Name: Robotic Sensing und Stimuli-Regelung für geführtes Pflanzenwachstum (Video) | JoVE Journal
Uploaded: 2019-07-01T15:00:00.000+00:00
Duration: 8 min 2 s
Description: Lernen Sie die robotergestützte Steuerung des Pflanzenwachstums durch blaues Lichtstimuli bei Phaseolus vulgaris. Diese Methode ermöglicht präzise Wachstumsmuster für biohybride Systeme in der Landwirtschaft.

ai_agent_IP

ai_agent

maintenance

instantTrialDurationMinutes

isBiopharma

enableNewMyJoveSectionDesign

educationFeatures

seoMetaApi

ai_copilot_institution_blacklist

ai_chat_institution_blacklist

freeAccessWindow

ssoRoleCapture

scheduledMaintenanceBanner

joveLabsFeatures

disable_autoplay_for_bots

extended_trial_duration

5 minutes

Diese Studie wurde durch das Projekt Flora robotica unterstützt, das im Rahmen der FET-Zuschussvereinbarung Nr. 640959 aus dem Forschungs- und Innovationsprogramm Horizont 2020 der Europäischen Union gefördert wurde. Die Autoren danken Anastasios Getsopulos und Ewald Neufeld für ihren Beitrag zur Hardwaremontage und Tanja Katharina Kaiser für ihren Beitrag zur Überwachung von Pflanzenexperimenten.

<ol><li>Åstrand, B., Baerveldt, A. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((An+agricultural+mobile+robot+with+vision-based+perception+for+mechanical+weed+control%5BTitle%5D)+AND+%22Autonomous+Robots%22%5BJournal%5D)">An agricultural mobile robot with vision-based perception for mechanical weed control.</a> Autonomous Robots. 13 (1), 21-35 (2002).</li>
<li>Blackmore, B. S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+systems+view+of+agricultural+robots%5BTitle%5D)+AND+%22Proceedings+of+6th+European+conference+on+precision+agriculture+%28ECPA%29%22%5BJournal%5D)">A systems view of agricultural robots.</a> Proceedings of 6th European conference on precision agriculture (ECPA). , 23-31 (2007).</li>
<li>Edan, Y., Han, S., Kondo, N. Automation in agriculture. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aEdan%2C+Y+%22Springer+handbook+of+automation%22">Springer handbook of automation</a>. , Springer. Berlin, Heidelberg. 1095-1128 (2009).</li>
<li>Van Henten, E. J., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((An+autonomous+robot+for+harvesting+cucumbers+in+greenhouses%5BTitle%5D)+AND+%22Autonomous+Robots%22%5BJournal%5D)">An autonomous robot for harvesting cucumbers in greenhouses.</a> Autonomous Robots. 13 (3), 241-258 (2002).</li>
<li>Al-Beeshi, B., Al-Mesbah, B., Al-Dosari, S., El-Abd, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((iplant%3A+The+greenhouse+robot%5BTitle%5D)+AND+%22Proceedings+of+IEEE+28th+Canadian+Conference+on+Electrical+and+Computer+Engineering+%28CCECE%29%22%5BJournal%5D)">iplant: The greenhouse robot.</a> Proceedings of IEEE 28th Canadian Conference on Electrical and Computer Engineering (CCECE). , 1489-1494 (2015).</li>
<li>Giraldo, J. P., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Plant+nanobionics+approach+to+augment+photosynthesis+and+biochemical+sensing%5BTitle%5D)+AND+%22Nature+Materials%22%5BJournal%5D)">Plant nanobionics approach to augment photosynthesis and biochemical sensing.</a> Nature Materials. 13 (4), (2014).</li>
<li>Mazarei, M., Teplova, I., Hajimorad, M. R., Stewart, C. N. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Pathogen+phytosensing%3A+Plants+to+report+plant+pathogens%5BTitle%5D)+AND+%22Sensors%22%5BJournal%5D)">Pathogen phytosensing: Plants to report plant pathogens.</a> Sensors. 8 (4), 2628-2641 (2008).</li>
<li>Zimmermann, M. R., Mithöfer, A., Will, T., Felle, H. H., Furch, A. C. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Herbivore-triggered+electrophysiological+reactions%3A+candidates+for+systemic+signals+in+higher+plants+and+the+challenge+of+their+identification%5BTitle%5D)+AND+%22Plant+Physiology%22%5BJournal%5D)">Herbivore-triggered electrophysiological reactions: candidates for systemic signals in higher plants and the challenge of their identification.</a> Plant Physiology. , 01736(2016).</li>
<li>Hamann, H., et al. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aHamann%2C+H+%22Flora+robotica--An+Architectural+System+Combining+Living+Natural+Plants+and+Distributed+Robots%22">Flora robotica--An Architectural System Combining Living Natural Plants and Distributed Robots</a>. , arXiv preprint arXiv. 1709.04291 (2017).</li>
<li>Arkin, R. C., Egerstedt, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Temporal+heterogeneity+and+the+value+of+slowness+in+robotic+systems%5BTitle%5D)+AND+%22Proceedings+of+IEEE+International+Conference+on+Robotics+and+Biomimetics+%28ROBIO%29%22%5BJournal%5D)">Temporal heterogeneity and the value of slowness in robotic systems.</a> Proceedings of IEEE International Conference on Robotics and Biomimetics (ROBIO). , 1000-1005 (2015).</li>
<li>Mahlein, A. K. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Plant+disease+detection+by+imaging+sensors-parallels+and+specific+demands+for+precision+agriculture+and+plant+phenotyping%29%5BTitle%5D)+AND+%22Plant+Disease%22%5BJournal%5D)">Plant disease detection by imaging sensors-parallels and specific demands for precision agriculture and plant phenotyping).</a> Plant Disease. 100 (2), 241-251 (2016).</li>
<li>Wahby, M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+robot+to+shape+your+natural+plant%3A+the+machine+learning+approach+to+model+and+control+bio-hybrid+systems%5BTitle%5D)+AND+%22Proceedings+of+the+Genetic+and+Evolutionary+Computation+Conference+%28GECCO+%2718%29%22%5BJournal%5D)">A robot to shape your natural plant: the machine learning approach to model and control bio-hybrid systems.</a> Proceedings of the Genetic and Evolutionary Computation Conference (GECCO '18). , ACM. New York, NY, USA. 165-172 (2018).</li>
<li>Bastien, R., Douady, S., Moulia, B. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((A+unified+model+of+shoot+tropism+in+plants%3A+photo-%2C+gravi-and+propio-ception%5BTitle%5D)+AND+%22PLoS+Computational+Biology%22%5BJournal%5D)">A unified model of shoot tropism in plants: photo-, gravi-and propio-ception.</a> PLoS Computational Biology. 11 (2), e1004037(2015).</li>
<li>Wahby, M., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Autonomously+shaping+natural+climbing+plants%3A+a+bio-hybrid+approach%5BTitle%5D)+AND+%22Royal+Society+Open+Science%22%5BJournal%5D)">Autonomously shaping natural climbing plants: a bio-hybrid approach.</a> Royal Society Open Science. 5 (10), 180296(2018).</li>
<li>Liscum, E., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Phototropism%3A+growing+towards+an+understanding+of+plant+movement%5BTitle%5D)+AND+%22Plant+Cell%22%5BJournal%5D)">Phototropism: growing towards an understanding of plant movement.</a> Plant Cell. 26, 38-55 (2014).</li>
<li>Christie, J. M., Murphy, A. S. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Shoot+phototropism+in+higher+plants%3A+new+light+through+old+concepts%5BTitle%5D)+AND+%22American+Journal+of+Botany%22%5BJournal%5D)">Shoot phototropism in higher plants: new light through old concepts.</a> American Journal of Botany. 100, 35-46 (2013).</li>
<li>Migliaccio, F., Tassone, P., Fortunati, A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Circumnutation+as+an+autonomous+root+movement+in+plants%5BTitle%5D)+AND+%22American+Journal+of+Botany%22%5BJournal%5D)">Circumnutation as an autonomous root movement in plants.</a> American Journal of Botany. 100, 4-13 (2013).</li>
<li>Gianoli, E. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+behavioural+ecology+of+climbing+plants%5BTitle%5D)+AND+%22AoB+Plants%22%5BJournal%5D)">The behavioural ecology of climbing plants.</a> AoB Plants. 7, (2015).</li>
<li>Vestartas, P., et al. Design Tools and Workflows for Braided Structures. <a target="_blank" href="http://scholar.google.com/scholar?hl=en&safe=off&q=author%3aVestartas%2C+P+%22Proceedings+of+Humanizing+Digital+Reality%22">Proceedings of Humanizing Digital Reality</a>. , Springer. Singapore. 671-681 (2018).</li>
<li>Pierik, R., De Wit, M. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Shade+avoidance%3A+phytochrome+signalling+and+other+aboveground+neighbour+detection+cues%5BTitle%5D)+AND+%22Journal+of+Experimental+Botany%22%5BJournal%5D)">Shade avoidance: phytochrome signalling and other aboveground neighbour detection cues.</a> Journal of Experimental Botany. 65 (10), 2815-2824 (2014).</li>
<li>Fraser, D. P., Hayes, S., Franklin, K. A. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Photoreceptor+crosstalk+in+shade+avoidance%5BTitle%5D)+AND+%22Current+Opinion+in+Plant+Biology%22%5BJournal%5D)">Photoreceptor crosstalk in shade avoidance.</a> Current Opinion in Plant Biology. 33, 1-7 (2016).</li>
<li>Hogewoning, S. W., et al. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((Photosynthetic+Quantum+Yield+Dynamics%3A+From+Photosystems+to+Leaves%5BTitle%5D)+AND+%22The+Plant+Cell%22%5BJournal%5D)">Photosynthetic Quantum Yield Dynamics: From Photosystems to Leaves.</a> The Plant Cell. 24 (5), 1921-1935 (2012).</li>
<li>McCree, K. J. <a target="_blank" href="http://www.ncbi.nlm.nih.gov/pubmed?term=((The+action+spectrum%2C+absorptance+and+quantum+yield+of+photosynthesis+in+crop+plants%5BTitle%5D)+AND+%22Agricultural+Meteorology%22%5BJournal%5D)">The action spectrum, absorptance and quantum yield of photosynthesis in crop plants.</a> Agricultural Meteorology. 9, 191-216 (1971).</li>
<li>Wahby, M., et al. Autonomously shaping natural climbing plants: a bio-hybrid approach [Dataset]. , Available from:
 <a target="_blank" href="https://doi.org/10.5281/zenodo.1172160">https://doi.org/10.5281/zenodo.1172160</a> (2018).</li>
</ol>

