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

Os autores desta pesquisa gostaria de agradecer o pessoal de gestão de campo nas estações experimentais de Colmenar de Oreja (Aranjuez) do Instituto Nacional de Investigación y Tecnología Agraria y Alimentaria (INIA) e Zamadueñas (Valladolid) do Instituto de Tecnología Agraria de Castilla y León (ITACyL) por seu apoio de campo de culturas de estudo a pesquisa usada. Este estudo foi suportado pelo projecto de investigação AGL2016-76527-R de MINECO, Espanha e parte de um projeto de colaboração com a Syngenta, Espanha. A irmandade BPIN 2013000100103 do "Formación de Talento Humano de Alto Nivel, Gobernación del Tolima - Universidad del Tolima, Colômbia" foi o único financiamento apoio para o primeiro autor Jose Armando Fernandez-Gallego. O principal fonte de financiamento do autor, Shawn C. Kefauver, veio o programa ICREA Academia através de uma concessão atribuída a Prof Jose Luis Araus.

1. prefield a fase de crescimento das culturas e das condições ambientais
<ol><li>Certifique-se de que o estágio de crescimento de colheita é aproximadamente entre o enchimento de grãos e perto de maturidade de colheita, com orelhas que são ainda verdes, mesmo se as folhas são senescentes (que corresponde, no caso de trigo ao intervalo 60-87 de escala16 dos Zadoks). Alguns amarelecimento das folhas é aceitável, mas não necessário.</li>
	<li>Preparar um plano de amostragem para captura...

<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>

Maior agilidade, precisão e consistência são a chave para desenvolver ferramentas úteis fenotipagem de novo para ajudar a Comunidade da colheita-reprodução nos seus esforços para aumentar o rendimento de grãos, apesar das pressões negativas relacionadas à mudança climática global. Avaliações de eficientes e precisas da densidade de orelha de cereais, como um importante componente Agronômico do rendimento de grampo importante para as culturas, ajudará a fornecer as ferramentas necessárias para a alimenta?...

