Evaluación y análisis de algoritmos para la estimación de áreas de síntomas visuales de infección en hojas de plantas usando imágenes digitales

Abstract

Cuantificar las áreas enfermas en hojas de plantas es un procedimiento importante en la agricultura ya que ayuda a monitorear y tomar decisiones sobre el cuidado de los cultivos. Sin embargo, este es un procedimiento manual que consume mucho tiempo y es altamente subjetivo, por lo tanto, es de gran importancia considerar su automatización. En esta tesis, se evalúa y analiza el desempeño de los métodos de procesamiento de imágenes presentes en el estado del arte que intentan resolver este problema. Además, se propone un nuevo método para la segmentación automática de áreas enfermas en hojas. Este método utiliza el algoritmo Simple Linear Iterative Clustering (SLIC), trabajado por investigadores del laboratorio de Süsstrunk en 2010, para agrupar píxeles con similitud de color en regiones llamadas superpíxeles. Luego, las características de color de un conjunto de superpíxeles se utilizaron para entrenar redes neuronales artificiales (ANN) que se emplearon para clasificar estos superpíxeles como saludables o no. Los parámetros de estas redes se ajustaron de forma heurística eligiendo la red con el mejor rendimiento de clasificación la cual se utilizó para obtener la segmentación automática de las áreas afectadas. El rendimiento del clasificador se midió comparando sus segmentaciones automáticas con las elaboradas manualmente a partir de una base de datos con imágenes públicas y privadas divididas en nueve grupos según los síntomas visuales y la planta de estudio. La mediana del error de área fue siempre inferior al 11% y la métrica F-score promedio fue de 0,67, la cual resultó mayor que la de los 2 algoritmos con los que se comparó (0,57 y 0,58 respectivamente).

Quantifying ill tissue areas in leaves of plants is an important procedure in agriculture due to its used in crops monitoring and decision making. However, this is a manual procedure which is time-consuming and highly consuming. Therefore, its automation is widely considered. In this work, we review some state-of-the-art methods performed to solve this problem. In addition, a new methodology is proposed. This new approach uses the Simple Linear Iterative Clustering (SLIC) algorithm, created in the Süsstrunk laboratory in 2010, to group nearby pixels with similarity of color in regions called superpixels. Then, color characteristics of a set of super pixels taken from representative samples were used to train artificial neural networks (ANNs) that were used as classifiers of these superpixels. The parameters of these networks were tuned in a heuristic way choosing the best classification network, which was used to obtain the automatic segmentation of the diseased areas. The performance of the classifier was measured by comparing automatic segmentations with those manually elaborated from a database with public and own images divided into nine groups according to the visual symptoms and the plant. This comparison was made with some techniques reported in the literature based on the error of the diseased area found and the F-score metric for the segmentations. The median of the area error percentage obtained was always less than 11% and the average F-score obtained was 0.67, which is higher than the averages of 0.57 and 0.58 of the other two approaches used here for the comparison.