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

Авторы этого исследования хотел бы поблагодарить сотрудников управления поля на экспериментальных участках Кольменар-де-Oreja (Aranjuez) из Instituto Nacional de Investigación y Tecnología агрария y Alimentaria (МИС) и Zamadueñas (Вальядолид) в Instituto de Tecnología агрария-де-Кастилья и Леон (ITACyL) за их поддержку полевых исследований исследования культур используется. Это исследование было поддержано исследовательского проекта AGL2016-76527-R от МИНЕКО, Испании и частью проекта сотрудничества с Syngenta, Испания. BPIN 2013000100103 стипендий от «Таленто de Formación Альто де Humano Nivel, Gobernación дель Толима - Universidad дель Толима, Колумбия» был единственным, финансовую поддержку для первого автора Хосе Армандо Фернандес-Гальего. Основным источником финансирования соответствующего автора, Шон C. Kefauver, пришли из программы ICREA Academia через гранта для профессор Хосе Луис Araus.

1. prefield стадии роста сельскохозяйственных культур и условий окружающей среды
<ol><li>Убедитесь, что этап роста сельскохозяйственных культур приблизительно между зерна наполнения и вблизи зрелости урожая, с ушами, которые все еще зеленый, даже если листья стареющей (что соответствует в сл...

<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>

Увеличение ловкости, последовательность и точность являются ключом к разработке полезных новых фенотипирование инструментов для оказания помощи селекции сообщества в их усилиях по увеличению урожай несмотря на отрицательное давление, связанных с глобальным изменением климата. Эффе...

