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

Författarna till denna forskning vill tacka fältet ledningspersonalen på experimentella stationer Colmenar de Oreja (Aranjuez) av Instituto Nacional de Investigación y Tecnología Agraria y Alimentaria (INIA) och Zamadueñas (Valladolid) av den Instituto de Tecnología Agraria de Castilla y León (ITACyL) för deras fältet stöd av forskning studie grödor används. Denna studie stöddes av forskningsprojektet AGL2016-76527-R från MINECO, Spanien och en del av ett samarbetsprojekt med Syngenta, Spanien. Det BPIN 2013000100103 stipendiet från den ”Formación de Talento Humano de Alto Nivel, Gobernación del Tolima - Universidad del Tolima, Colombia” var den enda finansiering av stöd till den första författaren José Armando Fernandez-Gallego. Den primära finansieringskällan av motsvarande författare, Shawn C. Kefauver, kom från ICREA Academia programmet genom ett bidrag till Prof. Jose Luis Araus.

1. prefield gröda tillväxtfas och miljöförhållanden
<ol><li>Kontrollera att den gröda tillväxtfas är ungefärligt mellan korn fyllning och nära grödans mognad, med öron som är fortfarande grönt även om bladen är senescent (vilket motsvarar för vete till intervallet 60-87 Zadoks' skala16). Vissa gulfärgning av bladen är acceptabel men inte nödvändigt.</li>
	<li>Förbereda en provtagningsplan för Bildinsamling med olika replikat (bilder per tomt) för att fånga ritytan/variat...

<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>

Ökad smidighet, konsekvens och precision är nyckeln till att utveckla användbara nya fenotypning verktyg för att hjälpa gemenskapens gröda-avel i deras ansträngningar att öka korn avkastning trots negativa tryck relaterade till globala klimatförändringar. Effektiva och korrekta bedömningar av spannmål öra densitet, kommer som en viktig agronomiska del av avkastningen av viktiga krampa grödor, att ge de verktyg som behövs för att mata framtida generationer. Med fokus på förbättring och stöd av gröda-a...

