Desarrollo de un algoritmo para el procesamiento digital de imágenes implementado en la detección rápida en campo de hongo Aspergillus flavus en etapa de fructificación en cultivo de maíz en el municipio de Aguazul, Casanare
Cargando...
Archivos
Fecha
Autores
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 presente proyecto de grado propone el desarrollo de un algoritmo de procesamiento digital de imágenes orientado a la detección del hongo Aspergillus flavus en etapa de fructificación en mazorcas de maíz, un fitopatógeno de importancia económica y sanitaria. El trabajo se enfoca en esta fase debido a que constituye un momento de fácil identificación visual de la presencia del hongo.
El algoritmo se diseñó empleando una base de datos propia compuesta por 925 imágenes originales, organizadas en ocho carpetas y obtenidas mediante un protocolo estandarizado de captura descrito en la metodología. El sistema integra procesos de preprocesamiento, segmentación y clasificación mediante redes neuronales, implementados con los modelos MobileNetV2 y perceptrón multicapa (MLP) para la detección supervisada de características visuales asociadas a la presencia de Aspergillus flavus.
obteniendo un índice Dice de 0.941, IoU de 0.889, precisión de 0.935 y sensibilidad (recall) de 0.972. La validación confirmó la capacidad del algoritmo para diferenciar entre tejido sano e infectado con alta consistencia.
Asimismo, se alcanzó una probabilidad de clasificación de 0.968 y un área bajo la curva ROC (AUC) de 0.99, lo cual respalda la precisión del sistema en la identificación de áreas afectadas. La implementación de este algoritmo en métodos de visión por computadora y su incorporación a una interfaz gráfica permitirían su uso como herramienta de apoyo para la identificación de A. flavus en campo a partir de características visuales.
Se concluye que la solución propuesta constituye un recurso tecnológico como una posible herramienta de apoyo para el diagnóstico fitopatológico en un estadio específico del hongo, contribuyendo así a prácticas agrícolas más sostenibles y a la mitigación de riesgos sanitarios. Para consolidar estos hallazgos, se recomienda evaluar su desempeño en otras regiones productoras y bajo diferentes condiciones ambientales, con el objetivo de ampliar su para el monitoreo fitosanitario.
Descripción
Abstract
This undergraduate presents the development of a digital image processing algorithm designed to detect the fungus Aspergillus flavus in the fructification stage on maize ears, a phytopathogen of significant economic and sanitary relevance. The study focuses on this specific stage because its reproductive structures are more visually distinguishable, facilitating detection through computer vision techniques.
The algorithm was developed using a proprietary dataset of 925 original images, organized into eight folders and acquired under a standardized capture protocol detailed in the methodology. The system integrates preprocessing, segmentation, and classification stages through neural network models such as MobileNetV2 and a multilayer perceptron (MLP) for supervised detection of visual features associated with A. flavus.
The model achieved a Dice coefficient of 0.941, IoU of 0.889, precision of 0.935, and sensitivity (recall) of 0.972, demonstrating high consistency in differentiating healthy from infected tissue. Additionally, the classification stage reached a probability score of 0.968 and an area under the ROC curve (AUC) of 0.99, confirming the system’s robustness in identifying infected areas.
The implementation of this algorithm within a graphical interface suggests its potential use as a supporting tool for field identification of A. flavus based on visual features. The findings indicate that the proposed solution constitutes a viable technological resource for phytopathological diagnosis at a specific stage of fungal development, contributing to more sustainable agricultural practices and reduced sanitary risks. Further evaluation in different maize-producing regions and under varying environmental conditions is recommended to strengthen its applicability in phytosanitary monitoring.
Palabras clave
Algoritmo de clasificación, Red neuronal multicapa (MLP), Segmentación en HSV, Fructificación, Aspergillus flavus, PyTorch, Fitopatogeno