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

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.

• Autores: Fernandez Garcia, Mariana; Pabon Riveros, Maria Paula
• Tipo de recurso: https://purl.org/coar/resource_type/c_7a1f
• Fecha de publicación: 2024
• Institución: Universidad El Bosque
• Repositorio: Repositorio U. El Bosque
• Idioma: spa
• OAI Identifier: oai:repositorio.unbosque.edu.co:20.500.12495/14023
• Acceso en línea: https://hdl.handle.net/20.500.12495/14023; https://repositorio.unbosque.edu.co
• Palabra clave: Tizón tardío; Machine learning; Phytophthora infestans; Segmentación de imágenes; Preprocesamiento de imágenes; Tipos de ruido; 610.28; Late blight; Creole potato; Phytophthora infestans; Image segmentation; Image preprocessing; Types of noise
• License: Attribution-NonCommercial-ShareAlike 4.0 International