Desarrollo de un software para el apoyo al diagnóstico del tizón tardío en papa cultivar criolla Colombia (Solanum tuberosum Grupo Phureja), a partir del análisis digital de imágenes
Cargando...
Archivos
Fecha
2024-12
Título de la revista
Publicado en
Publicado por
URL de la fuente
Enlace a contenidos multimedia
ISSN de la revista
Título del volumen
Resumen
El tizón tardío es una enfermedad causada por el oomiceto Phytophthora infestans, se desarrolla de manera óptima en condiciones de temperatura entre (18 y 20 ℃), humedad relativa superior al 95% y altas precipitaciones. Estas condiciones favorecen la formación de esporangios en un lapso de 8 a 10 horas, lo que promueve la rápida proliferación de la enfermedad,especialmente en variedades susceptibles(Ñústez & Molano,2020)
Los primeros signos de la infección se manifiestan en las hojas inferiores, con pequeñas manchas de color entre verde claro y verde oscuro que con el tiempo se convierten en lesiones pardas o negras, dependiendo de la humedad del ambiente como lo indica el Instituto de Investigaciones Agropecuaria (INIA).La infección inicia en las puntas y los bordes de las hojas y puede presentar una aureola verde claro o amarilla, de algunos milímetros de ancho que separa el tejido sano del muerto,especialmente en condiciones de alta humedad y temperatura frías.Además en el envés de las hojas,la esporulación puede generar un moho blanco característico de tizón tardío, que rodea las lesiones visibles (Henfling,2000).
Estos signos suelen aparecer aproximadamente 72 horas después de la infección y las lesiones tienden a expandirse rápidamente, lo que puede llevar a la destrucción completa del cultivo en poco tiempo(Ñústez & Molano,2020)
La detección del tizón tardío en cultivos de papa de gran extensión, especialmente en variedades susceptibles como la amarilla, enfrenta importantes desafíos debido a la dependencia de la habilidad del evaluador para identificar correctamente la enfermedad. Esta situación aumenta el riesgo de diagnósticos erróneos o imprecisos, ya que los síntomas iniciales del tizón tardío pueden ser difíciles de distinguir de otras patologías, debido a la similitud de sus manifestaciones. Para abordar este problema, se desarrolló un software de apoyo al diagnóstico del tizón tardío, que emplea análisis de imágenes para cuantificar e identificar el grado de severidad de la infección. En este proceso, se estableció un protocolo específico para la captura de imágenes y se recolectaron alrededor de 200 muestras. Estas imágenes fueron sometidas a un preprocesamiento que incluyó técnicas como redimensionamiento, selección del espacio de color y normalización, garantizando así una base sólida para el análisis automatizado.
Una vez procesada las imágen se segmenta usando SAM (segment anything model) para identificar las áreas de interés como el tizón,la hoja y el fondo, posteriormente se implementa un algoritmo pre entrenado basado en la red neuronal convolución ResNet-50 en la cual se clasificó las imágenes bajo la etiqueta “Infectadas” y “No infectadas”.
Los resultados obtenidos demuestran una precisión del 92.8% y un F1-Score del 96,2%en la clasificación de imágenes de hojas con y sin signos de tizón tardío, con un AUC (Área bajo la Curva ROC) de 1.00, lo que indica un buen desempeño en la diferenciación entre áreas afectadas y no afectadas en las hojas de papa criolla Colombia. El modelo logró identificar correctamente las áreas infectadas en más del 95% de los casos, lo que sugiere que es una herramienta confiable para la detección temprana de la enfermedad.
Adicionalmente, el software fue capaz de calcular el porcentaje de severidad con un margen de error del 3%, lo cual permite una evaluación cuantitativa de la progresión de la enfermedad en cada hoja. Este modelo basado en análisis de imágenes ha demostrado ser eficaz para el apoyo al diagnóstico del tizón tardío en papa criolla Colombia, y se proyecta como una herramienta útil para los agricultores.
Descripción
Abstract
Late blight is a disease caused by the oomycete Phytophthora infestans, which develops optimally under temperature conditions between 18 and 20°C, relative humidity above 95%, and high precipitation. These conditions favor the formation of sporangia within 8 to 10 hours, promoting the rapid spread of the disease, especially in susceptible varieties (Ñústez & Molano, 2020).
The first signs of infection manifest on the lower leaves, with small spots ranging from light green to dark green, which eventually turn into brown or black lesions, depending on ambient humidity, as indicated by the Instituto de Investigaciones Agropecuarias (INIA). The infection begins at the tips and edges of the leaves and may display a light green or yellow halo, a few millimeters wide, that separates healthy tissue from dead tissue, especially under high humidity and cool temperature conditions. Additionally, on the underside of the leaves, sporulation can produce a characteristic white mold of late blight surrounding the visible lesions (Henfling, 2000).
These symptoms usually appear approximately 72 hours after infection, and the lesions tend to spread rapidly, which can lead to the complete destruction of the crop in a short time (Ñústez & Molano, 2020).
The detection of late blight in large-scale potato crops, especially in susceptible varieties such as the yellow variety, faces significant challenges due to the reliance on the evaluator's skill to accurately identify the disease. This situation increases the risk of erroneous or imprecise diagnoses, as the initial symptoms of late blight can be difficult to distinguish from other pathologies due to the similarity of their manifestations. To address this issue, a diagnostic support software for late blight is being developed, which utilizes image analysis to quantify and identify the severity of the infection. In this process, a specific protocol for image capture was established, and around 200 samples were collected. These images underwent preprocessing, including techniques such as resizing, color space selection, and normalization, thus ensuring a solid foundation for automated analysis.
Once the images were processed, they were segmented using SAM (Segment Anything Model) to identify areas of interest such as blight, leaf, and background. A pre-trained algorithm based on the ResNet-50 convolutional neural network was then implemented to classify the images under the labels "Infected" and "Not Infected."
The results obtained demonstrate an accuracy of 92.8% and an F-Score of 96.2% in classifying images of leaves with and without signs of late blight, with an AUC (Area Under the ROC Curve) of 1.00, indicating strong performance in differentiating between affected and unaffected areas in Colombian creole potato leaves. The model correctly identified infected areas in more than 95% of cases, suggesting it is a reliable tool for early disease detection.
Additionally, the software was able to calculate the severity percentage with a margin of error of 3%, allowing for a quantitative evaluation of disease progression on each leaf. This model, based on image analysis, has proven to be effective in supporting the diagnosis of late blight in Colombian creole potatoes and is projected as a valuable tool for farmers.
Palabras clave
Tizón tardío, Machine learning, Phytophthora infestans, Segmentación de imágenes, Preprocesamiento de imágenes, Tipos de ruido
Keywords
Late blight, Creole potato, Phytophthora infestans, Image segmentation, Image preprocessing, Types of noise