Optimización híbrida mediante algoritmo genético y método de punto interior para la detección de Xanthomonas campestris basada en anfis
Introducción: Este artículo presenta los resultados del proyecto de investigación titulado “Integración de Segmentación Foliar y Análisis Multivariable para la Detección de Enfermedades en Cultivos de Ciclo Corto Mediante Imágenes”, desarrollado en la Universidad Distrital Francisco José de Caldas en 2025.
Problema: Los síntomas tempranos de Xanthomonas campestris son sutiles y difíciles de distinguir de la pigmentación natural o del estrés ambiental mediante la inspección visual tradicional, lo que con frecuencia conduce a diagnósticos tardíos y a una gestión subóptima de la enfermedad.
Objetivo: Esta investigación tiene como propósito desarrollar un sistema interpretable de detección temprana basado en imágenes RGB de hojas, integrando un sistema de inferencia difusa tipo Sugeno de dos niveles, un Sistema de Inferencia Neuro-Difuso Adaptativo (ANFIS) y una estrategia de optimización híbrida para mejorar la precisión diagnóstica y la robustez.
Metodología: Las imágenes RGB recortadas y estandarizadas fueron transformadas al espacio de color HSB para resaltar variaciones de tono y saturación asociadas con clorosis y necrosis. A nivel de píxel, funciones de pertenencia por canal y reglas Sugeno generaron evidencia local. A nivel de hoja, la evidencia agregada se mapeó en cinco funciones de pertenencia para clasificación binaria. El ajuste de parámetros combinó un algoritmo genético para exploración global y un método de punto interior para refinamiento restringido. ANFIS empleó aprendizaje híbrido mediante retropropagación y estimación por mínimos cuadrados.
Resultados: Los experimentos con 1.685 imágenes de 15 especies vegetales alcanzaron 94,23 % de exactitud, 92,96 % de precisión, 95,84 % de sensibilidad y 92,94 % de especificidad, con consistencia estadística en 50 repeticiones.
Conclusión: El marco propuesto equilibra desempeño e interpretabilidad, apoyando la agricultura de precisión.
Originalidad: Integra inferencia Sugeno de dos niveles, aprendizaje híbrido ANFIS y optimización GA–IPM en un modelo interpretable unificado.
Limitaciones: El rendimiento puede verse afectado por interferencias del fondo y lesiones en etapas muy tempranas.
Cómo citar
Licencia
Derechos de autor 2026 Ingeniería Solidaria
Esta obra está bajo una licencia internacional Creative Commons Atribución 4.0.
Compromiso ético y cesión de derechos
El autor debe declarar que su trabajo es original e inédito y que no se ha postulado a evaluación simultánea para su publicación por otro medio. Además, debe asegurar que no tiene impedimentos de ninguna naturaleza para la concesión de los derechos previstos en el contrato.
El autor se compromete a esperar el resultado de evaluación de la revista Ingeniería Solidaria, antes de considerar su presentación a otro medio; en caso de que la respuesta de publicación sea positiva, adicionalmente, se compromete a responder por cualquier acción de reivindicación, plagio u otra clase de reclamación que al respecto pudiera sobrevenir por parte de terceros.
Asimismo, debe declarar que, como autor o coautor, está de acuerdo por completo con los contenidos presentados en el trabajo y ceder todos los derechos patrimoniales, es decir, su reproducción, comunicación pública, distribución, divulgación, transformación, puesta a disposición y demás formas de utilización de la obra por cualquier medio o procedimiento, por el término de su protección legal y en todos los países del mundo, al Fondo Editorial de la Universidad Cooperativa de Colombia, de manera gratuita y sin contraprestación presente o futura.
[1] T. A. Shaikh, T. Rasool, and F. R. Lone, “Towards leveraging the role of machine learning and artificial intelligence in precision agriculture and smart farming,” Computers and Electronics in Agriculture, vol. 198, Art. no. 107119, pp. 1–29, 2022, doi: https://doi.org/10.1016/j.compag.2022.107119.