Die Autoren erklären, dass sie keine konkurrierenden finanziellen Interessen haben.

Die vorgestellte Methodik zeigt erste Schritte zur Automatisierung der reizgetriebenen Steuerung des Pflanzenwachstums, um spezifische Muster zu erzeugen. Dies erfordert die kontinuierliche Erhaltung der Pflanzengesundheit und kombiniert in einem einzigen Experiment die unterschiedlichen Bereiche der biochemischen Wachstumsreaktionen und entwickelt mechatronische Funktionen-Sensing, Kommunikation, und kontrollierte Erzeugung von Reizen. Da wir uns hier auf Kletterpflanzen konzentrieren, ist auch die mechanische Unterstützung ein integraler Bestandteil. Eine Einschränkung des aktuellen Setups ist seine Größe, aber wir glauben, dass unsere Methodik leicht skaliert werden kann. Das mechanische Gerüst kann für größere Setups und damit längere Wachstumsperioden erweitert werden, was auch erweiterte Konfigurationen und Muster ermöglicht. Hier beschränkt sich das Setup auf zwei Dimensionen und binäre Links-Rechts-Entscheidungen, da das Wachstum auf ein Raster mechanischer Stützen bei 45°-Neigung beschränkt ist und die Entscheidungspositionen der Anlage auf die Bifurkationen dieses Rasters beschränkt sind. Mechanische Erweiterungen können 3D-Gerüste und unterschiedliche Materialien enthalten, um komplexe Formen9,19zu ermöglichen. Die Methode kann als systemzum automatischen Wachstum von Mustern betrachtet werden, die von einem Benutzer definiert werden. Durch die Erweiterung der möglichen Komplexität mechanischer Konfigurationen sollten Benutzer nur mit wenigen Einschränkungen für ihre gewünschten Muster konfrontiert sein. Für eine solche Anwendung sollte ein Benutzer-Software-Tool bestätigen, dass das Muster produziert werden kann, und die Mechatronik sollte dann die Produktion des Musters selbst organisieren, indem sie geeignete Reize erzeugt, um die Pflanzen zu steuern. Die Software sollte auch erweitert werden, um Wiederherstellungspläne und Richtlinien zu implementieren, wie mit dem Wachstum fortgesetzt werden, wenn das ursprüngliche geplante Muster teilweise fehlgeschlagen ist - zum Beispiel, wenn der erste aktivierte Roboter noch nie eine Pflanze erkannt hat, aber die schlafenden haben dass die Position der wachsenden Spitzen über den aktivierten Roboter hinausgeht.
In der vorgestellten Methodik ist ein Beispiel für Pflanzenarten, die die Protokollauswahlkriterien erfüllen, die Kletter-Common-Bean, P. vulgaris. Dies ist die Art, die in den repräsentativen Ergebnissen verwendet wird. Da P. vulgaris einen starken positiven Phototropismus für UV-A und blaues Licht aufweist, absorbieren die Phototropine (Lichtrezeptorproteine) in der Pflanze Photonen, die Wellenlängen 340-500 nm entsprechen. Wenn die Rezeptoren ausgelöst werden, tritt die erste Schwellung im Stamm durch die bevorzugte Verlagerung von Wasser in das Stammgewebe auf, das sich den ausgelösten Rezeptoren widersetzt, was zu einer reversiblen Richtungsreaktion führt. Dann, innerhalb des Stammes, Auxin (Pflanzenmusterhormon) wird an die gleiche Gewebeposition gerichtet, die Richtungsreaktion verewigen und Stammgewebe fixieren, wie sie versteifen. Dieses Verhalten kann für die Gestaltung der Pflanzen unter diesen kontrollierten Raumbedingungen verwendet werden, da die Pflanzen nur isoliertem blauem Licht und isoliertem rotem Licht ausgesetzt sind, mit einfallendem fernen roten Licht von IR-Näherungssensoren bei niedrigen Pegeln, dass es nicht stört mit Verhaltensweisen wie der Farbvermeidungsreaktion20,21. Die Phototropismus-Reaktion in der Anlage reagiert im Aufbau auf Licht von blauen Dioden mit Spitzenemission max = 465 nm, und die Photosynthese22,23 in der Anlage wird durch rote Dioden mit Spitzenemission unterstützt. P. vulgaris bis zu mehreren Meter hoch wachsen eignet sich in der Gesamteinrichtung, da die ca. 3 L gewerblichen Gartenerde pro Topf benötigt passt der Einrichtungskala.
Obwohl sich das aktuelle Setup auf Licht als Anziehungskraft konzentriert, können zusätzliche Reize für andere Experimenttypen relevant sein. Wenn das gewünschte Muster eine Trennung zwischen verschiedenen Pflanzengruppen erfordert (z. B. benötigt das gewünschte Muster zwei Gruppen von Pflanzen, um entgegengesetzte Seiten zu wählen), dann ist es möglicherweise nicht mit nur einer Art von Stimulus möglich. Bei solch komplexen Wachstumsmustern unabhängig von Gerüstform können die verschiedenen Pflanzengruppen potenziell in unterschiedlichen Zeiträumen angebaut werden, so dass ihre jeweiligen Anziehungsreize nicht stören, was auch die Integration von Verzweigungen ermöglichen würde. Ereignisse. Dies kann jedoch nicht immer eine geeignete Lösung sein, und der standardmäßige attraktive Lichtreiz könnte dann durch abstoßende Einflüsse wie Schattierungen oder durch andere Reize wie weitrotes Licht oder Vibrationsmotoren9,14ergänzt werden.
Die vorgestellte Methode und das Experimentdesign sind nur ein erster Schritt hin zu einer ausgeklügelten Methodik, die das Richtungswachstum von Pflanzen automatisch beeinflussen kann. Das Experiment-Setup ist grundlegend, indem nur eine Abfolge von binären Entscheidungen in den Pflanzen bestimmt wird und wir uns auf eine, einfach zu verwaltende Stimulus. Zusätzliche Studien wären erforderlich, um die statistische Signifikanz der Methode zu beweisen, mehr Reize hinzuzufügen und andere Prozesse wie Verzweigung zu kontrollieren. Mit ausreichender Entwicklung, um die langfristige Zuverlässigkeit der Roboter zu gewährleisten, könnte die vorgestellte Methodik die Automatisierung von Anlagenexperimenten über lange Zeiträume ermöglichen und den Aufwand reduzieren, der mit der Untersuchung von Anlagenentwicklungsphasen verbunden ist. über das hinaus, was von Trieben geht. Ähnliche Methoden können zukünftige Untersuchungen der untererforschten Dynamik zwischen biologischen Organismen und autonomen Robotern ermöglichen, wenn beide als eng gekoppelte selbstorganisierende biohybride Systeme fungieren.