Världen spannmål utilizationen 2017/2018 rapporteras växa med 1% från föregående år1. Baserat på de senaste prognoserna för spannmål produktionen och befolkningen utnyttjande, världen spannmål bestånden behöver öka avkastningen i en snabbare takt för att möta växande krav, medan också anpassning till öka effekterna av klimat förändring2. Därför finns det ett viktigt fokus på avkastning förbättring av spannmål genom förbättrad gröda avel tekniker. Två viktigaste och skördade spannmål i Medelhavsområdet är valt som exempel för denna studie, nämligen, durumvete (Triticum aestivum L. ssp. durumvete [Desf.]) och korn (Hordeum vulgare L.). Durumvete är, i förlängningen, den mest odlade spannmålen i södra och östra marginaler i Medelhavsområdet och är den 10: e viktigaste gröda i världen, på grund av sin årliga produktion på 37 miljoner ton årligen3, medan korn är den fjärde globala spannmål när det gäller produktion, med en global produktion på 144,6 miljoner ton årligen4.
Fjärranalys och proximala bild analystekniker är alltmer viktiga verktyg i befordran av fältet hög genomströmning växt fenotypning (HTPP) som de ger inte bara smidigare men också, ofta, mer exakt och konsekvent hämtningar av målet beskära biophysiological drag, såsom bedömningar av fotosyntetiska aktivitet och biomassa, preharvest avkastning uppskattningar och även förbättringar i drag ärftlighet, såsom effektivitet i resurs användning och upptag5,6,7 ,8,9. Fjärranalys har traditionellt fokuserats på Multispektrala, Hyperspektrala och termisk avbildning sensorer från skyliftar för precisionsjordbruk i fältet skala eller växt fenotypning studier vid microplot skala10. Vanligt, kommersiellt tillgängliga digitala kameror som mäter endast synliga reflekterade ljuset var ofta förbises, trots deras mycket hög rumslig upplösning, men har nyligen blivit populära som nya innovativa bildbehandling algoritmer alltmer kan att dra nytta av detaljerade färg och rumslig information som de tillhandahåller. Många av de nyaste innovationerna i avancerat jordbruk bild analyser alltmer beroende av tolkningen av uppgifter från mycket högupplöst (VHF) RGB-bilder (för sin mätning av röda, gröna och blå synlig ljusreflektion), inklusive gröda övervakning (vigor, fenologi, sjukdom bedömningar och identifiering), segmentering och kvantifiering (uppkomst, öra densitet, blomma och frukt räknas) och även full 3D rekonstruktioner baserat på en ny struktur från motion arbetsflöden11.
En av de viktigaste punkterna för förbättring av spannmål produktivitet är en effektivare bedömning av avkastning, som bestäms av tre huvudkomponenter: öra densitet eller antalet öron per kvadratmeter (öron/m2), antalet korn per öra, och tusen-kernel vikt. Öra densitet kan erhållas manuellt i fältet, men denna metod är mödosam och tidskrävande och saknas i ett standardiserat protokoll, som tillsammans kan leda till en betydande källa till fel. Införliva den automatisk uppräkning av öron är en utmanande uppgift på grund av komplexa gröda strukturera, nära anläggningen avstånd, hög grad av överlappning, bakgrundselement och förekomsten av awns. Senaste arbete har avancerat i denna riktning genom att använda en svart bakgrund struktur stöds av ett stativ för att förvärva lämplig beskära bilder, visar ganska bra resultat i öra räknar12. På detta sätt mycket solljus och skuggeffekter undveks, men sådan struktur skulle vara besvärligt och en stor begränsning i en ansökan till fältförhållanden. Ett annat exempel är en automatisk öra räknar algoritm som utvecklats med en helautomatisk fenotypning system med styva motoriserad Gondolen, som användes med god noggrannhet för inventering öra täthet i en panel bestående av fem awnless brödvete (Triticum aestivum L.) sorter som odlas under olika kväve villkor13. Senaste arbete av Fernandez-Gallego14 har optimerat processen för snabbare och enklare datafångst, med VHR RGB färgbilder följt av mer avancerade, men fortfarande fullt automatiserade, bild analyser. Effektiv och högkvalitativ datainsamlingen i fältförhållanden betonar ett förenklat standardiserade protokoll för konsistens och hög datagenomströmning capture, medan den bildbehandling algoritmen sysselsätter romanen utnyttjar Laplacian och frekvens domän filter för att ta bort oönskad bilden komponenter innan du applicerar en segmentering för inventering baserat på att hitta lokala maxima (i motsats till fullständig avgränsning som i andra tidigare studier, vilket kan resultera i fler fel med överlappande öron).
Detta arbete föreslår ett enkelt system för automatisk kvantifiering av örat densitet i fältförhållanden, använda bilder som förvärvats från kommersiellt tillgängliga digitala kameror. Detta system utnyttjar dagsljus i fältet villkor och, därför kräver beaktas vissa relaterade miljöfaktorer, såsom tid dag och molnet täcker, förblir men, i praktiken, enkel att genomföra. Systemet har visat på exempel för durumvete och korn men bör vara utdragbara i ansökan till bröd vete, som förutom uppvisar öron med liknande morfologi, är ofta awnless, men ytterligare experiment skulle krävas för att bekräfta detta. I data capture protokoll som presenteras här, zenithal bilderna tas genom att helt enkelt hålla kameran för hand eller använda en enbent för positionering digitalkameran ovanför grödan. Valideringsdata kan förvärvas genom att räkna öronen manuellt för subplots under efterbearbetning, eller i fältet genom att räkna öron i själva bilden. Den bildbehandling algoritmen består av tre processer som, första, effektivt bort oönskade delar av bilden på ett sätt som, sedan gör för de efterföljande segmenteringen och inventering av enskilda vete öronen i förvärvade bilder. Först en Laplacian Frekvensfilter används för att upptäcka förändringar i de olika rumsliga riktningarna av bilden som använder standardinställningarna för ImageJ utan fönster kernel storlek justeringar (Hitta Maxima segmenteringsteknik avgör den lokala topparna efter medianvärdet rumsliga filter steget, i vilket skede pixlarna relaterade med öronen har högre pixelvärden än jord eller blad. Därför hitta Maxima används för att segmentera de höga värdena i bilden, och dessa regioner är märkta som öron, som identifierar öron samtidigt minska överlappande örat fel. Analysera partiklar används sedan på de binära bilderna att räkna eller mäta parametrar från regionerna som skapats av kontrasten mellan vita och svarta ytan skapad av steget hitta Maxima. Resultatet är sedan bearbetas för att skapa en binär bild segmentering genom att analysera närmaste granne pixel variansen runt varje lokala maximalt för att identifiera vete öra formerna i den filtrerade bilden. Slutligen räknas öra täthet med analysera partiklar, som genomförts i Fiji15. Både hitta Maxima och analysera partiklar är fristående funktioner och finns som plugins i Fiji (https://imagej.nih.gov/ij/plugins/index.html). Men inte presenteras särskilt i protokollet här, tyder preliminära resultat presenteras som kompletterande material på att denna teknik är anpassningsbar till gjort öra räknas undersökningar från obemannade luftfartyg (UAV), förutsatt att resolutionen förblir tillräckligt hög14.

