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.