Kongruent mit der zunehmenden Verbreitung der Automatisierung in der Herstellung und Produktion, Roboter werden verwendet, um Pflanzen zu säen, zu behandeln und zu ernten1,2,3,4,5. Wir nutzen Robotertechnologie, um Pflanzenexperimente nicht-invasiv zu automatisieren, mit dem Ziel, das Wachstum über gerichtete Reaktionen auf Reize zu steuern. Traditionelle Gartenarbeit umfasste die manuelle Umformung von Bäumen und Sträuchern durch mechanische Zurückhaltung und Schneiden. Wir stellen eine Methodik vor, die beispielsweise auf diese Gestaltungsaufgabe angewendet werden kann, indem wir Wachstumsmuster mit Reizen steuern. Unsere vorgestellte Methodik ist auch ein Schritt hin zu automatisierten Pflanzenexperimenten, hier mit einem besonderen Fokus auf die Bereitstellung von Lichtreizen. Sobald die Technologie robust und zuverlässig geworden ist, hat dieser Ansatz das Potenzial, die Kosten in Pflanzenexperimenten zu senken und neue automatisierte Experimente zu ermöglichen, die sonst aufgrund von Zeitaufwand und manueller Arbeit nicht machbar wären. Die Roboterelemente sind frei programmierbar und wirken autonom, da sie mit Sensoren, Aktoren für die Reizversorgung und Mikroprozessoren ausgestattet sind. Während wir uns hier auf nähere Erfassung (d.h. Entfernungen aus nächster Nähe) und Lichtreize konzentrieren, sind viele andere Optionen möglich. Beispielsweise können Sensoren verwendet werden, um Pflanzenfarbe zu analysieren, biochemische Aktivität zu überwachen6, oder für phytosensing7 Ansätze, um zum Beispiel Umweltbedingungen durch Pflanzenelektrophysiologie8zu überwachen. In ähnlicher Weise können Aktuatoroptionen andere Arten von Reizen9, durch Vibrationsmotoren, Sprühgeräte, Heizungen, Lüfter, Schattierungsvorrichtungen oder Manipulatoren für gerichteten physischen Kontakt bieten. Zusätzliche Betätigungsstrategien könnten implementiert werden, um den Robotern eine langsame Mobilität zu ermöglichen (d. h. "langsame Bots"10), so dass sie die Position und Richtung, von der aus sie Anregungen liefern, schrittweise ändern könnten. Da die Roboter mit Einplatinencomputern ausgestattet sind, könnten sie außerdem anspruchsvollere Prozesse wie das Sehen für die Pflanzenphänotypisierung11 oder künstliche neuronale Netzwerkregler für die Reizbetätigung12ausführen. Da der Forschungsschwerpunkt pflanzenwissenschaftlich oft auf frühem Wachstum (d.h. in Trieben)13liegt, scheint der gesamte Bereich des Einsatzes autonomer Robotersysteme, um Pflanzen über längere Zeiträume zu beeinflussen, untererforscht und kann viele Zukunftschancen bieten. Noch einen Schritt weiter können die Roboterelemente als Forschungsobjekte selbst betrachtet werden, die es ermöglichen, die komplexe Dynamik von biohybriden Systemen, die von Robotern und Pflanzen gebildet werden, eng miteinander zu interagieren. Die Roboter setzen den Pflanzen gezielt Reize auf, die Pflanzen reagieren entsprechend ihrem adaptiven Verhalten und ändern ihr Wachstumsmuster, das die Roboter anschließend über ihre Sensoren erkennen. Unser Ansatz schließt die Verhaltensrückkopplungsschleife zwischen den Pflanzen und den Robotern und erzeugt eine hausostatische Regelschleife.
In unseren Experimenten, um die Funktion des Robotersystems zu testen, verwenden wir ausschließlich die Kletter-Common-Bohne, Phaseolus vulgaris. In diesem Setup verwenden wir Kletterpflanzen, mit mechanischen Stützen in einem gerasterten Gerüst von insgesamt 180 cm Höhe, so dass die Pflanzen durch Thigmotropismus beeinflusst werden und eine begrenzte Reihe von Wachstumsrichtungen zur Auswahl haben. Da wir die gesamte Pflanze über einen Zeitraum von Wochen gestalten wollen, verwenden wir Blaulichtreize, um den Phototropismus der Pflanze makroskopisch zu beeinflussen, über verschiedene Wachstumsperioden, einschließlich junger Triebe und späterer Stammversteifung. Wir führen die Experimente unter vollständig kontrollierten Umgebungslichtbedingungen durch, bei denen wir außer den Blaulichtreizen ausschließlich rotes Licht mit Spitzenemission bei Wellenlänge 650 nm liefern. Wenn sie eine Bifurkation im mechanischen Stützgitter erreichen, treffen sie eine binäre Entscheidung, ob sie links oder rechts wachsen. Die Roboter sind an diesen mechanischen Bifurkationen positioniert, die durch Entfernungen von 40 cm getrennt sind. Sie aktivieren und deaktivieren autonom ihre Blaulichtemission mit Spitzenemission bei Wellenlänge 465 nm, entsprechend einer vordefinierten Karte des gewünschten Wachstumsmusters (in diesem Fall ein Zickzackmuster). Auf diese Weise werden die Pflanzen in einer definierten Reihenfolge von der Bifurkation zur Bifurkation geführt. Zu einem bestimmten Zeitpunkt wird nur ein Roboter aktiviert, bei dem er blaues Licht aussendet und gleichzeitig das Pflanzenwachstum auf der darunter liegenden mechanischen Stütze autonom überwacht. Sobald er eine wachsende Spitze mit seinen Infrarot-Näherungssensoren erkennt, hört er auf, blaues Licht auszusenden und kommuniziert mit seinen benachbarten Robotern über Funk. Der Roboter, der sich selbst bestimmt, das nächste Ziel in der Sequenz zu sein, wird dann aktiviert und zieht das Pflanzenwachstum zu einer neuen mechanischen Bifurkation an.
Da unser Ansatz sowohl technische als auch natürliche Mechanismen umfasst, umfassen unsere Experimente mehrere Methoden, die gleichzeitig und voneinander abhängig sind. Das Protokoll wird hier zunächst nach der Art der Methode organisiert, die jeweils in ein einheitliches Experimentsetup integriert werden muss. Bei diesen Arten handelt es sich um Pflanzenarten; Roboter-Design einschließlich Hardware und Mechanik; Roboter-Software für Kommunikation und Steuerung; Überwachung und Erhaltung der Pflanzengesundheit. Das Protokoll setzt dann den Versuchsentwurf fort, gefolgt von der Datenerfassung und -aufzeichnung. Ausführliche Informationen zu den bisher erzielten Ergebnissen finden Sie unter Wahby et al.14. Repräsentative Ergebnisse umfassen drei Arten von Experimenten: Kontrollexperimente, bei denen alle Roboter keine Reize liefern (d. h. ruhend); Einzelentscheidungsexperimente, bei denen die Pflanze eine binäre Wahl zwischen einem Reiz-liefernden Roboter und einem ruhenden Roboter trifft; und Multiple-Decision-Experimente, bei denen die Pflanze durch eine Folge binärer Auswahlen navigiert, um ein vordefiniertes Muster zu erstellen.