Использование зерновых мир в 2017/2018 сообщается на 1% от предыдущего года1. На основании последних прогнозов использования зерновых производства и населения, мир зерновых запасов необходимо увеличить урожайность более быстрыми темпами для удовлетворения растущих потребностей, а также адаптации к увеличению воздействия изменения климата2. Таким образом существует большое внимание на улучшение урожайности зерновых культур путем улучшения сельскохозяйственных культур, животноводство методы. Два наиболее важных и заготовленной зерновых в средиземноморском регионе выбраны в качестве примеров для этого исследования, а именно, твердых сортов пшеницы (Triticum aestivum L. ssp. дурум [Desf.]) и ячменя (Hordeum vulgare L.). Пшеница, выдвижением, наиболее культивируемых зерновых на полях Южного и Восточного Средиземноморья и 10 наиболее важных сельскохозяйственных культур во всем мире, благодаря своей годовой объем производства 37 миллионов тонн ежегодно3, в то время как ячмень является четвертой глобальной зерно с точки зрения производства, с глобального производства на 144,6 млн тонн ежегодно4.
Проксимальный изображение анализа методов дистанционного зондирования и являются все более ключевыми инструментами в деле улучшения поля высок объём завод фенотипирование (HTPP) как они не только обеспечивают более гибкой, но также, часто, более точной и последовательной получений целевых культур биофизиологических черты, например оценки фотосинтетической активности и биомассы, preharvest оценки урожайности и даже улучшения в наследуемость черта, как эффективность ресурсов использования и поглощения5,6,7 ,8,9. Дистанционное зондирование традиционно ориентирована на многоспектральных, гиперспектрального и инфракрасные датчики от воздушных платформ для точного земледелия в масштабе области или для исследований фенотипирование завод в microplot масштабе10. Общие, коммерчески доступных цифровых камер, которые измеряют только видимые отраженного света были часто упускается из виду, несмотря на их очень высоким пространственным разрешением, но последнее время стали популярны как новые инновационные алгоритмы обработки изображений во все большей степени способны чтобы воспользоваться преимуществами подробных цвета и пространственной информации, которую они обеспечивают. Многие из новейших инноваций в передовых сельскохозяйственных изображения анализы все больше полагаться на интерпретации данных, предоставляемых очень высоким разрешением (VHR) RGB-изображения (для их измерения красного, зеленого и синего видимых светоотражения), включая культур мониторинг (бодрости, Фенология, болезни оценки и идентификации), сегментации и количественной (появление, уха плотности, количества цветов и фруктов) и даже полное 3D реконструкций на основе новой структуры движения процессы11.
Одним из наиболее важных пунктов для улучшения производительности зерновых является более эффективной оценки доходности, которая определяется три основных компонента: уха плотность уши на квадратный метр (уши/м2), или количество зерна за ухо, и Вес тысяч ядра. Ухо плотности могут быть получены вручную в поле, но этот метод является трудоемкой, требует много времени, и не хватает одного стандартного протокола, которые вместе могут привести к значительным источником ошибки. Включение автоматического подсчета уши является сложной задачей из-за структуры сложных культур, закрыть завод, интервал, высокая степень параллелизма, элементы фона и наличие усов. Недавняя работа продвинулась в этом направлении, используя черный фон структуры, поддерживаемые штатив для приобретения подходящего обрезать изображения, демонстрируя довольно хорошие результаты в ухе, считая12. Таким образом, избегать чрезмерного солнечного света и тени, но такая структура будет громоздким и одним из основных ограничений в приложении в полевых условиях. Еще одним примером является колоса автоматического подсчета алгоритм, разработанный с использованием фенотип полностью автоматизированной системы с жесткую моторизованных козловые, который использовался с хорошей точностью для подсчета уха плотность в панели, состоящие из пяти Кострец пшеницы (Triticum aestivum L.) разновидности растет под различными азота условия13. Последние работы Фернандес-Гальего14 оптимизировал этот процесс для захвата данных быстрее и проще, используя VHR RGB цвет изображения следуют более продвинутых, но по-прежнему полностью автоматизированный, анализа изображения. Эффективных и высокое качество сбора данных в полевых условиях подчеркивает упрощенный стандартизированный протокол для согласованности и высокая данных захвата пропускную способность, в то время как алгоритм обработки изображений использует Роман Лапласа и частоты домена Фильтры для удаления нежелательных изображений компонентов перед применением сегментации для подсчета, основанные на поиске локальные максимумы (в отличие от полной делимитации как и других предыдущих исследований, которые могут привести к более ошибок с перекрывающимися уши).
Эта работа предлагает простой системы для автоматического количественного определения плотности уха в полевых условиях, с использованием изображений, полученных от коммерчески доступных цифровых камер. Эта система принимает преимущество естественного света в поле условия и, следовательно, требует рассмотрения некоторых связанных с ними экологических факторов, таких как время дня и облако покрова, но остается в силе, простым в реализации. Системы было продемонстрировано на примерах для твердых сортов пшеницы и ячменя, но должно быть расширяемой в приложении для хлеба пшеницы, которая, помимо экспонируется уши с аналогичными морфологии, часто костер, но потребуются дальнейшие эксперименты для того чтобы подтверждают это. В данных захватить протокола, представленные здесь, зенитное изображения взяты просто держа камеру вручную или с помощью монопод для позиционирования цифровой камеры выше урожая. Данные проверки может быть приобретено путем подсчета уши вручную для сюжетных линий, в поле или в постобработке, подсчитывая уши в самом изображении. Алгоритм обработки изображений состоит из трех процессов, которые, во-первых, эффективно удалить нежелательные компоненты изображения таким образом, который затем позволяет последующими сегментацию и учёта индивидуальных колосья в полученные изображения. Во-первых, Частотный фильтр Лапласа используется для того, чтобы обнаружить изменения в различных пространственных направлениях изображения, используя параметры фильтра по умолчанию ImageJ без корректировки размеров окна ядра (определяет метод сегментацииНайти Maxima местные пики после этапа средний пространственного фильтра, на каком этапе связанных с ушами Пиксели имеют более высокие значения пикселей, чем почвы или листья. Таким образом найти Максима используется для сегмента высокие значения в изображении, и эти регионы помечены как уши, который идентифицирует уши при одновременном сокращении перекрывающихся уха ошибки. Анализ частиц затем используется на двоичных изображений для подсчета и/или измерения параметров из регионов, созданные контраст между белой и черной поверхности, созданные найти Максима шаг. Результат затем обработаны для создания бинарного образа сегментации, анализируя ближайшего соседа пиксель дисперсия вокруг каждого локального максимума для идентификации формы уха пшеницы в фильтрованного изображения. Наконец плотность уха подсчитывается с помощью анализа частиц, как это реализовано в Фиджи15. Найти Максима и анализировать частицы являются отдельные функции и доступны как плагины в Фиджи (https://imagej.nih.gov/ij/plugins/index.html). Хотя не представлены специально в протоколе здесь, предварительные результаты, представленные в качестве дополнительного материала предположить, что этот метод может быть адаптированы для проведения обследований уха фото от беспилотных летательных аппаратов (БЛА), предусматривающий, что в резолюции остается достаточно высокой14.

