Las características morfológicas de las plántulas de injerto afectan a la calidad del injerto automático. Debido a las condiciones de iluminación no uniformes e inestables de los invernaderos, es difícil llevar a cabo un control específico de las plántulas.
En cambio, las fábricas de plantas pueden cultivar las plántulas injertadas en un entorno más óptimo ajustando factores ambientales como la luz. El objetivo de esta investigación es proponer un método de control inteligente para el crecimiento de las plántulas, con el fin de cultivar con precisión plántulas que cumplan los requisitos de diferentes máquinas de injertar. Esta investigación estableció un método de evaluación para las plántulas de tomate (adecuadas para el injerto automático) y puntuó las plántulas que se sometieron a transiciones de recetas de luz en diferentes puntos temporales. A partir de la ponderación exhaustiva de las plántulas de tomate aptas para el injerto automático, combinada con los datos de crecimiento de las plántulas sometidas a diferentes entornos de luz, se utilizaron seis algoritmos de aprendizaje automático para establecer modelos de predicción del crecimiento. Los resultados indican que la longitud del hipocótilo y el diámetro del tallo son factores cruciales que influyen en la posibilidad de injertar mecánicamente la plántula. Y la transición de las recetas de luz durante el cultivo puede regular la calidad de la plántula. XGBoost logró la mejor precisión para predecir el crecimiento de portainjertos y púas, con valores R2 de 0,9253 y 0,9334, respectivamente. Se estableció un sistema inteligente de control de la luz y se realizaron experimentos de injerto.
Los resultados mostraron que la tasa de éxito del injerto automático y la tasa de supervivencia tras el injerto de las plántulas reguladas por la luz eran un 8,3% y un 1,4% superiores a las de las plántulas disponibles en el mercado, respectivamente. Esto demuestra la viabilidad del modelo y pone de relieve la aplicación práctica del sistema en la agricultura de precisión.
Wang, Y., Deng, H., Li, H., Mu, Z., Gu, S., & Mu, Y. (en prensa). A machine learning-based model for the precise regulation of tomato seedling growth for automatic grafting. Frontiers in Plant Science, Section: Fitoprotección sostenible e inteligente
Fuente: Frontiers in Plant Science