<table><tbody><tr><td>3D-gedrucktes Gehäuse</td><td>Shapeways, Inc</td><td>n/a</td><td>Kundenspezifisches Produkt, https://www.shapeways.com/</td></tr> <tr><td>3D-gedruckte Verbindungen</td><td>n/a</td><td>n/a Hergestellt</td><td>von Autoren</td></tr><tr><td>Adafruit BME280 I2C oder SPI Temperatur Luftfeuchtigkeit Druck Sensor</td><td>Adafruit</td><td>2652</td><td></td></tr><tr><td>Arduino Uno Rev 3</td><td>Arduino</td><td>A000066</td><td></td></tr><tr><td>CdS photoleitende Zellen</td><td>Lida Optical & Optical Electronic Co., Ltd</td><td>GL5528</td><td></td></tr><tr><td>Cybertronica PCB</td><td>Cybertronica Research</td><td>n/a Kundenspezifisches</td><td>Produkt, http://www.cybertronica.de.com/download/D2_node_module_v01_appNote16.pdf</td></tr><tr><td>DC Brushless Gebläse</td><td>Lüfter Sunonwealth Electric Machine Industry Co., Ltd.</td><td>UB5U3-700</td><td></td></tr><tr><td>Digitaler Temperatursensor</td><td>Maxim Integrated</td><td>DS18B20</td><td></td></tr><tr><td>High Power (800 mA) EPILED - Far Red / Infrarot (740-745 nm)</td><td>Future Eden Ltd.</td><td>n/a</td><td></td></tr><tr><td>I2C Bodenfeuchtesensor</td><td>Catnip Electronics</td><td>v2.7.5</td><td></td></tr><tr><td>IR-Näherungssensoren (4-30 cm)</td><td>Sharp Electronics</td><td>GP2Y0A41SK0</td><td></td></tr><tr><td>LED Taschenlampe (50 W)</td><td>Inter-Union Technohandel GmbH</td><td>103J50</td><td></td></tr><tr><td>LED Rot Blau Hängeleuchte für Zimmerpflanzen (45 W)</td><td>Erligpowht</td><td>B00S2DPYQM</td><td></td></tr><tr><td>Niederspannungs-Tauchpumpe 600 l/h (6 m Steigung)</td><td>Peter Barwig Wasserversorgung</td><td>444</td><td></td></tr><tr><td>Mitteldichte Faserplatten</td><td>n/a</td><td>n/a</td><td>Für Stativ</td></tr><tr><td>Mikrospektrometer (Hamamatsu) auf einem Arduino-kompatiblen Breakout-Board</td><td>Pure Engineering LLC</td><td>C12666MA</td><td></td></tr><tr><td>Pixie - 3W Chainable Smart LED Pixel</td><td>Adafruit</td><td>2741</td><td></td></tr><tr><td>Töpfe (3,5 l Fassungsvermögen, 15,5 cm Höhe)</td><td>n/a</td><td>n/a</td><td></td></tr><tr><td>Netzteile (5 V, 10 A)</td><td>Adafruit</td><td>658</td><td></td></tr><tr><td>Raspberry Pi 3 Model B</td><td>Raspberry Pi Foundation</td><td>3B</td><td></td></tr><tr><td>Raspberry Pi Kameramodul V2</td><td>Raspberry Pi Foundation</td><td>V2</td><td></td></tr><tr><td>Raspberry Pi Zero</td><td>Raspberry Pi Foundation</td><td>Zero</td><td></td></tr><tr><td>RGB Farbsensor mit IR-Filter und weißer LED - TCS34725</td><td>Adafruit</td><td>1334</td><td></td></tr><tr><td>Aussaat- und Kräutererde</td><td>Gardol</td><td>n/a</td><td></td></tr><tr><td>Fadenbohne</td><td>SPERLI GmbH</td><td>402308</td><td></td></tr><tr><td>Transparentes Acrylglas 5 mm</td><td>Platte n/a</td><td>n/a</td><td>Zur ergänzenden strukturellen</td></tr><tr><td>Unterstützung Holzstäbe (Birkenholz), schwarz lackiert, 5 mm Durchmesser</td><td>n/a</td><td>n/a</td><td>Für Pflanzen zum Klettern</td></tr></tbody></table>