<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

Плотность уха, или количество уши на квадратный метр (уши/м2), является центральным элементом многих зерновых культур, селекционных программ, такие как пшеница и ячмень, представляющий компонент важные агротехнические доходности для оценки урожая зерновых. Следовательно быстрой, эффективной и стандартизированный метод для оценки плотности уха будет помощь в улучшении управления сельским хозяйством, обеспечивая улучшение в preharvest урожайность предсказаниям, или даже могут использоваться в качестве инструмента для сельскохозяйственных культур селекции, когда он был определен как черта важности. Не только являются текущие методы ручной уха оценки плотности кропотливый и трудоемкий, но они также без каких-либо официальных стандартизированный протокол, будь то на погонный метр, площадь квадрант, или экстраполяции основанные на завод и завод уха плотности отсчеты БМ. Для оценки плотности уха с только солнечного освещения в полевых условиях на основе зенитное (Надир) естественный цвет (красный, зеленый и синий [RGB]) цифровых изображений, позволяя для высокой пропускной способности подробно представлена колоса автоматический алгоритм подсчета стандартные измерения. Различные полевые испытания твердых сортов пшеницы и ячменя, географически распределенных по Испании в течение 2014/2015 и 2015/2016 урожая сезона в орошаемых и богарных испытаний были использованы для оказания представитель результаты. Трехфазные протокол включает в себя стадии роста сельскохозяйственных культур и поле условие планирования, рекомендации захвата изображения и компьютерный алгоритм из трех этапов: (i Частотный фильтр Лапласа для удаления артефактов низко - и высокочастотные, (ii) Средний фильтр для уменьшения высокого шум и (iii) сегментации и подсчета, используя локальные максимумы пиков для окончательного подсчета. Незначительные изменения в код алгоритма необходимо соответствующее разрешение камеры, фокусного расстояния и расстояние между камерой и канапе культур. Результаты показывают высокий уровень успеха (выше чем 90%) и R2 значения (0,62-0,75) между отсчеты алгоритм и вручную на основе образов уха для твердых сортов пшеницы и ячменя.

На рисунке 8, результаты показывают коэффициент определения между плотностью уха (количество уши за квадратных метров) с помощью ручного подсчета и уха, считая алгоритм для пшеницы и ячменя на трех этапах роста различных культур. Первый из них твердых с...

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

Мы представляем собой протокол для подсчета твердых сортов пшеницы и ячменя уши, используя естественный цвет (RGB) Цифровые фотографии, сделанные в естественного солнечного света в полевых условиях. С минимальной корректировки параметров камеры и некоторые ограничения, условия окружающей среды техника обеспечивает точных и согласованных результатов в различных стадиях роста.

Зерновых культур уха подсчета в поле условия с использованием зенитное RGB-изображений

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, ...