A utilização de cereais do mundo em 2017/2018 é relatada a expandir-se em 1% no ano anterior,1. Baseado sobre as mais recentes previsões para utilização população e produção de cereais, cereais do mundo precisam de ações para aumentar a produtividade em um ritmo mais rápido para atender a crescente demanda, enquanto também, adaptando-se a aumentar os efeitos da mudança de clima2. Portanto, há um foco importante na melhoria do rendimento em culturas de cereais, através da melhoria das culturas técnicas de reprodução. Dois dos cereais mais importantes e colhidos na região do Mediterrâneo são selecionados como exemplos para este estudo, ou seja, o trigo (Triticum aestivum L. SSP. durum Desf.) e cevada (Hordeum vulgare L.). O trigo é, por extensão, o cereal mais cultivado nas margens Sul e leste da bacia do Mediterrâneo e é a 10ª mais importantes de culturas em todo o mundo, devido à sua produção anual de 37 milhões de toneladas anualmente3, enquanto cevada é o quarto global grãos em termos de produção, com uma produção global em 144,6 milhões de toneladas por ano4.
Sensoriamento remoto e técnicas de análise de imagem proximal são ferramentas cada vez mais fundamental no avanço da fenotipagem de planta de alta produtividade de campo (HTPP) como não só fornecem mais ágil, mas também, muitas vezes, recuperações mais precisas e consistentes de alvo de culturas traços de biofisiológicos, como avaliações da atividade fotossintética e da biomassa, preharvest estimativas do rendimento e até mesmo melhorias em herdabilidade da característica, tais como a eficiência em recurso uso e captação de5,6,7 ,8,9. Sensoriamento remoto tem tradicionalmente focado multiespectrais, hiperespectrais e sensores de plataformas aéreas para agricultura de precisão na escala de campo ou para estudos de fenotipagem planta no microplot de imagem térmica escala10. Câmeras digitais comuns, comercialmente disponíveis que medem apenas visível luz refletida foram muitas vezes negligenciadas, apesar de sua alta resolução espacial, mas recentemente se tornaram populares como novos algoritmos de processamento de imagens inovadoras são cada vez mais capazes para aproveitar a cor detalhado e informação espacial que eles fornecem. Muitas das inovações mais recentes em análise avançada de imagens agrícolas cada vez mais dependem da interpretação dos dados fornecidos pelo muito de alta resolução de imagens RGB (VHR) (para a medição de reflectância de luz visível vermelha, verde e azul), incluindo a colheita monitoramento (vigor, fenologia, avaliações de doença e identificação), segmentação e quantificação (surgimento, densidade de orelha, contagens de flor e fruta) e reconstruções 3D mesmo completo baseadas em uma nova estrutura do movimento de fluxos de trabalho11.
Um dos pontos mais essenciais para a melhoria da produtividade de cereais é uma mais eficiente avaliação de rendimento, que é determinada por três componentes principais: densidade ou o número de ouvidos pelo medidor quadrado (orelhas/m2), o número de grãos por orelha, da orelha e o peso de mil-kernel. Densidade de orelha pode ser obtida manualmente no campo, mas este método é trabalhoso, demorado, e carente de um único protocolo padronizado, que juntos podem resultar em uma fonte significativa de erro. Incorporando a contagem automática das orelhas é uma tarefa desafiadora devido à estrutura de cultura complexa, perto planta espaçamento, elevado grau de sobreposição, os elementos de fundo e a presença de aristas. Trabalho recente avançou nesta direção, usando uma estrutura de fundo preto, apoiada por um tripé para adquirir imagens de colheita apropriado, demonstrando bastante bons resultados na orelha contando12. Desta forma, efeitos de sombra e luz solar excessiva foram evitados, mas essa estrutura seria pesada e uma grande limitação em um aplicativo para condições de campo. Outro exemplo é uma orelha automática contagem algoritmo desenvolvido utilizando um sistema totalmente automatizado de fenotipagem com um pórtico motorizado rígido, que foi usado com boa precisão para contar com densidade de orelha em um painel composto por cinco trigo pão awnless (Triticum aestivum L.) variedades de crescimento sob azoto diferentes condições13. Trabalho recente por Fernandez-Gallego14 otimizou-se este processo para captura de dados mais rápida e fácil, usando imagens de cor RGB VHR seguidas mais avançadas, no entanto, ainda é totalmente automatizada, análises de imagem. A coleta de dados eficiente e de alta qualidade em condições de campo enfatiza um protocolo simplificado e padronizado para consistência e throughput de captura de dados de alta, enquanto o algoritmo de processamento de imagem emprega o romance de uso do domínio Laplaciano e frequência filtros para remover componentes indesejáveis da imagem antes de aplicar uma segmentação para a contagem baseiam em encontrar local maxima (em oposição a delineação completa como em outros estudos anteriores, que pode resultar em erros mais com orelhas sobrepostos).
Este trabalho propõe um sistema simples para a quantificação automática da densidade de orelha em condições de campo, usando imagens adquiridas de câmera digital comercialmente disponível. Este sistema aproveita-se da luz natural em campo as condições e, portanto, exige a consideração de alguns fatores ambientais relacionados, como hora do dia e nuvem tampa, mas permanece, em vigor, simples de implementar. O sistema foi demonstrado nos exemplos para o trigo e a cevada, mas deve ser extensível no aplicativo com o pão de trigo, que, além de expor as orelhas com morfologia semelhante, são frequentemente awnless, mas experiências mais seria necessárias a fim de Confirme isso. Nos dados de captura protocolo aqui apresentado, zenital imagens são tiradas por simplesmente segurando a câmera com a mão ou usando um monopé para posicionar a câmera digital acima da cultura. Validação de dados pode ser adquiridas através da contagem das orelhas manualmente para subtramas no campo ou durante o pós-processamento, contando as orelhas na imagem em si. O algoritmo de processamento de imagem é composto por três processos que, primeiro, efetivamente removem componentes indesejados da imagem de forma que, em seguida, permite a segmentação subsequente e contagem das espigas de trigo individuais nas imagens adquiridas. Primeiro, um filtro de frequência do Laplaciano é usado para detectar alterações nas diferentes direções espaciais da imagem usando as configurações de filtro padrão ImageJ sem ajustes de tamanho janela do kernel (técnica de segmentação deEncontrar Maxima determina o picos locais após a etapa de filtragem espacial mediano, em qual estágio os pixels relacionados com orelhas têm valores de pixel maiores do que o solo ou folhas. Portanto, encontrar Maxima é usado para segmentar os valores altos na imagem, e nessas regiões são rotuladas como orelhas, que identifica as orelhas enquanto também reduz erros de orelha sobrepostos. Analisar partículas é usado nas imagens binárias para contar e/ou medir os parâmetros das regiões, criados pelo contraste entre a superfície branca e preta, criado por etapa a encontrar Maxima. O resultado é então processado para criar uma segmentação de imagem binária através da análise da variância de pixel vizinho mais próxima ao redor de cada máximo local para identificar as formas de orelha do trigo na imagem filtrada. Finalmente, a densidade de orelha é contada analisar partículas, conforme implementado no Fiji15. Tanto encontrar Maxima e analisar as partículas são funções autônomas e disponível como plugins em Fiji (https://imagej.nih.gov/ij/plugins/index.html). Embora não apresentado especificamente no protocolo aqui, resultados preliminares apresentados como material suplementar sugerem que essa técnica pode ser adaptável para levar a cabo inquéritos de contagem orelha de veículos aéreos não tripulados (UAVs), desde que a resolução continua a ser suficientemente alta14.