robotic sensing und stimuli-regelung für geführtes pflanzenwachstum

Robotic Sensing and Stimuli Provision for Guided Plant Growth

Robotersysteme werden aktiv für die Manipulation natürlicher Pflanzen erforscht, die in der Regel auf landwirtschaftliche Automatisierungsaktivitäten wie Ernte, Bewässerung und mechanische Unkrautbekämpfung beschränkt sind. Um diese Forschung zu erweitern, führen wir hier eine neue Methode ein, um das Richtungswachstum von Pflanzen über ihre natürlichen Mechanismen zur Signalisierung und Hormonverteilung zu manipulieren. Eine effektive Methodik der Bereitstellung von Roboterreizen kann Möglichkeiten für neue Experimente mit späteren Entwicklungsphasen in Pflanzen oder für neue biotechnologische Anwendungen wie das Formen von Anlagen für grüne Wände eröffnen. Die Interaktion mit Pflanzen stellt mehrere Robotik-Herausforderungen dar, darunter die Kurzstreckenerfassung kleiner und variabler Pflanzenorgane und die kontrollierte Betätigung von Pflanzenreaktionen, die zusätzlich zu den bereitgestellten Reizen von der Umwelt beeinflusst werden. Um das Pflanzenwachstum zu steuern, entwickeln wir eine Gruppe von unbeweglichen Robotern mit Sensoren, um die Nähe von Wachsenden Spitzen zu erkennen, und mit Dioden, um Lichtreize zu liefern, die Phototropismus bewirken. Die Roboter werden mit der Kletter-Common-Bohne, Phaseolus vulgaris, in Experimenten mit einer Dauer von bis zu fünf Wochen in einer kontrollierten Umgebung getestet. Mit Robotern, die sequenziell blaue Lichtspitzenemission bei Wellenlänge 465 nm-Pflanzenwachstum emittieren, wird das Wachstum erfolgreich durch aufeinander folgende binäre Entscheidungen entlang mechanischer Stützen gesteuert, um Zielpositionen zu erreichen. Wachstumsmuster werden in einem Biszusen bis zu 180 cm Höhe getestet, wobei Pflanzenstämme über einen Zeitraum von etwa sieben Wochen bis zu ca. 250 cm in kumulativer Länge gewachsen sind. Die Roboter koordinieren sich und arbeiten völlig autonom. Sie erkennen sich nähernde Anlagenspitzen über Infrarot-Näherungssensoren und kommunizieren per Funk, um bei Bedarf zwischen Blaulichtreizen und Ruhezustand zu wechseln. Insgesamt unterstützen die erhaltenen Ergebnisse die Wirksamkeit der Kombination von Roboter- und Pflanzenexperimentmethoden für die Untersuchung potenziell komplexer Wechselwirkungen zwischen natürlichen und technisch hergestellten autonomen Systemen.

