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 ho...
- 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
- 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
- Rights
- License
- Attribution-NonCommercial-ShareAlike 4.0 International
| id |
UNBOSQUE2_3c0667b865795b6381403c754bcec697 |
|---|---|
| oai_identifier_str |
oai:repositorio.unbosque.edu.co:20.500.12495/14023 |
| network_acronym_str |
UNBOSQUE2 |
| network_name_str |
Repositorio U. El Bosque |
| repository_id_str |
|
| dc.title.none.fl_str_mv |
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 |
| dc.title.translated.none.fl_str_mv |
Development of a software to support the diagnosis of late blight in potato cultivar Colombia (Solanum tuberosum Grupo Phureja), based on digital image analysis |
| title |
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 |
| spellingShingle |
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 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 |
| title_short |
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 |
| title_full |
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 |
| title_fullStr |
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 |
| title_full_unstemmed |
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 |
| title_sort |
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 |
| dc.creator.fl_str_mv |
Fernandez Garcia, Mariana Pabon Riveros, Maria Paula |
| dc.contributor.advisor.none.fl_str_mv |
Almeida Moreno, Javier Andres Lizarazo Peña, Pedro |
| dc.contributor.author.none.fl_str_mv |
Fernandez Garcia, Mariana Pabon Riveros, Maria Paula |
| dc.subject.none.fl_str_mv |
Tizón tardío Machine learning Phytophthora infestans Segmentación de imágenes Preprocesamiento de imágenes Tipos de ruido |
| topic |
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 |
| dc.subject.ddc.none.fl_str_mv |
610.28 |
| dc.subject.keywords.none.fl_str_mv |
Late blight Creole potato Phytophthora infestans Image segmentation Image preprocessing Types of noise |
| description |
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. |
| publishDate |
2024 |
| dc.date.issued.none.fl_str_mv |
2024-12 |
| dc.date.accessioned.none.fl_str_mv |
2025-02-24T18:58:32Z |
| dc.date.available.none.fl_str_mv |
2025-02-24T18:58:32Z |
| dc.type.coar.fl_str_mv |
http://purl.org/coar/resource_type/c_7a1f |
| dc.type.local.spa.fl_str_mv |
Tesis/Trabajo de grado - Monografía - Pregrado |
| dc.type.coar.none.fl_str_mv |
https://purl.org/coar/resource_type/c_7a1f |
| dc.type.driver.none.fl_str_mv |
info:eu-repo/semantics/bachelorThesis |
| dc.type.coarversion.none.fl_str_mv |
https://purl.org/coar/version/c_970fb48d4fbd8a85 |
| format |
https://purl.org/coar/resource_type/c_7a1f |
| dc.identifier.uri.none.fl_str_mv |
https://hdl.handle.net/20.500.12495/14023 |
| dc.identifier.instname.spa.fl_str_mv |
instname:Universidad El Bosque |
| dc.identifier.reponame.spa.fl_str_mv |
reponame:Repositorio Institucional Universidad El Bosque |
| dc.identifier.repourl.none.fl_str_mv |
https://repositorio.unbosque.edu.co |
| url |
https://hdl.handle.net/20.500.12495/14023 https://repositorio.unbosque.edu.co |
| identifier_str_mv |
instname:Universidad El Bosque reponame:Repositorio Institucional Universidad El Bosque |
| dc.language.iso.fl_str_mv |
spa |
| language |
spa |
| dc.relation.references.none.fl_str_mv |
Abascal, E., & Grande, I. (2005). Análisis de encuestas. ESIC. https://books.google.es/books?hl=es&lr=&id=qFczOOiwRSgC&oi=fnd&pg=PA9&dq=TIPOS+DE+PREGUNTAS+EN+ENCUESTAS&ots=eDXwF7O7Sb&sig=_PBm6F9pqjDhH3QkfJxPHIwj9CQ#v=onepage&q=TIPOS%20DE%20PREGUNTAS%20EN%20ENCUESTAS&f=false Acosta N., Rosero, J., Oyagata, M., Velasteguí, M., & Rivera, S. (2019). Detección de enfermedades en cultivos de papa usando procesamiento de imágenes [Tesis de grado, Universidad Politécnica Estatal del Carchi]. Dialnet. https://dialnet.unirioja.es/servlet/articulo?codigo=8228807 Acuña, I., Lucca, F., Tello, C., Morales, R., Sepúlveda, C., Gutiérrez, A., & Bravo, R. (2022). Informe final Alerta temprana para el manejo del tizón tardío de la papa. ATN/RF 16678 RG. Acuña B & Gutiérrez A (2004). Cómo reconocer los tizones de la papa (Informativo No. 47). Instituto de Investigaciones Agropecuarias (INIA).https://tizon.inia.cl/assets/boletines/47-como%20reconocer%20los%20tizones%20de%20la%20papa.pdf Alcala, J., & Navarro, G. (2008). Una introducción a la imagen digital y su tratamiento. MIDECIANT. https://books.google.es/books?hl=es&lr=&id=t4eEAEc9XSQC&oi=fnd&pg=PA9&dq=que+es+una+imagen+digital&ots=EPsKfEqDVD&sig=c5Rva4psdLhXpWYYgserXswNwzo#v=onepage&q=RGB&f=false Alvarado, L. F. (s.f.). Ciclo de vida del cultivo de papa. Corporación colombiana de investigación agropecuaria (AGROSAVIA). Recuperado de https://repository.agrosavia.co/handle/20.500.12324/1479 American Phytopathological Society. (s/f). Product detail - assess 2.0 DIGITAL DOWNLOAD with PRINT manual KIT (MU). Apsnet.org. Recuperado el 22 de noviembre de 2024, de https://my.apsnet.org/APSStore/Product-Detail.aspx?WebsiteKey=2661527A-8D44-496C-A730-8CFEB6239BE7&iProductCode=46413MDKIT Anim-Ayeko, A. O., Schillaci, C., & Lipani, A. (2023). Automatic blight disease detection in potato (Solanum tuberosum L.) and tomato (Solanum lycopersicum, L. 1753) plants using deep learning. Smart Agricultural Technology, 4. https://doi.org/10.1016/j.atech.2023.100178 Anrango, S., Cabrera, A., Rosero, O., Lascano, S., & Yandún, M. (2020). Detección de enfermedades en cultivos de papa usando procesamiento de imágenes. Revista CUMBRES, 6(1), 43-52. Arman, A. (s.f.). Image segmentation. Recuperado de https://armanasq.github.io/computer-vision/image-segementation/#5-interactive-segmentation Asif, M. K. R., Rahman, M. A., & Hena, M. H. (2020). CNN based disease detection approach on potato leaves. In Proceedings of the Third International Conference on Intelligent Sustainable Systems (ICISS) (pp. 428-432). IEEE. Augusto, O. (2022, 18 marzo). Detección de la enfermedad tizón tardío en sus primeras etapas de crecimiento en imágenes de cultivos de papas, mediante el uso de deep learning. Repositorio UTS. http://repositorio.uts.edu.co:8080/xmlui/handle/123456789/8707 Barbedo, J. G. A. (2018). Impact of datasets on the performance of deep learning models for plant disease classification. Computers and Electronics in Agriculture, 165, 104946. https://doi.org/10.1016/j.compag.2018.07.018 