Der PhenoBob – Hochdurchsatzphänotypisierung von Zuckerrübenpflanzen im Feld
Tóm tắt
Die sensorbasierte Phänotypisierung und Jungpflanzenvermessung bringt deutliche Vorteile gegenüber der herkömmlichen, visuellen Pflanzenzählung und Entwicklungsbonitur. Mit dieser Technologie ist es möglich, zwischen einem hohen Feldaufgang mit anschließendem Absterben von Pflanzen, beispielsweise aufgrund von Frost‑, Fraßschäden oder anderem Schädlingsbefall, und einem niedrigeren Feldaufgang zu unterscheiden. Die digitale Bilddatenspeicherung erlaubt zudem die nachträgliche Ursachenanalyse für Pflanzenverluste oder Reduzierung der Blattfläche im Vegetationsverlauf. Im Beitrag wird ein Feldroboter zur Feldaufgangsbestimmung und Phänotypisierung von Zuckerrüben im Jungpflanzenstadium vorgestellt. Die sehr niedrige Messhöhe und damit einhergehende hohe Messauflösung des bodengebundenen Systems ermöglicht eine Pflanzenzählung ab dem ersten Feldauflauf, die Unterscheidung von Pflanzenverlusten vor und nach dem Feldaufgang sowie die einzelpflanzenspezifische Analyse der frühen Blattflächenentwicklung. Mittels eines 3D Messverfahren wird die Modellierung und Vermessung der 3D Blattfläche sowie morphologischer Blattparameter vorgestellt. Ein Ausblick zeigt zudem die Erweiterbarkeit der Methodik zur Unterscheidung von Nutzpflanzen und Unkrautpflanzen sowie der anschließenden mechanischen Unkrautregulierung.
Tài liệu tham khảo
Anonym (2022a) Naio Technologies Dino https://www.naio-technologies.com/dino/?lang=fr, gesehen 19. Okt. 2022
Anonym (2022b) For3D Schritthaltende 3D-Rekonstruktion und -Analyse, Bayerische Forschungsstiftung, 2019 Forschungsverbund, Förderprojekte https://www.forschungsstiftung.de/Projekte/Details/Schritthaltende-3D-Rekonstruktion-und-Analyse.html, gesehen am 19. Okt. 2022
Anonym (2022c) Roboception 3D Stereosensor, https://roboception.com/product/rc_visard-65-color/, gesehen am 19. Okt. 2022
Atefi A, Ge Y, Pitla S, Schnable J (2021) Robotic technologies for high-throughput plant phenotyping: contemporary reviews and future perspectives. Front Plant Sci 21:611940. https://doi.org/10.3389/fpls.2021.611940
Bock CH, Poole GH, Parker PE, Gottwald TR (2010) Plant disease severity estimated visually, by digital photography and image analysis, and by hyperspectral imaging. CRC Crit Rev Plant Sci 29(2):59–107. https://doi.org/10.1080/07352681003617285
Rui X, Changying K (2021) A review of high-throughput field phenotyping systems: focusing on ground robots. Plant Phenom. https://doi.org/10.34133/2022/9760269
Scholz O, Uhrmann F, Wolff A, Pieger K, Penk D (2019) Determination of detailed morphological features for phenotyping of sugar beet plants using 3D-stereoscopic data. ISPRS Ann Photogramm Remote Sens Spatial Inf Sci. https://doi.org/10.5194/isprs-annals-IV-2-W7-161-2019
Uhrmann F, Hügel C, Paris S, Scholz O, Zollhöfer F, Greiner G (2013) A model-based approach to extract leaf features from 3D scans. Proceedings of the 7th International Conference on Functional-Structural Plant Models, Saariselkä, 9–14 June 2013. ISBN 9789516514089.
Weyrich M, Wang Y, Scharf M (2013) Quality assessment of row crop plants by using a machine vision system. University of Stuttgart—Publikationen. https://www.ias.uni-stuttgart.de/dokumente/publikationen/2013_Quality_assessment_of_row_crop_plants_by_using_a_machine_vision_system.pdf. Zugegriffen: 19. Okt. 2022
Wolff A (2012) Phänotypisierung in Feldbeständen mittels 3D-Lichtschnitt-Technik. Strube Research, Söllingen