Publicado: 02-01-2015

Descargas

Los datos de descargas todavía no están disponibles.

Métricas

Cargando métricas ...

Método preliminar de detección de patógenos biológicos en cultivos de fresa por medio del procesamiento digital de imágenes

Sección
Artículos de Investigación

Autores/as

Darío Amaya Hurtado
Facultad de Ingeniería. Universidad Militar Nueva Granada. Carrera 11 # 101 – 80. Bogotá. Colombia ,
Juan David Sandino Mora
Facultad de Ingeniería. Universidad Militar Nueva Granada. Carrera 11 # 101 – 80. Bogotá. Colombia , Colombia

En la actualidad, muchos estudios enfocados en el reconocimiento de patógenos biológicos, a través de los frutos de cultivos de fresa son efectivas, sin embargo la adquisición de la imagen se realiza mediante métodos destructivos que implican arrancar los frutos de la planta. En la presente investigación se ha propuesto el desarrollo de un algoritmo que permita analizar los frutos de un cultivo de fresa (Fragaria x ananassa), capaz de realizar una primera aproximación para distinguir Botrytis sp. y Sphaerotheca sp., usando un método no destructivo, es decir, recolectando las imágenes directamente del cultivo sin realizar intervención alguna por parte de los productores y/o investigadores. Las técnicas de procesamiento de imágenes implementadas incluyen suavizado, erosión, dilatación, detección de contornos, correspondencia de patrones, umbralización, entre otros. Los resultados obtenidos se visualizaron en una aplicación desarrollada en C# usando la librería Emgu CV, mostrando al usuario un diagnóstico de la planta de estudio. Se concluye que es posible ofrecer un servicio de monitoreo preliminar de incidencia de patógenos usando este algoritmo, ahorrando tiempo para productores e investigadores que requieran una primera aproximación del estado del cultivo, con la posibilidad de ejecutarse tanto en computadores de escritorio y portátiles como en robots aéreos (drones) que posibilitan automatizar esta tarea.

Método preliminar de detección de patógenos biológicos en cultivos de fresa por medio del procesamiento digital de imágenes

Autores/as

  • Darío Amaya Hurtado Facultad de Ingeniería. Universidad Militar Nueva Granada. Carrera 11 # 101 – 80. Bogotá. Colombia
  • Juan David Sandino Mora Facultad de Ingeniería. Universidad Militar Nueva Granada. Carrera 11 # 101 – 80. Bogotá. Colombia

DOI:

https://doi.org/10.22490/21456453.1267

Palabras clave:

Botrytis sp., cámara digital, correspondencia de patrones, detección de contornos, Fragaria x ananassa, Sphaerotheca sp.

Resumen

En la actualidad, muchos estudios enfocados en el reconocimiento de patógenos biológicos, a través de los frutos de cultivos de fresa son efectivas, sin embargo la adquisición de la imagen se realiza mediante métodos destructivos que implican arrancar los frutos de la planta. En la presente investigación se ha propuesto el desarrollo de un algoritmo que permita analizar los frutos de un cultivo de fresa (Fragaria x ananassa), capaz de realizar una primera aproximación para distinguir Botrytis sp. y Sphaerotheca sp., usando un método no destructivo, es decir, recolectando las imágenes directamente del cultivo sin realizar intervención alguna por parte de los productores y/o investigadores. Las técnicas de procesamiento de imágenes implementadas incluyen suavizado, erosión, dilatación, detección de contornos, correspondencia de patrones, umbralización, entre otros. Los resultados obtenidos se visualizaron en una aplicación desarrollada en C# usando la librería Emgu CV, mostrando al usuario un diagnóstico de la planta de estudio. Se concluye que es posible ofrecer un servicio de monitoreo preliminar de incidencia de patógenos usando este algoritmo, ahorrando tiempo para productores e investigadores que requieran una primera aproximación del estado del cultivo, con la posibilidad de ejecutarse tanto en computadores de escritorio y portátiles como en robots aéreos (drones) que posibilitan automatizar esta tarea.

Biografía del autor/a

Darío Amaya Hurtado, Facultad de Ingeniería. Universidad Militar Nueva Granada. Carrera 11 # 101 – 80. Bogotá. Colombia

Ingeniero Electrónico, Especialista en Automatización de procesos industriales, Magíster en teleinformática, Doctor en Ingeniería Mecánica.

Juan David Sandino Mora, Facultad de Ingeniería. Universidad Militar Nueva Granada. Carrera 11 # 101 – 80. Bogotá. Colombia

Estudiante de Ingeniería en Mecatrónica.

Citas

Asano, A., Del Fierro, R., & Grandeza, A. J. (2011). Determining the Stages of Malaria under Plasmodium Falciparum through Image Processing using EMGU Computer Vision. Philippines: Ateneo de Davao University.

Bock, C., & Nutter Jr, F. (2011). Detection and measurement of plant disease symptoms using visible-wavelenght photography and image analysis. CAB Reviews Perspectives. Agriculture Veterinary Science Nutrition and Natural Resources, 74-87.