Beron, L. E. P., Salcedo, A. F. C., & Martínez, A. B. (2020). Detection of foliar diseases using image processing techniques. Revista Ceres, 67(2), 100-110. https://doi.org/10.1590/0034-737x202067020002 Bienvenido a Grupo de Investigación en Papa. (s.f.). Papaunc.com. Recuperado el 30 de mayo de 2023, de https://papaunc.com/ Bock, C., Poole, H., Parker, P., & Gottwald, T. (2010). Plant disease severity estimated visually, by digital photography and image analysis, and by hyperspectral imaging. Critical Reviews in Plant Sciences, 29, 59-102. https://doi.org/10.1080/07352681003617285 Bobadilla, J. (2021). Machine learning y deep learning: Usando Python, Scikit y Keras. Ediciones de la U. Boletín INIA [34]. (s.f.). Phytophthora infestans: Caracterización de poblaciones en Chile. Biblioteca INIA. https://biblioteca.inia.cl/bitstream/handle/20.500.14001/6777/NR41540.pdf?sequence=7&isAllowed=y Chamarro, D., Lasso, M., Guerrero, M., & Figueroa, J. (2020). Agrosavia Alhaja: Variedad de papa criolla (Solanum tuberosum L. grupo Phureja) para el departamento de Nariño, Colombia. Agrosavia. https://editorial.agrosavia.co/index.php/publicaciones/catalog/book/163 Clive, J. (1971). An illustrated series of assessment keys for plant diseases, their preparation, and usage. Canadian Plant Disease Survey, 51(2), 39-65. https://phytopath.ca/wp-content/uploads/2014/10/cpds-archive/vol51/CPDS_Vol_51_No_2_(39-65)1971.pdf Cochran, W. G. (1977). Sampling Techniques (3rd ed.). John Wiley & Sons. Cooke, D. E., Cano, L. M., Raffaele, S., Bain, R. A., Cooke, L. R., Etherington, G. J., ... & Kamoun, S. (2015). Genome analyses of an aggressive and invasive lineage of the Irish potato famine pathogen. PLoS Pathogens, 11(9), e1005026. https://doi.org/10.1371/journal.ppat.1005026 Cole, D. C., Sherwood, S., Crissman, C. C., Barrera, V., & Espinosa, P. (2002). Pesticides and health in highland Ecuadorian potato production: Assessing impacts and developing responses. International Journal of Occupational and Environmental Health, 8(3), 182-190. https://doi.org/10.1179/107735202800338902 Dai, G., Hu, L., Fan, J., Yan, S., & Li, R. (año de publicación). A deep learning-based object detection scheme by improving YOLOv5 for sprouted potatoes datasets. IEEE Access, 10.https://ieeexplore.ieee.org/abstract/document/983288. Díaz, J. S., Caicedo, Y. A., Caro, A. E., Pardo, X. A., García, Y. A., & Aristizabal, I. M. A. (2018). Evaluación de tres variedades de papa criolla en rendimiento, resistencia y susceptibilidad a Phytophthora infestans bajo fertilización orgánica. Revista Ciencias Agropecuarias (RCA), 4(1), 3-8. Delgado, M(2023).Detección de la enfermedad gota en cultivos de papa en Colombia usando Deep Learning.(Tesis de Grado).Universidad Nacional Abierta y a Distancia UNAD.https://repository.unad.edu.co/bitstream/handle/10596/55930/maroad.pdf?sequence=1&isAllowed=y Dominguez, C. (2020). A propósito de la introducción de aislamientos de Phytophthora infestans para investigación en Colombia. Agronomía Colombiana. https://revistas.unal.edu.co/index.php/agrocol/article/view/21483/22475 Domingos, P. (2012). A few useful things to know about machine learning. Communications of the ACM, 55(10), 78-87. Dominic W, Fraser M y Avril B (2024).Leaf only SAM:A segment anything pipeline for zero-shot automated leaf segmentation.Smart Agricultura Technology,8,100515.https://www.sciencedirect.com/science/article/pii/S2772375524001205 Escuela Universitaria de Oficios UNLP. (s.f.).Mantenimiento de espacios verdes: Nuestras aliadas las plantas: hojas, flor y fruto [Diapositiva]. Universidad Nacional de La Plata. Recuperado de chrome-extension://efaidnbmnnnibpcajpcglclefindmkaj/https://yold.unlp.edu.ar/frontend/media/97/27597/81f9ef09650f9c638a7a2dab325664e8.pdf Esri. (n.d.). Función conversión de modelo de color—ArcGIS Pro. Recuperado el 5 de noviembre de 2023, de https://pro.arcgis.com/es/pro-app/latest/help/analysis/raster-functions/color-model-conversion-function.htm Fedepapa(2020).NACIONAL fedepapa.Boletín Regional ,Vol. 4, No. 5Fondo Nacional de Fomento de la Papa. https://fedepapa.com/wp-content/uploads/2021/09/NACIONAL-2020.pdf Fedepapa(2021).Informe de Gestión.Vigencia 2021 - I. Fondo Nacional de Fomento de la Papa. https://fedepapa.com/wp-content/uploads/2022/02/INFORME-DE-GESTION-SEMESTRE-A-2021.pdf Fedepapa(2022).BOLETÍN REGIONAL Nacional,Vol 6.Fondo Nacional de Fomento de la Papa. https://fedepapa.com/wp-content/uploads/2023/01/Boleti%CC%81n-Nacional.pdf Fedepapa(2024).Día internacional de la papa.Revista Papa, 59,1-3. https://fedepapa.com/wp-content/uploads/2024/07/REVISTA-59_COMPLETA.pdf. Fenómeno de El Niño en Colombia. (2019). Minagricultura.gov.co. https://www.minagricultura.gov.co/atentos-clima/Paginas/default.aspx Fontagro. (n.d.). Papa y cambio climático: Adaptación y resiliencia frente al tizón tardío. Fontagro. https://www.fontagro.org/new/proyectos/papa-y-cc/es Fry, W., Grünwald, N., & Ocotlán, J. M. (2012). Introducción a los oomicetes. En A. J. Valencia-Botín (Trans.). Gómez Flores, W. (s.f.). Análisis de imágenes digitales: Transformaciones de intensidad [Diapositivas]. Cinvestav. https://www.tamps.cinvestav.mx/~wgomez/diapositivas/AID/Clase03.pdf Goodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT Press. Guerrero, N., Quintero, M., & Naranjo, J. (2012). Determinación del área foliar en fotografías tomadas con una cámara web, un teléfono celular o una cámara semiprofesional. Revista Facultad Nacional de Agronomía - Medellín, 65(1), 6399-6405. Gutierrez, A. (2010). Reconocimiento de rostros utilizando análisis de componentes principales y ecualización de histograma [Tesis, Instituto Politécnico Nacional, Escuela Superior de Ingeniería Mecánica y Eléctrica Unidad Culhuacan]. Repositorio Digital IPN. https://www.repositoriodigital.ipn.mx/bitstream/123456789/12676/1/Tesis_Kelsey%20Ramirez.pdf Hastie, T., Tibshirani, R., & Friedman, J. (2009). The elements of statistical learning: Data mining, inference, and prediction. Springer Science & Business Media. Haverkort, A. J., Struik, P. C., Visser, R. G. F., & Jacobsen, E. (2008). Applied biotechnology to combat late blight in potato caused by Phytophthora infestans. Potato Research, 51(3-4), 249–264. https://doi.org/10.1007/s11540-008-9102-9 Henfling, J. (2000). El tizón tardío de la papa (Vol. 4). International Potato