<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

Öra densitet, eller antalet öron per kvadratmeter (öron/m2), är ett centralt fokus i många flingor gröda avel program, t ex vete och korn, som representerar en viktig agronomiska avkastning komponent för att uppskatta korn avkastning. Därför en snabb, effektiv och standardiserad teknik för att bedöma öra densitet skulle stöd att förbättra jordbrukets förvaltning, som ger förbättringar i preharvest avkastning förutsägelser, eller kan även användas som ett verktyg för gröda avel när den har definierats som ett drag av betydelse. Inte bara är de nuvarande metoder för manuell öra densitet bedömningar mödosam och tidskrävande, men de är också utan någon officiell standardiserade protokoll, antingen genom linjär mätare, området kvadrant, eller en extrapolering utifrån öra planteringstäthet och växt räknar efter skörd. En automatisk öra räknar algoritm presenteras i detalj för uppskatta öra täthet med endast solljus belysning i fältet villkor baserat på zenithal (nadir) naturliga färg (röd, grön och blå [RGB]) digitala bilder, vilket möjliggör hög genomströmning standardiserade mätningar. Olika fältförsök av durumvete och korn spridda geografiskt över Spanien under 2014/2015 och 2015/2016 gröda säsonger i bevattnade och rainfed prövningar användes för att ge representativa resultat. Tre-fas protokollet innehåller gröda tillväxtfas och fältet skick planering, image capture riktlinjer och en datoralgoritm av tre steg: en Laplacian Frekvensfilter ta bort låg - och högfrekventa artefakter, (ii) en median filter för att minska höga buller, och (iii) segmentering och räknar med lokala maxima toppar för den slutliga sammanräkningen. Smärre justeringar av algoritmen koden måste göras motsvarande kamera upplösning, brännvidd och avstånd mellan kameran och gröda trädkronorna. Resultaten visar en hög framgång (högre än 90%) och R2 värden (på 0,62-0,75) mellan algoritm räkningarna och manuell bildbaserade örat räknas för både durumvete och korn.

I figur 8, resultaten visar beslutsamhet koefficienten mellan örat densiteten (antal öron per kvadratmeter) med manuell räknar och örat räknar algoritm för vete och korn på tre olika gröda tillväxtfaserna. Den första är durumvete med en Zadoks' skala mellan 61 och 65 (R2 = 0,62). Den andra är tvåradigt korn med en Zadoks' skala mellan 71 och 77 (R2 = 0,75), och den sista är durumvete med en Zadoks' skala m...

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

Vi presenterar ett protokoll för inventering durum vete och korn öron, med naturliga färger (RGB) digitala fotografier tagna i naturligt solljus under fältförhållanden. Med minimala justeringar för kameran parametrar och vissa miljöförhållanden begränsningar ger tekniken exakta och konsekventa resultat inom en rad olika tillväxtfaserna.

Spannmål gröda öra räknar i fältet villkor använda Zenithal RGB-bilder

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, ...