[2] R. Yadav, Y. K. Rana, and S. Nagpal, “Plant leaf disease detection and classification using particle swarm optimization,” in Lecture Notes in Computer Science, vol. 11407, É. Renault, P. Mühlethaler, and S. Boumerdassi, Eds. Cham, Switzerland: Springer, 2019, pp. 294–306, doi: https://doi.org/10.1007/978-3-030-19945-6_21.
[3] L. Zhang, M. Xiao, J. Ma, and H. Song, “Edge detection by adaptive neuro-fuzzy inference system,” in Proc. 2nd Int. Congr. Image and Signal Processing (CISP), 2009, pp. 1–4, doi: https://doi.org/10.1109/CISP.2009.5304595.
[4] Y. Xiong, L. Liang, L. Wang, J. She, and M. Wu, “Identification of cash crop diseases using automatic image segmentation algorithm and deep learning with expanded dataset,” Computers and Electronics in Agriculture, vol. 177, Art. no. 105712, pp. 1–13, 2020, doi: https://doi.org/10.1016/j.compag.2020.105712.
[5] J. Shin et al., “Effect of directional augmentation using supervised machine learning technologies: A case study of strawberry powdery mildew detection,” Biosystems Engineering, vol. 194, pp. 49–60, 2020, doi: https://doi.org/10.1016/j.biosystemseng.2020.03.016.
[6] M. Kerkech, A. Hafiane, and R. Canals, “Vine disease detection in UAV multispectral images using optimized image registration and deep learning segmentation approach,” Computers and Electronics in Agriculture, vol. 174, Art. no. 105446, pp. 1–11, 2020, doi: https://doi.org/10.1016/j.compag.2020.105446.
[7] T. Poblete et al., “Detection of Xylella fastidiosa infection symptoms with airborne multispectral and thermal imagery,” ISPRS Journal of Photogrammetry and Remote Sensing, vol. 162, pp. 27–40, 2020, doi: https://doi.org/10.1016/j.isprsjprs.2020.02.010.
[8] 15 R. Van De Vijver et al., “In-field detection of Alternaria solani in potato crops using hyperspectral imaging,” Computers and Electronics in Agriculture, vol. 168, Art. no. 105106, pp. 1–12, 2020, doi: https://doi.org/10.1016/j.compag.2019.105106.
[9] P. Sharma, Y. P. S. Berwal, and W. Ghai, “Performance analysis of deep learning CNN models for disease detection in plants using image segmentation,” Information Processing in Agriculture, vol. 7, no. 4, pp. 566–574, 2020, doi: https://doi.org/10.1016/j.inpa.2019.11.001.
[10] S. V., A. Bhagwat, V. Laxmi, and S. Shrivastava, “A custom backbone UNet framework with DCGAN augmentation for efficient segmentation of leaf spot diseases in jasmine plant,” Journal of Computer Networks and Communications, vol. 2024, no. 1, Art. no. 5057538, pp. 1–15, 2024, doi: https://doi.org/10.1155/2024/5057538.
[11] S. Hernández and J. L. López, “Uncertainty quantification for plant disease detection using Bayesian deep learning,” Applied Soft Computing, vol. 96, Art. no. 106597, pp. 1–11, 2020, doi: https://doi.org/10.1016/j.asoc.2020.106597.
[12] D. Munjal et al., “A systematic review on the detection and classification of plant diseases using machine learning,” International Journal of Software Innovation, vol. 11, no. 1, pp. 1–25, 2023, doi: https://doi.org/10.4018/IJSI.315657.
[13] B. A. Kuncoro and Suharjito, “Adaptive neuro-fuzzy inference system for texture image classification,” in Proc. ICACOMIT, 2015, pp. 1–6, doi: https://doi.org/10.1109/ICACOMIT.2015.7440205.