Steuerung: Pflanzenverhalten ohne Roboterstimuli. Aufgrund des Mangels an blauem Licht (d.h. alle Roboter schlummern)wird in der Anlage kein positiver Phototropismus ausgelöst. Daher zeigen die Pflanzen ein unvoreingenommenes Wachstum nach oben, da sie dem Gravitropismus folgen. Sie zeigen auch eine typische Umrundung (d. h. Wicklung), siehe Abbildung 4A. Wie erwartet, finden die Anlagen nicht die mechanische Unterstützung, die zu den ruhenden Robotern führt. Die Pflanzen brechen zusammen, wenn sie ihr eigenes Gewicht nicht mehr tragen können. Wir stoppen die Experimente, wenn mindestens zwei Pflanzen zusammenbrechen, siehe Abbildung 4B, C.
Einzel- oder Mehrfachentscheidungen: Pflanzenverhalten mit Roboterstimuli In vier Einzelentscheidungsexperimenten haben zwei Läufe links lenkung (d.h. der Roboter links der Bifurkation wird aktiviert, um zu stimulieren),und zwei Durchläufe haben rechts gerichtete Lenkung. Die Stimulusroboter steuern die Pflanzen erfolgreich in Richtung der richtigen Stütze, siehe Abbildung 5. Die nächste Pflanze mit Stielwinkel, die dem der richtigen Stütze am ähnlichsten ist, wird zuerst befestigt. In jedem Experiment heftet sich mindestens eine Pflanze an die Stütze und klettert sie, bis sie den Stimulusroboter erreicht und damit das Experiment beendet. In einem Experiment heftet sich eine zweite Pflanze an die richtige Stütze. Die übrigen Pflanzen können auch in längeren Experimentierdauern anhaften. Keine der Pflanzen hängt an der falschen Stütze. Jedes Experiment läuft im Durchschnitt 13 Tage ununterbrochen.
In zwei Multiple-Decision-Experimenten wachsen die Pflanzen zu einem vordefinierten Zickzackmuster heran, siehe Abbildung 6A. Jedes Experiment dauert etwa sieben Wochen. Wenn ein Experiment beginnt, setzt ein Roboter seinen Status auf Stimulus (siehe 3.6.3) und steuert die Pflanzen nach dem vorgeschriebenen Muster zur richtigen Stütze. Eine Pflanze befestigt und klettert sie und gelangt so zum aktivierten Stimulusroboter und vollendet damit die erste Entscheidung. Nach 3.7.3 wird der aktuelle Stimulusroboter dann ruhend und benachrichtigt seine angrenzenden Nachbarn. Der ruhende Nachbar, der als nächstes auf dem Zickzack-Muster ist, schaltet sich auf Stimulus um (siehe 3.7.6). Wird eine Pflanze von einem ruhenden Roboter erkannt, reagiert dieser Roboter nicht (siehe 3.7.2). Die weiteren drei Entscheidungen werden fortgesetzt und abgeschlossen. Das vordefinierte Zickzack-Muster ist daher ausgewachsen, siehe Abbildung 6B.
Alle Experimentierdaten sowie Videos sind online verfügbar24.
<img alt="Figure 1" class="xfigimg" src="/files/ftp_upload/59835/59835fig1.jpg"> Abbildung 1. Der unbewegliche Roboter und seine Hauptkomponenten. Abbildung aus der Autorenpublikation Wahby et al.14, die mit Der Creative Commons Lizenz CC-BY 4.0 (siehe ergänzende Dateien) verwendet wird, mit Änderungen, wie es die Lizenz erlaubt. <a href="https://www.jove.com/files/ftp_upload/59835/59835fig1large.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.</a>
<img alt="Figure 2" class="xfigimg" src="/files/ftp_upload/59835/59835fig2.jpg"> Abbildung 2. Das Komponentendiagramm der unbeweglichen Roboterelektronik. Die LED-Treiber IRLML2060 werden über PWM mit dem Einplatinencomputer des Roboters (z.B. Raspberry Pi) angebunden, um die Helligkeit der LEDs zu steuern. Ein LP5907-Schalter wird über einen GPIO-Header-Pin (General-Purpose Input/Output) mit dem Single-Board-Computer angebunden, um den Lüfter zu steuern. Ein MCP3008 Analog-Digital-Wandler (ADC) wird über die serielle Peripherieschnittstelle (SPI) mit dem Single-Board-Computer verbunden, um die analogen IR- und Licht-abhängigen Widerstandsdaten (LDR) zu lesen. <a href="https://www.jove.com/files/ftp_upload/59835/59835fig2large.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.</a>
<img alt="Figure 3" class="xfigimg" src="/files/ftp_upload/59835/59835fig3.jpg"> Abbildung 3. Kurz nach '03.04.16' klettert eine Pflanzenspitze auf einen Träger und kommt in das Sichtfeld des Roboters. (A) Beispiel IR-Näherungssensor skalierte Spannungswerte (vertikale Achse) während eines Experiments. Höhere Werte weisen auf die Erkennung von Pflanzenspitzen hin. (B) Der IR-Näherungssensor wird entsprechend der Stützbefestigung platziert und ausgerichtet, um eine effektive Pflanzenspitzenerkennung zu gewährleisten. Abbildung aus der Autorenpublikation Wahby et al.14, die mit Der Creative Commons Lizenz CC-BY 4.0 (siehe ergänzende Dateien) verwendet wird, mit Änderungen, wie es die Lizenz erlaubt. <a href="https://www.jove.com/files/ftp_upload/59835/59835fig3large.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.</a>
<img alt="Figure 4" class="xfigimg" src="/files/ftp_upload/59835/59835fig4.jpg"> Abbildung 4. Kontrollexperimente ergebnisse Rahmen, die zeigen, dass alle vier Pflanzen ohne blaues Licht keine Unterstützung anhaften. (A) Nach fünf Tagen wachsen alle Pflanzen in einem der Kontrollexperimente nach oben (siehe (C) für spätere Wachstumsbedingungen). (B) Nach 15 Tagen brachen drei Pflanzen zusammen, und eine wuchs im ersten Kontrollexperiment noch nach oben. (C) Nach sieben Tagen brachen zwei Pflanzen zusammen, und zwei wuchsen im zweiten Kontrollexperiment noch nach oben (siehe (A) für den vorherigen Wachstumszustand). Abbildung aus der Autorenpublikation Wahby et al.14, die mit Der Creative Commons Lizenz CC-BY 4.0 (siehe ergänzende Dateien) verwendet wird, mit Änderungen, wie es die Lizenz erlaubt. <a href="https://www.jove.com/files/ftp_upload/59835/59835fig4large.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.</a>
<img alt="Figure 5" class="xfigimg" src="/files/ftp_upload/59835/59835fig5.jpg"> Abbildung 5. Einzelentscheidungsexperimente ergebnisse Frames, die die Fähigkeit eines Stimulusroboters zeigen, die Pflanzen durch eine binäre Entscheidung zu steuern, um die richtige Unterstützung zu erklimmen. In allen vier Experimenten wird ein Roboter zum Stimulus und der andere zum Schlafengebracht - an zwei gegenüberliegenden Seiten einer Kreuzung. Die Rahmen zeigen die Position der Pflanzen unmittelbar bevor der Stimulusroboter sie erkennt. In jedem Experiment heftet sich mindestens eine Pflanze an die richtige Stütze, und keine Pflanze heftet sich an die falsche. Auch die nicht unterstützten Pflanzen zeigen Wachstum in Richtung des Stimulusroboters verzerrt. E, F, G, H sind Nahaufnahmen von A, B, C, D bzw. Abbildung aus der Autorenpublikation Wahby et al.14, die mit Der Creative Commons Lizenz CC-BY 4.0 (siehe ergänzende Dateien) verwendet wird, mit Änderungen, wie es die Lizenz erlaubt. <a href="https://www.jove.com/files/ftp_upload/59835/59835fig5large.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.</a>
<img alt="Figure 6" class="xfigimg" src="/files/ftp_upload/59835/59835fig6v2.jpg"> Abbildung 6. Multiple-Decision-Experiment. (A) Das Ziel-Zickzack-Muster wird auf der Karte grün hervorgehoben. (B) Der letzte Rahmen aus dem Experiment (nach 40 Tagen), der die Situation der Pflanzen zeigt, bevor der letzte Stimulusroboter auf dem Muster sie erkennt. Die Roboter wachsen erfolgreich das Zickzack-Muster. Abbildung aus der Autorenpublikation Wahby et al.14, die mit Der Creative Commons Lizenz CC-BY 4.0 (siehe ergänzende Dateien) verwendet wird, mit Änderungen, wie es die Lizenz erlaubt. <a href="https://www.jove.com/files/ftp_upload/59835/59835fig6large.jpg" target="_blank">Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzuzeigen.</a>

Verteilte Roboterknoten liefern Sequenzen von Blaulichtreizen, um die Wachstumspfade von Kletterpflanzen zu steuern. Durch die Aktivierung des natürlichen Phototropismus führen die Roboter die Pflanzen durch binäre Links-Rechts-Entscheidungen und wachsen sie zu vordefinierten Mustern, die im Gegensatz dazu nicht möglich sind, wenn die Roboter schlummern.

Robotic Sensing und Stimuli-Regelung für geführtes Pflanzenwachstum

Robot systems are actively researched for manipulation of natural plants, typically restricted to agricultural automation activities such as harvest, ...

