Detección de enfermedades en plantas de crisantemo, por medio de visión artificial aplicada a imágenes multiespectrales

Abstract

El sector floricultor se presenta como un gran mercado tanto a nivel nacional como internacional, de tal manera que Colombia se encuentra actualmente afianzado como el primer exportador de flores a los Estados Unidos, donde cerca del 80% de las flores importadas por este país son colombianas. Dado esto, para garantizar la estabilidad y desarrollo de esta industria, se hace necesario contar con sistemas de control fitosanitarios rigurosos. El control de estos problemas es de importancia en ámbitos de fitosanidad internacional ya sea para evitar la dispersión de posibles problemas a otras especies de fauna y flora, o para cumplir con estándares de calidad. Por esto, dada la falta de estudios locales y la necesidad actual de incluir nuevas tecnologías en los procesos de la industria floricultora Antioqueña, es que en este trabajo se realiza la optimización de un sistema de visión artificial para la identificación de plagas y/o enfermedades presentes en hojas de crisantemo. Para ello se optimizaron parámetros como los tiempos de adquisición de la cámara, control del ruido y corrección de uniformidad de un equipo de adquisición de imágenes multiespectrales en laboratorio, con una selección de canales espectrales dada por una identificación previa de las zonas de interés fitosanitario para el crisantemo. Para su identificación, se analizaron las firmas espectrales de muestras de hojas de crisantemo obtenidas en cultivos del oriente antioqueño. Estas muestras presentaron síntomas de siguientes enfermedades representativas: trips, Virus del marchitamiento moteado del tomate (TSWV: Tomato Spotted Wilt Virus) y ácaros (Tetranychus sp). Una vez calibrado y optimizado el sistema de captura para este tipo de muestras, se generaron imágenes multiespectrales de hojas de crisantemo con síntomas de las enfermedades anteriormente mencionadas. Finalmente, se desarrolló una metodología para la identificación de muestras sanas o con las enfermedades mencionadas, utilizando herramientas de procesamiento de imágenes, análisis multiespectral y aprendizaje de máquina.