Center. https://books.google.es/books?hl=es&lr=&id=KA7n0dNifCYC&oi=fnd&dq=Desarrollo+de+lesiones+en+hojas+de+papa&ots=o4bTlK5ZSv&sig=zewciqYGDZpLf3CdOXqaSm__Z7A Historia y origen del patosistema Phytophthora infestans/Solanum. (s.f.). UNA Revisión. Agrosavia. https://repository.agrosavia.co/bitstream/handle/20.500.12324/16871/41115_26976.pdf?sequence=1&isAllowed=y Hou, Z., Zhuang, T., Tang, É., Huang, B., & Lou. (2021). Reconocimiento de enfermedades de tizón temprano y tizón tardío en hojas de papa basado en segmentación de corte gráfico. Journal of Agriculture and Food Research, 5. https://doi.org/10.1016/j.jafr.2021.100154 Hughes, D., & Salathé, M. (2016). An open access repository of images for plant disease detection. arXiv preprint arXiv:1611.06186. Hunca, H. (2018). Ecualización del histograma para el procesamiento digital de imágenes estáticas [Tesis de grado]. Universidad Mayor de San Andrés. http://repositorio.umsa.bo/xmlui/handle/123456789/17511 IBM. (2024, 14 de mayo). What is supervised learning? https://www.ibm.com/mx-es/topics/supervised-learning Ignacio, J. (2019). La matriz de confusión y sus métricas. Juan Barrios. Recuperado el 24 de octubre de 2023, de https://www.juanbarrios.com/la-matriz-de-confusion-y-sus-metricas/ Intagri. (s.f.). Phytophthora infestans: Un hongo devastador para las hortalizas. Recuperado de https://intagri.com/articulos/fitosanidad/phytophthora-infestans-un-hongo-devastador-para-las-hortalizas Instituto Colombiano Agropecuario (ICA). (2021).Requisitos para solicitar el servicio de análisis o diagnóstico fitosanitario. Laboratorio Nacional de Diagnóstico Fitosanitario. https://www.ica.gov.co/areas/laboratorios/lab-nacional-de-diagnostico-fitosanitario/lab-nal-diagn-fitosanitario-y-analisis-molecular/servicios-del-lndf-ano-2021digital.aspx Instituto Colombiano Agropecuario. (2011). Manejo fitosanitario del cultivo de la papa (Solanum tuberosum subsp. andigena y S. phureja). Medidas para la temporada invernal. https://www.ica.gov.co/getattachment/b2645c33-d4b4-4d9d-84ac-197c55e7d3d0/Manejo-fitosanitario-del-cultiva-de-la-papa-nbsp;-.aspx Instituto de investigaciones agropecuarias(INIA).(s.f).Como reconocer los tizónes de la papa.Ministerio de agricultura,Gobierno de Chile.(Boletín informativo).Recuperado de https://tizon.inia.cl/assets/boletines/47-como%20reconocer%20los%20tizones%20de%20la%20papa.pdf. (INIAP). (s.f.). Programa de mejoramiento de papa. INIAP. Recuperado el 5 de noviembre de 2023, de http://repositorio.iniap.gob.ec/handle/41000/4731 James, D. (2017). Detección y clasificación de enfermedades en plantas usando aprendizaje profundo. Journal of Applied Research and Technology, 15(1), 45-57. https://doi.org/10.1016/j.jart.2017.01.004 Jung, M., Oh, S., & Kang, H. (2022). Evaluación de la gravedad de la enfermedad del tizón tardío mediante procesamiento de imágenes y aprendizaje automático. Precision Agriculture, 23(4), 1-17. https://doi.org/10.1007/s11119-022-09814-3 Kanagachidambaresan, G., & Prakash, K. (s.f.). Programming with TensorFlow solution for edge computing applications. EAI/Springer Innovations in Communication. Karthik, K., Sujatha, C. M., & Elango, P. (2020). A deep convolutional neural network-based detection system for potato disease classification. Neural Computing and Applications, 32, 11111-11122. https://doi.org/10.1007/s00521-020-04714-4 Kaur, R., & Dhillon, M. S. (2021). Early detection of late blight in potato crop using image processing techniques. IOP Conference Series: Materials Science and Engineering. https://doi.org/10.1088/1757-899X/1098/2/022072 Kirchgessner, N., Liebisch, F., & Walter, A. (2017). Monitoring plant growth using low-cost time-lapse cameras and convolutional neural network-based image analysis. Plant Methods, 13, 79. https://doi.org/10.1186/s13007-017-0227-8 Koranga, S. K., Srivastava, R., Meher, R. L., & Swain, D. (2023). Automated detection and classification of potato diseases using deep learning models. Journal of Plant Diseases and Protection, 1-13. https://doi.org/10.1007/s41348-023-00714-w Krizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). Imagenet classification with deep convolutional neural networks. Advances in Neural Information Processing Systems, 25, 1097-1105. Lagos, T., Lago, J., Alvarado, D., & Santander, L. (2020). Selection of potato genotypes Solanum tuberosum group Andigena by their tolerance to Phytophthora infestans (Mont.) of Bar. Facultad Nacional de Agronomía Medellín, 74, 9361-9372. https://www.redalyc.org/journal/1799/179966583002/html/#B8 Lalnuntluanga, J. (2022). Plant leaf disease classification using pre-trained deep learning models. Springer Nature Singapore. https://doi.org/10.1007/978-981-16-4518-2_16 Llamas, J., Álvarez, S., Roselló, J., Taverner, P., & Granell, R. (2019). Identificación de enfermedades de la hoja de la patata utilizando redes neuronales convolucionales. Agronomy, 9(9), 485. https://doi.org/10.3390/agronomy9090485 Long J,Shelhamer & Darrell.(2015).Fully convolutional networks for semantic segmentation.Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 3431–3440. https://doi.org/10.1109/CVPR.2015.7298965. Marin, F. R., Jones, J. W., Boote, K. J., & Alvares, C. A. (2020). Impact of management strategies for reducing late blight on potato yield and water use under climate change scenarios. Agricultural and Forest Meteorology, 295, 108180. https://doi.org/10.1016/j.agrformet.2020.108180 MathWorks.(n.d.).ResNet-50. https://es.mathworks.com/help/deeplearning/ref/resnet50.html Moncayo, J., Delgado, R., Marcillo, C., Salazar, C., & Betancourth, C. (2019). Genotype reaction of Solanum tuberosum, andigena and phureja groups to late blight (Phytophthora infestans Mont. De Bary). Revista de Ciencias Agrícolas, 36(E), 138–157. http://www.scielo.org.co/scielo.php?script=sci_arttext&pid=S0120-01352019000300138 Montes, G. (2000). Metodología y técnicas de diseño y realización de encuestas en el área rural. Temas Sociales, 21, 39-50. Recuperado en 09 de octubre de 2024, de http://www.scielo.org.bo/scielo.php?script=sci_arttext&pid=S0040-29152000000100003&lng=es&tlng=es. Ñústez C y Rodríguez M (2020). Papa criolla (Solanum tuberosum L. Grupo Phureja) : manual de recomendaciones técnicas para su cultivo en el departamento de Cundinamarca. Universidad Nacional de Colombia. Ochoa, L., Torres, J., Camargo, M., & Garcia, N. (2021). Assessment of potato late blight by machine learning and image analysis. Biosystems Engineering, 203, 131-140. https://doi.org/10.1016/j.biosystemseng.2021.01.011 Oñate, A. J., Morales, E., & Galeas, M. (2020). Análisis de diferentes técnicas de aprendizaje profundo para la identificación de enfermedades foliares en cultivos de papa [Tesis, Universidad Politécnica Estatal del Carchi]. Repositorio Digital UPEC. http://repositorio.upec.edu.ec/handle/123456789/1600 PortalFruticola.com.