<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

Densidade de orelha, ou o número de ouvidos pelo medidor quadrado (orelhas/m2), é um foco central em muitos campos de cereais programas, tais como trigo e cevada, que representa um componente importante de rendimento agronómico para estimar o rendimento de grãos de criação. Portanto, uma técnica rápida, eficiente e padronizada para avaliar a densidade de orelha ajuda na melhoria da gestão agrícola, proporcionando melhorias nas previsões de rendimento pré-colheita, ou até mesmo poderia ser usada como uma ferramenta para colheita de reprodução quando foi definido como uma característica de importância. Não só são as técnicas atuais para orelha manual avaliações de densidade trabalhosas e demoradas, mas eles também são sem qualquer protocolo padronizado oficial, seja por metro linear, quadrante da área, ou uma extrapolação com base na densidade de orelha de plantas e vegetais contagens de pós-colheita. Uma orelha automática contagem algoritmo é apresentada em detalhe para estimar a densidade de orelha com apenas luz solar iluminação em condições de campo com base na cor natural zenital (nadir) (vermelho, verde e azul [RGB]) imagens digitais, permitindo alta produtividade medidas padronizadas. Diferentes ensaios de campo de trigo duro e cevada distribuídos geograficamente em Espanha durante a 2014/2015 e 2015/2016 temporadas de colheita em regadio e sequeiro ensaios foram utilizados para fornecer resultados representativos. O protocolo de três fases inclui estágio de crescimento de colheita e planejamento de condição de campo, diretrizes de captura de imagem e um algoritmo de computador de três etapas: (i) um filtro de frequência do Laplaciano remover artefatos de baixa e alta-frequência, (ii) um filtro mediano para reduzir o alto ruído e (iii) segmentação e contando com picos máximos locais para a contagem final. Pequenos ajustes para o código do algoritmo devem ser feitos correspondente para a resolução da câmera, distância focal e distância entre a câmera e o dossel da cultura. Os resultados demonstram uma taxa de êxito elevada (superior a 90%) e R2 valores (de 0,62-0,75) entre as contagens de algoritmo e conta com a orelha manual baseada em imagem para o trigo e a cevada.

Na Figura 8, os resultados mostram que o coeficiente de determinação entre a densidade de orelha (número de orelhas por medidores quadrados) usando a contagem manual e a orelha contando o algoritmo para o trigo e a cevada em três estágios de crescimento de culturas diferentes. O primeiro é o trigo duro com a escala de um Zadoks entre 61 e 65 (R2 = 0.62). A segunda é cevada da dois-fileira com escala de um Zadoks entre 71 e 77 (R...

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

Apresentamos um protocolo para contar com orelhas de cevada e trigo duro, usando cor natural (RGB) digital fotografias tiradas na luz natural do sol em condições de campo. Com ajustes mínimos para os parâmetros da câmera e algumas limitações de condições ambientais, a técnica fornece resultados precisos e consistentes em uma variedade de estágios de crescimento.

Condições de cereais orelhão contando em campo usando imagens RGB zenital

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, ...