Vi vill visa er vårt tillvägagångssätt för flingoröra som räknar i fältförhållanden. Målet med denna studie är att visa ett snabbt och effektivt sätt att räkna veteöron i fältförhållanden. Durumvete och korn är i förlängningen de mest odlade spannmålen i de södra och östra områdena av Medelhavsbassängen.På dessa områden kommer miljöförhållandena som en konsekvens av klimatförändringarna att ändras. Vi måste arbeta för att öka produktionen. I denna mening, avlägsna och proximala avkänning bilder har blivit ett viktigt verktyg i området hög genomströmning fenotypning med hjälp av olika barn av sensorer.En av de väsentliga punkterna för att förbättra produktiviteten hos spannmål är en effektivare bedömning av avkastningen. Bestäms av följande tre avkastningskomponenter:Örontäthet, antalet korn per öra och den tusen kärnvikten. Vi kommer att försöka utveckla en automatisk räkning av öron per enhet gröda område med andra ord örontäthet.Det protokoll som vi har utvecklat är att använda en 20 megapixel kamera tar bilder nedåt ser eller perfekt xenapho eller natur på ett avstånd av cirka 80 cm från toppen av grödan baldakin. För validering ändamål, vi gör både i fält vete örat räknas, eller korn öra räknas samt manuella räknas av bilden i syfte att validera tekniken och finjustera algoritmer. Det är också viktigt när du tar fältet bilder, att bilderna fångas inom två timmar efter sol middagstid.Detta är viktigt eftersom det undviker skuggning effekter, som komplicerar bilden analys i 2: a fasen av protokollet. I denna del vill vi visa er vårt tillvägagångssätt för flingoröröringsräkning i fältförhållanden. Detta arbete utfördes i samarbete med ITACyL, INIA, och Syngenta.Låt oss börja. Det första steget i vårt protokoll är att välja lämplig gröda tillväxt skede. I vårt fall har vi använda etapperna mellan korn fyllning och nära kromatologi som motsvarar i South East fallet ett antal mellan 60 och 87.I figuren A:Vete och figur B:Barley valde vi ett exempel på satellitbilder av vår datamängd. Bilden fånga har 3 parametrar:sensor bredd, foto objektiv och avstånd mellan kameran och trädkronorna. Med denna information kan vi beräkna kvadratmeter av bilden.Algoritm genomförande och justeringar, dessa är de pa-blan-y steg. Som en ingång har vi en RGB bild. Laplacian frekvens filter vi använder den för att ta bort en del av jorden, lämna och oönskad ljusstyrka.Mediet filter granska bruset, och slutligen hitta maxima bestämma lokala plockar. Utdatabilden visar de öron som detekterats. Algoritm genomförande och justeringar.Om bilderna togs med olika kamera specifikation eller avstånd mellan trädkronorna och kameran kan vi justera vissa algoritm parametrar. Det laplakiska filtret är fortfarande detsamma. I mediumfiltret och hitta maxima kan vi ändra diametern och bullerparametern.Verifiering av algoritm. För valideringssteget har vi markerat varje öra i originalbilden och sedan räknades antalet märken i bilden med hjälp av en enkel algoritm. Resultaten användes för att beräkna andelen framgångsrika.Vi har också inkluderat en cirkel för att ha en fysisk referens i bilden. Algoritm genomförande med hjälp av bilder. Det här är plugin-programmet för spannmålsskanner.Du hittar i den centrala fliken dataräkning. I alternativ kan du välja indatabilder och även den plats där du ska spara resultaten. Jag skulle vilja visa dig hur makrot fungerar med hjälp av en bild.Vi ska välja den här bilden och nu ska vi köra det första steget. Detta är frekvensen bildandet av bilden och här har vi resultatet. Det andra steget är medelfiltret.Vi ska köra det här steget, och det här är resultatet. Slutligen ska vi köra den sista delen av snittet och dessa är resultatet, dessa slutliga siffror är antalet öron upptäckta. Det andra sättet att samma är klicka här, vi bearbetar, hitta maxima, och klicka här.Detta är ett annat sätt att använda öronräkningsalgoritmen. Du kan besöka vår hemsida integrativecropecophysiologygroup. com och här i mjukvaruutveckling, hittar du spannmålsscannern.För att få tillgång till tillstånd skriv direkt till detta mail. Var god följ stegen för att installera kontakten. Med kontakten i installerad vänligen gå direkt till plug ins, spannmål scanner, öppna spannmål scanner.Nu ska vi använda två bilder. Gå direkt till spannmålsskanner, öronräkning och i alternativ väljer du dina filer. Här