(23 de febrero de 2018).¿Cuáles son los tipos de raíces que existen?.PortalFruticola.https://www.portalfruticola.com/noticias/2018/02/23/cuales-los-tipos-raices-existen/ Pethybridge, S, & Nelson, S. (2015). Leaf Doctor: A new portable application for quantifying plant disease severity.Plant Disease, 99(10), 1310–1316. https://doi.org/10.1094/PDIS-03-15-0319-RE Peñaloza, G. (2000). Estudio de diferentes métodos de extracción de características de imágenes digitales y su aplicación en el reconocimiento de patrones [Tesis]. Escuela Politécnica Nacional. https://bibdigital.epn.edu.ec/bitstream/15000/5295/4/T1407.pdf Reyes, P., Gómez, J. P., & Sánchez, M. (2020). Evaluación de modelos de clasificación en el diagnóstico de enfermedades foliares usando aprendizaje profundo. Revista Colombiana de Ciencias Hortícolas, 14(2), 167–178. https://doi.org/10.17584/rcch.2020v14i2.10779 Reyes, N. (2013). Micología veterinaria [Tesis de grado]. Universidad Nacional Agraria. https://repositorio.una.edu.ni/2470/1/nl73n322.pdf Ristaino, J. B., & Grünwald, N. J. (2008). Epidemiology and management of late blight in tomato and potato. Plant Disease, 92(9), 1215-1220. https://doi.org/10.1094/PDIS-92-9-1215 Rosero, A., Oyagata, M., & Rivera, S. (2019). Detección de enfermedades en cultivos de papa usando procesamiento de imágenes. Revista de Investigación en Ingeniería, 17(3), 27-34. https://dialnet.unirioja.es/servlet/articulo?codigo=8228807 Rutter, L. J., & Jones, G. (2022). Precision agriculture: Automated systems for plant disease detection using convolutional neural networks. Computers and Electronics in Agriculture, 192, 106584. https://doi.org/10.1016/j.compag.2022.106584 Santos, D., Gómez, A., Pedraza, R., Gómez, L., Bohórquez, C., Ureña, S., & Gómez, V. (2022). Aspectos generales del cultivo de papa en Cundinamarca. Corporación Colombiana de Investigación Agropecuaria (Agrosavia). https://doi.org/10.21930/agrosavia.nbook.7405408 Santos Castellanos, Segura Abril, & Núñez López, C. E. (2010). Análisis de crecimiento y relación fuente-demanda de cuatro variedades de papa (Solanum tuberosum L.) en el municipio de Zipaquirá (Cundinamarca, Colombia). Universidad Nacional de Colombia. https://revistas.unal.edu.co/index.php/refame/article/download/24945/36978?inline=1 Sebastián, G. (2023). Aprendizaje automático supervisado. Scikit-learn. Recuperado el 13 de julio de 2023, de https://scikit-learn.org/stable/supervised_learning.html Simons, S. (2023). The Segment Anything Model (SAM) for accelerating the smart farming revolution. Smart Agricultural Technology, 1-11. https://www.sciencedirect.com/science/article/pii/S2772375523001958 Sharma, R., Singh, A., Dutta, M. K., Riha, K., & Kriz, P. (2017, July). Image processing based automated identification of late blight disease from leaf images of potato crops. In 2017 40th international conference on telecommunications and signal processing (TSP) (pp. 758-762). IEEE. Stokstad, E. (2019). La plaga más devastadora de la historia podría regresar. Science, 363(6425), 582-585. https://doi.org/10.1126/science.363.6425.582 Swain, S., Pradhan, S., Dash, A., & Jena, S. (2019). Image analysis of early blight and late blight diseases in potato using machine learning. International Journal of Advanced Computer Science and Applications, 10(3), 164-169. https://doi.org/10.14569/IJACSA.2019.0100318 Telefónica Tech. (n.d.). Deep learning para todos los públicos. https://telefonicatech.com/blog/deep-learning-para-todos-los-publicos Torres, H., Beltran, R., Villafañe, C., & Jaimes, L. (2021). Modelos de clasificación de enfermedades en plantas basados en técnicas de aprendizaje profundo. Revista Facultad de Ingeniería Universidad de Antioquia, 101, 69-78. https://doi.org/10.17533/udea.redin.20200816 Universidad Jorge Tadeo Lozano. (2023). Laboratorio de microbiología ambiental y agrícola 2023. https://www.utadeo.edu.co/sites/tadeo/files/collections/documents/field_attached_file/lab._microbiologia_2023.pdf Vázquez-Cruz, M., & Hernández-Vega, M. (2023). Evaluación de técnicas de aprendizaje profundo para la detección de enfermedades en cultivos de papa. Repositorio Digital UPEA. http://repositorio.upea.bo/handle/123456789/1715 Wang, Y., Jin, X., & Zhang, Z. (2020). Identification and classification of potato diseases based on convolutional neural networks. Journal of Plant Protection Research, 60(4), 355-362. https://doi.org/10.24425/jppr.2020.134583 Xing, J., & Jin, G. (2022). Application of machine learning techniques in detecting diseases of crops: A review. Agronomy, 12(2), 347. https://doi.org/10.3390/agronomy12020347 Yang, H., Kim, J., & Yoon, H. (2022). Classification of plant diseases using an efficient deep neural network architecture. Journal of Electrical Engineering & Technology, 17(1), 389-396. https://doi.org/10.1007/s42835-021-00946-y Zapata P, Porras R, Cerón L, & Herrera H,(s/f).Enfermedades de la papa diploide (Solanum phureja Juz. et Buk.)en Colombia. https://repository.agrosavia.co/bitstream/handle/20.500.12324/38032/Ver_Documento_38032.pdf?sequence=1 |
| dc.rights.en.fl_str_mv |
Attribution-NonCommercial-ShareAlike 4.0 International |
| dc.rights.coar.fl_str_mv |
http://purl.org/coar/access_right/c_abf2 |
| dc.rights.uri.none.fl_str_mv |
http://creativecommons.org/licenses/by-nc-sa/4.0/ |
| dc.rights.local.spa.fl_str_mv |
Acceso abierto |
| dc.rights.accessrights.none.fl_str_mv |
https://purl.org/coar/access_right/c_abf2 |
| rights_invalid_str_mv |
Attribution-NonCommercial-ShareAlike 4.0 International http://creativecommons.org/licenses/by-nc-sa/4.0/ Acceso abierto https://purl.org/coar/access_right/c_abf2 http://purl.org/coar/access_right/c_abf2 |
| dc.format.mimetype.none.fl_str_mv |
application/pdf |
| dc.publisher.program.spa.fl_str_mv |
Bioingeniería |
| dc.publisher.grantor.spa.fl_str_mv |
Universidad El Bosque |
| dc.publisher.faculty.spa.fl_str_mv |
Facultad de Ingeniería |
| institution |
