Desarrollo de modelos para la identificación de variedades y fitopatologías mediante técnicas fotónicas

Abstract

In the cultivation of fruit trees, the most common is to work with cuttings. In this way, the grafted fruit tree variety offers specific fruit qualities and the rootstock offers certain agronomic and adaptation characteristics. The grafts that come from varieties of the same species usually present a great genetic proximity, which makes them very difficult to identify by means of agro-morphological characters. For this reason, it is necessary to implement more complex methods to be able to distinguish them. Nowadays, the most widely used methods for varietal identification are based on DNA analysis, which allow obtaining molecular profiles. However, these biomolecular techniques require sophisticated instruments and facilities, time consuming, and are expensive. These drawbacks make the implementation of molecular techniques unfeasible as methods for the routine analysis of large volumes of samples. In this context, the nursery plant sector demands a rapid, no-destructive, accurate, and economic methods. The main objective of this thesis is to develop a method that allows identifying and differentiating varieties at the nursery plant level, together with the ability to assess their physiological status. The thesis is articulated in 4 articles published in indexed journals together with essays presented in the present work. The main results are to a) Protocols have been developed for the use of near infrared spectroscopy techniques, hyperspectral camera and artificial vision coupled to deep learning in fruit cuttings and cherry rootstocks; b) Near-infrared spectroscopy proved to be a technique capable of differentiating, with a very high degree of specificity, six varieties of almond (Prunus dulcis), but it presented limitations for its implementation in a production line; c) The use of the hyperspectral camera has proven adequate for the differentiation of three rootstock varieties and the analysis of the physiological state, including the premature detection of Pseudomonas syringae; d) The use of artificial vision coupled with deep learning has proven to be effective in the differentiation of almond varieties; e) The joint analysis of the results indicates that the best solution to be implemented in a production line would go through the implementation of the spectral camera for the control of the physiological state of the plants and the artificial vision coupled to deep learning for the varietal identification.

En el cultivo de árboles frutales lo más habitual es trabajar con plantas injertadas. De esta forma, la variedad de árbol frutal injertada ofrece unas cualidades de fruto específicas y el portainjerto ofrece unas características agronómicas y de adaptación determinadas. Los injertos que provienen de variedades de una misma especie suelen presentar una gran proximidad genética, lo que genera que sean muy difíciles de identificar mediante caracteres agromorfológicos. Por esta razón, es necesario la implementación de métodos más complejos para poder distinguirlos. En la actualidad, los métodos más utilizados para la identificación varietal se basan en el análisis del ADN, los cuales permiten obtener perfiles moleculares. Sin embargo, estas técnicas biomoleculares requieren de instrumentos e instalaciones sofisticadas, no son rápidas de ejecutar y presentan un coste elevado. Estos inconvenientes hacen inviable la implementación de las técnicas moleculares como métodos de análisis rutinario de grandes volúmenes de muestras. En este contexto, el sector viverístico demanda nuevos métodos que seas rápidos, no destructivos, eficaces y con un coste por análisis bajo. El objetivo principal de esta tesis es desarrollar un método que permita identificar y diferenciar variedades a nivel de planta de vivero junto con la capacidad de evaluar el estado fisiológico de las mismas. La tesis se articula en 4 artículos publicados en revistas indexadas junto con otros ensayos expuestos en el presente trabajo. Los principales resultados son: a) Se han desarrollado protocolos para el uso de técnicas de espectroscopia de infrarrojo cercano, cámara hiperespectral y visión artificial acoplado a deep learning en esquejes de frutales y portainjertos de cerezo; b) La espectroscopia de infrarrojo cercano demostró ser una técnica capaz de diferenciar, con un grado muy elevado de especificidad, seis variedades de almendro (Prunus dulcis), pero presentó limitaciones para su implementación en una línea de producción; c) El uso de la cámara hiperespectrales ha demostrado adecuado para la diferenciación de tres variedades de portainjerto y el análisis del estado fisiológico, incluyendo la detección prematura de Pseudomonas syringae; d) El uso de la visión artificial acoplada a deep learning ha demostrado ser eficaz en la diferenciación de variedades de almendro; e) El análisis conjunto de los resultados indican que la mejor solución para ser implementada en una línea de producción pasaría por la implementación de la cámara espectral para el control del estado fisiológico de las plantas y la visión artificial acoplada a deep learning para la identificación varietal.