Мы хотели бы показать вам наш подход к подсчету зерновых в полевых условиях. Цель этого исследования состоит в том, чтобы продемонстрировать быстрый и эффективный способ подсчета пшеничных ушей в полевых условиях. Дурумская пшеница и ячмень являются наиболее культивируемыми зерновыми культурами в южных и восточных районах Средиземноморского бассейна.В этих районах в результате изменения климата будут изменены экологические условия. Мы должны работать для того, чтобы увеличить производство. В этом смысле изображения дистанционного и проксимального зондирования стали важным инструментом в области высокой пропускной способности фенотипирования с использованием различных детей датчиков.Одним из важнейших моментов повышения урожайности зерновых является более эффективная оценка урожайности. Определяется следующими тремя компонентами урожайности: плотность уха, количество зерен на ухо и тысяча веса ядра. Мы постараемся разработать автоматический подсчет ушей на единицу посевной площади, другими словами, плотность уха.Протокол, который мы разработали с помощью 20 мегапиксельной камерой съемки вниз глядя или совершенно xenapho или натур на расстоянии около 80 см от верхней части навеса урожая. Для целей проверки, мы делаем как в поле пшеничного уха рассчитывает, или ячмень ухо рассчитывает, а также ручные подсчеты изображения для того, чтобы проверить технику и тонкой настройки алгоритмов. Важно также при съемке полевых фотографий, чтобы фотографии были захвачены в течение двух часов солнечного полудня.Это важно, поскольку позволяет избежать эффектов затенения, которые усложняют анализ изображения на 2-й фазе протокола. В этой части мы хотели бы показать вам наш подход к подсчету зерновых в полевых условиях. Эта работа была проведена в сотрудничестве с ITACyL, INIA и Syngenta.Начнем. Первым шагом нашего протокола является выбор соответствующего этапа роста урожая. В нашем случае, мы используем этапы между заполнением зерна и вблизи хроматологии, которые соответствуют в случае юго-востока число между 60 и 87.На рисунке A:Пшеница и рисунок B: Ячмень мы выбрали пример спутниковых изображений нашего набора данных. Захват изображения имеет 3 параметра: ширина датчика, фотообъектив и расстояние между камерой и навесом. С помощью этой информации мы можем рассчитать квадратные метры изображения.Алгоритм реализации и корректировки, это pa-blan-y шаги. В качестве ввода у нас есть изображение RGB. Лаплакский частотный фильтр мы используем его для удаления части почвы, оставить и нежелательной яркости.Средний фильтр, рассматривающий шум, и, наконец, найти maxima определить местные выборы. На выходе изображения изображены обнаруженные уши. Алгоритм реализации и корректировки.Если изображения были сделаны с различной спецификацией камеры или расстоянием между навесом и камерой, мы можем настроить некоторые параметры алгоритма. Лаплакский фильтр все тот же. В среднем фильтре и найти maxima мы можем изменить диаметр и параметр шума.Проверка алгоритма. Для шага проверки мы отметили каждое ухо в исходном изображении, а затем количество знаков на изображении было подсчитано с помощью простого алгоритма. Результаты были использованы для расчета успеха.Мы также включили круг, чтобы иметь физическую ссылку на изображении. Алгоритм реализации с использованием изображений. Это подключаемый сканер хлопьев.Вы найдете в центральной вкладке подсчета данных. В опциях вы можете выбрать входные изображения, а также место, где вы собираетесь сохранить результаты. Я хотел бы показать вам, как работает макрос с помощью одного изображения.Мы собираемся выбрать это изображение, и теперь мы собираемся запустить первый шаг. Это частотное формирование изображения и здесь у нас есть результат. Вторым шагом является средний фильтр.Мы собираемся запустить этот шаг, и это результат. Наконец, мы собираемся запустить последнюю часть разреза, и это результат, эти окончательные цифры количество обнаруженных ушей. Другой путь к тому же нажмите здесь, мы обработать, найти maxima, и нажмите здесь.Это еще один способ использования алгоритма подсчета ушей. Вы можете посетить наш сайт интегративнойкропекофизиологии группы. ком и здесь, в разработке программного обеспечения, вы найдете зерновых сканера.Чтобы получить доступ к разрешению, пожалуйста, напишите непосредственно на это письмо. Пожалуйста, следуйте шагам, чтобы установить плагин. С установленным штепсельной вилкой, пожалуйста, перейдите непосредственно на подключаемые вички, сканер хлопьев, открытый сканер хлопьев.Теперь мы собираемся использовать два изображения. Перейти непосредственно к зерновых сканер, подсчет ушей, и в вариантах, выберите файлы. Здесь вы можете использовать расстояние между навесом и камерой.