Universidad El Bosque |
| bitstream.url.fl_str_mv |
https://repositorio.unbosque.edu.co/bitstreams/cf19c5ea-9d33-4d48-b523-25be50d938fd/download https://repositorio.unbosque.edu.co/bitstreams/78b2089f-d608-42d7-b5f9-57fdf22e615c/download https://repositorio.unbosque.edu.co/bitstreams/34f43253-6357-479e-a821-2da6f43d36e3/download https://repositorio.unbosque.edu.co/bitstreams/98d2edb0-3460-4cfe-9d3b-8952f2ec1d4c/download https://repositorio.unbosque.edu.co/bitstreams/a7cc4ffd-3c3e-4bab-9aa6-aa54ebc67f0a/download https://repositorio.unbosque.edu.co/bitstreams/b8f0d417-a620-439c-9c9a-dedd455c8d44/download https://repositorio.unbosque.edu.co/bitstreams/24c6e4fe-c850-4f2b-b669-e9fa3026153c/download |
| bitstream.checksum.fl_str_mv |
17cc15b951e7cc6b3728a574117320f9 d7aed73c1f96b83bb18ba6edfb445496 bf42d5a427ab75927a11ccc064c76139 5643bfd9bcf29d560eeec56d584edaa9 7266c9e5176717e4e7c7f72d7b37605a 5f3f9399a36421163c2ae4dd0de47547 48285cba3e78772ee1be6f2119cb1d0f |
| bitstream.checksumAlgorithm.fl_str_mv |
MD5 MD5 MD5 MD5 MD5 MD5 MD5 |
| repository.name.fl_str_mv |
Repositorio Institucional Universidad El Bosque |
| repository.mail.fl_str_mv |
bibliotecas@biteca.com |
| _version_ |
1828164441255968768 |
| spelling |
Almeida Moreno, Javier AndresLizarazo Peña, PedroFernandez Garcia, MarianaPabon Riveros, Maria Paula2025-02-24T18:58:32Z2025-02-24T18:58:32Z2024-12https://hdl.handle.net/20.500.12495/14023instname:Universidad El Bosquereponame:Repositorio Institucional Universidad El Bosquehttps://repositorio.unbosque.edu.coEl 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.BioingenieroPregradoLate 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.application/pdfAttribution-NonCommercial-ShareAlike 4.0 Internationalhttp://creativecommons.org/licenses/by-nc-sa/4.0/Acceso abiertohttps://purl.org/coar/access_right/c_abf2http://purl.org/coar/access_right/c_abf2Tizón tardíoMachine learningPhytophthora infestansSegmentación de imágenesPreprocesamiento de imágenesTipos de ruido610.28Late blightCreole potatoPhytophthora infestansImage segmentationImage preprocessingTypes of noiseDesarrollo 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 imágenesDevelopment of a software to support the diagnosis of late blight in potato cultivar Colombia (Solanum tuberosum Grupo Phureja), based on digital image analysisBioingenieríaUniversidad El BosqueFacultad de IngenieríaTesis/Trabajo de grado - Monografía - Pregradohttps://purl.org/coar/resource_type/c_7a1fhttp://purl.org/coar/resource_type/c_7a1finfo:eu-repo/semantics/bachelorThesishttps://purl.org/coar/version/c_970fb48d4fbd8a85Abascal, E., & Grande, I. (2005). Análisis de encuestas. ESIC. https://books.google.es/books?hl=es&lr=&id=qFczOOiwRSgC&oi=fnd&pg=PA9&dq=TIPOS+DE+PREGUNTAS+EN+ENCUESTAS&ots=eDXwF7O7Sb&sig=_PBm6F9pqjDhH3QkfJxPHIwj9CQ#v=onepage&q=TIPOS%20DE%20PREGUNTAS%20EN%20ENCUESTAS&f=falseAcosta N., Rosero, J., Oyagata, M., Velasteguí, M., & Rivera, S. (2019). Detección de enfermedades en cultivos de papa usando procesamiento de imágenes [Tesis de grado, Universidad Politécnica Estatal del Carchi]. Dialnet. https://dialnet.unirioja.es/servlet/articulo?codigo=8228807Acuña, I., Lucca, F., Tello, C., Morales, R., Sepúlveda, C., Gutiérrez, A., & Bravo, R. (2022). Informe final Alerta temprana para el manejo del tizón tardío de la papa. ATN/RF 16678 RG.Acuña B & Gutiérrez A (2004). Cómo reconocer los tizones de la papa (Informativo No. 47). Instituto de Investigaciones Agropecuarias (INIA).https://tizon.inia.cl/assets/boletines/47-como%20reconocer%20los%20tizones%20de%20la%20papa.pdfAlcala, J., & Navarro, G. (2008). Una introducción a la imagen digital y su tratamiento. MIDECIANT. https://books.google.es/books?hl=es&lr=&id=t4eEAEc9XSQC&oi=fnd&pg=PA9&dq=que+es+una+imagen+digital&ots=EPsKfEqDVD&sig=c5Rva4psdLhXpWYYgserXswNwzo#v=onepage&q=RGB&f=falseAlvarado, L. F. (s.f.). Ciclo de vida del cultivo de papa. Corporación colombiana de investigación agropecuaria (AGROSAVIA). Recuperado de https://repository.agrosavia.co/handle/20.500.12324/1479American Phytopathological Society. (s/f). Product detail - assess 2.0 DIGITAL DOWNLOAD with PRINT manual KIT (MU). Apsnet.org. Recuperado el 22 de noviembre de 2024, de https://my.apsnet.org/APSStore/Product-Detail.aspx?WebsiteKey=2661527A-8D44-496C-A730-8CFEB6239BE7&iProductCode=46413MDKITAnim-Ayeko, A. O., Schillaci, C., & Lipani, A. (2023). Automatic blight disease detection in potato (Solanum tuberosum L.) and tomato (Solanum lycopersicum, L. 1753) plants using deep learning. Smart Agricultural Technology, 4. https://doi.org/10.1016/j.atech.2023.100178Anrango, S., Cabrera, A., Rosero, O., Lascano, S., & Yandún, M. (2020). Detección de enfermedades en cultivos de papa usando procesamiento de imágenes. Revista CUMBRES, 6(1), 43-52.Arman, A. (s.f.). Image segmentation. Recuperado de https://armanasq.github.io/computer-vision/image-segementation/#5-interactive-segmentationAsif, M. K. R., Rahman, M. A., & Hena, M. H. (2020). CNN based disease detection approach on potato leaves. In Proceedings of the Third International Conference on Intelligent Sustainable Systems (ICISS) (pp. 428-432). IEEE.Augusto, O. (2022, 18 marzo). Detección de la enfermedad tizón tardío en sus primeras etapas de crecimiento en imágenes de cultivos de papas, mediante el uso de deep learning. Repositorio UTS. http://repositorio.uts.edu.co:8080/xmlui/handle/123456789/8707Barbedo, J. G. A. (2018). Impact of datasets on the performance of deep learning models for plant disease classification. Computers and Electronics in Agriculture, 165, 104946. https://doi.org/10.1016/j.compag.2018.07.018Beron, L. E. P., Salcedo, A. F. C., & Martínez, A. B. (2020). Detection of foliar diseases using image processing techniques. Revista Ceres, 67(2), 100-110. https://doi.org/10.1590/0034-737x202067020002Bienvenido a Grupo de Investigación en Papa. (s.f.). Papaunc.com. Recuperado el 30 de mayo de 2023, de https://papaunc.com/Bock, C., Poole, H., Parker, P., & Gottwald, T. (2010). Plant disease severity estimated visually, by digital photography and image analysis, and by hyperspectral imaging. Critical Reviews in Plant Sciences, 29, 59-102. https://doi.org/10.1080/07352681003617285Bobadilla, J. (2021). Machine learning y deep learning: Usando Python, Scikit y Keras. Ediciones de la U.Boletín INIA [34]. (s.f.). Phytophthora infestans: Caracterización de poblaciones