Gostaríamos de mostrar nossa abordagem para a contagem de orelhas de cereal em condições de campo. O objetivo deste estudo é demonstrar uma maneira rápida e eficiente de contar orelhas de trigo em condições de campo. Trigo durum e cevada são, por extensão, os cereais mais cultivados nas áreas sul e leste da bacia do Mediterrâneo.Nessas áreas, como consequência das mudanças climáticas, as condições ambientais serão alteradas. Temos que trabalhar para aumentar a produção. Nesse sentido, imagens de sensoriamento remoto e proximal tornaram-se uma ferramenta importante no fenotipagem de alto rendimento de campo usando diferentes crianças de sensores.Um dos pontos essenciais para melhorar a produtividade do cereal é uma avaliação mais eficiente do rendimento. Determinado pelos três componentes de rendimento a seguir: Densidade de ouvido, número de grãos por ouvido e o peso de mil grãos. Tentaremos desenvolver uma contagem automática de orelhas por unidade de área de cultivo, ou seja, densidade de ouvido.O protocolo que desenvolvemos está usando uma câmera de 20 megapixels tirando fotos para baixo olhando ou perfeitamente xenapho ou natur a uma distância de aproximadamente 80 cm do topo do dossel de cultura. Para fins de validação, fazemos tanto na contagem de orelhas de trigo de campo, quanto na contagem manual da imagem, a fim de validar a técnica e ajustar os algoritmos. Também é importante ao tirar as fotos de campo, que as fotos sejam capturadas dentro de duas horas do meio-dia solar.Isso é importante porque evita efeitos de sombreamento, que complicam a análise de imagem na 2ª fase do protocolo. Nesta parte, gostaríamos de mostrar nossa abordagem para a contagem de orelhas de cereal em condições de campo. Este trabalho foi realizado em colaboração com ITACyL, INIA e Syngenta.Vamos começar. O primeiro passo do nosso protocolo é selecionar o estágio de crescimento da cultura adequado. No nosso caso, utilizamos as etapas entre o enchimento de grãos e a cromatologia próxima que correspondem no caso Sudeste um número entre 60 e 87.Na Figura A:Trigo e Figura B:Cevada escolhemos um exemplo de imagens de satélite do nosso conjunto de dados. A captura de imagem tem 3 parâmetros: largura do sensor, lente fotográfica e distância entre a câmera e o dossel. Com essa informação podemos calcular os metros quadrados da imagem.Implementação e ajustes do algoritmo, estes são os passos pa-blan-y. Como entrada, temos uma imagem RGB. Filtro de frequência laplacian usamos para remover parte do solo, deixar e brilho indesejado.O filtro médio que revisa o ruído e, finalmente, encontra maxima determina as escolhas locais. A imagem de saída mostra as orelhas detectadas. Implementação e ajustes de algoritmos.Se as imagens foram tiradas com diferentes especificações de câmera ou distância entre o dossel e a câmera podemos ajustar alguns parâmetros do algoritmo. O filtro laplaciano ainda é o mesmo. No filtro médio e encontrar maxima podemos alterar o diâmetro e o parâmetro de ruído.Validação de algoritmos. Para a etapa de validação marcamos cada ouvido na imagem original e, em seguida, o número de marcas na imagem foram contados usando um algoritmo simples. Os resultados foram utilizados para calcular a taxa de sucesso.Também incluímos um círculo para ter uma referência física na imagem. Implementação de algoritmos usando imagens. Este é o plug-in do scanner de cereais.Você encontrará na contagem de dados da guia central. Nas opções você pode selecionar as imagens de entrada e também o local onde você vai salvar os resultados. Eu gostaria de mostrar como a macro funciona usando uma imagem.Vamos selecionar esta imagem e agora vamos dar o primeiro passo. Esta é a formação de frequência da imagem e aqui temos o resultado. O segundo passo é o filtro médio.Nós vamos executar este passo, e este é o resultado. Finalmente vamos executar a última parte do corte e estes são o resultado, estes números finais é o número de orelhas detectadas. O outro caminho para o mesmo é clicar aqui, processar, encontrar maxima, e clicar aqui.Esta é outra maneira de usar o algoritmo de contagem de ouvido. Você pode visitar nosso site integrativecropecophysiologygroup. com e aqui no desenvolvimento de software, você encontrará o scanner de cereais.Para acessar a permissão, escreva diretamente para este e-mail. Siga as etapas para instalar o plug in. Com o plugue instalado, vá diretamente para plug ins, scanner de cereais, scanner de cereal aberto.Agora vamos usar duas imagens. Vá diretamente para o scanner de cereais, contagem de ouvidos e, em opções, selecione seus arquivos. Aqui você pode usar a