle de 37 millions de tonnes par an3, tandis que l’orge est la quatrième mondial grain en termes de production, avec une production mondiale à 144,6 millions de tonnes par an de4.
Télédétection et techniques d’analyse d’images proximaux sont des outils clés de plus en plus dans l’avancement du phénotypage de champ haut débit plante (HTPP) car non seulement ils fournissent plus agile mais aussi, souvent, recadrer des récupérations plus précises et cohérentes de la cible caractéristiques biophysiologiques, telles que l’évaluation de l’activité photosynthétique et la biomasse, preharvest estimations de rendement et même des améliorations dans l’héritabilité des caractères, tels que l’efficacité en ressources utilisation et absorption5,6,7 ,8,9. La télédétection ont traditionnellement porté sur multispectral, hyperspectrale et capteurs de nacelles pour l’agriculture de précision à l’échelle du domaine ou pour des études de phénotypage de plante à le microplot à imagerie thermique Echelle10. Communs, disponibles dans le commerce des caméras numériques qui mesurent seulement visible lumière réfléchie étaient souvent négligées, malgré leur très haute résolution spatiale, mais sont récemment devenus populaires comme les nouveaux algorithmes de traitement d’image innovants sont plus en mesure pour tirer parti de la couleur détaillée et des informations spatiales qu’ils fournissent. Bon nombre de des dernières innovations dans les analyses agricoles avancées d’image plus en plus comptent sur l’interprétation des données fournies par des images à très haute résolution (VHR) RVB (pour leur mesure de la réflexion de la lumière visible rouge, verte et bleue), y compris des cultures surveillance (vigor, phénologie, évaluations de maladie et d’identification), segmentation et quantification (émergence, la densité de l’oreille, comtes de fleurs et de fruits) et même 3D reconstructions basées sur une nouvelle structure du mouvement des workflows11.
Un des points plus essentiels pour l’amélioration de la productivité céréalière est une évaluation plus efficace du rendement, qui est déterminé par trois éléments principaux : la densité ou le nombre d’épis par mètre carré (oreilles/m2), le nombre de grains par épi, l’oreille et le poids de mille-noyau. Densité de l’oreille peut être obtenue manuellement dans le champ, mais cette méthode est laborieux, chronophage et insuffisante en un seul protocole standardisé, qui ensemble peut provoquer une source importante d’erreur. Incorporant le comptage automatique des oreilles est une tâche difficile en raison de la structure complexe agricole, étroite plante espacement, haute degré de chevauchement des éléments d’arrière-plan et la présence d’arêtes. Des travaux récents a avancé dans cette direction en utilisant une structure de fond noir supportée par un trépied afin d’acquérir des images de culture appropriée, démontrant des résultats assez bonnes oreille comptant12. De cette façon, une exposition au soleil et les effets d’ombre ont été évitées, mais une telle structure serait fastidieuse et une limitation majeure dans une application aux conditions sur le terrain. Un autre exemple est une oreille automatique comptage algorithme développé à l’aide d’un système entièrement automatisé de phénotypage avec portiques motorisés rigide, qui a été utilisé avec une bonne précision pour le comptage de densité d’oreille dans un panneau composé de cinq barbes le blé tendre (Triticum aestivum L.) variétés poussant sous azote différentes conditions13. Des travaux récents de Fernandez-Gallego14 a optimisé ce processus à la capture de données plus rapide et plus facile, en utilisant des images de couleur RGB VHR suivies d’analyses d’image plus avancés, et pourtant toujours entièrement automatisé. La collecte de données efficace et de qualité dans des conditions opérationnelles met l’accent sur un protocole normalisé simplifié pour cohérence et débit de capture de données élevé, tandis que l’algorithme de traitement d’image emploie le roman usage de domaine Laplacien et fréquence filtres pour éliminer les composants indésirables image avant d’appliquer une segmentation pour le comptage basée sur la recherche des maxima locaux (par opposition à une délimitation complète comme dans d’autres études antérieures, ce qui peut entraîner des erreurs plus avec les oreilles qui se chevauchent).
Ce travail propose un système simple pour la quantification automatique de densité d’oreille sur le terrain, à l’aide d’images obtenues à partir de caméras numériques disponibles dans le commerce. Ce système tire profit de la lumière naturelle dans le champ des conditions et, donc, faut tenir compte de certains facteurs environnementaux connexes, tels que la durée de la couverture de jour et nuage, mais reste, en effet, simple à mettre en œuvre. Le système a été démontré sur des exemples pour le blé et l’orge, mais devrait être prorogé en application au pain de blé, qui, en plus d’exposer les oreilles avec une morphologie similaire, sont fréquemment barbes, mais d’autres expériences seraient nécessaires afin de le confirmeront. Dans les données de capture protocole présenté ici, images zénithales sont prises simplement en tenant l’appareil à la main ou en utilisant un monopode pour le positionnement de l’appareil photo numérique au-dessus de la récolte. Données de validation peuvent être acquises en comptant les oreilles manuellement pour les intrigues secondaires sur le terrain ou au cours de post-traitement, en comptant les oreilles dans l’image elle-même. L’algorithme de traitement d’image se compose de trois processus qui, tout d’abord, éliminer efficacement les composants indésirables de l’image d’une manière qui, ensuite, permet la segmentation ultérieure et comptage des oreilles blé individuels dans les images acquises. Tout d’abord, un filtre de fréquence du Laplacien est utilisé afin de détecter des changements dans les différentes directions spatiales de l’image en utilisant les paramètres par défaut de filtre ImageJ sans ajustement de taille fenêtre du noyau (technique de segmentationTrouver Maxima détermine la pics les après l’étape de filtre spatial médian, à quel stade les pixels en rapport avec les oreilles ont des valeurs de pixel plus élevées que le sol ou les feuilles. Par conséquent, trouver Maxima est utilisé pour les valeurs élevées dans l’image du segment, et ces régions sont étiquetées comme des oreilles, qui identifie les oreilles tout en réduisant les erreurs d’oreille qui se chevauchent. Analyser les particules est ensuite utilisée sur les images binaires pour compter et mesurer les paramètres des régions créées par le contraste entre la surface noir et blanc, créée par l’étape trouver Maxima. Le résultat est ensuite traité pour créer une segmentation d’image binaire par l’analyse de la variance de pixel le plus proche voisin autour de chaque maximum local afin d’identifier les formes d’oreille de blé dans l’image filtrée. Enfin, la densité de l’oreille est comptée à l’aide d’analyser les particules, tel qu’implémenté dans Fidji15. Les Maxima de trouver et analyser les particules sont des fonctions autonomes et disponible en tant que plugins à Fidji (https://imagej.nih.gov/ij/plugins/index.html). Bien que ne présenté pas spécifiquement dans le protocole ici, les résultats préliminaires présentés comme des éléments supplémentaires suggèrent que cette technique peut être adaptable aux enquêtes oreille comte de véhicules aériens sans pilote (UAV), prévoyant que la résolution demeure suffisamment élevé14.