В нашем случае мы используем его 80 см. Здесь вы можете выбрать фокусное расстояние. Наконец, в файле результатов вы найдете результаты подсчета ушей и просто процесс.Таковы наши результаты. Здесь у нас есть название изображения и впереди у нас есть количество ушей обнаружено. Таковы результаты для пшеницы и ячменя.Для каждого графического X-оси представляет собой ручной подсчет. Нажмите нажатием кнопки, и Y-ось представляет собой алгоритм подсчета. Обе оси в квадратном метре.На пятом графике для пшеницы мы получили коэффициент определения, равный 0,62, а во втором графическом для ячменя мы получили коэффициент определения, равный 0,75. В окончательном изображении для пшеницы мы также получили коэффициент определения, равный 0,75. При подсчете является одним из самых трудоемких для работы и много времени во время цикла оценки разнообразия и прогнозирования урожайности.По этой причине для совершенствования и расширения его использования в точном сельскохозяйственном и растениеводе, а также для прогнозирования урожайности необходима быстрая и дружественная техника. Такое использование нашего сканера зерновых является плодом сотрудничества Корпорации Общественных Предоставляет с целью сделать подсчет ушей с улучшенной эффективностью и временем и ресурсами. С другой стороны, для сбора данных высокого качества, чтобы в конечном итоге с более точной базой данных продукта.Хотя еще предстоит заключить, я хотел бы подчеркнуть аналогичные аспекты неправильно-a-lory вы были бы представлены здесь, один местный, так что это действительно форма технологии, которая не нуждается в какой-либо дополнение, чтобы люди могли пойти на поле со своей камерой, с мобильного телефона, принимая изображения под солнечным светом, и все. Во-вторых, очень важный момент, заключается в том, что это всего лишь методология assundun, которая действительно контрастирует с познанием вопроса о людях, подсчитывая количество ушей по-разному. Таким образом, местные, что имеет экс-tres-цент раньше важно, потому что вы можете сделать в течение нескольких минут, что пара или три человека потребуется, возможно, в течение нескольких часов.Так что подсчет, бюджет - это действительно важный момент. Другим аспектом является то, что методология минимальна для уменьшения разрешения. Это означает, что вы можете смонтировать камеру RGB в мегапланте в своего рода автоматической растительной форме, а затем вы можете сделать автоматический рассчитывая на этот факт.И, наконец, я говорю, что это не конец пути, так что у нас есть действительно процент методологии, которые могут улучшить в будущем за счет сочетания со всеми подходами, как, например, использование различных RGB цвета и пространства, например, в сочетании с многоспектральной воображая или даже использование тепловых или тепловых изображений. И это все, спасибо.

Research

JoVE Journal

Environment

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

Интегрированный полевой Lysimetry и поровой воде Отбор проб для оценки химической мобильности в почвах и создания растительности

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

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

Измерение Курсы гербицида обмена веществ в двудольных сорняков с Пробирной вырезали Leaf

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

Калиброванные Пассивный Отбор проб - мультиграфическая Полевые измерения NH<sub&gt; 3</sub&gt; Выбросы с комбинацией динамического метода трубы и пассивные пробоотборники

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

Модификация и применение листа Blower-Vac для отбора проб на местах членистоногих

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

Надежный метод оценки всхожести семян, пок, и смертности в полевых условиях

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

Протоколы для Количественная переводных остаточным пестицидам в системах Turfgrass

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 и спектральные корень изображений для растений фенотипа и физиологических исследований: экспериментальная установка и визуализации протоколы

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

Процедуры лабораторных фумигации вредителями с газом окиси азота

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

Гибкие низкая стоимость гидропоники системы для оценки реакция растений на небольших молекул в стерильных условиях

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.

Высок объём, микромасштабной протокол для анализа обработки параметров и питательными качествами в кукурузы (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 ...