distância entre o dossel e a câmera.No nosso caso, usamos 80 cm. Aqui você pode selecionar a distância focal. Finalmente, no arquivo de resultados você encontrará os resultados da contagem de ouvidos e apenas processa.Estes são nossos resultados. Aqui temos o nome da imagem e na frente temos o número de ouvidos detectados. Estes são os resultados para Trigo e Cevada.Para cada gráfico, o eixo X representa a contagem manual. Clique por clique, e o eixo Y representa a contagem do algoritmo. Ambos eixo em uma escala de metro quadrado.No quinto gráfico para trigo obtivemos um coeficiente de determinação igual a 0,62 e no segundo gráfico para cevada obtivemos um coeficiente de determinação igual a 0,75. Na imagem final para o trigo também obtivemos um coeficiente de determinação igual a 0,75. Na contagem é um dos mais trabalhosos para o trabalho e demorado durante o ciclo de avaliação de variedades e previsão de rendimento.Por essa razão, é necessária uma técnica rápida e amigável para melhorar e expandir seu uso na criação agrícola e agrícola precisa e para previsão de rendimento. Este uso do nosso scanner de cereais é fruto da colaboração da Public Provides Corporation com o objetivo de fazer a contagem de ouvidos com maior eficiência e tempo e recursos. Por outro lado, capturar dados de alta qualidade para acabar com um banco de dados de produtos mais preciso.Embora ainda para concluir eu gostaria de enfatizar aspectos semelhantes do mis-a-lory que você teria sido apresentado aqui, um é o local, então esta é realmente uma forma de tecnologia que não precisa de qualquer tipo de complemento para que as pessoas possam ir para o campo com sua câmera, com um celular, tirando imagens sob a luz solar e isso é tudo. Em segundo lugar, um ponto muito importante, é que esta é apenas uma metodologia de assunção que é realmente um contraste com a conhaque a uma questão das pessoas que contam o número de ouvidos de uma maneira muito diferente. Assim, o local que tem um ex-três-centavo antes é importante porque você pode fazer em poucos minutos o que um casal ou três pessoas vão precisar talvez em várias horas.Então, a contagem, o orçamento é um ponto muito importante. Outro aspecto é que a metodologia é mínima para a diminuição da resolução. Isso significa que você pode montar a câmera RGB em uma megaplant em uma espécie de forma de planta automática e, em seguida, você pode fazer uma contagem automática com estes fatos.E, finalmente, estou dizendo que este não é o fim do caminho, então temos realmente uma metodologia percentual que pode melhorar no futuro através da combinação com todas as abordagens como, por exemplo, o uso de cores e espaços RGB diferentes, por exemplo, em combinação com a imaginação multiespectral ou mesmo o uso de imagens térmicas ou térmicas. E isso é tudo, obrigado.

Research

JoVE Journal

Environment

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

Integrado Campo Lysimetry e Porewater Amostragem para Avaliação de Química Mobilidade em Solos e Vegetação Fundada

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

Ambiente

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

Medindo Taxas de Herbicida Metabolismo em Dicot Weeds com um ensaio extirpado Folha

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

Calibrado amostragem passiva - Multi-enredo medições de campo de NH 3 Emissões com uma combinação de método do tubo Dinâmico e amostradores passivos

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

Modificação e Aplicação de uma Folha Blower-vac para Campo Amostragem de Artrópodes

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

Método confiável para avaliar a germinação de sementes, dormência, e Mortalidade em condições de campo

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

Protocolos para quantificar os resíduos de pesticidas transferíveis em Sistemas de relva

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

RGB e raiz Spectral Imaging para fenotipagem de planta e pesquisa fisiológica: instalação Experimental imagem e protocolos

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

Procedimentos de laboratório de fumigação para controle de pragas com gás de óxido nítrico

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

Um flexível baixo custo sistema hidropônico para avaliar as respostas de planta para pequenas moléculas em condições estéreis

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.

Elevado-throughput, microescala protocolo para a análise de parâmetros de processamento e qualidades nutricionais em milho (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 ...