Das Richtungswachstum von Pflanzen mit einem autonomen System zu steuern, ist ein neuartiges und originelles Konzept, über das vorher nicht berichtet wurde. Der Schlüssel hier für uns ist, herauszufinden, was tatsächlich machbar ist. Unsere Technik ist die erste automatisierte Methode, um Pflanzen mit Roboterknoten zu gewünschten Formen und Formen zu züchten, um Pflanzen mit ihren Sensoren zu erkennen und die Reize entsprechend zu schalten.Diese Methode und die hier eingesetzten Roboter können mit dynamisch wachsenden Strukturen eingesetzt werden, bei denen Rückkopplungen die Entwicklung des Biohybridsystems bestimmen. Die Erhaltung der Gesundheit von Pflanzen und deren Präsenz an Kreuzungspunkten ist eine Herausforderung. Stellen Sie sicher, dass externe Lichtquellen keine phototropen Antworten in einem Fehlerzustand auslösen.Visuelle Demonstration ist notwendig, um die Zusammenarbeit zwischen Pflanzen und Robotern über einen längeren Zeitraum zu zeigen, um benutzerdefinierte Wachstumsmuster zu entwickeln. Julian Ptezold, Ein studentischer Absolvent unserer Forschungsgruppe, wird das Experimentierverfahren demonstrieren. Bevor Sie ein Experiment beginnen, wählen Sie eine Pflanzenart aus, von der bekannt ist, dass sie einen starken positiven Phototropismus in Richtung ultraviolettes A und blaues Licht in den wachsenden Spitzen zeigt.Wir haben uns für Phaseolus vulgaris oder gewöhnliche Bohnen entschieden, weil sie schnell wachsen und ein starkes Richtungswachstum in Richtung blaues Licht zeigen. Stellen Sie jeden Roboter um einen drahtlosen lokalen Computer mit einer einzigen Platine zusammen und verbinden Sie den Computer über eine benutzerdefinierte Leiterplatte mit Sensoren und Aktoren. Schließen Sie einen Infrarot-Näherungssensor pro Richtung an, der für herannahende Anlagen getestet wird, einschließlich ausreichender Leuchtdioden, um die Anforderungen an blaues Licht pro Richtung zu erfüllen, die für herannahende Pflanzen getestet werden.Fügen Sie Hardware ein, die lokale Hinweise zwischen Robotern ermöglicht, und fügen Sie einen Photowiderstand für jede Richtung des benachbarten Roboters ein, um ihren Lichtemittanzstatus zu überwachen. Fügen Sie Hardware ein, um Wärme abzuleiten, wie dies aufgrund der Bedingungen der ausgewählten blauen Dioden und des verwendeten Robotergehäuses erforderlich ist, indem Sie eine Kombination aus Aluminium-Kühlkörpern, Belüftungsöffnungen im Gehäusegehäuse und Lüftern jedes Roboters verwenden. Nach der Bestätigung, dass die Richtungen der Roboterkomponente gleichmäßig gewartet sind, positionieren Sie die blauen Dioden, um eine gleichwertige Lichtintensität auf jede der Richtungen zu verteilen, aus denen sich die Pflanzen nähern können, und orientieren Sie jede Diode im Robotergehäuse so, dass die Mittelachse ihres Linsenwinkels innerhalb von 60 Grad jeder Achse der mechanischen Unterstützung liegt, die sie bedient.Positionieren Sie die Infrarot-Näherungssensoren entsprechend für ihre jeweiligen herannahenden Wachstumsrichtungen innerhalb eines Zentimeters des Befestigungspunktes zwischen dem Roboter und der mechanischen Stütze, die gewartet wird, und orientieren Sie jeden Sensor so, dass sein Betrachtungswinkel parallel zur Stützachse verläuft. Als nächstes befestigen Sie ein 125 mal 180 Zentimeter großes Blatt transparenten Acryls auf einem 125 Zentimeter breiten Ständer, der das Setup in aufrechter Position halten kann. Integrieren Sie die Roboter in eine Reihe modularer mechanischer Stützen, die die Roboter doppelt in Position halten und als Klettergerüste für die Pflanzen dienen, um die wahrscheinlichen durchschnittlichen Wachstumspfade der Pflanzen einzuschränken.An jedem Roboter, fügen Sie Befestigungspunkte, um die spezifischen mechanischen Stützen einschließlich eines Befestigungspunkts für jede Richtung, durch die eine Anlage einen Roboter nähern oder abfahren kann. Positionieren Sie Töpfe mit dem entsprechenden Boden auf dem Ständer gegen die Acrylfolie und befestigen Sie zwei Roboter auf der Acrylfolie, die die Enden der zuvor platzierten Stützen in die Buchsen in den Robotergehäusen einfügt. Wiederholen Sie dann das Muster, um die verbleibenden Roboter zu befestigen und in das diagonal zerknitterte Muster zu stützen, so dass jede Reihe von Robotern 35 Zentimeter über der vorherigen Reihe liegt und dass jeder Roboter horizontal direkt über dem Roboter oder Y-Gelenk positioniert ist, das zwei Reihen darunter ist.Die mechanischen Stützen sollten in einem regelmäßig zerknitterten Muster angeordnet sein, das gleichmäßig diagonal mit einem Neigungswinkel bei 45 Grad oder steiler bei gleichmäßigen Stützlängen von mindestens 30 Zentimetern pro Stütze ist. Die bevorzugte exponierte Länge sollte mindestens 40 Zentimeter betragen, um einen Puffer für statistisch extreme Fälle von Pflanzenablösung zu ermöglichen. In der Robotersoftware wird ein Stimuluszustand festgelegt, in dem der Roboter blaues Licht aussendet und einen ruhenden Zustand, in dem der Roboter entweder kein Licht aussendet oder rotes Licht aussendet.Stellen Sie den Versuchsaufbau unter kontrollierte Umgebungsbedingungen und halten Sie die Pflanzenphotosynthese mit Leuchtdiodenwachstumslampen außerhalb der Roboter und mit Blick auf den Versuchsaufbau aufrecht. Nach dem Keimen stellen Sie jeder Pflanze ihren eigenen Topf an der Basis des Versuchsaufbaus zur Verfügung und regulieren Die Lufttemperatur und Luftfeuchtigkeit je nach Bedarf mit Heizungen, Klimaanlagen, Luftbefeuchtern und Luftbefeuchtern und überwachen diese Werte mit einem Temperaturdruck-Feuchtigkeitssensor. Um das Pflanzenwachstum in Gegenwart mehrerer nachfolgender Reizbedingungen zu testen, stellen Sie den Robotern eine globale Karte des zu entwickelnden Musters zur Verfügung und erfassen kontinuierlich zeitverendliche Videos der Experimente mit Kameras, die an zwei oder mehr Aussichtspunkten positioniert sind, wobei mindestens eine Kameraansicht den vollständigen Versuchsaufbau umfasst.Stellen Sie sicher, dass die aufgenommenen Bilder eine hohe Auflösung aufweisen, um die Bewegungen der Pflanzenwachstumsspitzen, die in der Regel nur wenige Millimeter breit sind, angemessen zu erfassen. Beobachten Sie dann die Pflanzenanhaftungsereignisse und das Wachstumsmuster entlang der mechanischen Stützen über eine geeignete experimentelle Wachstumsperiode. Unter Bedingungen ohne blaues Licht wird kein positiver Phototropismus ausgelöst und die Pflanzen zeigen ein unvoreingenommenes Aufwärtswachstum, da sie dem Gravitropismus folgen.Die Pflanzen zeigten auch typischerweise umsichation. Wie unter diesen Bedingungen erwartet, finden die Pflanzen nicht die mechanische Unterstützung, die zu den ruhenden Robotern führt und kollabieren, wenn sie ihr eigenes Gewicht nicht mehr tragen können. Das Experiment sollte gestoppt werden, wenn mindestens zwei Pflanzen zusammenbrechen.In diesem repräsentativen Einzelentscheidungsexperiment steuerten die Stimulusroboter die Pflanzen erfolgreich zur richtigen Stütze. In diesem repräsentativen Multiple-Decision-Experiment wuchsen die Pflanzen zu einem vordefinierten Zickzackmuster heran, bei dem ruhende und reizende Roboter das Pflanzenwachstum bzw. das vordefinierte Zickzackmuster ausgewachsen waren. Das Studium dieser Art von Biohybrid-System ebnet den Weg zu neuen Techniken aus Architektur, Biologie und Ingenieurwesen, um lebende adaptive Strukturen zu entwickeln und Gebäudekomponenten zu wachsen.

robotic-sensing-and-stimuli-provision-for-guided-plant-growth

Research

Forschung

JoVE Journal

Engineering

Ingenieurwesen

Wir berichten über eine Methode für die Einführung, Überwachung und quantitative Analyse der GFP-Expression in Pflanzenzellen. Diese Methode verwendet einen speziell entworfenen Robotik-System für semi-kontinuierlichen Bildsammlung aus einer großen Anzahl von Proben, über die Zeit. Wir zeigen auch die Verwendung von ImageJ und ImageReady für die Analyse von Bildserien.