<table border="1" fo:keep-together.within-page="1" fo:keep-with-next.within-page="always">
	<tbody>
		<tr>
			<td>ILCE-QX1 Camera</td>
			<td>Sony</td>
			<td>WW024382</td>
			<td>Compact large sensor digital camera with 23.2 x 15.4 mm sensor size.</td>
		</tr>
		<tr>
			<td>E-M10 Camera</td>
			<td>Olympus</td>
			<td>E-M10</td>
			<td>Compact large sensor digital camera with 17.3 x 13.0 mm sensor size.</td>
		</tr>
		<tr>
			<td>Multipod Monpod</td>
			<td>Sony</td>
			<td>VCT MP1</td>
			<td>&#34;Phenopole&#34; in the JoVE article</td>
		</tr>
		<tr>
			<td>Computer</td>
			<td>Any PC/Mac/Linux</td>
			<td>--</td>
			<td>Data and image analysis</td>
		</tr>
		<tr>
			<td>ImageJ/FIJI (FIJI is just Image J)</td>
			<td>NIH</td>
			<td>http://fiji.sc</td>
			<td>Plug-in and algorithms for data and image analysis</td>
		</tr>
		<tr>
			<td>Circle/Metal Ring</td>
			<td>Generic</td>
			<td>Generic</td>
			<td>Metal ring for in-field validation</td>
		</tr>
		<tr>
			<td>Crab Pliers Clip</td>
			<td>Newer</td>
			<td>90087340</td>
			<td>Circle support and extension arm</td>
		</tr>
	</tbody>
</table>

