Procesamiento de Imágenes para la Detección de Enfermedades Causadas por Hongos en Cucurbitáceas

Resumen: Las cucurbitáceas son plantas muy susceptibles a enfermedades fúngicas como la cenicilla polvorienta (CP) que reduce la producción de los cultivos causando pérdidas económicas. A partir de un estudio fenológico e inspección visual en hojas de plantas de Cucurbita pepo L. (C. pepo L.), se proponen cuatro niveles de daño de la CP: T1-hoja sana, T2-hoja con esporas en germinación, T3-hoja con primeros síntomas y T4-hoja enferma. Se trabajó con una base de datos compuesta de 76,778 muestras de imágenes pre-procesadas obtenidas de cinco cultivos de cucurbitáceas pertenecientes a lugares y temporadas diferentes. Se propone una metodología basada en el cálculo de la matriz de co-ocurrencia de color (GLCM) y descriptores de textura (DTs) de las muestras de imágenes en base a dos algoritmos. El primer algoritmo es para la extracción y selección de características y el segundo para la clasificación de los cuatro niveles de daño. Se trabajó con una serie de pruebas estadísticas y con dos clasificadores binarios, el algoritmo del k-vecino más cercano (KNN) y las máquinas de soporte vectorial (SVM). Los resultados demostraron la habilidad de los descriptores de textura de diagnosticar una enfermedad fúngica.

¿Cómo citar?

C. A. Rivera-Romero, E. R. Palacios-Hernandez, M. Trejo-Duran, R. Olivera-Reyna & J. A. Morales-Saldaña †. Procesamiento de Imágenes para la Detección de Enfermedades Causadas por Hongos en Cucurbitáceas. Memorias del Congreso Nacional de Control Automático, pp. 857-862, 2019.

Palabras clave

Otros Tópicos Afines

• Barbedo, J.G.A. (2014). Using digital image processing for counting whiteflies on soybean leaves. Journal of Asia-Pacific Entomology, 17(4), 685 – 694.
• Brynolfsson, P., Nilsson, D., Torheim, T., Asklund, T., Karlsson, C., Trygg, J., Nyholm, T., and Garpebring, A. (2017).
• Haralick texture features fromo apparent diffusion coefficient (adr) mri images depend on imaging and preprocessing parameters. Scientifics Reports, 7, 1 – 11. doi:https://doi.org/10.1038/s41598-017-04151-4.
• Haralick, R.M., Shanmugam, K., and Dinstein, I. (1973). Textural features for image classification. IEEE Transactions on Systems, Man, and Cybernetics, SMC-3(6), 610–621.
• Herrmann, I., Berenstein, M., Paz-Kagan, T., Sade, A., and Karnieli, A. (2017). Spectral assessment of two-spotted spider mite damage levels in the leaves of greenhouse-grown pepper and bean. Biosystems Engineering, 157, 72 – 85.
• Mattonen, S.A., Huang, K., Ward, A., Senan, S., and Palma, D.A. (2014). New techniques for assessing response after hypofractionated radiotherapy for lung cancer. Journal of Thoracic Disease, 6(4), 375–386.
• Moldagulova, A. and Sulaiman, R.B. (2017). Using knn algorithm for classification of textual documents. In 2017 8th International Conference on Information Technology (ICIT), 665–671.
• Pydipati, R., Burks, T., and Lee, W. (2006). Identification of citrus disease using color texture features and discriminant analysis. Computers and Electronics in Agriculture, 52(1), 49 – 59.
• Rossi, F. and Mirtchev, V. (2016). Chapter 4 – analysis of variance (anova). In F. Rossi, , and V. Mirtchev (eds.), Statistics for Food Scientists, 19 – 29. Academic Press, San Diego.
• Rumpf, T., Mahlein, A.K., Steiner, U., Oerke, E.C., Dehne, H.W., and Plümer, L. (2010). Early detection and classification of plant diseases with support vector machines based on hyperspectral reflectance. Computers and Electronics in Agriculture, 74(1), 91 – 99.
• Salla, R., Wilhelmiina, H., Sari, K., Mikaela, M., Pekka, M., and Jaakko, M. (2018). Evaluation of the confusion matrix method in the validation of an automated system for measuring feeding behaviour of cattle. Behavioural Processes.
• Vieira, S.M., Kaymak, U., and Sousa, J.M.C. (2010). Cohen’s kappa coefficient as a performance measure for feature selection. In International Conference on Fuzzy Systems, 1–8.
• Yuan, L., Zhang, J., Zhao, J., Du, S., Huang, W., and Wang, J. (2012). Discrimination of yellow rust and powdery mildew in wheat at leaf level using spectral signatures. In 2012 First International Conference on Agro- Geoinformatics (Agro-Geoinformatics), 1–5. doi:10.1109/Agro-Geoinformatics.2012.6311599.