en Chile. Biblioteca INIA. https://biblioteca.inia.cl/bitstream/handle/20.500.14001/6777/NR41540.pdf?sequence=7&isAllowed=yChamarro, D., Lasso, M., Guerrero, M., & Figueroa, J. (2020). Agrosavia Alhaja: Variedad de papa criolla (Solanum tuberosum L. grupo Phureja) para el departamento de Nariño, Colombia. Agrosavia. https://editorial.agrosavia.co/index.php/publicaciones/catalog/book/163Clive, J. (1971). An illustrated series of assessment keys for plant diseases, their preparation, and usage. Canadian Plant Disease Survey, 51(2), 39-65. https://phytopath.ca/wp-content/uploads/2014/10/cpds-archive/vol51/CPDS_Vol_51_No_2_(39-65)1971.pdfCochran, W. G. (1977). Sampling Techniques (3rd ed.). John Wiley & Sons.Cooke, D. E., Cano, L. M., Raffaele, S., Bain, R. A., Cooke, L. R., Etherington, G. J., ... & Kamoun, S. (2015). Genome analyses of an aggressive and invasive lineage of the Irish potato famine pathogen. PLoS Pathogens, 11(9), e1005026. https://doi.org/10.1371/journal.ppat.1005026Cole, D. C., Sherwood, S., Crissman, C. C., Barrera, V., & Espinosa, P. (2002). Pesticides and health in highland Ecuadorian potato production: Assessing impacts and developing responses. International Journal of Occupational and Environmental Health, 8(3), 182-190. https://doi.org/10.1179/107735202800338902Dai, G., Hu, L., Fan, J., Yan, S., & Li, R. (año de publicación). A deep learning-based object detection scheme by improving YOLOv5 for sprouted potatoes datasets. IEEE Access, 10.https://ieeexplore.ieee.org/abstract/document/983288.Díaz, J. S., Caicedo, Y. A., Caro, A. E., Pardo, X. A., García, Y. A., & Aristizabal, I. M. A. (2018). Evaluación de tres variedades de papa criolla en rendimiento, resistencia y susceptibilidad a Phytophthora infestans bajo fertilización orgánica. Revista Ciencias Agropecuarias (RCA), 4(1), 3-8.Delgado, M(2023).Detección de la enfermedad gota en cultivos de papa en Colombia usando Deep Learning.(Tesis de Grado).Universidad Nacional Abierta y a Distancia UNAD.https://repository.unad.edu.co/bitstream/handle/10596/55930/maroad.pdf?sequence=1&isAllowed=yDominguez, C. (2020). A propósito de la introducción de aislamientos de Phytophthora infestans para investigación en Colombia. Agronomía Colombiana. https://revistas.unal.edu.co/index.php/agrocol/article/view/21483/22475Domingos, P. (2012). A few useful things to know about machine learning. Communications of the ACM, 55(10), 78-87.Dominic W, Fraser M y Avril B (2024).Leaf only SAM:A segment anything pipeline for zero-shot automated leaf segmentation.Smart Agricultura Technology,8,100515.https://www.sciencedirect.com/science/article/pii/S2772375524001205Escuela Universitaria de Oficios UNLP. (s.f.).Mantenimiento de espacios verdes: Nuestras aliadas las plantas: hojas, flor y fruto [Diapositiva]. Universidad Nacional de La Plata. Recuperado de chrome-extension://efaidnbmnnnibpcajpcglclefindmkaj/https://yold.unlp.edu.ar/frontend/media/97/27597/81f9ef09650f9c638a7a2dab325664e8.pdfEsri. (n.d.). Función conversión de modelo de color—ArcGIS Pro. Recuperado el 5 de noviembre de 2023, de https://pro.arcgis.com/es/pro-app/latest/help/analysis/raster-functions/color-model-conversion-function.htmFedepapa(2020).NACIONAL fedepapa.Boletín Regional ,Vol. 4, No. 5Fondo Nacional de Fomento de la Papa. https://fedepapa.com/wp-content/uploads/2021/09/NACIONAL-2020.pdfFedepapa(2021).Informe de Gestión.Vigencia 2021 - I. Fondo Nacional de Fomento de la Papa. https://fedepapa.com/wp-content/uploads/2022/02/INFORME-DE-GESTION-SEMESTRE-A-2021.pdfFedepapa(2022).BOLETÍN REGIONAL Nacional,Vol 6.Fondo Nacional de Fomento de la Papa. https://fedepapa.com/wp-content/uploads/2023/01/Boleti%CC%81n-Nacional.pdfFedepapa(2024).Día internacional de la papa.Revista Papa, 59,1-3. https://fedepapa.com/wp-content/uploads/2024/07/REVISTA-59_COMPLETA.pdf.Fenómeno de El Niño en Colombia. (2019). Minagricultura.gov.co. https://www.minagricultura.gov.co/atentos-clima/Paginas/default.aspxFontagro. (n.d.). Papa y cambio climático: Adaptación y resiliencia frente al tizón tardío. Fontagro. https://www.fontagro.org/new/proyectos/papa-y-cc/esFry, W., Grünwald, N., & Ocotlán, J. M. (2012). Introducción a los oomicetes. En A. J. Valencia-Botín (Trans.).Gómez Flores, W. (s.f.). Análisis de imágenes digitales: Transformaciones de intensidad [Diapositivas]. Cinvestav. https://www.tamps.cinvestav.mx/~wgomez/diapositivas/AID/Clase03.pdfGoodfellow, I., Bengio, Y., & Courville, A. (2016). Deep learning. MIT Press.Guerrero, N., Quintero, M., & Naranjo, J. (2012). Determinación del área foliar en fotografías tomadas con una cámara web, un teléfono celular o una cámara semiprofesional. Revista Facultad Nacional de Agronomía - Medellín, 65(1), 6399-6405.Gutierrez, A. (2010). Reconocimiento de rostros utilizando análisis de componentes principales y ecualización de histograma [Tesis, Instituto Politécnico Nacional, Escuela Superior de Ingeniería Mecánica y Eléctrica Unidad Culhuacan]. Repositorio Digital IPN. https://www.repositoriodigital.ipn.mx/bitstream/123456789/12676/1/Tesis_Kelsey%20Ramirez.pdfHastie, T., Tibshirani, R., & Friedman, J. (2009). The elements of statistical learning: Data mining, inference, and prediction. Springer Science & Business Media.Haverkort, A. J., Struik, P. C., Visser, R. G. F., & Jacobsen, E. (2008). Applied biotechnology to combat late blight in potato caused by Phytophthora infestans. Potato Research, 51(3-4), 249–264. https://doi.org/10.1007/s11540-008-9102-9Henfling, J. (2000). El tizón tardío de la papa (Vol. 4). International Potato Center. https://books.google.es/books?hl=es&lr=&id=KA7n0dNifCYC&oi=fnd&dq=Desarrollo+de+lesiones+en+hojas+de+papa&ots=o4bTlK5ZSv&sig=zewciqYGDZpLf3CdOXqaSm__Z7AHistoria y origen del patosistema Phytophthora infestans/Solanum. (s.f.). UNA Revisión. Agrosavia. https://repository.agrosavia.co/bitstream/handle/20.500.12324/16871/41115_26976.pdf?sequence=1&isAllowed=yHou, Z., Zhuang, T., Tang, É., Huang, B., & Lou. (2021). Reconocimiento de enfermedades de tizón temprano y tizón tardío en hojas de papa basado en segmentación de corte gráfico. Journal of Agriculture and Food Research, 5. https://doi.org/10.1016/j.jafr.2021.100154Hughes, D., & Salathé, M. (2016). An open access repository of images for plant disease detection. arXiv preprint arXiv:1611.06186.Hunca, H. (2018). Ecualización del histograma para el procesamiento