cereal crop ear counting in field conditions using zenithal rgb images

Densité de l’oreille, ou le nombre d’épis par mètre carré (oreilles/m2), est un élément central dans la céréale de nombreux programmes, comme le blé et l’orge, représentant un composant important de rendement agronomique pour estimer le rendement en grain de sélection. Par conséquent, une technique rapide, efficace et normalisée pour évaluer la densité de l’oreille pouvant contribuer à l’amélioration de la gestion agricole, apporter des améliorations dans les prédictions de rendement pré-récolte, ou pourrait même être utilisée comme un outil pour la récolte de reproduction lorsqu’il a été défini comme un trait d’importance. Non seulement les techniques actuelles pour oreille manuel densité animales laborieux et fastidieux, mais ils sont aussi sans n’importe quel protocole normalisé officiel, soit par mètre linéaire, quadrant de la région, soit une extrapolation basée sur la densité végétale oreille et plante compte après la récolte. Une oreille automatique algorithme de comptage est présentée en détail pour estimer la densité d’oreille avec seulement la lumière du soleil illumination en champ basé sur couleur naturelle zénithale (nadir) (rouge, vert et bleu [RGB]) des images numériques, permettant à haut débit mesures normalisées. Différents essais au champ de blé et d’orge réparties géographiquement dans toute l’Espagne pendant le 2014/2015 et 2015/2016 saisons de cultures en irriguée et pluviale essais étaient utilisés pour fournir des résultats représentatifs. Le protocole triphasé comprend le stade de croissance des cultures et la planification de la condition de champ, lignes directrices de capture image et un algorithme informatique de trois étapes : (i) un filtre de fréquence Laplacien pour supprimer les artefacts de basse et haute fréquence, (ii) un filtre médian pour réduire haut bruit et (iii) segmentation et compter à l’aide de pics maxima locaux pour le décompte final. Il faut des modifications mineures au code de l’algorithme correspondant à la résolution de la caméra, focale et la distance entre la caméra et le feuillage. Les résultats démontrent un taux de réussite élevé (supérieur à 90 %) et les valeurs de2 R(de 0,62 à 0,75) entre les comtes de l’algorithme et l’oreille imageur manuel compte pour le blé et l’orge.

Dans la Figure 8, les résultats montrent le coefficient de détermination entre la densité de l’oreille (nombre d’épis par mètres carrés) en utilisant le comptage manuel et l’oreille comptage algorithme pour le blé et l’orge à trois stades de croissance des cultures différentes. Le premier est le blé avec échelle d’un Zadoks entre 61 et 65 (R2 = 0,62). Le second est l’orge à deux rangs avec échelle d’un Zadoks ent...

Watch this Scientific Journal Video about Cereal Crop Ear Counting in Field Conditions Using Zenithal RGB Images at JoVE.com

Cereal Crop Ear Counting in Field Conditions Using Zenithal RGB Images

Nous présentons un protocole pour le comptage des épis de blé et d’orge de blé dur, à l’aide de photographies numériques couleur naturelle (RVB) pris dans la lumière naturelle dans des conditions réelles. Avec des ajustements minimes pour les paramètres de la caméra et certaines limites de conditions environnementales, la technique fournit des résultats précis et constants dans un éventail de stades de croissance.

Oreille de cultures céréales comptage dans le champ des Conditions en utilisant des Images de RVB Zenithal

Ear density, or the number of ears per square meter (ears/m2), is a central focus in many cereal crop breeding programs, such as wheat and barley, ...

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.

