Identificación con redes neuronales probabilísticas de las deficiencias de hierro y manganeso, usando imágenes digitales de hojas de frijol (Phaseolus vulgaris L.)

• Autores: Edgar García Cruz, Manuel Sandoval-Villa, José A. Carrillo Salazar, Jorge Valdés Carrasco, Paulina H. González-Fierro
• Localización: Agrociencia, ISSN 2521-9766, ISSN-e 1405-3195, Vol. 49, Nº. 4, 2015, págs. 395-409
• Idioma: español
• Títulos paralelos:
  • Identification with probabilistical neuronal networks of deficiences of iron and manganese by using digital images from bean leaves (Phaseolus vulgaris L.)
• Enlaces
  • Texto completo
• Resumen
  • español

    La sintomatologia visual en hojas debida a deficiencias nutrimentales, como la de hierro (Fe) y manganeso (Mn), son similares en coloración y en tipo de hojas en que se presenta, por lo cual se requiere un método, con base en análisis de imágenes digitales de hojas, que discrimine esas deficiencias. El objetivo de esta investigación fue analizar imágenes digitales de hojas de frijol (Phaseolus vulgaris L.) var. Cacahuate para identificar, con un clasificador creado con redes neuronales probabilísticas, deficiencias de Fe y Mn en una etapa inicial, cuando todavía es posible revertir los daños con fertilización. Los tratamientos fueron: 1) deficiencia parcial (DP) de Fe (50 %); 2) DP de Mn (50 %); 3) deficiencia total (DT) de Fe (0 %); 4) DT de Mn (0 %); 5) interacción (0 % Fe, 0 % Mn); 6) testigo (100 % Fe, 100 % Mn), con 10 repeticiones; la referencia fue la solución Steiner. Los valores promedio de ocho variables de color y tres de textura, se obtuvieron de seis muestras de imágenes digitales de 100X100 píxeles (360 muestras en total), de hojas de frijol obtenidas 74 dds. Estas fueron usadas como variable de entrada para generar clasificadores con redes neuronales probabilísticas con el algoritmo de correlación en cascada de los tratamientos de deficiencias de Fe y Mn. Los clasificadores que solo consideraron características texturales, como variables de entrada, tuvieron porcentajes de clasificación correcta global de síntomas menores o iguales a 44 %. En cambio, el porcentaje de clasificación correcta global del mejor clasificador en la prueba fue 76.6 % con seis variables que incluyeron características de textura y color, y seis clases de salida o tratamientos de deficiencias. Un número menor de clases de salida no aumentó el porcentaje de clasificación correcta global en la prueba.

  • English

    The visual symptomatology of nutriment deficiencies, like iron (Fe) and manganese (Mn) in plant leafs is similar in their coloration and the kind of leaf they present on. A method based on the analysis of digital images of the leaves, capable to discriminate the differences of such deficiencies is required. The aim of this research was to analyze digital images of common bean (Phaseolus vulgaris L. var. Cacahuate), in order to identify differences in the Fe and Mn lesions in the initial development stage, when it is possible to revert damages with fertilization. To do so, we used a classifier created with probabilistic neuronal networks. The experimental treatments were: 1) partial deficiency (DP) of Fe (50 %); 2) DP of Mn (50 %); 3) total deficiency (DT) of Fe (0 %); 4) DT of Mn (0 %); 5) Fe/Mn interaction (0 % Fe, 0 % Mn); 6) control (100 % Fe, 100 % Mn), with 10 repetitions; Steiner solution was used as reference. The mean values of eight color and three texture variables from digital images of six common bean leaf samples were obtained; these were of 100X100 pixels (360 total samples) in 74 dds. These mean values were used as entry variables to generate the classifiers with a cascade correlation algorithm of the Fe and Mn deficiency treatments. The classifiers that only considered textural characteristics had correct global classification of symptoms less or equal to 44 %. In contrast, the highest percentage of correct global classification of the classifiers in the test was of 76.6 % with six variables, which included texture and color characteristics, and six exit classes of difference treatments. The reduction of the number of classes did not increase the percentage of correct classification in the test.