Deficiencias de hierro y manganeso en hojas de frijol (Phaseolus vulgaris L) identificadas mendiante análisis textural, color de imágenes digitales y redes neuronales artificiales

Abstract

En la presente investigación se analizaron imágenes digitales de hojas de frijol (Phaseolus vulgaris L.) para identificar con un clasificador, deficiencias de hierro (Fe) y manganeso (Mn). A los 24 días después de la siembra (dds) se les suministró la solución nutritiva de acuerdo a ocho tratamientos: dos deficiencias parciales, una de 50 % Fe y otra de 50 % Mn; dos deficiencias totales totales, 0 % Fe y una más de 0 % Mn además de una interacción (0 % Fe, 0 % Mn) y dos dosis excedentes (200 % Fe y 200 % Mn); finalmente un tratamiento testigo (100 % Fe, 100 % Mn) usando como referencia la solución Steiner. A partir de imágenes digitales de muestras de hojas de los tratamientos obtenidas a los 63 dds, se calcularon variables de color con los valores promedio de los canales de los espacios de color RGB y CIELab, el croma y el matiz. Además, se calcularon promedios de cuatro variables texturales: Segundo momento angular (SMA), entropía (EN), inercia (IN) y homogeneidad local (HoL). Tanto las variables de color como las de textura fueron usadas como variables independientes para generar clasificadores de grupos de datos de ocho, seis y cuatro tratamientos o clases de salida de deficiencias de Fe y Mn con el programa de redes neuronales NeuroShell® Classifier Release 2.2. Se obtuvo que usando sólo características texturales se obtienen bajos porcentajes de precisión en los clasificadores. Usando sólo características de color mejoran los porcentajes de clasificaciones correctas pero se requiere un mayor uso de neuronas de la capa interna, mientras que la combinación de características texturales y de color genera mejores resultados con un menor número de neuronas de la capa interna. Finalmente, de los clasificadores generados se eligió un clasificador con una eficiencia del 81.25 % usando doce variables de entrada, combinando características de textura y color, y cuatro clases de salida. _______________ IRON AND MANGANESE DEFICIENCIES IN BEAN CROP LEAVES (Phaseolus vulgaris L.) IDENTIFIED BY TEXTURE, COLOR DIGITAL IMAGES ANALYSIS AND ARTIFICIAL NEURAL NETWORKS. ABSTRACT: This research was carried out with the aim to analyze by digitalization bean leaves (Phaseolus vulgaris L.) under different doses of iron (Fe) and manganese (Mn). Eight treatments were set up to evaluate: a control treatment (100% Fe, 100% Mn); two partial deficiencies (50% Fe and 50% Mn); two total deficiencies (0% Fe and 0% Mn), an interaction of the absence of both microelements (0%Fe, 0%Mn) and two doses surplus (200 % Fe y 200 % Mn). The reference for the doses design was the Steiner nutrient solution. An image digital analysis was performed to obtain values from the color spaces RGB and CIELab, plus Chroma (C) and Hue (H) as well as four textural parameters: Angular Second Moment (ASM), Entropy (En), Inertia (IN) and Local Homogeneity (LoH). These color and textural features were extracted from samples of bean leaves (63 days after sowing) treated according with the eight conditions above mentioned. Later, using a different number of variables combination with three data groups: eight, six and four treatments or output variables, various classifiers proposals were generated using neural networks software, the NeuroShell® Classifier Release 2.2 with the aim of classifying the Fe and Mn deficiencies categories. It was found that the use of only textural features results in low accuracy percentages, while the combination of just color features generates better results but it is needed a mayor number of inner layer neurons. But the use of textural and color features generates better correct classifications percentages with a minor number of inner layer neurons. Finally, from the proposed classifiers, one of them was selected, with an 81.25 % of accuracy and the use of twelve input variables involving textural and color features and four output variables.