Research

JoVE Journal

Environment

Integrated Field Lysimetry and Porewater Sampling for Evaluation of Chemical Mobility in Soils and Established Vegetation

Lysimetry intégré sur le terrain et l&#39;eau interstitielle d&#39;échantillonnage pour l&#39;évaluation de la mobilité chimiques dans les sols et la végétation établie

Potentially toxic chemicals are routinely applied to land to meet growing demands on waste management and food production, but the fate of these chemicals ...

Recherche

Environnement

Measuring Rates of Herbicide Metabolism in Dicot Weeds with an Excised Leaf Assay

Mesurer les taux de métabolisme dans l&#39;herbicide Mauvaises herbes dicotylédones avec un dosage excisés Feuille

In order to isolate and accurately determine rates of herbicide metabolism in an obligate-outcrossing dicot weed, waterhemp (Amaranthus tuberculatus), we ...

Calibrated Passive Sampling - Multi-plot Field Measurements of NH3 Emissions with a Combination of Dynamic Tube Method and Passive Samplers

Calibrated Passive Sampling - Multi-plot Field Measurements of NH3 Emissions with a Combination of Dynamic Tube Method and Passive Samplers

Calibré échantillonnage passif - Multi-terrain Mesures sur le terrain de NH<sub&gt; 3</sub&gt; Les émissions avec une combinaison de la méthode de Dynamic Tube et échantillonneurs passifs

Agricultural ammonia (NH3) emissions (90% of total EU emissions) are responsible for about 45% airborne eutrophication, 31% soil acidification and 12% ...

Modification and Application of a Leaf Blower-vac for Field Sampling of Arthropods

Modification et application d&#39;une feuille Souffleur-vac pour échantillonnage sur le terrain des arthropodes

Rice fields host a large diversity of arthropods, but investigating their population dynamics and interactions is challenging. Here we describe the ...

Reliable Method for Assessing Seed Germination, Dormancy, and Mortality under Field Conditions

Reliable Méthode d&#39;évaluation de la germination des graines, dormance, et la mortalité sous conditions de terrain

We describe techniques for approximating seed bank dynamics over time using Helianthus annuus as an example study species. Strips of permeable polyester ...

Protocols for Quantifying Transferable Pesticide Residues in Turfgrass Systems

Les protocoles de quantification des résidus de pesticides transférables dans les systèmes gazons

Plant canopies in established turfgrass systems can intercept an appreciable amount of sprayed pesticides, which can be transferred through various routes ...

RGB and Spectral Root Imaging for Plant Phenotyping and Physiological Research: Experimental Setup and Imaging Protocols

RVB et l’imagerie spectrale racine pour le phénotypage de l’usine et la recherche en physiologie : montage expérimental et des protocoles d’imagerie

Better understanding of plant root dynamics is essential to improve resource use efficiency of agricultural systems and increase the resistance of crop ...

Procedures of Laboratory Fumigation for Pest Control with Nitric Oxide Gas

Procédures de laboratoire Fumigation pour Pest Control avec gaz d’oxyde nitrique

Nitric oxide (NO) is a newly discovered fumigant for postharvest pest control. This paper provides detailed protocols for conducting NO fumigation on ...

A Flexible Low Cost Hydroponic System for Assessing Plant Responses to Small Molecules in Sterile Conditions

Un Flexible Low Cost système hydroponique, évaluer les réactions des plantes à petites molécules dans des Conditions stériles

A wide range of studies in plant biology are performed using hydroponic cultures. In this work, an in vitro hydroponic growth system designed for ...

High-throughput, Microscale Protocol for the Analysis of Processing Parameters and Nutritional Qualities in Maize (Zea mays L.)

High-throughput, Microscale Protocol for the Analysis of Processing Parameters and Nutritional Qualities in Maize Zea mays L.

Haut-débit, Microscale protocole pour l’analyse des paramètres de traitement et les qualités nutritionnelles du maïs (Zea mays L.)

Maize is an important grain crop in the United States and worldwide. However, maize grain must be processed prior to human consumption. Furthermore, whole ...