Robotik und Dynamic Image Analysis für Studies of Gene Expression in pflanzlichen Geweben

Dieser Artikel enthält ein Protokoll für die Kultivierung von Arabidopsis-Keimlinge in der RootChip, ein Mikrofluidik-Imaging-Plattform, die eine automatisierte Kontrolle der Wachstumsbedingungen kombiniert mit mikroskopischen Wurzel Überwachungs-und FRET-basierten Messung der intrazellulären Metaboliten.

Zeitraffer-Fluoreszenz-Imaging von Arabidopsis Wurzelwachstum mit Rapid Manipulation der Root-Umgebung mit dem RootChip

Quelle: Nathoo, N., et al. Ein hydroponisches Co-Kultivierungssystem zur gleichzeitigen und systematischen Analyse der molekularen Interaktionen und Signalwege von Pflanzen und Mikroben. J. Vis. Exp. (2017).Dieses Video zeigt ein hydroponisches Co-Kultivierungssystem zur Untersuchung von Pflanzen-Bakterien-Interaktionen unter sterilen Bedingungen. Die Pflanzensämlinge werden in ein steriles, saures Wachstumsmedium überführt, inkubiert und auf Kontamination untersucht, bevor sie mit...

Ein Co-Kultivierungssystem zur Untersuchung der molekularen Reaktionen von pflanzlichen Wirten und interagierenden Bakterien

Das beschriebene hydroponische Kokultivierungssystem unterstützt intakte Pflanzen mit Metallgittersieb und kokultiviert sie mit Bakterien. Pflanzengewebe, Bakterien und sezernierte Moleküle können dann separat für nachgeschaltete Analysen geerntet werden, wobei gleichzeitig die molekularen Reaktionen sowohl der Pflanzenwirte als auch der interagierenden Mikroben oder Mikrobiome untersucht werden können.

Ein Hydroponisches Co-Kultivierungssystem zur gleichzeitigen und systematischen Analyse von Pflanzen- / Mikroben-Molecular-Wechselwirkungen und Signalgebung

Ein experimentelles Protokoll ist für die Beurteilung der Boden gewachsen Pflanze Wurzelsysteme mit RGB und hyperspektralen Bildgebung vorgestellt. Kombination von RGB Bild Zeit Serie mit chemometrischen Informationen aus hyperspektrale scannt optimiert Einblicke in Werk Wurzel Dynamik.

RGB und spektrale Wurzel Bildgebung für die Pflanze Phänotypisierung und physiologischen Forschung: Versuchsaufbau und Imaging-Protokolle

Gibberellin Wahrnehmung Sensor 1 (GPS1) ist der erste Förster Resonanz Energie Transfer-basierten Biosensor zur Messung der zellulären Ebenen der Gibberellin Phytohormone mit hoher räumlich-zeitliche Auflösung. Dieses Protokoll berichtet über die Methode zu visualisieren und zelluläre Gibberellin Ebenen mit Hilfe der genetisch codierten nlsGPS1 Biosensor in Arabidopsis Hypocotyle und Wurzelspitzen zu quantifizieren.

Visualisierung zellulären Gibberellin-Ebenen mit NlsGPS1 Förster Resonance Energy Transfer (FRET) Biosensor

Eine sanfte Touch-Force-Lademaschine wird aus menschlichen Haarbürsten, Roboterarmen und einem Controller gebaut. Die Haarbürsten werden von Roboterarmen angetrieben, die auf der Maschine installiert sind, und bewegen sich periodisch, um Berührungskraft auf Pflanzen anzuwenden. Die Stärke maschinengetriebener Haarberührungen ist vergleichbar mit der von manuell aufgetragenen Berührungen.

Ein arbeitssparendes und wiederholbares Touch-Force Signaling Mutant Screen Protocol zur Untersuchung der Thigmomorphogenese einer Modellpflanze Arabidopsis thaliana

Diese gravimetrische Phänotypisierungsmethode mit hohem Durchsatz, telemetrischen, ganzpflanzlichen Wasserverhältnissen ermöglicht direkte und gleichzeitige Echtzeitmessungen sowie die Analyse mehrerer ertragsbezogener physiologischer Merkmale, die an dynamischen Wechselwirkungen zwischen Pflanze und Umgebung beteiligt sind.

Eine telemetrische, gravimetrische Plattform für die physiologische Phänotypisierung von Pflanzen-Umwelt-Interaktionen in Echtzeit

Wir verwenden einfache Laborwerkzeuge, um die Wurzelsystemarchitektur (RSA) von Arabidopsis und Medicago zu untersuchen. Die Pflänzchen werden hydroponisch über Mesh gezüchtet und mit einem Kunstpinsel verteilt, um die RSA freizulegen. Die Bilder werden mit Hilfe eines Scans oder einer hochauflösenden Kamera aufgenommen und dann mit ImageJ analysiert, um Merkmale zu kartieren.

Ein einfaches Protokoll zur Kartierung der Architekturmerkmale des Pflanzenwurzelsystems

Wir haben ein bildbasiertes Phänotypisierungsprotokoll entwickelt, um die morphologischen und physiologischen Reaktionen auf einfache und kombinierte Hitze-, Trockenheits- und Staunässebehandlungen zu bestimmen. Dieser Ansatz ermöglichte die Identifizierung von frühen, späten und Wiederherstellungsreaktionen auf der Ebene der gesamten Anlage, insbesondere in oberirdischen Teilen, und unterstrich die Notwendigkeit des Einsatzes mehrerer bildgebender Sensoren.

Bildbasierte Hochdurchsatz-Phänotypisierung zur Bestimmung morphologischer und physiologischer Reaktionen auf Einzel- und Kombinationsbelastungen bei Kartoffeln

Dieses Manuskript beschreibt einen zerstörungsfreien, hochdurchsatzfähigen Ansatz für autonome Feldmessungen der Quanteneffizienz des Photosystems II, der spektralen Reflexion und der Pflanzenarchitektur, der eine großflächige Phänotypisierung der Kronenphotosynthese in agronomischen und Zuchtfeldversuchen ermöglicht.

Hochdurchsatz-Screening der photosynthetischen Effizienz in Nutzpflanzen im Feld mit einem autonomen Roboter

Lernen Sie die robotergestützte Steuerung des Pflanzenwachstums durch blaues Lichtstimuli bei Phaseolus vulgaris. Diese Methode ermöglicht präzise Wachstumsmuster für biohybride Systeme in der Landwirtschaft.

Robotic Sensing und Stimuli-Regelung für geführtes Pflanzenwachstum

Weitere Videos entdecken