digital de imágenes estáticas [Tesis de grado]. Universidad Mayor de San Andrés. http://repositorio.umsa.bo/xmlui/handle/123456789/17511IBM. (2024, 14 de mayo). What is supervised learning? https://www.ibm.com/mx-es/topics/supervised-learningIgnacio, J. (2019). La matriz de confusión y sus métricas. Juan Barrios. Recuperado el 24 de octubre de 2023, de https://www.juanbarrios.com/la-matriz-de-confusion-y-sus-metricas/Intagri. (s.f.). Phytophthora infestans: Un hongo devastador para las hortalizas. Recuperado de https://intagri.com/articulos/fitosanidad/phytophthora-infestans-un-hongo-devastador-para-las-hortalizasInstituto Colombiano Agropecuario (ICA). (2021).Requisitos para solicitar el servicio de análisis o diagnóstico fitosanitario. Laboratorio Nacional de Diagnóstico Fitosanitario. https://www.ica.gov.co/areas/laboratorios/lab-nacional-de-diagnostico-fitosanitario/lab-nal-diagn-fitosanitario-y-analisis-molecular/servicios-del-lndf-ano-2021digital.aspxInstituto Colombiano Agropecuario. (2011). Manejo fitosanitario del cultivo de la papa (Solanum tuberosum subsp. andigena y S. phureja). Medidas para la temporada invernal. https://www.ica.gov.co/getattachment/b2645c33-d4b4-4d9d-84ac-197c55e7d3d0/Manejo-fitosanitario-del-cultiva-de-la-papa-nbsp;-.aspxInstituto de investigaciones agropecuarias(INIA).(s.f).Como reconocer los tizónes de la papa.Ministerio de agricultura,Gobierno de Chile.(Boletín informativo).Recuperado de https://tizon.inia.cl/assets/boletines/47-como%20reconocer%20los%20tizones%20de%20la%20papa.pdf.(INIAP). (s.f.). Programa de mejoramiento de papa. INIAP. Recuperado el 5 de noviembre de 2023, de http://repositorio.iniap.gob.ec/handle/41000/4731James, D. (2017). Detección y clasificación de enfermedades en plantas usando aprendizaje profundo. Journal of Applied Research and Technology, 15(1), 45-57. https://doi.org/10.1016/j.jart.2017.01.004Jung, M., Oh, S., & Kang, H. (2022). Evaluación de la gravedad de la enfermedad del tizón tardío mediante procesamiento de imágenes y aprendizaje automático. Precision Agriculture, 23(4), 1-17. https://doi.org/10.1007/s11119-022-09814-3Kanagachidambaresan, G., & Prakash, K. (s.f.). Programming with TensorFlow solution for edge computing applications. EAI/Springer Innovations in Communication.Karthik, K., Sujatha, C. M., & Elango, P. (2020). A deep convolutional neural network-based detection system for potato disease classification. Neural Computing and Applications, 32, 11111-11122. https://doi.org/10.1007/s00521-020-04714-4Kaur, R., & Dhillon, M. S. (2021). Early detection of late blight in potato crop using image processing techniques. IOP Conference Series: Materials Science and Engineering. https://doi.org/10.1088/1757-899X/1098/2/022072Kirchgessner, N., Liebisch, F., & Walter, A. (2017). Monitoring plant growth using low-cost time-lapse cameras and convolutional neural network-based image analysis. Plant Methods, 13, 79. https://doi.org/10.1186/s13007-017-0227-8Koranga, S. K., Srivastava, R., Meher, R. L., & Swain, D. (2023). Automated detection and classification of potato diseases using deep learning models. Journal of Plant Diseases and Protection, 1-13. https://doi.org/10.1007/s41348-023-00714-wKrizhevsky, A., Sutskever, I., & Hinton, G. E. (2012). Imagenet classification with deep convolutional neural networks. Advances in Neural Information Processing Systems, 25, 1097-1105.Lagos, T., Lago, J., Alvarado, D., & Santander, L. (2020). Selection of potato genotypes Solanum tuberosum group Andigena by their tolerance to Phytophthora infestans (Mont.) of Bar. Facultad Nacional de Agronomía Medellín, 74, 9361-9372. https://www.redalyc.org/journal/1799/179966583002/html/#B8Lalnuntluanga, J. (2022). Plant leaf disease classification using pre-trained deep learning models. Springer Nature Singapore. https://doi.org/10.1007/978-981-16-4518-2_16Llamas, J., Álvarez, S., Roselló, J., Taverner, P., & Granell, R. (2019). Identificación de enfermedades de la hoja de la patata utilizando redes neuronales convolucionales. Agronomy, 9(9), 485. https://doi.org/10.3390/agronomy9090485Long J,Shelhamer & Darrell.(2015).Fully convolutional networks for semantic segmentation.Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 3431–3440. https://doi.org/10.1109/CVPR.2015.7298965.Marin, F. R., Jones, J. W., Boote, K. J., & Alvares, C. A. (2020). Impact of management strategies for reducing late blight on potato yield and water use under climate change scenarios. Agricultural and Forest Meteorology, 295, 108180. https://doi.org/10.1016/j.agrformet.2020.108180MathWorks.(n.d.).ResNet-50. https://es.mathworks.com/help/deeplearning/ref/resnet50.htmlMoncayo, J., Delgado, R., Marcillo, C., Salazar, C., & Betancourth, C. (2019). Genotype reaction of Solanum tuberosum, andigena and phureja groups to late blight (Phytophthora infestans Mont. De Bary). Revista de Ciencias Agrícolas, 36(E), 138–157. http://www.scielo.org.co/scielo.php?script=sci_arttext&pid=S0120-01352019000300138Montes, G. (2000). Metodología y técnicas de diseño y realización de encuestas en el área rural. Temas Sociales, 21, 39-50. Recuperado en 09 de octubre de 2024, de http://www.scielo.org.bo/scielo.php?script=sci_arttext&pid=S0040-29152000000100003&lng=es&tlng=es.Ñústez C y Rodríguez M (2020). Papa criolla (Solanum tuberosum L. Grupo Phureja) : manual de recomendaciones técnicas para su cultivo en el departamento de Cundinamarca. Universidad Nacional de Colombia.Ochoa, L., Torres, J., Camargo, M., & Garcia, N. (2021). Assessment of potato late blight by machine learning and image analysis. Biosystems Engineering, 203, 131-140. https://doi.org/10.1016/j.biosystemseng.2021.01.011Oñate, A. J., Morales, E., & Galeas, M. (2020). Análisis de diferentes técnicas de aprendizaje profundo para la identificación de enfermedades foliares en cultivos de papa [Tesis, Universidad Politécnica Estatal del Carchi]. Repositorio Digital UPEC. http://repositorio.upec.edu.ec/handle/123456789/1600PortalFruticola.com.(23 de febrero de 2018).