[14] K. Bhardwaj and P. S. Mann, “Adaptive neuro-fuzzy inference system (ANFIS)-based edge detection technique,” International Journal for Science and Emerging Technologies with Latest Trends, vol. 8, no. 1, pp. 7–13, 2013. [Online]. Available: https://www.researchgate.net/publication/281378864_Adaptive_Neuro-Fuzzy_Inference_System_ANFIS_based_edge_detection_technique
[15] L. Zhang, M. Xiao, J. Ma, and H. Song, “Edge detection by adaptive neuro-fuzzy inference system,” in Proc. 2nd Int. Congr. Image and Signal Processing (CISP), 2009, pp. 1–4, doi: https://doi.org/10.1109/CISP.2009.5304595.
[16] C. Hemalatha, A. P. Periasamy, and S. Muruganand, “A hybrid approach for efficient removal of impulse, Gaussian and mixed noise from highly corrupted images using adaptive neuro-fuzzy inference system (ANFIS),” International Journal of Computer Applications, vol. 45, no. 16, pp. 15–21, May 2012. [Online]. Available: https://research.ijcaonline.org/volume45/number16/pxc3879310.pdf
[17] M. Devi and M. Soranamageswari, “Efficient impulse noise removal using hybrid neuro-fuzzy filter,” International Journal of Imaging Systems and Technology, pp. 100–110, 2019, doi: https://doi.org/10.1002/ima.22324.
[18] A. M. Sagir and S. Sathasivam, “A hybridised intelligent technique for the diagnosis of medical diseases,” Pertanika Journal of Science & Technology, vol. 25, pp. 425–440, Apr. 2017. [Online]. Available: https://ptsldigital.ukm.my/jspui/handle/123456789/578914
[19] A. B. Bayat, “Recognition of handwritten digits using optimized adaptive neuro-fuzzy inference systems and effective features,” Journal of Pattern Recognition and Intelligent Systems, vol. 1, no. 2, pp. 25–37, Aug. 2013, doi: http://paper.academicpub.org/Paper?id=14532
[20] M. Esmaili et al., “Assessment of ANFIS to predict production and water productivity of lettuce,” Agricultural Water Management, vol. 258, Art. no. 107201, pp. 1–11, 2021, doi: https://doi.org/10.1016/j.agwat.2021.107201.
[21] D. Elavarasan and P. M. Durai Raj Vincent, “Fuzzy deep learning-based crop yield prediction model,” Neural Computing and Applications, pp. 1–15, 2021, doi: https://doi.org/10.1007/s00521-021-05950-7.
[22] E. Omrani et al., “Potential of radial basis function-based support vector regression for apple disease detection,” Measurement, vol. 55, pp. 512–519, 2014, doi: https://doi.org/10.1016/j.measurement.2014.05.033.
[23] M. S. Mustafa et al., “Development of automated hybrid intelligent system for herbs plant classification,” Neural Computing and Applications, vol. 32, no. 15, pp. 11419–11441, 2020, doi: https://doi.org/10.1007/s00521-019-04634-7.
[24] A. Cruz et al., “Detection of grapevine yellows symptoms in Vitis vinifera L. with artificial intelligence,” Computers and Electronics in Agriculture, vol. 157, pp. 63–76, 2019, doi: https://doi.org/10.1016/j.compag.2018.12.028.
[25] E. Sarlaki et al., “Valorization of lignite wastes into humic acids,” Renewable Energy, vol. 163, pp. 105–122, 2021, doi: https://doi.org/10.1016/j.renene.2020.08.096.
[26] J. Wieczynski et al., “Application of the Sugeno integral in fuzzy rule-based classification,” Applied Soft Computing, vol. 167, Art. no. 112265, pp. 1–13, 2024, doi: https://doi.org/10.1016/j.asoc.2024.112265.
[27] J. Yang, T. Chen, L. Chen, and J. Zhao, “Towards a clustering guided rule interpolation for ANFIS construction,” in Proc. IEEE Int. Conf. Fuzzy Systems (FUZZ-IEEE), 2024, pp. 1–6, doi: https://doi.org/10.1109/FUZZ-IEEE60900.2024.10612196.
[28] T. M. Matsunaga et al., “Direct quantitative evaluation of disease symptoms on living plant leaves growing under natural light,” Breeding Science, vol. 67, no. 3, pp. 316–319, 2017, doi: https://doi.org/10.1270/jsbbs.16169.
