Development of a digital image classification system to support technical assistance for Black Sigatoka detection

Abstract

A large percentage of Colombia’s economic activity corresponds to the agricultural sector. In this sector, plantains rank second in production and planted area. However this crop is affected by different diseases, among which The Black Sigatoka stands out, caused by the fungus Mycosphaerella fijiensis. The disease highly reduces the production level of the crop and although there are prevention measures that allow reducing the incidence of the disease, there’s a lack of support for small producers in Colombia, who do not have technological tools to support the disease detection processes. This article outlines the development of a support system for the detection of black sigatoka using digital images. For this, a characterization process of the agricultural user is carried out, then, a machine learning methodology is implemented to classify the disease on a mobile device. The support system is validated through laboratory tests, field tests and the feedback from the agricultural user.

Desarrollo de un sistema de clasificación de imágenes digitales para medir la humedad en granos de café

“…Inicialmente, se redimensionan todas las imágenes a un tamaño de 500 x 500 pixeles utilizando el método de interpolación bicúbico (Sreedhar et al, 2013) a partir de la función principal de redimensionamiento de Python Image.Resize(). Se realiza este proceso, debido a que las imágenes son de alta resolución y la metodología funciona correctamente al utilizar fotografías de menor tamaño, lo que permite optimizar el costo computacional de la misma (Escudero et al, 2020). Como se especifica en (Escudero et al, 2020), el algoritmo puede llegar a tener precisiones iguales al trabajar con la imagen completa o con tamaños de hasta 100x100 pixeles, sin embargo, no redimensiona a este tamaño desde el principio, debido a que la fotografía queda borrosa y se pierde la información necesaria para detectar el patrón.…”

“…Se realiza este proceso, debido a que las imágenes son de alta resolución y la metodología funciona correctamente al utilizar fotografías de menor tamaño, lo que permite optimizar el costo computacional de la misma (Escudero et al, 2020). Como se especifica en (Escudero et al, 2020), el algoritmo puede llegar a tener precisiones iguales al trabajar con la imagen completa o con tamaños de hasta 100x100 pixeles, sin embargo, no redimensiona a este tamaño desde el principio, debido a que la fotografía queda borrosa y se pierde la información necesaria para detectar el patrón. Por lo anterior, se define una región de interés dentro de la imagen de 500x500 pixeles que abarque el grano de café y cumple con el tamaño recomendado.…”

“…Finalmente, para cada matriz de coeficientes (vertical, horizontal y diagonal), se calcularon los momentos estadísticos de media (µ), desviación estándar (σ), sesgo (δ) y curtosis (κ), los cuales describen las variaciones entregadas por cada dirección de la transformada de una forma reducida, sin eliminar información relevante para la descripción del patrón, lo que resulta fundamental para disminuir el costo computacional del mismo. Lo anterior permite obtener el descriptor DWJ dado por (Escudero et al, 2020):…”

“…Dicha información se presenta de manera gráfica en la figura 8. Existen encuestas recientes, realizadas en el eje cafetero, que revelan que existe un gran porcentaje de agricultores que cuentan con dispositivos con cámara y acceso a internet ya sea de manera móvil o fija, los cuales consideran importante contar con aplicativos interactivos y fáciles de usar para mejorar el estado de sus cultivos, sin embargo, aún existe un alto índice de desconocimiento de las herramientas que ya existen a su disposición en ocasiones por rechazo al costo que conlleva utilizarlas (Escudero et al, 2020). Esto corrobora la necesidad de implementar desarrollos que tecnifiquen los cultivos y los procesos agrícolas que sean de fácil uso y que eviten el alto empleo de inversiones para tener acceso a los mismos.…”

“…El desarrollo de nuevas herramientas que permiten realizar diagnósticos en el sector agrícola ha tomado fuerza gracias a la utilización de técnicas de aprendizaje de maquina y aprendizaje profundo, puesto que permiten determinar en su gran mayoría los patrones que se generan a la hora de caracterizar enfermedades, hongos y etapas de producción. Algunas de estas aplicaciones son: El diagnóstico de enfermedades en plantas (Escudero et al, 2020;Bejarano et al, 2021); El Procesamiento de imágenes para detectar pixeles enfermos (Singh et al, 2017); Mejoras procesos de clasificación (Cruz et al, 2021), entre otros (Santos et al, 2020). Adicionalmente, también se han llevado a cabo investigaciones en el sector de la caficultura a partir de técnicas de aprendizaje supervisado con el fin de obtener patrones del grano.…”