DETECTAN ENFERMEDADES EN CÍTRICOS, CON REDES NEURONALES

Foto: Internet. Mediante la introducción de un sistema de visión por computadora.

Fuente: Cinvestav

Según la Organización de las Naciones Unidas para la Agricultura y la Alimentación, los cítricos son el segundo tipo de frutas más cosechado en el mundo. Sin embargo, su producción y calidad se ven amenazadas por ser altamente expuestos a enfermedades causadas por hongos, bacterias, plagas y virus.

En México, las pérdidas anuales equivalen a un 25 por ciento de la producción, es decir, 1.84 millones de toneladas, principalmente afectadas por la enfermedad de Huanglongbing (HLB) o enverdecimiento de los cítricos, considerada una de las más devastadoras a nivel mundial por su rápida diseminación y destrucción, ya que disminuye los rendimientos del cultivo y ocasiona la muerte del árbol.

El patógeno causante de esta enfermedad es una bacteria del género Candidatus Liberibacter, los síntomas visibles incluyen hojas manchadas y amarillentas, crecimiento atrofiado, tamaño reducido de la fruta, disminución de la raíz y muerte regresiva.

Para contrarrestar esta problemática es necesaria la supervisión del cultivo y la detección de los patógenos en la primera fase de infección, lo cual representa un desafío debido a su larga etapa asintomática. En consecuencia, se han realizado esfuerzos para detectar rastros del patógeno mediante métodos como la cromatografía de gases, la espectrometría de masas, la epifluorescencia y la microscopía confocal.

Aunque existen pruebas estándar como la técnica de la reacción en cadena de la polimerasa (PCR) para detectar la enfermedad, requieren laboratorios especializados y profesionales para manejar el equipo, cuyos costos a menudo son inviables para las y los pequeños productores de cítricos en regiones de bajos ingresos.

Wilfrido Gómez Flores, adscrito al Centro de Investigación y Estudios Avanzados (Cinvestav) Tamaulipas, en colaboración con investigadores de la Universidad Autónoma de Tamaulipas, desarrollaron un sistema de visión por computadora, que se basa en redes neuronales convolucionales que puede detectar HLB con precisión.

Este sistema incluye tres módulos que consisten en un estudio portátil con iluminación controlada, para adquirir in situ imágenes de hojas de naranjos con la cámara de un celular, posteriormente, se obtiene automáticamente una región de interés circular máxima inscrita dentro de la hoja que resalta sus patrones internos, para finalmente clasificar 12 tipos de anomalías, incluido HLB, deficiencias de minerales y rastros de plagas.

La detección que se realizó con 10 experimentos de validación cruzada,  se basó en modelos de redes neuronales convolucionales y evaluó dos tipos de arquitecturas: una red en serie, representada por los modelos AlexNet, VGG16 y VGG19, y otra de grafos acíclicos dirigidos (DAG), representada por ResNet18, GoogLeNet e Inception-V3, los cuales se ajustaron con un conjunto de datos que incluyó 953 imágenes en color de casos saludables, HLB y 10 tipos de anomalías de naranjos de la especie Citrus sinensis.

Los resultados de la validación cruzada señalaron que la mejor red fue VGG19, pues obtuvo una precisión global del 99 por ciento en la detección de 12 clases de hojas de naranjo, incluido HLB.

En general, se observó que la calidad de la clasificación era mejor cuanto mayor era el número de parámetros de las redes neuronales convolucionales. Por el contrario, un método convencional basado en características de textura y color presentó el rendimiento de clasificación más bajo, lo que demuestra la dificultad de extraer rasgos sutiles con alto poder discriminante entre clases.

Este resultado indica que la combinación de diferentes métodos de descripción de características mejora la detección de HLB. Sin embargo, una ventaja de los sistemas de clasificación convencionales es que necesitan menos recursos computacionales que las redes neuronales convolucionales.

Futuras investigaciones deberían evaluar e incluso crear otras características basadas en análisis de textura y color, que podrían mejorar el rendimiento de la clasificación a un menor costo computacional. Actualmente, no existe una cura para el HLB, por lo tanto, el manejo de esta enfermedad requiere estrategias de prevención y control que incluyan métodos físicos, químicos y biológicos, como el cultivo de plántulas libres de patógenos y la eliminación de árboles enfermos.