Camargo, A., & Smith, J. (2009). An image-processing based algorithm to automatically identify plant disease visual symptoms. Biosystems Engineering, 102(1), 9-21. doi:10.1016/j.biosystemseng.2008.09.030

Douglas, D., & Peucker, T. (1973). Algorithms for the reduction of the number of points required to represent a digitized line or its caricature. Cartographica: The International Journal for Geographic Information and Geovisualization, 10(2), 112-122. doi:10.3138/FM57- 6770-U75U-7727

Du, C.-J., & Sun, D.-W. (2004). Recent developments in the applications of image processing techniques for food quality evaluation. Trends in Food Science & Technology, 15(5), 230 - 249. doi:http://dx.doi.org/10.1016/j. tifs.2003.10.006

ElMasry, G., Wang, N., ElSayed, A., & Ngadi, M. (2007). Hyperspectral imaging for nondestructive determination of some quality attributes for strawberry. Journal of Food Engineering, 81(1), 98-107. doi:10.1016/j.jfoodeng. 2006.10.016

Flórez Faura, R., & Mora Cabeza, R. A. (2010). Fresa (fragaria x ananassa Duch.) producción y manejo poscosecha. Bogotá, Colombia: Editorial Universidad Nacional de Colombia.

Guadarrama Díaz, S. O. (2006). Guía Técnica para el Cultivo de Fresa. ICAMEX, San Antonio, México. Recuperado de http://portal2.edomex.gob.mx/icamex/investigacion_publicaciones/horticola/fresa/groups/public/documents/edomex_archivo/icamex_arch_cultfresa.pdf

Hershberger, J., & Snoeyink, J. (1992). Speeding Up the Douglas-Peucker Line-Simplification Algorithm. 16. Recuperado de http://www.cs.ubc.ca/cgi-bin/tr/1992/TR-92-07

Hu, M. (1962). Visual Pattern Recognition by Moment Invariants. IRE Transactions on Information Theory, 8(2), 179-187.

Huang, K.-Y. (2007). Application of artificial neural network for detecting Phalaenopsis seedling diseases using color and texture features. Computers and Electronics in Agriculture, 57(1), 3-11. doi:57

Jingwen, W., & Hong, L. (2012). Measurement and analysis of plant leaf area based on image processing. Information Technology in Medicine and Education (ITME), 2, págs. 1070-1074. doi:10.1109/ITiME.2012.6291485

Lallana, V. H., & Lallana, M. (2014). Manual de Prácticas de Fisiología Vegetal. Córdoba, Argentina: Eduner. Recuperado, de http://www.eduner.uner.edu.ar/libro/96/manual-de-practicas-de-fisiologia-vegetal

Lesur, L. (2003). Manual de Fruticultura: una guía paso a paso. Colombia: Editorial Trillas. Recuperado de http://www.libreriadelau.com/manual-de-fruticultura-una-guia-paso-a-paso-gropecuario-1.html#.VTAsZfmG8_w

Lesur, L. (2003). Manual de Horticultura: una guía paso a paso. Colombia: Editorial Trillas. Recuperado de http://www.luislesur.com/producto.php?idproducto=716. Lexus. (2007). Biblioteca de la Agricultura (Vol. II). Idea Books S.A. Recuperado de http://todoenciclopedias.com/idea.html

Lu, C., Ren, H., Zhang, Y., & Shen, Y. (2010). Leaf Area Measurement Based on Image Processing. Measuring Technology and Mechatronics Automation (ICMTMA),2, págs. 580-582. doi:10.1109/ICMTMA.2010.141

Maas, J. L. (1998). Compendium of Strawberry diseases (2 ed.). (A. P. Society, Ed.) St. Paul, MN, Estados Unidos. Recuperado de http://www.apsnet.org/apsstore/shopapspress/Pages/41949.aspx

OpenCV - Miscellaneous Image Transformations.(2015). Miscellaneous Image Transformations —OpenCV 2.4.10.0 documentation. Recuperado de http://docs.opencv.org/2.4.10/modules/imgproc/doc/miscellaneous_transformations.html?highlight=hsv

OpenCV - Structural Analysis and Shape Descriptors. (2015). Structural Analysis and Shape Descriptors - OpenCV 2.4.11.0 documentation. Recuperado de http://docs.opencv.org/modules/imgproc/doc/structural_analysis_and_shape_descriptors.html

Pertot, I., Kuflik, T., Gordon, I., Freeman, S., & Elad, Y. (2012). Identificator: A web-based tool for visual plant disease identification, a proof of concept with a case study on strawberry. Computers and Electronics in Agriculture, 84, 144-154. doi:10.1016/j.compag.2012.02.014

Ramer, U. (1972). An iterative procedure for the polygonal approximation of plane curves. Computer Graphics and Image Processing, 1(3), 244 - 256. doi:http://dx.doi.org/10.1016/S0146-664X(72)80017-0

Sankaran, S., Mishra, A., Ehsani, R., & Davis, C. (2010).A review of advanced techniques for detecting plant diseases.Computers and Electronics in Agriculture, 72.

doi:10.1016/j.compag.2010.02.007

Schikora, M., & Schikora, A. (2014). Image-based Analysis to Study Plant Infection with Human Pathogens. Computational and Structural Biotechnology Journal, 12(20-21), 1-6. doi:10.1016/j.csbj.2014.09.010

Vandendriessche, T., Keulemans, J., Geeraerd, A.,Nicolai, B., & Hertog, M. (2012). Evaluation of fast volatile analysis for detection of Botrytis cinerea infections in strawberry. Food Microbiology, 32(2), 406-414.doi:10.1016/j.fm.2012.08.002

Descargas

Publicado

02-01-2015

Cómo citar

Amaya Hurtado, D., & Sandino Mora, J. D. (2015). Método preliminar de detección de patógenos biológicos en cultivos de fresa por medio del procesamiento digital de imágenes. Revista De Investigación Agraria Y Ambiental, 6(1), 111–122. https://doi.org/10.22490/21456453.1267

Número

Sección

Artículos de Investigación

Artículos similares

También puede {advancedSearchLink} para este artículo.