¿Cuáles son los tipos de raíces que existen?.PortalFruticola.https://www.portalfruticola.com/noticias/2018/02/23/cuales-los-tipos-raices-existen/Pethybridge, S, & Nelson, S. (2015). Leaf Doctor: A new portable application for quantifying plant disease severity.Plant Disease, 99(10), 1310–1316. https://doi.org/10.1094/PDIS-03-15-0319-REPeñaloza, G. (2000). Estudio de diferentes métodos de extracción de características de imágenes digitales y su aplicación en el reconocimiento de patrones [Tesis]. Escuela Politécnica Nacional. https://bibdigital.epn.edu.ec/bitstream/15000/5295/4/T1407.pdfReyes, P., Gómez, J. P., & Sánchez, M. (2020). Evaluación de modelos de clasificación en el diagnóstico de enfermedades foliares usando aprendizaje profundo. Revista Colombiana de Ciencias Hortícolas, 14(2), 167–178. https://doi.org/10.17584/rcch.2020v14i2.10779Reyes, N. (2013). Micología veterinaria [Tesis de grado]. Universidad Nacional Agraria. https://repositorio.una.edu.ni/2470/1/nl73n322.pdfRistaino, J. B., & Grünwald, N. J. (2008). Epidemiology and management of late blight in tomato and potato. Plant Disease, 92(9), 1215-1220. https://doi.org/10.1094/PDIS-92-9-1215Rosero, A., Oyagata, M., & Rivera, S. (2019). Detección de enfermedades en cultivos de papa usando procesamiento de imágenes. Revista de Investigación en Ingeniería, 17(3), 27-34. https://dialnet.unirioja.es/servlet/articulo?codigo=8228807Rutter, L. J., & Jones, G. (2022). Precision agriculture: Automated systems for plant disease detection using convolutional neural networks. Computers and Electronics in Agriculture, 192, 106584. https://doi.org/10.1016/j.compag.2022.106584Santos, D., Gómez, A., Pedraza, R., Gómez, L., Bohórquez, C., Ureña, S., & Gómez, V. (2022). Aspectos generales del cultivo de papa en Cundinamarca. Corporación Colombiana de Investigación Agropecuaria (Agrosavia). https://doi.org/10.21930/agrosavia.nbook.7405408Santos Castellanos, Segura Abril, & Núñez López, C. E. (2010). Análisis de crecimiento y relación fuente-demanda de cuatro variedades de papa (Solanum tuberosum L.) en el municipio de Zipaquirá (Cundinamarca, Colombia). Universidad Nacional de Colombia. https://revistas.unal.edu.co/index.php/refame/article/download/24945/36978?inline=1Sebastián, G. (2023). Aprendizaje automático supervisado. Scikit-learn. Recuperado el 13 de julio de 2023, de https://scikit-learn.org/stable/supervised_learning.htmlSimons, S. (2023). The Segment Anything Model (SAM) for accelerating the smart farming revolution. Smart Agricultural Technology, 1-11. https://www.sciencedirect.com/science/article/pii/S2772375523001958Sharma, R., Singh, A., Dutta, M. K., Riha, K., & Kriz, P. (2017, July). Image processing based automated identification of late blight disease from leaf images of potato crops. In 2017 40th international conference on telecommunications and signal processing (TSP) (pp. 758-762). IEEE.Stokstad, E. (2019). La plaga más devastadora de la historia podría regresar. Science, 363(6425), 582-585. https://doi.org/10.1126/science.363.6425.582Swain, S., Pradhan, S., Dash, A., & Jena, S. (2019). Image analysis of early blight and late blight diseases in potato using machine learning. International Journal of Advanced Computer Science and Applications, 10(3), 164-169. https://doi.org/10.14569/IJACSA.2019.0100318Telefónica Tech. (n.d.). Deep learning para todos los públicos. https://telefonicatech.com/blog/deep-learning-para-todos-los-publicosTorres, H., Beltran, R., Villafañe, C., & Jaimes, L. (2021). Modelos de clasificación de enfermedades en plantas basados en técnicas de aprendizaje profundo. Revista Facultad de Ingeniería Universidad de Antioquia, 101, 69-78. https://doi.org/10.17533/udea.redin.20200816Universidad Jorge Tadeo Lozano. (2023). Laboratorio de microbiología ambiental y agrícola 2023. https://www.utadeo.edu.co/sites/tadeo/files/collections/documents/field_attached_file/lab._microbiologia_2023.pdfVázquez-Cruz, M., & Hernández-Vega, M. (2023). Evaluación de técnicas de aprendizaje profundo para la detección de enfermedades en cultivos de papa. Repositorio Digital UPEA. http://repositorio.upea.bo/handle/123456789/1715Wang, Y., Jin, X., & Zhang, Z. (2020). Identification and classification of potato diseases based on convolutional neural networks. Journal of Plant Protection Research, 60(4), 355-362. https://doi.org/10.24425/jppr.2020.134583Xing, J., & Jin, G. (2022). Application of machine learning techniques in detecting diseases of crops: A review. Agronomy, 12(2), 347. https://doi.org/10.3390/agronomy12020347Yang, H., Kim, J., & Yoon, H. (2022). Classification of plant diseases using an efficient deep neural network architecture. Journal of Electrical Engineering & Technology, 17(1), 389-396. https://doi.org/10.1007/s42835-021-00946-yZapata P, Porras R, Cerón L, & Herrera H,(s/f).Enfermedades de la papa diploide (Solanum phureja Juz. et Buk.)en Colombia. https://repository.agrosavia.co/bitstream/handle/20.500.12324/38032/Ver_Documento_38032.pdf?sequence=1spaLICENSElicense.txtlicense.txttext/plain; charset=utf-82000https://repositorio.unbosque.edu.co/bitstreams/cf19c5ea-9d33-4d48-b523-25be50d938fd/download17cc15b951e7cc6b3728a574117320f9MD55Carta de autorizacion.pdfapplication/pdf533264https://repositorio.unbosque.edu.co/bitstreams/78b2089f-d608-42d7-b5f9-57fdf22e615c/downloadd7aed73c1f96b83bb18ba6edfb445496MD57Anexo 1 acta de aprobacion.pdfapplication/pdf267939https://repositorio.unbosque.edu.co/bitstreams/34f43253-6357-479e-a821-2da6f43d36e3/downloadbf42d5a427ab75927a11ccc064c76139MD58CC-LICENSElicense_rdflicense_rdfapplication/rdf+xml; charset=utf-81160https://repositorio.unbosque.edu.co/bitstreams/98d2edb0-3460-4cfe-9d3b-8952f2ec1d4c/download5643bfd9bcf29d560eeec56d584edaa9MD56TEXTTrabajo de grado.pdf.txtTrabajo de grado.pdf.txtExtracted texttext/plain101980https://repositorio.unbosque.edu.co/bitstreams/a7cc4ffd-3c3e-4bab-9aa6-aa54ebc67f0a/download7266c9e5176717e4e7c7f72d7b37605aMD59THUMBNAILTrabajo de grado.pdf.jpgTrabajo de grado.pdf.jpgGenerated Thumbnailimage/jpeg2891https://repositorio.unbosque.edu.co/bitstreams/b8f0d417-a620-439c-9c9a-dedd455c8d44/download5f3f9399a36421163c2ae4dd0de47547MD510ORIGINALTrabajo de grado.pdfTrabajo de grado.pdfapplication/pdf13361896https://repositorio.unbosque.edu.co/bitstreams/24c6e4fe-c850-4f2b-b669-e9fa3026153c/download48285cba3e78772ee1be6f2119cb1d0fMD5320.500.12495/14023oai:repositorio.unbosque.edu.co:20.500.12495/140232025-02-25 05:03:24.576http://creativecommons.org/licenses/by-nc-sa/4.0/Attribution-NonCommercial-ShareAlike 4.0 Internationalopen.accesshttps://repositorio.unbosque.edu.coRepositorio Institucional Universidad El Bosquebibliotecas@biteca.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 |