kan du använda avståndet mellan kapellet och kameran.I vårt fall använder vi den 80 cm. Här kan du välja brännvidd. Slutligen i resultatfilen hittar du örat räkna resultat och bara process.Det är våra resultat. Här har vi namnet på bilden och framför har vi antalet öron upptäckta. Dessa är resultaten för Vete och korn.För varje grafisk föreställer X-axeln den manuella räkningen. Klicka på klick, och Y-axeln representerar algoritmen räknar. Båda axel i en kvadratmeter skala.I femte bilden för vete har vi erhållit en bestämningskoefficient som är lika med 0,62 och i den andra grafiken för korn har vi erhållit en bestämningskoefficient som är lika med 0,75. I den slutliga bilden för vete har vi också fått en bestämningskoefficient som är lika med 0,75. I räkna är en av de mest mödosamma att arbeta och tidskrävande under sort utvärdering cykel och avkastning förutsägelse.Av denna anledning en snabb och vänlig teknik behövs för att förbättra och expandera det användning i exakta jordbruks-och gröda avel och för avkastning prognoser. Denna användning av vår spannmål scanner är frukten av samarbete med Public Provides Corporation med målet att göra örat räkna med förbättrad effektivitet och tid och resurser. Å andra sidan att fånga data av hög kvalitet för att sluta med mer exakt produktdatabas.Även ännu att avsluta jag skulle vilja betona liknande aspekter av mis-a-lory du skulle ha presenterats här, är en den lokala, så detta är verkligen en form av teknik som inte behöver någon form av komplement så att människor kan gå till fältet med sin kamera, med en mobiltelefon, ta bilder under solljus och det är allt. För det andra, en mycket viktig punkt, är att detta bara är ett assundun metod som verkligen är en kontrast till cognancy till en fråga om de människor som räknar antalet öron på ett mycket olika sätt. Så den lokala som har en ex-tres-cent innan är viktigt eftersom du kan göra på några minuter vad ett par eller tre personer kommer att behöva kanske i flera timmar.Så räkningen, budgeten är en mycket viktig punkt. En annan aspekt är att metoden är minimal för att minska upplösningen. Det innebär att du kan montera RGB kameran i en megaplant i ett slags automatisk växt-form och då kan du göra en automatisk räknar med detta fakta.Och slutligen säger jag att detta inte är slutet på vägen så vi har verkligen en procentsats metod som kan förbättras i framtiden genom kombinationen med alla tillvägagångssätt som till exempel användningen av olika RGB färg och utrymmen till exempel i kombination med multi-spektrala inbillning eller ens användning av termiska eller termiska bilder. Och det är allt, tack.

Research

JoVE Journal

Environment

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

Integrerad fält Lysimetry och porvatten Provtagning för utvärdering av kemiska mobilitet i jord och Etablerad Vegetation

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

Mätning priser av herbicid Metabolism i Dicot Ogräs med en utskuren Leaf analys

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

Kalibrerad Passiv provtagning - Multi-tomt fältmätningar av NH<sub&gt; 3</sub&gt; Utsläpp med en kombination av dynamisk rörmetoden och passiva provtagare

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

Modifiering och tillämpning av en lövblåsare-vac för fältprovtagning av leddjur

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

Tillförlitlig metod för att bedöma frögroning, Vilande och Mortalitet under fältbetingelser

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

Protokoll för att kvantifiera överlåtbara bekämpningsmedelsrester i turfgrass Systems

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 och spektrala Root Imaging för växt fenotypning och fysiologisk forskning: experiment och Imaging protokoll

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

Förfaranden av laboratoriet gasning för skadedjursbekämpning med kväveoxid Gas

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

En flexibel lågpris hydroponiska System för bedömning av anläggningen Svaren till små molekyler i sterila förhållanden

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.

Hög genomströmning, hur provtagningsutrustningen skall protokollet för analys av bearbetning parametrar och näringsvärde i majs (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 ...