Desarrollo de un método de detección de Sigatoka negra utilizando atributos intrínsecos del huésped y el anfitrión por medio de técnicas de visión por computadora.

Abstract

Banana activity in Costa Rica generated income of foreign currency from exports of $1,043.2 million in the year 2017 [37]. Therefore, it is imperative that new and better ways of detecting and treating diseases that may negatively a ect banana production be put in place timely. Computer vision is a discipline that includes methods to acquire, process, analyze and understand real-world images in order to produce numerical or symbolic information so that they can be processed by a computer [2]. One of the uses of this discipline is the detection of diseases in plants [13]. In this work, computer vision methods are used to detect the presence of black Sigatoka in levels 1, 2, and 3 in images acquired from banana plants. The statistical color model, SCM, proposed in [50] is programmed. This model is used for the detection of pixels of interest in images. The results of detecting black Sigatoka pixels using SCM are obtained and analyzed. Color characteristics of the host plant, banana, and guest disease, black Sigatoka, as well as the relationships between their average values and standard deviation per channel are analyzed. For example, it is observed that the relationship between channels G > R > B is always true for both sick pixels and healthy pixels. Another relationship is that the average value of the G channel, G, in an image is always greater than the average value of the same channel for sick pixels Ge. It is estimated that this di erence is approximately three times the standard deviation of the G-channel in the image. Using the characteristics and relationships mentioned above, among others, the IABSEG algorithm, for its acronym in english of Intrinsic Attributes-Based SEGmentation, is developed. The results of detecting black Sigatoka pixels using IABSEG are obtained and analyzed. The performance metrics of binary classi cation algorithms F0.5, F1, F2, and MCC are obtained for both SCM and IABSEG. The sets of results of these metrics are compared using the Wilcoxon [1] and the conclusions are shown.

La actividad bananera en Costa Rica gener o el ingreso de divisas, proveniente de las exportaciones, por un monto de $1.043,2 millones en el a~no 2017 [37]. Por eso, es imperativo que se generen nuevas y mejores formas de detectar y tratar a tiempo enfermedades que puedan afectar negativamente la producci on bananera. La visi on por computadora es una disciplina que incluye m etodos para adquirir, procesar, analizar y comprender las im agenes del mundo real con el n de producir informaci on num erica o simb olica para que pueda ser tratada por un ordenador [1]. Uno de los usos de esta disciplina es la detecci on de enfermedades en plantas [17]. En este trabajo se utilizan m etodos de visi on por computadora para detectar la presencia de Sigatoka negra en niveles 1, 2, y 3 en im agenes adquiridas de plantas de banano. Se programa el modelo estad stico de color, SCM, propuesto en [46]. Este modelo es utilizado para la detecci on de p xeles de inter es en im agenes. Se obtienen y se analizan los resultados de detectar p xeles de Sigatoka negra utilizando SCM. Se analizan caracter sticas de los colores propios de la planta an tri on, banano, y de la enfermedad hu esped, Sigatoka negra, as como las relaciones entre sus valores promedio y de desviaci on est andar por canal. Por ejemplo, se observa que la relaci on entre canales G > R > B es siempre verdadera tanto para p xeles enfermos como para p xeles sanos. Otra relaci on es que el valor promedio del canal G, G, en una imagen es siempre mayor que el valor promedio del mismo canal para p xeles enfermos Ge. Se calcula que esta diferencia es aproximadamente tres veces la desviaci on est andar del canal G en la imagen. Utilizando las caracter sticas y relaciones mencionadas anteriormente, entre otras, se desarrolla el algoritmo IABSEG, por sus siglas en ingl es de Intrinsic Attributes- Based SEGmentation. Se obtienen y se analizan los resultados de detectar p xeles de Sigatoka negra utilizando IABSEG. Se obtienen las m etricas de rendimiento de algoritmos de clasi caci on binaria F0.5, F1, F2, y MCC tanto para SCM como para IABSEG. Se comparan los conjuntos de resultados de dichas m etricas utilizando el algoritmo Wilcoxon [2] y se presentan las conclusiones respectivas.