Nos gustaría mostrarle nuestro enfoque para el recuento de oídos de cereales en condiciones de campo. El objetivo de este estudio es demostrar una manera rápida y eficiente de contar las orejas de trigo en condiciones de campo. El trigo duro y la cebada son, por extensión, los cereales más cultivados en las zonas sur y este de la cuenca mediterránea.
En esas zonas, como consecuencia del cambio climático, se modificarán las condiciones ambientales. Tenemos que trabajar para aumentar la producción. En este sentido, las imágenes de detección remotas y proximales se han convertido en una herramienta importante en el fenotipado de alto rendimiento de campo utilizando diferentes niños de sensores.
Uno de los puntos esenciales para mejorar la productividad de los cereales es una evaluación más eficiente del rendimiento. Determinado por los tres componentes de rendimiento siguientes: densidad de oído, el número de granos por oído y los mil peso del núcleo. Trataremos de desarrollar un conteo automático de orejas por unidad de área de cultivo en otras palabras densidad del oído.
El protocolo que hemos desarrollado es el uso de una cámara de 20 megapíxeles tomando fotos hacia abajo o perfectamente xenapho o natur a una distancia de aproximadamente 80 cm de la parte superior del dosel de cultivo. Para fines de validación, hacemos tanto en el recuento de oídos de trigo de campo, o recuentos de oídos de cebada, así como recuentos manuales de la imagen con el fin de validar la técnica y afinar los algoritmos. También es importante al tomar las fotos de campo, que las imágenes sean capturadas dentro de las dos horas del mediodía solar.
Esto es importante porque evita los efectos de sombreado, que complican el análisis de imagen en la 2a fase del protocolo. En esta parte, nos gustaría mostrarle nuestro enfoque para el recuento de oídos de cereales en condiciones de campo. Este trabajo se llevó a cabo en colaboración con ITACyL, INIA y Syngenta.
Empecemos. El primer paso de nuestro protocolo es seleccionar la etapa de crecimiento de cultivo apropiada. En nuestro caso, hemos utilizado las etapas entre el llenado de granos y la cromatología cercana que corresponden en el caso del Sureste un número entre 60 y 87.
En la Figura A:Wheat y la Figura B:Barley elegimos un ejemplo de imágenes satelitales de nuestro conjunto de datos. La captura de imagen tiene 3 parámetros: ancho del sensor, lente de la foto y distancia entre la cámara y el dosel. Con esta información podemos calcular los metros cuadrados de la imagen.
Implementación de algoritmos y ajustes, estos son los pasos pa-blan-y. Como entrada tenemos una imagen RGB. Filtro de frecuencia laplacian lo utilizamos para eliminar parte del suelo, dejar y brillo no deseado.
El filtro medio que revisa el ruido y, finalmente, encuentra maxima determinan las selecciones locales. La imagen de salida muestra los oídos detectados. Implementación y ajustes de algoritmos.
Si las imágenes fueron tomadas con diferentes especificaciones de la cámara o distancia entre el dosel y la cámara podemos ajustar algunos parámetros del algoritmo. El filtro laplaciano sigue siendo el mismo. En el filtro medio y encontrar maxima podemos cambiar el diámetro y el parámetro de ruido.
Validación de algoritmos. Para el paso de validación hemos marcado cada oreja en la imagen original y luego el número de marcas en la imagen se contaron utilizando un algoritmo simple. Los resultados se utilizaron para calcular la tasa de éxito.
También hemos incluido un círculo para tener una referencia física en la imagen. Implementación de algoritmos mediante imágenes. Este es el plug-in del escáner de cereales.
Encontrará en el recuento de datos de la pestaña central. En las opciones puede seleccionar las imágenes de entrada y también el lugar donde va a guardar los resultados. Me gustaría mostrarle cómo funciona la macro usando una imagen.
Vamos a seleccionar esta imagen y ahora vamos a ejecutar el primer paso. Esta es la formación de frecuencia de la imagen y aquí tenemos el resultado. El segundo paso es el filtro medio.
Vamos a dar este paso, y este es el resultado. Finalmente vamos a ejecutar la última parte del corte y estos son el resultado, estos números finales es el número de oídos detectados. La otra forma de hacerlo es hacer clic aquí, procesar, encontrar maxima y hacer clic aquí.
Esta es otra manera de usar el algoritmo de conteo de oídos. Puede visitar nuestro sitio web integrativecropecophysiologygroup. com y aquí en el desarrollo de software, encontrará el escáner de cereales.
Para acceder al permiso, escriba directamente a este correo electrónico. Siga los pasos para instalar el plug-in. Con el enchufe instalado, vaya directamente a los enchufes, escáner de cereales, escáner de cereales abierto.
Ahora vamos a usar dos imágenes. Vaya directamente al escáner de cereales, contando los oídos y, en las opciones, seleccione sus archivos. Aquí puede utilizar la distancia entre el dosel y la cámara.
En nuestro caso lo utilizamos 80 cm. Aquí puede seleccionar la distancia focal. Finalmente en el archivo de resultados encontrará los resultados de conteo de oídos y sólo el proceso.
Estos son nuestros resultados. Aquí tenemos el nombre de la imagen y en frente tenemos el número de oídos detectados. Estos son los resultados para el trigo y la cebada.
Para cada gráfico, el eje X representa el recuento manual. Haga clic haciendo clic y el eje Y representa el recuento de algoritmos. Ambos ejes en una escala de metro cuadrado.
En el quinto gráfico para el trigo hemos obtenido un coeficiente de determinación igual a 0,62 y en el segundo gráfico para la cebada hemos obtenido un coeficiente de determinación igual a 0,75. En la imagen final del trigo también hemos obtenido un coeficiente de determinación igual a 0,75. En el conteo es uno de los más laboriosos para trabajar y consumir mucho tiempo durante el ciclo de evaluación de variedades y la predicción de rendimiento.
Por esta razón se necesita una técnica rápida y amigable para mejorar y ampliar su uso en la agricultura precisa y la cría de cultivos y para la previsión del rendimiento. Este uso de nuestro escáner de cereales es fruto de la colaboración de Public Provides Corporation con el objetivo de hacer el recuento de oídos con una mayor eficiencia y tiempo y recursos. Por otro lado, para capturar datos de alta calidad para terminar con una base de datos de productos más precisa.
Si bien aún para concluir me gustaría subrayar aspectos similares del mis-a-lory que se le habría presentado aquí, uno es el local, por lo que esta es realmente una forma de tecnología que no necesita ningún tipo de complemento para que la gente pueda ir al campo con su cámara, con un teléfono móvil, tomando imágenes bajo la luz del sol y eso es todo. En segundo lugar, un punto muy importante, es que esto es sólo una metodología assundun que es realmente un contraste con la cognancy a un problema de las personas que cuentan el número de oídos de una manera muy diferente. Así que el local que tiene un ex-tres-cent antes es importante porque usted puede hacer en pocos minutos lo que una pareja o tres personas necesitarán tal vez en varias horas.
Así que el conteo, el presupuesto es un punto muy importante. Otro aspecto es que la metodología es mínima para disminuir la resolución. Eso significa que puede montar la cámara RGB en una megaplanta en una especie de planta automática y luego puede hacer un conteo automático con estos hechos.
Y finalmente estoy diciendo que este no es el final del camino por lo que tenemos realmente una metodología porcentual que puede mejorar en el futuro a través de la combinación con todos los enfoques como por ejemplo el uso de diferentes colores RGB y espacios por ejemplo en combinación con la imaginación multiespectral o incluso el uso de imágenes térmicas o térmicas. Y eso es todo, gracias.
